高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于图注意力网络的服务功能链路径优化研究

黄万伟 李松 张超钦 王苏南 张校辉

黄万伟, 李松, 张超钦, 王苏南, 张校辉. 基于图注意力网络的服务功能链路径优化研究[J]. 电子与信息学报, 2022, 44(8): 2833-2841. doi: 10.11999/JEIT210458
引用本文: 黄万伟, 李松, 张超钦, 王苏南, 张校辉. 基于图注意力网络的服务功能链路径优化研究[J]. 电子与信息学报, 2022, 44(8): 2833-2841. doi: 10.11999/JEIT210458
HUANG Wanwei, LI Song, ZHANG Chaoqin, WANG Sunan, ZHANG Xiaohui. Research on Optimization of Service Function Chain Path Based on Graph Attention Network[J]. Journal of Electronics & Information Technology, 2022, 44(8): 2833-2841. doi: 10.11999/JEIT210458
Citation: HUANG Wanwei, LI Song, ZHANG Chaoqin, WANG Sunan, ZHANG Xiaohui. Research on Optimization of Service Function Chain Path Based on Graph Attention Network[J]. Journal of Electronics & Information Technology, 2022, 44(8): 2833-2841. doi: 10.11999/JEIT210458

基于图注意力网络的服务功能链路径优化研究

doi: 10.11999/JEIT210458
基金项目: 国家自然科学基金(62072416, 62072414)
详细信息
    作者简介:

    黄万伟:男,1979年生,副教授,研究方向为人机智能交互系统、宽带信息网络和大数据技术

    李松:男,1997年生,硕士生,研究方向为软件定义网络、服务功能链

    张超钦:男,1978年生,副教授,研究方向为计算机网络体系架构、软件定义网络

    王苏南:男,1984年生,副教授,研究方向为网络系统架构、数字信号处理、网络信息安全、数据流分析

    张校辉:男,1979年生,博士,研究方向为网络空间安全技术、大数据及人工智能技术的公共安全应用

    通讯作者:

    黄万伟 huangww79@163.com

  • 中图分类号: TN929.5

Research on Optimization of Service Function Chain Path Based on Graph Attention Network

Funds: The National Natural Science Foundation of China (62072416, 62072414)
  • 摘要: 服务功能链(SFC)路径生成旨在为用户提供高速率、低延迟的多样化网络功能定制服务。现有的SFC路径选择算法大多都针对特定网络拓扑结构或使用单一评价指标,存在泛化性弱、评价标准单一的问题。针对此,该文提出基于图注意力网络(GAT)的SFC路径选择优化模型(SFC-GAT),其核心不再固定网络拓扑结构,而是将SFC路径选择问题建模为路径注意力问题。通过重新设计路径选择图和路径更新策略方式,增强模型泛化性;从时延和负载能力综合角度评价路径优化效果,解决路径性能单一评价问题。仿真实验结果表明:相比于约束下最短路径和最小过载路径选择策略,SFC-GAT至少能提高12%和7%选择路径综合性能。
  • 图  1  SDN\NFV环境下服务功能链拓扑结构图

    图  2  图注意力层操作图

    图  3  重构后服务功能链路径选择图

    图  4  SFC-GAT模型

    图  5  Networkx生成网络拓扑示意图

    图  6  SFC-GAT模型损失值和准确率优化训练过程

    图  7  SFCR不变情况下时延与负载能力变化

    图  8  SFCR不变情况SFC路径综合评价指数

    图  9  SFCR变化情况下时延与负载能力变化

    图  10  SFCR变化时SFC路径综合评价指数

    表  1  GAT-SFC路径优化算法

     输入 重构后SFC路径选择图$ G = \left( {u,V,E} \right) $
     输出 SFC预测路径
     (1) Initialization
     (2) lr = 0.005 //学习率
     (3) l2_coef = 0.0005 //权重衰减率
     (4) Function GAT-SFC($ G=\left(u,V,E\right) $)
     (5)  Initialization $ W $ //根据$ G $中节点的特征维度初始化
     (6)   For each $t\in \left\{1\cdots \mathrm{l}\mathrm{e}\mathrm{n}\left(u\right)-1\right\}$ //从第1层计算节点对
         下层节点的注意力
     (7) For each $i\in \left\{1\cdots \mathrm{l}\mathrm{e}\mathrm{n}\left(t\right)\right\}$ //第t层一共多少个实例节点
     (8)    For each$j\in \left\{1\cdots \mathrm{l}\mathrm{e}\mathrm{n}(t+1)\right\}$//t+1层节点数量
     (9)     Update($ {\alpha }_{i,j}^{t,t+1} $) //根据式(7)计算两个节点之间的
            注意力值
     (10)  $ {p}_{\theta } $=$\mathrm{M}\mathrm{a}\mathrm{x}({\displaystyle\sum }_{i=1}^{n}{(\alpha }_{i,j}^{t,t+1})$ //根据式(8)整合预测结果,
           得到预测路径
     (11)  Loss = $ \mathrm{m}\mathrm{e}\mathrm{a}\mathrm{n}\left(\mathrm{s}\mathrm{u}\mathrm{m}\right(L-{p}_{\theta })^2) $ //结果对比,计算损失值
     (12)  $ W $ = training(loss, lr, l2_coef) //更新权重
     (13) End Function
    下载: 导出CSV
  • [1] PANDEY S, HONG J W K, and YOO J H. Q-Learning based SFC deployment on edge computing environment[C]. The 21st Asia-Pacific Network Operations and Management Symposium, Daegu, Korea (South), 2020: 220–226.
    [2] HUFF A, VENÂNCIO G, GARCIA V F, et al. Building multi-domain service function chains based on multiple NFV orchestrators[C]. 2020 IEEE Conference on Network Function Virtualization and Software Defined Networks, Leganes, Spain, 2020: 19–24.
    [3] 卢旭, 易波, 王兴伟, 等. SDN/NFV下的5G网络资源切片管理机制[J]. 小型微型计算机系统, 2021, 42(5): 1082–1087. doi: 10.3969/j.issn.1000-1220.2021.05.032

    LU Xu, YI Bo, WANG Xingwei, et al. 5G network resource slice management mechanism in software-defined networking/net-work function virtualization[J]. Journal of Chinese Computer Systems, 2021, 42(5): 1082–1087. doi: 10.3969/j.issn.1000-1220.2021.05.032
    [4] Pham Chuan, Tran Nguyen H, Ren Shaolei, et al. Traffic-Aware and Energy-Efficient vNF Placement for Service Chaining: Joint Sampling and Matching Approach[J]. IEEE Transactions on Services Computing, 2020, 13(1): 172–185. doi: 10.1109/tsc.2017.2671867
    [5] WANG Xiaolei, XIE Lijun, QIN Zhiqiang, et al. Clustering of virtual network function instances oriented to compatibility in 5G network[J]. China Communications, 2017, 14(12): 111–119. doi: 10.1109/cc.2017.8246341
    [6] LIU Jiaqiang, LI Yong, ZHANG Ying, et al. Improve service chaining performance with optimized middlebox placement[J]. IEEE Transactions on Services Computing, 2017, 10(4): 560–573. doi: 10.1109/TSC.2015.2502252
    [7] BREMLER-BARR A, HARCHOL Y, and HAY D. OpenBox: A software-defined framework for developing, deploying, and managing network functions[C]. 2016 ACM SIGCOMM Conference, Florianópolis, Brazil, 2016: 511–524.
    [8] GU Lin, ZENG Deze, LI Wei, et al. Intelligent VNF orchestration and flow scheduling via model-assisted deep reinforcement learning[J]. IEEE Journal on Selected Areas in Communications, 2020, 38(2): 279–291. doi: 10.1109/JSAC.2019.2959182
    [9] SUBRAMANYA T, HARUTYUNYAN D, and RIGGIO R. Machine learning-driven service function chain placement and scaling in MEC-enabled 5G networks[J]. Computer Networks, 2020, 166: 106980. doi: 10.1016/j.comnet.2019.106980
    [10] CHOWDHURY P N, SHIVAKUMARA P, KANCHAN S, et al. Graph attention network for detecting license plates in crowded street scenes[J]. Pattern Recognition Letters, 2020, 140: 18–25. doi: 10.1016/j.patrec.2020.09.018
    [11] 唐伦, 曹睿, 廖皓, 等. 基于深度强化学习的服务功能链可靠部署算法[J]. 电子与信息学报, 2020, 42(12): 2931–2938. doi: 10.11999/JEIT190969
    [12] GU Yunjie, DING Yuehang, HU Yuxiang. Joint optimization of delay guarantees and resource allocation for service function Chaining[J]. IEICE Transactions on Information and Systems, 2019, E102.D(12): 2611–2614.
    [13] CLAYMAN S, MAINI E, GALIS A, et al. The dynamic placement of virtual network functions[C]. 2014 IEEE Network Operations and Management Symposium, Krakow, Poland, 2014: 1–9.
    [14] VELIČKOVIĆ P, CUCURULL G, CASANOVA A, et al. Graph attention networks[C]. The 6th International Conference on Learning Representations, Vancouver, Canada. 2018.
    [15] XIE Lijun, JIANG Yiming, WANG Binqiang, et al. An approach for network Function combination based on least busy placement algorithm[J]. China Communications, 2016, 13(S1): 167–176.
  • 加载中
图(10) / 表(1)
计量
  • 文章访问数:  916
  • HTML全文浏览量:  469
  • PDF下载量:  117
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-05-25
  • 修回日期:  2021-10-26
  • 网络出版日期:  2021-11-19
  • 刊出日期:  2022-08-17

目录

    /

    返回文章
    返回