[发明专利]基于节点负载预测的多域服务链主动重构机制

说明书

本发明涉及多域SFC技术领域，且公开了基于节点负载预测的多域服务链主动重构机制，包括以下步骤：建立系统模型与问题描述；基于CNN‑EDRN的负载预测；基于多智能体深度强化学习的SFC重构机制；将物理网络表示为G＝(N,L)，其中N表示物理节点的集合，L表示物理链路的集合，在多域网络环境中，物理网络由D个域组成，这些域由若干条跨域链路连接；将域的集合表示为I＝{Gsubgt;i/subgt;|1≤i≤D}，那么第i个域则表示为Gsubgt;i/subgt;＝(Nsubgt;i/subgt;,Lsubgt;i/subgt;)，其中和分别表示第i个域中节点和链路的集合，本文中提出一种集中式编排框架，设计了一种层次结构，并利用DRL(Deep Reinforcement Learning)分别实现SFC的域间及域内重构，在保证各域隐私的前提下，满足用户的QoS要求。

技术领域

本发明涉及多域SFC技术领域，具体为基于节点负载预测的多域服务链主动重构机制。

背景技术

近年来，许多学者对SFC的部署问题进行了研究。按照SFC的部署方式可以分为静态部署与动态部署。静态部署通常假设SFC的生命周期内网络状态不发生变化。动态部署则根据不断变化的网络状态和资源需求对SFC进行动态的资源分配和伸缩，现有的关于SFC动态部署的研究又可以分为两种：被动机制与主动机制。

被动机制也可以称为反应式模式，通常当用户的服务质量降到阈值之下或者网络负载超过上限时，SFC根据网络状态进行调整，例如，Chen R et al. 制定了用户QoS约束下的多SFC迁移问题，以最小化网络总运营成本。类似的，Toosi A N et al.提出了一种动态自缩放算法，在满足SFC端到端时延的同时最小化代价。Tajiki et al.流重路由问题进行建模，以减少资源碎片对网络利用率的影响。S et al.提出了一种全自动化的方法来解决部署和伸缩的联合优化问题。被动机制的主要限制主要在于其滞后性，即QoS 通常在SFC重新配置之前降级。主动机制则主要采用预测模式，应用预测技术使系统能够自动学习和预测未来的需求，并根据这些需求做出可伸缩性决策，例如，Tang et al.通过预测流量上限和规划VNF的总体部署，最小化所需资源。Gu et al.在工作负载预测的基础上提出弹性VNF编排策略。Mijumbi et al提出了一种基于图神经网络的算法，利用VNF转发图拓扑信息预测VNF 组件未来的资源需求。Kim et al.使用LSTM对NFV环境中的数据进行建模，并预测VNF资源需求。Subramanya T et al.将VNF的自伸缩问题建模为一个时间序列预测问题，根据预期的流量需求预测未来的VNF实例数量。

将SFC的部署问题按照研究场景分类则主要可以分为单域和多域场景，其中SFC在单域场景中的部署问题已经得到广泛研究，关于它的全面调查可以参考文献。以下主要介绍SFC在多域场景下的研究现状。多域的思想是将提供特定功能的许多域组合在一起，以作为一个整体交付它们的功能。在多域场景中，由于不同的InPs(InfrastructureProviders)的政策原因限制了网络参数信息的公开，每个域隐藏了域信息，如拓扑、体系结构和计算资源等，导致缺乏可见性和互操作性，现有的针对单一域网络开发的SFC部署方法也不适用。根据以上特点，多域网络下SFC部署需要各个网络域之间协同进行，根据协同方式的不同，多域网络下的SFC部署方案主要分为集中式和分布式两种。