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

基于深度信念网络资源需求预测的虚拟网络功能动态迁移算法

唐伦 赵培培 赵国繁 陈前斌

唐伦, 赵培培, 赵国繁, 陈前斌. 基于深度信念网络资源需求预测的虚拟网络功能动态迁移算法[J]. 电子与信息学报, 2019, 41(6): 1397-1404. doi: 10.11999/JEIT180666
引用本文: 唐伦, 赵培培, 赵国繁, 陈前斌. 基于深度信念网络资源需求预测的虚拟网络功能动态迁移算法[J]. 电子与信息学报, 2019, 41(6): 1397-1404. doi: 10.11999/JEIT180666
Lun TANG, Peipei ZHAO, Guofan ZHAO, Qianbin CHEN. Virtual Network Function Migration Algorithm Based on Deep Belief Network Prediction of Resource Requirements[J]. Journal of Electronics & Information Technology, 2019, 41(6): 1397-1404. doi: 10.11999/JEIT180666
Citation: Lun TANG, Peipei ZHAO, Guofan ZHAO, Qianbin CHEN. Virtual Network Function Migration Algorithm Based on Deep Belief Network Prediction of Resource Requirements[J]. Journal of Electronics & Information Technology, 2019, 41(6): 1397-1404. doi: 10.11999/JEIT180666

基于深度信念网络资源需求预测的虚拟网络功能动态迁移算法

doi: 10.11999/JEIT180666
基金项目: 国家自然科学基金(61571073),重庆市教委科学技术研究项目(KJZD-M201800601)
详细信息
    作者简介:

    唐伦:男,1973年生,教授,博士,研究方向为新一代无线通信网络、异构蜂窝网络、软件定义无线网络等

    赵培培:女,1993年生,硕士生,研究方向为5G网络切片映射算法

    赵国繁:女,1993年生,硕士生,研究方向为5G网络切片中的资源分配、可靠性

    陈前斌:男,1967年生,教授,博士生导师,研究方向为个人通信、下一代移动通信网络、异构蜂窝网络等

    通讯作者:

    唐伦 tangl@cqupt.edu.cn

  • 中图分类号: TN929.5

Virtual Network Function Migration Algorithm Based on Deep Belief Network Prediction of Resource Requirements

Funds: The National Natural Science Foundation of China (61571073), The Science and Technology Research Program of Chongqing Municipal Education Commission (KJZD-M201800601)
  • 摘要: 针对5G网络场景下缺乏对资源需求的有效预测而导致的虚拟网络功能(VNF)实时性迁移问题,该文提出一种基于深度信念网络资源需求预测的VNF动态迁移算法。该算法首先建立综合带宽开销和迁移代价的系统总开销模型,然后设计基于在线学习的深度信念网络预测算法预测未来时刻的资源需求情况,在此基础上采用自适应学习率并引入多任务学习模式优化预测模型,最后根据预测结果以及对网络拓扑和资源的感知,以尽可能地减少系统开销为目标,通过基于择优选择的贪婪算法将VNF迁移到满足资源阈值约束的底层节点上,并提出基于禁忌搜索的迁移机制进一步优化迁移策略。仿真表明,该预测模型能够获得很好的预测效果,自适应学习率加快了训练网络的收敛速度,与迁移算法结合在一起的方式有效地降低了迁移过程中的系统开销和服务级别协议(SLA)违例次数,提高了网络服务的性能。
  • 图  1  系统场景图

    图  2  基于在线学习的深度信念网络资源需求预测流程图

    图  3  多任务SFC学习模式

    图  4  含两个隐藏层的DBN资源需求训练图

    图  5  CPU资源需求DBN预测值与真实值趋势对比图

    图  6  CPU资源需求BP-NN预测值与真实值趋势对比图

    图  7  两种学习方式的CPU预测均方根误差对比图

    图  8  两种学习率方式的RBM重构误差曲线

    图  9  不同算法系统开销对比图

    图  10  不同阈值的系统开销对比图

    图  11  不同节点的CPU利用率示例图

    图  12  不同算法的违例次数对比图

    表  1  基于拓扑感知的动态局部迁移算法(TPLDM-DBN)

     算法1 基于拓扑感知的动态局部迁移算法(TPLDM-DBN)
     输入:过载的物理节点${S_s}$以及它上面的VNF集合VNFList
     输出:需要迁移的${\rm{VN}}{{\rm{F}}_m}$和迁移的目标物理节点${S_d}$
      ${C_{\rm min}}[1,2,·\!·\!·,|{\rm{VNF}}|]$表示VNFList中每个虚拟机上的
    ${\rm{VN}}{{\rm{F}}_i}$最小的系统开销
      $D[1,2,·\!·\!·,|{\rm{VNF}}|]$: ${D_i}$表示给${\rm{VN}}{{\rm{F}}_i}$带来最小系统开销最小
    的物理节点
     (1) ${C_{\rm min}} \leftarrow \infty $
     (2) for each ${\rm{VN}}{{\rm{F}}_i} \in {\rm VNFList}$ do
     (3)  For each ${S_j} \in S$ do
     (4)    If ${\rm{Check}}\_{\rm{constraints}}({\rm{VN}}{{\rm{F}}_i},{S_j}) = {\rm False}$
     (5)      Continue;
     (6)    endif
     (7)      Add ${S_j}$ to ${S_{{\rm{VN}}{{\rm{F}}_i}}}$
     (8)    Endfor
     (9)    对于选出的符合资源约束的物理节点集合${S_{{\rm{VN}}{{\rm{F}}_i}}}$,通
    过拓扑感知计算出${\rm{VN}}{{\rm{F}}_i}$迁移的最小系统开销${C_i}$,并
    将迁移的目标物理节点用${D_i}$表示
     (10)    If ${C_i} < {C_{\rm min}} $ and $ {D_i} \ne {S_s}$ then
     (11)      $\begin{array}{l}{C_{\rm min}} \leftarrow {C_i}\\{\rm{VN}}{{\rm{F}}_m} \leftarrow {{\rm VNF}_i}\\{S_d} \leftarrow {D_i}\end{array}$
     (12)    Endif
     (13)  Endfor
     (14)  Return $({\rm{VN}}{{\rm{F}}_m},{S_d})$
    下载: 导出CSV

    表  2  基于拓扑感知的动态全局迁移算法(TPGDM-DBN)

     算法2 基于拓扑感知的动态全局迁移算法(TPGDM-DBN)
     (1) 输入所有过载的物理节点集合SList以及它们上面的VNF集合 VNFList:
     (2) for each ${S_i} \in {\rm SList}$ do
     (3) 执行算法1选出迁移的VNF
     (4) while ${S_i}$仍然过载
     (5)  继续执行算法2选出系统开销次小的VNF进行迁移
     (6) Endwhile
     (7) Endfor
     (8) 输出需要迁移的VNF集合以及相对应的目标迁移物理节点
    下载: 导出CSV

    表  3  基于禁忌搜索的迁移优化算法(TADM-DBN)

     算法3:基于禁忌搜索的迁移优化算法(TADM-DBN)
     (1) 初始解: $Z = {Z_0},{Z^*} = {Z_0},T = \phi $,定义特赦值为
    $A({Z^*}) = C_{{\rm tot}}^t({Z^*})$
     (2) While 不符合终止准则 do
     (3)  产生$N(Z)$的一个候选集W,在候选集中选取最优解
    ${X^*}$,更新$C_{{\rm tot}}^t({X^*})$
     (4)  If $C_{{\rm tot}}^t(X) < A({Z^*}),X \in T\,$且$C_{{\rm tot}}^t(X) < C_{{\rm tot}}^t({X^*})$
     (5)   令${X^*} = X$
     (6)   更新$C_{{\rm tot}}^t({X^*})$
     (7)  Endif//破禁检查
     (8)  If $C_{{\rm tot}}^t({X^*}) < C_{{\rm tot}}^t({Z^*})$
     (9)   ${Z^*} = {X^*},C_{{\rm tot}}^t({Z^*}) = C_{{\rm tot}}^t({X^*}),A({Z^*}) = C_{{\rm tot}}^t({Z^*})$
     (10)  Endif;
     (11)  更新禁忌表$T\;$, $T = T \,\cup {X^*}$
     (12)  令$Z = {X^*}$
     (13) Endwhile
     (14) Return ${Z^*}$
    下载: 导出CSV
  • MAHMOOD N H, LAURIDSEN M, BERARDINELLI G, et al. Radio resource management techniques for eMBB and mMTC services in 5G dense small cell scenarios[C]. Proceedings of the 84th Vehicular Technology Conference, Montreal, Canada, 2017: 1–5.
    唐伦, 张亚, 梁荣, 等. 基于网络切片的网络效用最大化虚拟资源分配算法[J]. 电子与信息学报, 2017, 39(8): 1812–1818. doi: 10.11999/JEIT161322

    TANG Lun, ZHANG Ya, LIANG Rong, et al. Virtual resource allocation algorithm for network utility maximization based on network slicing[J]. Journal of Electronics &Information Technology, 2017, 39(8): 1812–1818. doi: 10.11999/JEIT161322
    RAHMAN M M, DESPINS C, and AFFES S. Design optimization of wireless access virtualization based on cost & QoS trade-off utility maximization[J]. IEEE Transactions on Wireless Communications, 2016, 15(9): 6146–6162. doi: 10.1109/TWC.2016.2580505
    QU Long, ASSI C, SHABAN K, et al. A reliability-aware network service chain provisioning with delay guarantees in NFV-enabled enterprise datacenter networks[J]. IEEE Transactions on Network and Service Management, 2017, 14(3): 554–568. doi: 10.1109/TNSM.2017.2723090
    RIGGIO R, BRADAI A, HARUTYUNYAN D, et al. Scheduling wireless virtual networks functions[J]. IEEE Transactions on Network and Service Management, 2016, 13(2): 240–252. doi: 10.1109/TNSM.2016.2549563
    LUIZELLI M C, BAYS L R, BURIOL L S, et al. Piecing together the NFV provisioning puzzle: Efficient placement and chaining of virtual network functions[C]. Proceedings of 2015 IFIP/IEEE International Symposium on Integrated Network Management, Ottawa, Canada, 2015: 98–106.
    XIA Jing, CAI Zhiping, and XU Ming. Optimized virtual network functions migration for NFV[C]. Proceedings of 2016 IEEE International Conference on Parallel and Distributed Systems, Wuhan, China, 2016: 340–346.
    ERAMO V, MIUCCI E, AMMAR M, et al. An approach for service function chain routing and virtual function network instance migration in network function virtualization architectures[J]. IEEE/ACM Transactions on Networking, 2017, 25(4): 2008–2025. doi: 10.1109/TNET.2017.2668470
    MIJUMBI R, HASIJA S, DAVY S, et al. Topology-aware prediction of virtual network function resource requirements[J]. IEEE Transactions on Network and Service Management, 2017, 14(1): 106–120. doi: 10.1109/TNSM.2017.2666781
    DEUTSCH J and HE D. Using deep learning-based approach to predict remaining useful life of rotating components[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2018, 48(1): 11–20. doi: 10.1109/TSMC.2017.2697842
    PATI J, KUMAR B, MANJHI D, et al. A comparison among ARIMA, BP-NN, and MOGA-NN for software clone evolution prediction[J]. IEEE Access, 2017, 5: 11841–11851. doi: 10.1109/ACCESS.2017.2707539
    GIL H J and BOTERO J F. Resource allocation in NFV: A comprehensive survey[J]. IEEE Transactions on Network and Service Management, 2016, 13(3): 518–532. doi: 10.1109/TNSM.2016.2598420
    MA Wenrui, MEDINA C, and PAN Deng. Traffic-aware placement of NFV middleboxes[C]. Proceedings of 2015 IEEE Global Communications Conference, San Diego, USA, 2015: 1–6. doi: 10.1109/GLOCOM.2015.7417851.
    CARUANA R. Multitask learning[J]. Machine Learning, 1997, 28(1): 41–75. doi: 10.1023/a:1007379606734
    MASHINCHI M H, MASHINCHI M R, and MASHINCHI M. Tabu search solution for fuzzy linear programming[C]. Proceedings of the 7th IEEE/ACIS International Conference on Computer and Information Science, Portland, USA, 2008: 82–87.
  • 加载中
图(12) / 表(3)
计量
  • 文章访问数:  2156
  • HTML全文浏览量:  1141
  • PDF下载量:  90
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-07-05
  • 修回日期:  2019-01-28
  • 网络出版日期:  2019-02-19
  • 刊出日期:  2019-06-01

目录

    /

    返回文章
    返回