一种两级协同的VNF泛化编排方法和系统

一种两级协同的vnf泛化编排方法和系统
技术领域
1.本发明涉及新型网络架构技术领域，尤其涉及一种两级协同的vnf泛化编排方法和系统。


背景技术：

2.网络功能虚拟化(network function virtualization,nfv)通过使用虚拟化和云技术将网络功能与硬件分离，并将网络服务抽象为在基本硬件上运行的称为虚拟化网络功能(virtual network function,vnf)的软件，从而改变了传统网络。在nfv和敏捷服务生产的背景下，资源虚拟化和服务功能链(service function chain,sfc)在自动化网络服务部署方面发挥着关键作用。nfv编排框架解决了设计nfv管理和编排以提供动态sfc即服务的问题。然而，目前nfv编排依赖于针对不同sfc请求(sfcr)、网络拓扑、流量负载等的不同约束条件。当参数设置不匹配时，nfv编排可能会遭受性能损失。
3.近年来，nfv编排问题引起了业界关注，如何保证nfv编排的敏捷性、自动化和泛化能力，成为新型网络结构领域的研究热潮。但目前相关研究多聚焦于vnf编排的两个阶段，即首先进行vnf的部署，并基于部署后的vnf分布图将不断到来的sfc请求映射到物理网络中。这种方法仅仅考虑到固定网络拓扑中的vnf编排，没有考虑到当前网络拓扑的动态变化或者不同网络拓扑中的vnf编排，难以处理异构的网络并有效实现vnf的泛化编排，适用范围较窄。


技术实现要素：

4.针对nfv编排过程参数-环境匹配的复杂情况，本发明设计了一种两级协同的vnf泛化编排方法和系统，用于适应nfv网络中大量、不确定和易变的sfc请求以及拓扑多样化的网络场景，在实现nfv编排过程自动化的同时，保证满足服务等级协议的服务质量水平。本发明结合了网络功能虚拟化的思想，该发明支持nfv网络中vnf的自动化部署与sfc的自动化映射，支持vnf部署与sfc映射两个阶段的协同优化，并支持不同网络拓扑下的泛化编排。
5.为了实现上述目的，本发明采用以下技术方案：
6.本发明一方面公开一种两级协同的vnf泛化编排系统，包括sfc映射单元、vnf部署单元；所述sfc映射单元包括映射控制器；所述vnf部署单元包括部署控制器；所述映射控制器及部署控制器均包括拓扑泛化模块；
7.所述sfc映射单元用于根据当前的vnf分布，在拓扑结构可能发生改变的物理网络中找到一条能够处理当前sfc请求的最短路径，并以该路径的走向为顺序依次连接相应的物理网络节点；
8.所述vnf部署单元用于根据当前的网络状态和sfc映射质量，决策vnf实例在当前拓扑结构的物理网络中的分布；
9.所述映射控制器用于对sfc映射单元进行管理，以进行物理节点选择；
10.所述部署控制器用于对vnf部署单元进行控制，重新规划各个物理节点上vnf的分布，以网络状态和sfc序列为输入，以sfc映射质量为反馈，来决策vnf的部署；
11.所述拓扑泛化模块用于使用图增强学习来解决vnf编排问题。
12.进一步地，所述映射控制器与部署控制器都基于可以实现拓扑泛化的智能算法实现，都具备适应不同网络拓扑进行vnf编排的能力。
13.进一步地，所述sfc映射单元、vnf部署单元均以一个sfc请求为粒度来交互。
14.进一步地，一个sfc的映射质量被量化为其映射逻辑链路的时延与其源、目的节点间最短路径的时延的比值。
15.进一步地，所述拓扑泛化模块中，采用深度强化学习与图神经网络相结合的方式实现拓扑泛化。
16.进一步地，所述拓扑泛化模块中，一条物理链路对应图神经网络中的两条有向边。
17.进一步地，所述拓扑泛化模块中，图神经网络中：
18.节点上的输入特征值input_node_feature为
19.input_node_feature＝("resource","vnf","id")
20.其中，resource表示该节点上的当前资源剩余量，vnf表示该节点上的vnf部署种类，id表示该节点上的编号；
21.边上的输入特征值input_edge_feature为
22.input_edge_feature＝("delay","bandwidth")
23.其中，delay、bandwidth分别表示该链路上的传输时延和带宽；
24.全局的输入特征值input_global_feature为
25.input_global_feature＝("start","end","duration","sfc")
26.其中，duration、start和end分别表示要被映射sfc的工作时长、源节点编号、目的节点编号；sfc表示sfc请求映射交互粒度fi中的其他信息，即编码到维度为(n,n,2)的张量t，t中第三维度的两个值分别表示对节点、链路的容量需求t以第三维度来切片可以得到大小为n
×
n的置换矩阵a，a将固定排序的vnf元组转换fi中的vnf元组，合并和a即得到张量t。
27.本发明另一方面提出一种两级协同的vnf泛化编排方法，包括：
28.通过sfc映射单元和vnf部署单元交替进行vnf的部署和sfc的映射，自动化地调整vnf的编排方案。
29.与现有技术相比，本发明具有的有益效果：
30.本发明可以实现拓扑泛化的自动化vnf编排，有效地提高vnf编排效率，便于网络管理者及时应对网络需求变化，保证网络服务质量。
附图说明
31.图1为本发明实施例一种两级协同的vnf泛化编排系统的架构示意图；
32.图2为本发明实施例提供的两级协同的vnf泛化编排系统功能说明图；
33.图3为本发明实施例提供的sfc映射原理示意图；
34.图4为本发明实施例提供的某一拓扑上sfc请求示例图；
35.图5为本发明实施例提供的vnf部署示意图。
具体实施方式
36.下面结合附图和具体的实施例对本发明做进一步的解释说明：
37.本发明提出了一种两级协同的vnf泛化编排系统，如图1所示。从宏观上看，该系统总体设计是基于网络功能虚拟化将硬件网络设备与网络功能解耦的思想，通过智能算法进行vnf部署和sfc映射的协同优化，实现多样化网络拓扑自适应的自动化网络功能编排以及全局优化。
38.进一步地，上层是vnf部署单元，下层是sfc映射单元。vnf部署单元负责通过预测用户的业务需求来放置不同种类的vnf实例，而sfc映射单元负责将这些vnf实例映射到物理网络中并按照一定顺序连接起来，以满足用户的网络功能需求。vnf部署单元能够影响sfc映射单元的映射质量，同时sfc映射单元的映射结果作为反馈又作用于vnf部署单元，因此，两者需要相互配合才能更好地编排。sfc映射单元由映射控制器来管理，它以一个sfc请求为粒度来交互，依次处理达到的请求直至无法再成功映射。
39.进一步地，所述映射控制器与部署控制器都基于可以实现拓扑泛化的智能算法实现，都具备适应不同网络拓扑进行vnf编排的能力。即所述映射控制器及部署控制器均包括拓扑泛化模块。
40.该系统可以使用例如图增强学习的人工智能算法来解决vnf编排问题，基于以下原因：1)vnf编排可以表述为一个马尔科夫过程，适合用深度强化学习(deep reinforcement learning,drl)来优化；2)图神经网络(graph neural network,gnn)作为drl的深度神经网络能够接收和输出不定维度的数据，适合拓扑多样化的网络场景。
41.例如上述sfc请求映射交互粒度可用f1,f2,
…
,f
t1
来表示，称之为drl的一个周期。vnf部署单元由部署控制器来管理，它以上述的一个周期为粒度来交互，例如，周期0,周期1,
…
，这是一个无限的drl序列。
42.拓扑泛化的关键是使用gnn作为drl中的“深度”，称为广义(或图)深度强化学习(graph deep reinforcement learning,gdrl)。gnn对图进行操作，并相应地构造它们的计算，这可以对应于网络的拓扑。当待优化的目标网络拓扑发生变化时，只需要相应地调整gdrl中gnn的拓扑，而不需要改变神经网络输入数据的维度(填充或裁剪)即可继续应用本系统进行vnf编排。基于此，将vnf编排问题的输入和输出合理地映射到drl的(s,a,r)上，然后将它们编码为gnn的特征即可。整个过程用户仅需获取该系统为其生成的虚拟网络视图，不用知晓底层网络信息，且底层网络的变化不会对用户体验造成影响。
43.为了便于对本发明进一步的理解，下面将结合图2对本发明的具体实施方式进行详细描述：
44.sfc映射单元，本发明在物理网络和vnf部署单元之间加载了sfc映射单元。以图3为例，其中需要部署的vnf种类通常是不变的，其总数记为n。sfc映射单元用于确定服务请求中每个vnf所要运行在的物理节点。当某些物理节点上剩余的计算资源满足vnf的需求，物理链路上剩余带宽资源满足vnf之间数据传输的需求时，运行在sfc映射单元中的映射控制器综合考虑这些备选节点可以获得的网络服务质量qos，进行节点选择。
45.网络服务质量qos为一个相对量，即实际编排出sfc的qos与其理论上最优值的比
值。qos的衡量标准有多个，这里我们仅关注与vnf编排最相关的链路时延。因此，一个sfc的映射质量被量化为其映射逻辑链路的时延与其源、目的节点间最短路径的时延的比值。一个周期的vnf编排质量定义为所有sfc映射质量的平均值，包括活动sfc和非活动sfc。
46.vnf部署单元，本发明在sfc映射单元之上加载了vnf部署单元。在sfc映射单元所述的sfc映射过程中，我们假定vnf部署是固定的直至可以实现拓扑泛化sfc映射的一个周期结束。而在sfc映射开始前，部署控制器可以重新规划各个物理节点上vnf的分布，以利于下一个周期中sfc能够更好地被映射。同样，部署控制器以网络状态和sfc序列为输入，以sfc映射质量为反馈，来决策vnf的部署。需要注意的是，由于未来的sfc请求是未知的，部署控制器只能以历史上的sfc请求为输入(某一拓扑上sfc请求示例如图4所示)，需要对未来需求进行预测。vnf部署示意如图5所示。
47.拓扑泛化模块，本发明在sfc映射单元和vnf部署单元中都加载了拓扑泛化模块，以实现在多样化网络拓扑场景中的广泛应用。gdrl中神经网络gnn的拓扑与物理网络的拓扑是一样的，其中一条物理链路对应gnn中的两条有向边。因此，网络拓扑的变化不会影响gnn/gdrl的工作，这对动态网络中的优化算法是非常重要的属性。而gnn中节点、边和全局的神经网络采用的是全连接神经网络，仅能处理固定维度的数据。我们需要编码网络中的数据为gdrl的规则输入和解码它的输出为多样化的映射策略，同时需要确保数据的组织具有gnn能够处理的逻辑关系。
48.gnn中节点、边和全局的输入特征值来表示包含网络状态和将被映射sfc的信息。节点上的输入特征值为
49.input_node_feature＝("resource","vnf","id")
50.其中，resource表示该节点上的当前资源剩余量，编码到shape为(1)的tensor，即一个维度为(1)的标量。vnf表示该节点上的vnf部署种类，编码到shape为(n)的tensor，即一个维度为(n)的标量。例如，当前网络的vnf元组排序为(vnf0,vnf1,vnf2,vnf3,vnf4)，网络节点0上部署着vnf0和vnf2，则其vnf为(1,0,1,0,0)。id表示该节点上的编号，也是一个标量。
51.gnn中边上的输入特征值为
52.input_edge_feature＝("delay","bandwidth")
53.delay、bandwidth分别表示该链路上的传输时延和带宽，都是标量。
54.gnn中全局的输入特征值为
55.input_global_feature＝("start","end","duration","sfc")
56.其中，duration,start和end分别表示要被映射sfc的工作时长、源节点编号、目的节点编号，也都是标量。sfc需要完整表示fi中的其他信息，也就是编码到shape为(n,n,2)的tensor t。t中第三维度的两个值分别表示对节点和链路的容量需求和t以第三维度来切片可以得到大小为n
×
n维的矩阵，记为a。a是一个置换矩阵，将固定排序的vnf元组转换fi中的vnf元组，例如，
[0057][0058]
因此，合并和a即可得到tensor t，以式(1)为例，则
[0059][0060]
在上述实施例的基础上，本发明还公开一种两级协同的vnf泛化编排方法，包括：
[0061]
通过sfc映射单元和vnf部署单元交替进行vnf的部署和sfc的映射，自动化地调整vnf的编排方案。
[0062]
综上，通过上述各模块的相互配合，本发明可以实现拓扑泛化的自动化vnf编排，有效地提高vnf编排效率，便于网络管理者及时应对网络需求变化，保证网络服务质量。
[0063]
以上所示仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。