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

基于集成深度神经网络流量预测的动态网络切片迁移算法

唐伦 周鑫隆 吴婷 王恺 陈前斌

唐伦, 周鑫隆, 吴婷, 王恺, 陈前斌. 基于集成深度神经网络流量预测的动态网络切片迁移算法[J]. 电子与信息学报, 2023, 45(3): 1074-1082. doi: 10.11999/JEIT220058
引用本文: 唐伦, 周鑫隆, 吴婷, 王恺, 陈前斌. 基于集成深度神经网络流量预测的动态网络切片迁移算法[J]. 电子与信息学报, 2023, 45(3): 1074-1082. doi: 10.11999/JEIT220058
TANG Lun, ZHOU Xinlong, WU Ting, WANG Kai, CHEN Qianbin. Dynamic Network Slice Migration Algorithm Based on Ensemble Deep Neural Network Traffic Prediction[J]. Journal of Electronics & Information Technology, 2023, 45(3): 1074-1082. doi: 10.11999/JEIT220058
Citation: TANG Lun, ZHOU Xinlong, WU Ting, WANG Kai, CHEN Qianbin. Dynamic Network Slice Migration Algorithm Based on Ensemble Deep Neural Network Traffic Prediction[J]. Journal of Electronics & Information Technology, 2023, 45(3): 1074-1082. doi: 10.11999/JEIT220058

基于集成深度神经网络流量预测的动态网络切片迁移算法

doi: 10.11999/JEIT220058
基金项目: 国家自然科学基金(62071078),重庆市教委科学技术研究项目(KJZD-M201800601),川渝联合实施重点研发项目(2021YFQ0053)
详细信息
    作者简介:

    唐伦:男,教授,博士生导师,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

    周鑫隆:男,硕士生,研究方向为虚拟化网络切片、流量预测等

    吴婷:女,硕士生,主要研究方向为5G网络切片、服务功能链部署和重配置、机器学习算法

    王恺:女,硕士生,研究方向为虚拟化网络切片、异常检测等

    陈前斌:男,教授,博士生导师,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:

    周鑫隆 619789533@qq.com

  • 中图分类号: TN929.5

Dynamic Network Slice Migration Algorithm Based on Ensemble Deep Neural Network Traffic Prediction

Funds: The National Natural Science Foundation of China (62071078), The Science and Technology Research Program of Chongqing Municipal Education Commission (KJZD-M201800601), Sichuan and Chongqing Key R&D Projects (2021YFQ0053)
  • 摘要: 针对5G网络切片(NS)场景下由于缺乏提前对物理网络资源进行感知而导致切片迁移滞后的问题,该文提出一种基于集成深度神经网络流量预测的动态切片调整和迁移算法(DSAM)。首先建立了基于计算、内存、带宽资源配置的网络总惩罚模型;其次,提出基于集成深度神经网络的流量预测算法预测未来网络流量情况,并根据流量类型的不同将其转换成对未来时刻物理网络的资源占用及切片的资源需求感知;最后,根据感知结果,以尽可能大地降低运营商惩罚为目标,通过动态切片调整和迁移策略将虚拟网络功能(VNF)和虚拟链路迁移到满足资源限制的物理节点和链路上。仿真结果表明,所提算法有效提高了切片迁移的效率和网络资源利用率。
  • 图  1  网络切片动态调整迁移网络场景

    图  2  服务请求的两个类型示例

    图  3  基于Bagging算法的网络流量负载预测框架(BTPF)

    图  4  基于流量预测和无预测的网络切片调整和迁移策略对比

    图  5  不同模型对不同数据预测的RMSE和MAPE比较结果

    图  6  各种资源和高优先级服务请求占比对惩罚大小的影响

    图  7  不同迁移策略对迁移次数的影响

    图  8  不同迁移策略下的CPU利用率对比图

    算法1 基于流量预测的动态切片调整和迁移算法(DSAM)
     输入:服务请求$ R $,底层物理网络$ \bar G $
     输出:每条服务功能链调整迁移后的位置
     初始化:
     (1) for $ {R_k} \in R $ do
     (2)  根据KSP算法原则计算所有源节点和目的节点间VNF组成
        的最短路径$ L $
     (3)  for $ l \in L $ do
     (4)  选择一条路径$ l $,沿$ l $映射服务请求$ R $的虚拟链路
     (5)  选择$ l $中的第1个物理节点,沿$ l $映射服务请求$ R $的虚拟节点
     切片调整和迁移:
     (6) for $ t \in T $ do
     (7)  for $ {R_k} \in R $ do
     (8)   if $ {A_{{R_k}(t + 1)}} > {A_{{R_k}(t)}} $ then
     (9)    计算$ {R_k}(t + 1) $中$ \{ C_k^m(t + 1),M_k^m(t + 1),B_k^i(t + 1)\} $
          的值
     (10)    $ \{ \hat C_k^m(t + 1),\hat M_k^m(t + 1),\hat B_k^i(t + 1)\} $
           $ = \{ C_k^m(t + 1),M_k^m(t + 1),B_k^i(t + 1)\} $
     (11)     if C3~C5成立 then
     (12)     输出$ \{ \delta _k^{n,m}(t + 1),\eta _k^{f,i}(t + 1)\} $
     (13)      else
     (14)       if $ l > 1 $ then
     (15)       计算所有$ l $的$ \{ \overline {{B_l}} (t + 1),\overline {{C_l}} (t + 1),\overline {{M_l}} (t + 1)\} $
     (16)       将$ \{ \overline {{B_l}} (t + 1),\overline {{C_l}} (t + 1),\overline {{M_l}} (t + 1)\} $按升序排列
     (17)        for $ {\text{MAX}}\{ \overline {{B_l}} (t + 1),\overline {{C_l}} (t + 1),\overline {{M_l}} (t + 1)\} $ do
     (18)        选择$ l $上的第1个物理节点
     (19)     $\{ \hat C_k^m(t + 1),\hat M_k^m(t + 1),\hat B_k^i(t + 1)\} $
            $ = \{ C_k^m(t + 1),M_k^m(t + 1),B_k^i(t + 1)\} $
     (20)        if C3~C5成立 then
     (21)        输出$ \{ \delta _k^{n,m}(t + 1),\eta _k^{f,i}(t + 1)\} $
     (22)         else
     (23)        降级切片,根据式(7)计算路径$ l $上的服务降
              级惩罚$ {P_l} $
     (24)        将$ {P_l} $按升序排列
     (25)        切片$ k $迁移到$ {P_{\min }} $上
     (26)        输出$ \{ \delta _k^{n,m}(t + 1),\eta _k^{f,i}(t + 1)\} $
     (27)        end if
     (28)      end for
     (29)        else
     (30)      降级切片,根据式(7)计算路径$ l $上的服务降级惩罚$ {P_l} $
     (31)        end if
     (32)      end if
     (33)       根据$ t + 1 $时刻预测流量值进行资源调整
     (34)    else
     (35)    释放相应资源
     (36)   end if
     (37)  end for
     (38) end for
    下载: 导出CSV
  • [1] GHONGE M M, MANGRULKAR R, PJAWANDHIYA P M, et al. Future Trends in 5G and 6G: Challenges, Architecture, and Applications[M]. CRC Press, 2021.
    [2] DEBBABI F, JMAL R, FOURATI L C, et al. Algorithmics and modeling aspects of network slicing in 5G and Beyonds network: Survey[J]. IEEE Access, 2020, 8: 162748–162762. doi: 10.1109/ACCESS.2020.3022162
    [3] POZZA M, NICHOLSON P K, LUGONES D F, et al. On reconfiguring 5G network slices[J]. IEEE Journal on Selected Areas in Communications, 2020, 38(7): 1542–1554. doi: 10.1109/JSAC.2020.2986898
    [4] LI D F, PHONG P L, XUE K P, 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
    [5] SCIANCALEPORE V, COSTA-PEREZ X, and BANCHS A. RL-NSB: Reinforcement learning-based 5G network slice broker[J]. IEEE/ACM Transactions on Networking, 2019, 27(4): 1543–1557. doi: 10.1109/TNET.2019.2924471
    [6] XIAO Suchao and CHEN Wen. Dynamic allocation of 5G transport network slice bandwidth based on LSTM traffic prediction[C]. 2018 IEEE 9th International Conference on Software Engineering and Service Science (ICSESS), Beijing, China, 2018: 735–739.
    [7] SONG Chuang, ZHANG Min, HUANG Xuetian, et al. Machine learning enabling traffic-aware dynamic slicing for 5G optical transport networks[C]. 2018 Conference on Lasers and Electro-Optics (CLEO), San Jose, USA, 2018: 1–2.
    [8] 唐伦, 赵培培, 赵国繁, 等. 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

    TANG Lun, ZHAO Peipei, ZHAO Guofan, et al. 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
    [9] LI Taihui, ZHU Xiaorong, and LIU Xu. An end-to-end network slicing algorithm based on deep Q-learning for 5G network[J]. IEEE Access, 2020, 8: 122229–122240. doi: 10.1109/ACCESS.2020.3006502
    [10] WEI Fengsheng, FENG Gang, SUN Yao, et al. Proactive network slice reconfiguration by exploiting prediction interval and robust optimization[C]. GLOBECOM 2020 - 2020 IEEE Global Communications Conference, Taipei, China, 2020: 1–6.
    [11] CHERGUI H and VERIKOUKIS C. Offline SLA-constrained deep learning for 5G networks reliable and dynamic end-to-end slicing[J]. IEEE Journal on Selected Areas in Communications, 2020, 38(2): 350–360. doi: 10.1109/JSAC.2019.2959186
    [12] KAO C C, CHANG C W, CHO C P, et al. Deep learning and ensemble learning for traffic load prediction in real network[C]. 2020 IEEE Eurasia Conference on IOT, Communication and Engineering (ECICE), Yunlin, China, 2020: 36–39.
    [13] YIN Shan, ZHANG Zhan, YANG Chen, et al. Prediction-based end-to-end dynamic network slicing in hybrid elastic fiber-wireless networks[J]. Journal of Lightwave Technology, 2021, 39(7): 1889–1899. doi: 10.1109/JLT.2020.3045600
    [14] YU Hao, MUSUMECI F, ZHANG Jiawei, et al. Dynamic 5G RAN slice adjustment and migration based on traffic prediction in WDM metro-aggregation networks[J]. Journal of Optical Communications and Networking, 2020, 12(12): 403–413. doi: 10.1364/JOCN.403829
    [15] Small Cell Forum. Small cell virtualization: Functional splits and use cases[R]. Technical Report of Small Cell Forum, 2016.
  • 加载中
图(8) / 表(1)
计量
  • 文章访问数:  911
  • HTML全文浏览量:  293
  • PDF下载量:  139
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-01-13
  • 修回日期:  2022-05-23
  • 网络出版日期:  2022-06-02
  • 刊出日期:  2023-03-10

目录

    /

    返回文章
    返回