基于5G接入网络的多优先级虚拟网络功能迁移开销与网络能耗联合优化算法

唐伦; 杨恒; 马润琳; 陈前斌

doi:10.11999/JEIT180906

基于5G接入网络的多优先级虚拟网络功能迁移开销与网络能耗联合优化算法

doi: 10.11999/JEIT180906

1.
重庆邮电大学通信与信息工程学院重庆 400065
2.
重庆邮电大学移动通信技术重点实验室重庆 400065

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，主要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

杨恒：男，1993年生，硕士生，主要研究方向为网络切片及虚拟网络资源分配

马润琳：女，1993年生，硕士生，主要研究方向为5G网络切片、网络功能虚拟化、无线资源分配等

陈前斌：男，1967年生，教授，博士生导师，主要研究方向为个人通信、多媒体信息处理与传输、下一代移动通信网络、异构蜂窝网络等

通讯作者:
杨恒　378171465@qq.com

中图分类号: TN929.5
计量
- 文章访问数: 2438
- HTML全文浏览量: 1179
- PDF下载量: 107
- 被引次数: 8
出版历程
- 收稿日期: 2018-09-20
- 修回日期: 2019-03-06
- 网络出版日期: 2019-04-01
- 刊出日期: 2019-09-10

Multi-priority Based Joint Optimization Algorithm of Virtual Network Function Migration Cost and Network Energy Consumption

1.
School of Communication and Information Engineering, Chongqing University of Posts and Telecommunications, Chongqing 400065, China
2.
Key Laboratory of Mobile Communication Technology, Chongqing University of Post and Telecommunications, Chongqing 400065, China

Funds: The National Natural Science Foundation of China (61571073), The Science and Technology Research Program of Chongqing Municipal Education Commission (KJZD-M201800601)

摘要

摘要: 针对5G接入网络中虚拟网络功能(VNF)部署完成后，其资源需求发生动态变化，导致网络中物理机(PM)资源利用率过高或过低这一问题，该文首先将网络中PM的资源使用情况划分5个不同分区，提出一种多优先级VNF迁移请求队列调度模型。其次基于该模型，对VNF迁移开销的最小化及网络能耗的最小化建立联合优化模型。最后提出一种基于5G接入网络的多优先级VNF迁移开销与网络能耗联合优化算法对其进行求解。仿真结果表明，该算法在有效实现VNF迁移开销与网络能耗折中的同时，提高了PM资源利用率，保证了PM性能并均衡各PM负载。
- 5G接入网络 /
- 虚拟网络功能 /
- 迁移开销 /
- 网络能耗
Abstract: After the Virtual Network Function (VNF) in the 5G access network is deployed, the resource requirements are dynamically changed, resulting in the problem that the Physical Machine (PM) resource utilization in the network is too high or too low. To solve the above problem, the resource usage of PM in the network is divided into five different partitions, and a multi-priority VNF migration request queue scheduling model is proposed. Secondly, based on the model, a joint optimization model is established to minimize the VNF migration cost and minimize the network energy consumption. Finally, a multi-priority VNF migration cost and network energy joint optimization algorithm based on 5G access network is presented to solve the above model. The simulation results show that the algorithm can effectively improve the PM resources utilization, ensure the PM performance and balance the PM load while effectively realizing a compromise between VNF migration cost and network energy consumption.
- 5G access network /
- Virtual Network Function (VNF) /
- Migration cost /
- Network energy consumption

HTML全文

1. 引言

作为2维平面结构的超材料，超表面^[1,2]通过精心设计亚波长尺寸的单元结构可以调控电磁波的幅度、相位和极化方式，具有低剖面、重量轻、易于制作等优点，被广泛应用于极化转化器^[3,4]、涡旋发生器^[5,6]、图像处理器^[7]、天线^[8,9]等领域。而随着现代集成系统的迅速发展，功能单一的超表面已无法满足集成系统的需求。相对于有源超表面(如可重构超表面)^[10,11]为实现多功能进行的复杂控制系统设计，无源超表面通过改变入射波的极化、频率和角度等实现多种功能的集成，极大降低了系统的损耗和成本。2018年，文献[12]基于P-B相位在微波波段提出了一款3层金属结构堆叠的双功能超表面；同年，Zhuang等人^[13]利用一种基于反射和透射结构的多层超表面实现3种不同的功能；2019年，文献[14]研制了一款集成共振和几何相位的级联多功能超表面，以独立操控反射和透射电磁波；2021年，Shang等人^[15]利用一组双层交叉型反射单元设计了一款2 bit编码超表面，在不同极化波作用下实现两幅独立的全息图像。上述研制的多功能超表面，大多数采用多层结构堆叠的形式实现360°相位覆盖，并不是研制低成本和集成化功能性器件的最佳解决方案。

惠更斯超表面^[16-19]通过合理构建电偶极子和磁偶极子，能够对电场和磁场产生响应，从而实现对入射电磁波的自由调控，相对于只调控极化电流的超表面，它既能保证高的透射效率，又能保证全相位覆盖，且制作工艺简单，能显著提高超表面效率，一直是人工电磁领域的研究热点。文献[20]提出了一款极化不敏感的惠更斯超表面，在远场产生高效率的全息图像。2018年，Wang等人^[21]在微波波段研制了4款惠更斯超表面全息图，并在y极化电磁波的激励下呈现不同的图像。之后，该研究团队设计了一款宽频段的惠更斯超表面，y极化电磁波经过超表面的调制实现3维全息图像^[22]。目前大多数研究的惠更斯超表面极化模式单一，并且需要在物理结构上同时构建电、磁偶极子，设计过程相对复杂，极大限制了在实际工程中的应用。因此，围绕惠更斯超表面开展结构简单的新型极化复用电磁集成器件的研究方兴未艾。

本文提出一种极化复用的聚焦惠更斯超表面，可通过改变相应的物理参数实现x极化和y极化独立调控，35 GHz频率下具有较小的传输损耗和较高的聚焦质量。超表面单元由一层厚度为0.17λ的介质基板和位于两侧的两个不对称电偶极子元件组成，物理结构上没有单独的磁偶极子元件，而是通过反向流动的表面电流诱导磁流，使单元结构更加紧凑。利用全息理论，设计了在x极化波和y极化波作用下具有独立聚焦特性的极化复用超表面，仿真和实测结果基本一致，验证了所提出的惠更斯超表面具有极化复用的可行性。

2. 超表面单元设计

惠更斯超表面来源于等效原理，该原理通过无穷小的薄型表面电流密度J_s和磁流密度M_s来满足边界条件^[16,17]。当入射波激励惠更斯表面时，会同时感应表面电流和磁流密度，产生依赖于电流和磁流密度的反射波和透射波，如图1所示。对于区域1中的入射场，区域2中的任意场可以通过在超表面上引入电流和磁流密度来确定。电磁场和表面电磁流密度满足边界条件为

图 1 惠更斯超表面

下载: 全尺寸图片幻灯片

${{\boldsymbol{J}}_{\text{s}}} = {\boldsymbol{n}} \times ({{\boldsymbol{H}}_2} - {{\boldsymbol{H}}_1})\;$

(1)

${{\boldsymbol{M}}_{\text{s}}} = - {\boldsymbol{n}} \times ({{\boldsymbol{E}}_2} - {{\boldsymbol{E}}_1})$

(2)

其中，n为朝向区域2的单位法向向量，E和H为电场和磁场。在实际应用中，通过取表面电磁流密度与表面平均切向场的比值，得到特定表面电磁流密度与表面电导纳 ${{\bar{\bar {\boldsymbol{Y}}}}_{{\text{es}}}}$ 和磁阻抗 ${{\bar {\bar {\boldsymbol{Z}}}}_{{\text{ms}}}}$ 之间的关系

${{\boldsymbol{J}}_{\text{s}}} = {{\bar{\bar {\boldsymbol{Y}}}}_{{\text{es}}}} \cdot {{\boldsymbol{E}}_{{{\rm{tan}},{\rm{av}}}}}\left| {_{S}} \right.\;\;$

(3)

${{\boldsymbol{M}}_{\text{s}}} = {{\bar{\bar {\boldsymbol{Z}}}}_{{{\rm{ms}}}}} \cdot {{\boldsymbol{H}}_{{{\rm{tan}},{\rm{av}}}}}\left| {_{S}} \right.$

(4)

其中，E_tan,av和H_tan,av分别是表面上的平均切向电场和磁场。 ${{\bar{\bar {\boldsymbol{Y}}}}_{{{\rm{es}}}}}$ 和 ${{\bar{\bar {\boldsymbol{Z}}}}_{{{\rm{ms}}}}}$ 为张量，表示为

${{\bar{\bar {\boldsymbol{Y}}}}_{{{\rm{es}}}}}{\text{ = }}\left( {\begin{array}{*{20}{c}} {Y_{{{\rm{es}}}}^{{{xx}}}}&{Y_{{{\rm{es}}}}^{{{xy}}}} \\ {Y_{{{\rm{es}}}}^{{{yx}}}}&{Y_{{{\rm{es}}}}^{{{yy}}}} \end{array}} \right)$

(5)

${{\bar{\bar {\boldsymbol{Z}}}}_{{{\rm{ms}}}}}{\text{ = }}\left( {\begin{array}{*{20}{c}} {Z_{{{\rm{ms}}}}^{{{xx}}}}&{Z_{{{\rm{ms}}}}^{{{xy}}}} \\ {Z_{{{\rm{ms}}}}^{{{yx}}}}&{Z_{{{\rm{ms}}}}^{{{yy}}}} \end{array}} \right)$

(6)

由场分布得到表面阻抗后，将超表面离散为单元。根据反射系数(R)和透射系数(T)确定特定单元的表面阻抗

${Y_{{{\rm{es}}}}} = \frac{2}{\eta } \cdot \frac{{1 - T - R}}{{1 + T + R}}$

(7)

${Z_{{{\rm{ms}}}}} = 2\eta \cdot \frac{{1 - T + R}}{{1 + T - R}}$

(8)

其中，η为自由空间的波阻抗，对于无反射、全透射的惠更斯超表面，即 $R = 0$ , $T = {{\rm{e}}^{{\rm{j}}{\varphi _t}}}$ 满足

${Y_{{{\rm{es}}}}} = \frac{{ - {\rm{j}}2}}{\eta } \cdot \tan \left( {\frac{{{\varphi _t}}}{2}} \right)$

(9)

${Z_{{{\rm{ms}}}}} = - {\rm{j}}2\eta \cdot \tan \left( {\frac{{{\varphi _t}}}{2}} \right)$

(10)

由式(9)和式(10)可以看出，表面阻抗与传输相位 $\varphi_t$ 有关，对于每个特定的传输相位，都有相应的表面阻抗。此外，如果归一化的表面电导纳和磁阻抗相等且为纯虚数(Y_esη = Z_ms/η)，则会激发电磁共振，获得高传输幅度。

图2说明了本文利用的透射型惠更斯单元结构，分别由x方向和y方向的金属结构线性叠加构成，具有4种不同叠加方式。当y极化波入射时，调控y方向的金属结构可产生轴向表面电流，实现传输幅度接近1的宽带传输谱和360°相位覆盖，而不改变x极化波的传输相位和幅度。同理，x方向的金属结构可对x极化波进行波束调控，而对y极化波不产生响应，单元实现极化复用特性。

图 2 极化复用惠更斯单元的3维图

下载: 全尺寸图片幻灯片

图3(a)和图3(b)为对y极化波响应的单元结构E_1和E_2，由印刷在1.5 mm厚的介质基板(介电常数2.22，tanδ = 0.001)两侧的不对称金属贴片(电偶极子)构成，其中P = 4.8 mm, h = 1.5 mm, w = 0.2 mm。通过建立归一化电导纳Y_esη与磁阻抗Z_ms/η同单元传输幅度之间的关系分析其工作原理，如图4(a)所示，谐振点31.5 GHz和34.2 GHz处，Y_esη与Z_ms/η的虚部相等，实部趋于0，实现电磁共振，形成两个传输幅度峰值。两电磁共振频率之间形成一个通频带，传输幅度优于0.9。谐振点34.2 GHz处的表面电流在矩形金属贴片上流动，假设上、下层金属贴片的电流分别为I_up和I_low，他们具有相同的电流密度但具有不同的相位，即I_low =I_upexp(jΔ $\varphi$ )，Δ $\varphi$ 代表延迟相位。图4(b)给出了随时间相位因子θ = ωt变化的表面电流分布，灰色部分的上、下金属贴片的表面电流方向相反，在单元侧面形成电流环，即构成磁偶极子，诱导出垂直于电流的磁流，与表面电流相互作用激发电磁共振。因此，可通过调控单元E_1的贴片长度L₁和单元E_2的贴片弧长L₂获得所需的电磁共振，实现360°相位覆盖和高传输幅度。

图 3 单元的3维结构示意图

下载: 全尺寸图片幻灯片

图 4 电磁共振与表面电流的关系

下载: 全尺寸图片幻灯片

y极化电磁波垂直入射到超表面单元，L₁从1 mm变化到4.8 mm，共极化透射波T_yy的传输幅度均优于0.90，传输相位在445°～105°之间变化，实现340°相位积累，L₁的变化对交叉极化透射波T_xy的传输相位几乎没有影响，可独立实现对x极化波和y极化波的相位调控，如图5(a)所示。由图5(b)可知，L₂从0.95 mm变化到1.40 mm，共极化透射波T_yy的传输幅度优于0.90，传输相位在105°～85°之间变化，相位积累达到20°，L₂的变化使交叉极化透射波T_xy的传输相位偏移7°左右，偏移量较小，可以在后续超表面的阵列排布中进行修正。结合图5(a)和图5(b)的分析，通过改变单元E_1和单元E_2的金属参数L₁和L₂，在中心频率35 GHz处实现360°的相位覆盖。

图 5 传输相位、幅度和极化独立性研究

下载: 全尺寸图片幻灯片

3. 超表面设计与测试

本文利用全息理论^[18,23]，设计了在x极化和y极化波作用下具有独立聚焦特性的极化复用惠更斯超表面。为实现任意波前的再现，惠更斯超表面需要如下步骤得到相位补偿：首先，将所需要的波前看作物波，并记录相位补偿；其次，利用相同的参考波对全息图进行激励，再现物波。基于此思想，在超表面设计过程中，将期望的目标场分布和入射平面波分别视为物波和参考波。

图6是基于超表面的全息原理图，详细的相位补偿推导如下：超表面上的场分布来自目标场辐射的球面波的叠加。为了再现目标场，需要将目标场离散为多个虚拟点源。假设在F_n位置产生n个点源，则超表面的叠加E场表示为

图 6 全息超表面原理

下载: 全尺寸图片幻灯片

$E({x_i},{y_i}) = \sum\limits_{n = 1}^N {{A_n}({x_i},{y_i})} \cdot \exp ({\rm{j}}{k_0}{{\boldsymbol{R}}_n})$

(11)

${A_n}({x_i},{y_i}){\text{ = }}\frac{{{A_n}}}{{{{\boldsymbol{R}}_n}}}$

(12)

${{\boldsymbol{R}}_n} = \left| {{{\boldsymbol{F}}_n} - {{\boldsymbol{r}}_i}} \right|$

(13)

(x_i,y_i)表示第i个超表面单元的中心坐标。常数A_n是第n个点源的振幅，R_n是第n个点源到第i个超表面单元的距离。k₀为自由空间中的波数。F_n是第n个点源到原点的距离，r_i是第i个单元到原点的距离，N为离散的点源总数目。参考波为正入射的平面波，到超表面上的振幅和相位恒定。假设相位是 $\varphi_r$ ，超表面的相位补偿为

$\varphi ({x_i},{y_i}) = {\varphi _r} - {\text{angle}}E({x_i},{y_i})$

(14)

为了验证所设计的惠更斯超表面在35 GHz处具有极化复用特性，设置x极化波作用下，惠更斯超表面在焦距为40 mm和80 mm分别实现单焦点和4个焦点的3维聚焦。在y极化波作用下，焦距70 mm平面处再现字母“I”，图7为极化复用超表面的相位分布和尺寸分布。利用商用软件CST Microwave Studio进行模拟，得到在线极化波垂直入射下，经过惠更斯超表面调制的透射场分布。图8(a)为x极化波作用下，焦距为40 mm和80 mm的电场强度分布，实现了单个焦点和4个焦点的3维聚焦。而y极化波作用下，在焦距为70 mm的平面中心再现字母“I”，如图8(b)所示。焦点和图像“I”附近存在少量的衍射场，是电磁波通过惠更斯超表面产生了基于衍射光图案的高次谐波，可采取一些优化算法改善效果。

图 7 相位分布和尺寸分布

下载: 全尺寸图片幻灯片

图 8 模拟的惠更斯超表面电场强度分布

下载: 全尺寸图片幻灯片

采用印刷电路板(Printed Circuit Board, PCB)工艺制作了超表面样品，以实验验证模拟的极化复用惠更斯超表面在中心频率处的性能，如图9(b)。设计的惠更斯超表面由729个单元组成，覆盖面积为129.6 mm×129.6 mm。利用喇叭天线发射线极化准平面波(通过调整端口方向以实现不同的极化方式)，并使其与超表面中心保持一致，用近场探针在指定焦距处测量透射电场，如图9(a)所示。图10分别为x极化波和y极化波入射下，频率为35 GHz的电场强度分布，从图中可以看出，x极化波经过惠更斯超表面调制后，在焦距为40 mm和80 mm平面处分别实现单焦点和4个焦点的3维聚焦。而y极化波经过超表面的调制后再现字母“I”。

图 9 测试环境与超表面实物

下载: 全尺寸图片幻灯片

图 10 实测的惠更斯超表面电场强度分布

下载: 全尺寸图片幻灯片

为进一步验证实测与模拟结果的一致性，提取特定平面处x方向和y方向的电场强度，如图11所示。图11(a)显示利用极化复用惠更斯超表面调制x极化波后，提取焦距为40 mm，中心焦点x方向的模拟和实测电场强度分布，以及焦距为80 mm, 4个焦点x方向和y方向的电场强度分布，结果表明实测的单焦点聚焦和模拟结果一致，而4个焦点的实测结果相对于模拟结果有轻微的偏差。这样的偏差主要来自喇叭天线辐射的入射波并不是严格的平面波，在超表面上存在轻微离轴偏差。此外，相位补偿误差、加工缺陷和测量误差等也会造成焦点之间的偏差和微弱的强度变化。对于y极化，图11(b)展现了焦距为70 mm，x方向和y方向的模拟和实测结果，实测的峰值强度与模拟结果有一定的偏差，存在的主要原因是喇叭天线提供的非理想的平面波前，并且加工缺陷、测试误差也会造成一定影响。实测和模拟结果表明，所设计的惠更斯超表面能够实现对x极化波和y极化波的独立调控，具有极化复用特性。

图 11 实测与模拟归一化电场强度分布

下载: 全尺寸图片幻灯片

超表面的聚焦效率η可以由聚焦平面处聚焦区域的能量总和P₁与无超表面时该平面处的辐射功率P₂的比值来确定，即η=P₁/P₂，P₁和P₂可通过相应区域的坡印廷矢量积分得到。对于x极化波，计算得中心频率35 GHz的聚焦效率为29.73%，y极化波的聚焦效率达到33.64%。

表1为本文设计的超表面与已有超表面的对比。通过比较发现，所设计的超表面具有双极化独立调控功能。与文献[25,26]相比，本文设计的惠更斯单元实现360°全相位覆盖和优于0.9的高传输幅度，且单层无金属过孔，具有低剖面和结构简单等特点，可印刷在价格低廉的PCB板两侧，降低加工难度。此外，所设计的惠更斯单元没有单独构建磁偶极子，在物理结构上消除了对磁性元件的需求，使超表面更加紧凑。

表 1 文献对比分析

文献	频率(GHz)	最小传输幅度	层数及特点	相移	极化
[24]	10.0	0.90	1	/	y极化
[10]	6.9	/	1&有源	360°	y极化
[25]	20.0	0.78	1&过孔	320°	双极化
[26]	15.0	0.50	2	270°	双极化
本文	35.0	0.90	1	360°	双极化

下载: 导出CSV

| 显示表格

4. 结论

本文采用4种简单的单元编码实现一款极化复用的聚焦惠更斯超表面。通过调整电磁共振，实现了惠更斯超表面的高透射率、360°相位覆盖和极化控制。并在35 GHz处进行了实验验证，通过操纵入射电磁波的极化分量，超表面根据透射波的极化状态实现独立聚焦，实测和仿真结果吻合良好。所提出的超表面具有结构紧凑、极化调控、易加工等优点，可应用于信息复用、多通道图像显示、加密防伪、存储显示等领域。

图 1 PM资源使用情况分区指标

下载: 全尺寸图片幻灯片

图 2 网络能耗与加权因子 $\alpha$ 的关系

下载: 全尺寸图片幻灯片

图 3 迁移开销与加权因子 $\alpha$ 的关系

下载: 全尺寸图片幻灯片

图 4 网络能耗与SFC请求数量的关系

下载: 全尺寸图片幻灯片

图 5 迁移开销与SFC请求数量的关系

下载: 全尺寸图片幻灯片

图 6 计算资源利用率均值与PM个数的关系

下载: 全尺寸图片幻灯片

图 7 内存资源利用率均值与PM个数的关系

下载: 全尺寸图片幻灯片

图 8 计算资源利用率标准差与PM个数的关系

下载: 全尺寸图片幻灯片

图 9 内存资源利用率标准差与PM个数的关系

下载: 全尺寸图片幻灯片

表 1 MJOVME算法

　输入：

${\text{N}}$ ,

${\text{M}}$ ,

${\text{F}}$ ,

${{\text{P}}^b}$ ,

${u_1}$ ,

${u_2}$ ,

$A$ ,

$v_m^f$

　输出：

${{\text{P}}^a}$

　(1) 初始化：

${{\text{P}}^a} = {{\text{P}}^b}$ ；

　(2) 确定过载区PM，设置优先级为

${Q_4}$ ，表示为

${{\text{N}}_4} = \left\{ n_1^{{Q_4}}\;{\rm{ }}n_2^{{Q_4}}\;{\rm{ }} ·\!·\!· \; n_k^{{Q_4}}\right\}$ ，执行子算法2；

　(3) 确定高载区PM，设置优先级为

${Q_3}$ ，表示为

${{\text{N}}_3} = \left\{ n_{k + 1}^{{Q_3}}\;{\rm{ }}n_{k + 2}^{{Q_3}}\;{\rm{ }} ·\!·\!· \;{\rm{ }}n_l^{{Q_3}}\right\}$ ，执行子算法2；

　(4) 确定低载区PM，设置优先级为

${Q_1}$ ，表示为

${{\text{N}}_1} = \left\{ n_{l + 1}^{{Q_1}}\;{\rm{ }}n_{l + 2}^{{Q_1}}\;{\rm{ }} ·\!·\!· \;n_m^{{Q_1}}\right\}$ ，执行子算法3；

　(5) 确定轻载区PM，设置优先级为

${Q_2}$ ，表示为

${{\text{N}}_2} = \left\{ n_{m + 1}^{{Q_2}}\;{\rm{ }}n_{m + 2}^{{Q_2}}\;{\rm{ }} ·\!·\!· \; n_n^{{Q_2}}\right\}$ ，执行子算法3。

下载: 导出CSV

表 2 子算法2高负载PM消除算法

　输入：高负载PM

$n_j^{{Q_q}}$ ,

${\text{N}}$ ,

${\text{M}}$ ,

${\text{F}}$ ,

${{\text{P}}^a}$ ,

$u_{n_j^{{Q_q}}}^{{\rm{cpu}}}$ ,

$u_{n_j^{{Q_q}}}^{{\rm{mem}}}$ ,

${u_1}$ ,

${u_2}$

　输出：

${{\text{P}}^a}$
　(1) 创建该PM待迁移的VNF集合

${\rm{VNFSET}}\left(n_j^{{Q_q}}\right) = {\rm{NULL}}$ ；

　(2) 据式(20)按值从小到大，对该PM上VNF进行排序，表示为：

${{\text{M}}_z} = \left\{ k_{m,1}^{f,l}\;{\rm{ }}k_{m,i}^{f,l}\;{\rm{ }} ·\!·\!· \;k_{m,z}^{f,l}\right\}$ ；

　(3) while

$u_{n_j^{{Q_q}}}^{{\rm{cpu}}} > {u_2}$ 或

$u_{n_j^{{Q_q}}}^{{\rm{mem}}} > {u_2}$ do

　(4) for

$k_{m,i}^{f,l}\;(1 \le i \le z)$ do

　(5)　　 if 迁移VNF

$k_{m,i}^{f,l}$ 能够使得PM的

$u_{n_j^{{Q_q}}}^{{\rm{cpu}}}$ 与

$u_{n_j^{{Q_q}}}^{{\rm{mem}}}$ 均小于

${u_2}$ do

　(6)　　　将VNF

$k_{m,1}^{f,l}$ 添加到集合

${\rm{VNFSET}}\left(n_j^{{Q_q}}\right)$ 中；

　(7)　　　break；

　(8)　　 end if

　(9) 　 end for

　(10) 　if

$i > z$ then

　(11)　　将

$k_{m,1}^{f,l}$ 添加到集合

${\rm{VNFSET}}\left(n_j^{{Q_q}}\right)$ 中，同时更新集合

${{\text{M}}_z} = {{\text{M}}_z} - k_{m,1}^{f,l}$ ；

　(12)　　

$z = z - 1$ ；

　(13) 　end if

　(14) 　据式(11)、式(12)更新计算PM

$n_j^{{Q_q}}$ 的

$u_{n_j^{{Q_q}}}^{{\rm{cpu}}}$ 与

$u_{n_j^{{Q_q}}}^{{\rm{mem}}}$ ；

　(15) 　end while

　(16) 　for

$k_m^{f,l} \in {\rm{VNFSET}}\left(n_j^{{Q_q}}\right)$ do

　(17) 　执行子算法4，得到迁移目标PM

$n$ ；

　(18) 　if 子算法4返回NULL then

　(19)　　据式(21)按值从小到大，对休眠状态的PM进行排序表
　　　示为：

${{\text{N}}_z} = \{ {n_1}\;{\rm{ }}\;{n_i}\;{\rm{ }} ·\!·\!· \;{n_z}\}$ ；

　(20)　　 for

${n_i} \in {{\text{N}}_z}$ do

　(21)　　　据式(7)计算将VNF

$k_m^{f,l}$ 迁移至PM

${n_i}$ 上时，VNF

$k_m^{f,l}$ 所
　　　　　属SFC

$f$ 的时延

${D_f}$ ；

　(22)　　　if

${D_f} < D_f^{{\rm{up}}}$ then

　(23)　　　据式(6)计算得到

$B_{({n_i} - 1){n_i}}^v$ 与

$B_{({n_i} - 1){n_i}}^v$ ；

　(24)　　　 if

$B_{({n_i} - 1){n_i}}^v < {B_{({n_i} - 1){n_i}}}$ 且

$B_{({n_i} - 1){n_i}}^v < {B_{({n_i} - 1){n_i}}}$ then

　(25)　　　　　将VNF

$k_m^{f,l}$ 迁移至PM

${n_i}$ ，同时更新

${{\text{P}}^a} = {{\text{P}}^a}$ ；

　(26)　　　　 break;

　(27) 　else 将

$k_m^{f,l}$ 迁移至目的PM

$n$ ，更新

${{\text{P}}^a} = {{\text{P}}^a}$ ；

　(28) 　end if

　(29) end for

　(30) return

${{\text{P}}^a}$ 。

下载: 导出CSV

表 3 子算法3低负载PM整合算法

　输入：低负载PM

$n_j^{{Q_q}}$ ,

${\text{N}}$ ,

${\text{M}}$ ,

${\text{F}}$ ,

${{\text{P}}^a}$ ,

$u_{n_j^{{Q_q}}}^{{\rm{cpu}}}$ ,

$u_{n_j^{{Q_q}}}^{{\rm{mem}}}$ ,

${u_1}$ ,

${u_2}$

　输出：

${{\text{P}}^a}$

　(1) 据式(19)分别计算

$(1 - \alpha ) \cdot C\,_n\,\!\!\!^{{\rm{mig}}}/C\,_n\,\!\!\!^{\max }$ 的值与

$\alpha \cdot \Delta E_n^{{\rm{sum}}}/$

$\Delta E_n^{\max }$ 的值；

　(2) if

$(1 - \alpha ) \cdot C\,_n\,\!\!\!^{{\rm{mig}}}/C\,_n\,\!\!\!^{\max } \ge \alpha \cdot \Delta E_n^{{\rm{sum}}}/\Delta E_{{n}}^{\max }$ then

　(3)　　return

${{\text{P}}^a}$ ，算法结束；//迁移开销大于等于网络能耗减
小量，整合无意义

　(4) end if

　(5)

${{\text{P}}^t} = {{\text{P}}^a}$

　(6) for 每一个运行在PM

$n_j^{{Q_q}}$ 上的

$k_m^{f,l}$ do

　(7)　　执行子算法4，得到迁移目标PM

$n$ ，此时计划将VNF

$k_m^{f,l}$
迁移至PM

$n$ ；

　(8)　　if 子算法4返回NULL then

　(9)　　　return

${{\text{P}}^a} = {{\text{P}}^t}$ ，算法结束；//VNF

$k_m^{f,l}$ 无法找到目的
PM，放弃整合

　(10)　　end if

　(11) end for

　(12) 将步骤(7)中计划迁移的VNF迁移至其目的PM，更新

${{\text{P}}^a}$ ；

　(13) return

${{\text{P}}^a}$ 。

下载: 导出CSV

表 4 子算法4目的PM选择算法

　输入：待迁移

$k_m^{f,l}$ ,

${{\text{N}}_{{\rm{run}}}}$ ,

${u_1}$ ,

${u_2}$

　输出：目的PM

$n$

　(1) 据式(11)、式(12)计算

${{\text{N}}_{{\rm{run}}}}$ 中各PM的CPU利用率

$u_n^{{\rm{cpu}}}$ 和内存
利用率

$u_n^{{\rm{mem}}}$ ，并根据

${\rm{sum}}_n^u$ 值依次从大到小重新排列

${{\text{N}}_{{\rm{run}}}}$ 中PM
的顺序；//

${\rm{su}}{{\rm{m}}^u} = u_n^{{\rm{cpu}}} + u_n^{{\rm{mem}}}$

　(2) for

$n \in {{\text{N}}_{{\rm{run}}}}$ do

　(3)　据式(11)、式(12)计算将VNF

$k_m^{f,l}$ 迁移至PM

$n$ 上时，PM

$n$ 的

$u_n^{{\rm{cpu}}}$ 与

$u_n^{{\rm{mem}}}$ ；

　(4)　if

${u_1} < u_n^{{\rm{cpu}}} < {u_2}$ 且

${u_1} < u_n^{{\rm{mem}}} < {u_2}$ then

　(5)　　据式(7)计算将VNF

$k_m^{f,l}$ 迁移至PM

$n$ 上时，VNF

$k_m^{f,l}$ 所属
SFC

$f$ 的时延

${D_f}$ ；

　(6)　　if

${D_f} < D_f^{{\rm{up}}}$ then

　(7)　　　据式(6)计算得到

$B_{(n - 1)n}^v$ 与

$B_{n(n + 1)}^v$ ；

　(8)　　　if

$B_{(n - 1)n}^v < {B_{(n - 1)n}}$ 且

$B_{n(n + 1)}^v < {B_{n(n + 1)}}$ then

　(9) 　　　　return 目的PM

$n$ ；

　(10)　　　　break；

　(11)　　　end if

　(12)　　end if

　(13)　end if

　(14) end for

　(15) if 步骤(9)未执行 then

　(16) return NULL。

　(17) end if

下载: 导出CSV

表 5 基础设施中PM节点的参数设置

参数	数值
PM个数	200, 230, 260
${M_n}$ (GB)	{4, 8, 12, 16}
$P_n^{{\rm{ba}}}$ (W)	Uniform[90, 120]
${d_{nl}}$ (ms)	Uniform[1, 2]
$P_n^{{\rm{mc}}}$ (W)	Uniform[170, 230]
${B_{nl}}$ (Mbps)	Uniform[80, 100]
$P_n^{{\rm{sl}}}$ (W)	Uniform[25, 35]
${u_{\rm{1}}}$	0.9
${C_n}$ (MIPS)	Uniform[200, 300]
${u_{\rm{2}}}$	0.3

下载: 导出CSV

表 6 VNF相关参数设置

参数	数值
VNF种类	8
${r_{{\rm{mem}}}}$ (GB/Mbps)	4
$v_m^f$ (Mbps)	Uniform[0.1, 1.0]
$D$ (Mb)	0.0005
${r_{{\rm{cpu}}}}$ (MIPS/ Mbps)	110
$A$	100

下载: 导出CSV

表 7 SFC相关参数设置

参数	数值
SFC请求数量	60, 70, 80
$D_f^{{\rm{up}}}$ (ms)	[8, 10, 12]
VNF集合长度	Uniform[3, 5](种类随机)
链路所需带宽资源 (Mbps)	Uniform[5, 10]

下载: 导出CSV

参考文献(13)

BOURAS C, KOLLIA A, and PAPAZOIS A. SDN & NFV in 5G: Advancements and challenges[C]. 2017 20th Conference on Innovations in Clouds, Internet and Networks (ICIN), Paris, France, 2017: 107–111.

LI Defang, HONG Peilin, XUE Kaiping, et al. Virtual network function placement considering resource optimization and SFC requests in cloud datacenter[J]. IEEE Transactions on Parallel and Distributed Systems, 2018, 29(7): 1664–1677. doi: 10.1109/TPDS.2018.2802518

ZHANG Jie, ZENG Deze, GU Lin, et al. Joint optimization of virtual function migration and rule update in software defined NFV networks[C]. GLOBECOM 2017-2017 IEEE Global Communications Conference, Singapore, 2018: 1–5.

CHO D, TAHERI J, ZOMAYA A Y, et al. Real-time virtual network function (VNF) migration toward low network latency in cloud environments[C]. 2017 10th International Conference on Cloud Computing (CLOUD), Honolulu, USA, 2017: 798–801.

ERAMO V, AMMAR M, and LAVACCA F G. Migration energy aware reconfigurations of virtual network function instances in NFV architectures[J]. IEEE Access, 2017, 5: 4927–4938. doi: 10.1109/ACCESS.2017.2685437

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

ZHANG Jinshi, LI Liang, and WANG Dong. Optimizing VNF live migration via para-virtualization driver and QuickAssist technology[C]. 2017 IEEE International Conference on Communications (ICC), Paris, France, 2017: 1–6.

TANG Lun, YANG Heng, MA Runlin, et al. Queue-aware dynamic placement of virtual network functions in 5G access network[J]. IEEE Access, 2018, 6: 44291–44305. doi: 10.1109/ACCESS.2018.2862632

XIA Jing, CAI Zhiping, and XU Ming. Optimized virtual network functions migration for NFV[C]. 2016 IEEE 22nd International Conference on Parallel and Distributed Systems (ICPADS), Wuhan, China, 2016: 340–346.

LIN Tachun, ZHOU Zhili, TORNATORE M, et al. Demand-aware network function placement[J]. Journal of Lightwave Technology, 2016, 34(11): 2590–2600. doi: 10.1109/JLT.2016.2535401

FAN Qiang, ANSARI N, and SUN Xiang. Energy driven avatar migration in green cloudlet networks[J]. IEEE Communications Letters, 2017, 21(7): 1601–1604. doi: 10.1109/LCOMM.2017.2684812

XU Heyang and YANG Bo. Energy-aware resource management in cloud computing considering load balance[J]. Journal of Information Science and Engineering, 2017, 33(1): 1–16. doi: 10.6688/JISE.2017.33.1.1

MIJUMBI R, SERRAT J, GORRICHO J L, et al. Design and evaluation of algorithms for mapping and scheduling of virtual network functions[C]. The 1st IEEE Conference on Network Softwarization (NetSoft), London, UK, 2015: 1–9.

施引文献

期刊类型引用(5)

1.	孙健健，徐建华，成海峰，祝庆霖，韩煦. 基于金属销钉封装的Ka波段固态功率放大模块研究. 电子与信息学报. 2020(12): 3074-3080 . 本站查看
2.	张德磊，沃得良，陈少华. EBG结构在微波器件设计中的应用. 信息通信. 2019(02): 33-34 . 百度学术
3.	王鹏，芦浩，王子元，刘金枝，薛茜男. 新型折线形共面EBG电源层结构的噪声抑制特性验证与分析. 北京理工大学学报. 2019(05): 514-519 . 百度学术
4.	郭慧丽，杨晓邦，王素玲，王志军. 螺旋地板式电磁带隙结构的传输特性分析. 电子元件与材料. 2016(10): 58-62 . 百度学术
5.	刘峰，杨曙辉，陈迎潮. 一种抑制同步开关噪声的新型S桥电磁带隙结构. 科学技术与工程. 2016(16): 70-72+94 . 百度学术

其他类型引用(3)

资源附件(0)

访问统计

图(9) / 表(7)

计量

文章访问数: 2438
HTML全文浏览量: 1179
PDF下载量: 107
被引次数: 8

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

基于5G接入网络的多优先级虚拟网络功能迁移开销与网络能耗联合优化算法

doi: 10.11999/JEIT180906

通讯作者:
杨恒　378171465@qq.com

计量

Multi-priority Based Joint Optimization Algorithm of Virtual Network Function Migration Cost and Network Energy Consumption

1. 引言

2. 超表面单元设计

3. 超表面设计与测试

4. 结论

期刊类型引用(5)

其他类型引用(3)

计量

目录

1. 引言

2. 超表面单元设计

3. 超表面设计与测试

4. 结论

留言板

基于5G接入网络的多优先级虚拟网络功能迁移开销与网络能耗联合优化算法

doi: 10.11999/JEIT180906

通讯作者: 杨恒 378171465@qq.com

计量

出版历程

Multi-priority Based Joint Optimization Algorithm of Virtual Network Function Migration Cost and Network Energy Consumption

1. 引言

2. 超表面单元设计

3. 超表面设计与测试

4. 结论

期刊类型引用(5)

其他类型引用(3)

计量

出版历程

目录

1. 引言

2. 超表面单元设计

3. 超表面设计与测试

4. 结论

通讯作者:
杨恒　378171465@qq.com