虚拟网络功能资源容量自适应调整方法

袁泉; 游伟; 季新生; 汤红波

doi:10.11999/JET200110

虚拟网络功能资源容量自适应调整方法

doi: 10.11999/JET200110

解放军战略支援部队信息工程大学郑州 450002

基金项目: 国家自然科学基金(61801515)，国家自然科学基金创新群体项目(61521003)

详细信息

作者简介:
袁泉：男，1991年生，博士生，研究方向为移动核心网体系架构、网络功能虚拟化

游伟：男，1984年生，讲师，研究方向为密码学、5G网络安全

季新生：男，1968年生，教授、博士生导师，研究方向为5G网络安全、移动通信网络体系架构

汤红波：男，1968年生，教授、博士生导师，研究方向为5G网络安全、移动通信网络体系架构

通讯作者:
袁泉　b101180153@smail.nju.edu.cn

中图分类号: TN915; TP393
计量
- 文章访问数: 797
- HTML全文浏览量: 426
- PDF下载量: 75
- 被引次数: 0
出版历程
- 收稿日期: 2020-02-17
- 修回日期: 2020-10-05
- 网络出版日期: 2020-12-14
- 刊出日期: 2021-07-10

Adaptive Scaling of Virtualized Network Function Resource Capacity

PLA Strategic Support Force Information Engineering University, Zhengzhou 450002, China

Funds: The National Natural Science Foundation of China (61801515), The National Natural Science Foundation Innovative Groups Project of China (61521003)

摘要

摘要: 为了实现网络功能虚拟化平台中物理资源的动态按需分配，该文提出一种虚拟网络功能资源容量自适应调整方法。该方法首先利用长短期记忆网络预测平台流量的变化趋势，然后结合流量预测结果设计了一种基于多层前馈神经网络的虚拟网络功能资源需求预测方法，最后根据资源需求预测结果，设计了一种基于动态编码遗传算法的虚拟网络功能动态部署方法，实现虚拟网络功能资源容量的自适应调整。实验结果表明，与现有的资源容量调整方法相比，该文提出的资源容量自适应调整方法能够降低流量预测误差对资源需求预测结果的影响，降低资源需求预测的相对误差，减少虚拟网络功能实例占用的服务器数量。
- 网络功能虚拟化 /
- 虚拟网络功能资源分配 /
- 前馈神经网络 /
- 整数线性规划 /
- 遗传算法
Abstract: In order to realize on-demand physical resource allocation in network function virtualization platform, an adaptive virtualized network function scaling method is proposed. The proposed method first use long short term memory network to realize traffic forecasting. Then combining with the forecasting result, a forward neural network-based approach is designed to predict resource demand of requested virtualized network function. Finally, according to the result of resource demand prediction, a dynamic encoding genetic algorithm is proposed to realize dynamic deployment of virtualized network function instances. The experiment results show that compared with existing scaling methods, the proposed scaling method can reduce the negative impact of inaccurate traffic forecasting, decrease the relative error of resource demand prediction as well as the total number of servers occupied by requested virtualized network function instances.
- Network Function Virtualization (NFV) /
- Virtualized Network Function (VNF) resource allocation /
- Feedforward neural network /
- Integer linear programming /
- Genetic algorithm

HTML全文

1. 引言

随着浅层陆地资源的日益匮乏与开发难度的增大，世界各国对海洋资源的开发与海域权益的争夺日趋激烈。面对部分邻国蓄意挑起的海洋争端及来自境外军事侦查、非法入侵和资源掠夺的敌方潜艇及无人潜航器等对我国的临海主权，尤其是对港口、码头及军事设施等的安全构成严重威胁^[1,2]。磁探测技术是一种被动探测技术，因其能够有效弥补声学近海、浅海探测的不足受到国内外的广泛关注^[3]。

磁性目标的特性识别主要包括优化定位与实时滤波跟踪两大类。其中，优化定位算法通常依赖大量观测数据，比如传感器网络、磁梯度系统或航空测线数据等，通过最优化的方法获取目标位置、磁矩等参量。优化定位算法研究的典型代表有，以色列的Sheinker等人^[4,5]在2005～2008年提出依次基于遗传算法、模拟退火算法及种群增量学习算法实现磁偶极子目标的定位。2010年Yang等人^[6]将粒子群与(Levenberg-Marquardt, LM)优化算法结合实现了3个磁偶极子目标的定位与跟踪，2018年Gao等人^[7]将LM算法用于运动磁性目标的定位。此外，利用磁梯度张量系统对UXO目标的定位与识别UXO同样吸引了大量研究人员的关注^[8-10]，其通常将搭载在移动平台上，如无人机等。在目标的实时滤波跟踪方面，通常利用静止平台的磁传感器阵列测量目标磁异常，实现对目标体的实时跟踪。滤波跟踪算法研究的典型代表有，Birsan等人^[11,12]在2003～2006年利用扩展/无迹卡尔曼滤波方法和无迹粒子滤波算法等迭代贝叶斯算法对磁偶极子目标进行实时跟踪；2008年，Kozick等人^[13]提出磁传感器阵列目标跟踪的矢量与标量模型，并进行仿真实验研究；2012年日本学者Alhmiedat等人^[14]提出将无线磁传感器网络用于实现军事目标的识别与跟踪应用。国内研究学者在近几年针对磁性目标的跟踪已开展大量工作，主要的研究成果有：2010年，张朝阳等人^[15]对磁性目标跟踪中磁偶极子模型适用性进行研究；2012年，于振涛等人^[16]利用海底磁力仪阵列对水中磁目标定位与跟踪方法进行研究；2013年，吴志东等人^[17,18]提出用于实现磁偶极子目标的非线性跟踪算法；2014年，张宏欣等人^[19]提出改进的粗糙化粒子滤波的算法改善磁偶极子目标跟踪中的粒子贫化；2015年，周穗华等人^[20]提出混合卡尔曼滤波算法解决经典粒子滤波在磁偶极子跟踪中高维模型估计时维数灾问题；2017年吴垣甫等人^[21]提出一种递推更新的卡尔曼滤波方法对磁偶极子目标进行跟踪，有效抑制磁偶极子跟踪中初始误差过大导致的滤波发散问题；张宏欣等人^[22]提出渐近贝叶斯估计算法和多模型自适应滤波算法对磁偶极子目标进行跟踪，有效抑制目标跟踪中初始误差导致的性能下降和发散等问题；在2018年张宏欣^[23]提出多模型自适应滤波算法对磁偶极子目标进行跟踪，算法可在目标源及位置等先验信息完全未知条件下准确估计出真实目标状态，提升真实目标跟踪中的适应力。

分析当前国内外研究现状，磁目标跟踪的主要研究对象在于非线性跟踪模型的优化与不同体制跟踪系统的研究，其中很少考虑到复杂跟踪环境对目标跟踪性能的影响，比如海水中目标在运动过程中存在的涡流磁场、尾流磁场^[18]，以及目标跟踪过程中存在地磁背景干扰等，都会对磁目标的跟踪性能产生影响。本文主要针对磁目标跟踪过程中存在的地磁背景干扰的问题开展相关的研究，并在传统磁跟踪模型的基础上提出利用差量磁场对磁偶极子进行跟踪的模型，并考虑到差量磁场模型的高度非线性度，提出基于蒙特卡洛卡尔曼滤波(Monte Carlo Kalman Filter, MCKF)跟踪方法提升跟踪性能。

2. 磁偶极子运动模型

铁磁性目标周围产生磁场叠加原背景磁场导致周围的磁场发生畸变，称为磁异常。当目标探测距离较近时，磁性目标可等效为若干个偶极子源叠加；当探测距离为目标尺寸3倍以上时，可将目标视为磁偶极子，其矢量磁场如式(1)，式中 ${\mu _0}$ 为自由空间磁导率， ${{m}}$ 为目标磁矩矢量， ${{r}}$ 为距离矢量，其幅度为 $r$ 。

$B\left( {{{m}},{{r}}} \right) = \frac{{{\mu _0}}}{{4\pi }}\frac{{3\left( {{{r}} \cdot {{m}}} \right){{r}} - {r^2}{{m}}}}{{{r^5}}}$

(1)

确立直角坐标系，式(1)可以写为如式(2)形式。式中 $\left( {{x_0},{y_0},{z_0}} \right)$ 代表了在3维坐标系中矢量磁力仪的坐标， $\left( {x,y,z} \right)$ 代表坐标系中磁偶极子的坐标； $\left( {{B_x},{B_y},{B_z}} \right)$ 代表了磁场矢量在各坐标轴上的投影分量，而 $\left( {{m_x},{m_y},{m_z}} \right)$ 代表了磁矩矢量在3维坐标系统的投影分量。

$\left[ {\begin{array}{*{20}{c}} {{B_x}} \\ {{B_y}} \\ {{B_z}} \end{array}} \right] = \frac{{{\mu _0}}}{{4\pi {r^5}}} \cdot \left[ {\begin{array}{*{20}{c}} {3{{\left( {x - {x_0}} \right)}^2} - {r^2}}&{3\left( {x - {x_0}} \right)\left( {y - {y_0}} \right)}&{3\left( {x - {x_0}} \right)\left( {z - {z_0}} \right)} \\ {3\left( {y - {y_0}} \right)\left( {x - {x_0}} \right)}&{3{{\left( {y - {y_0}} \right)}^2} - {r^2}}&{3\left( {y - {y_0}} \right)\left( {z - {z_0}} \right)} \\ {3\left( {z - {z_0}} \right)\left( {x - {x_0}} \right)}&{3\left( {z - {z_0}} \right)\left( {y - {y_0}} \right)}&{3{{\left( {z - {z_0}} \right)}^2} - {r^2}} \end{array}} \right] \cdot \left[ {\begin{array}{*{20}{c}} {{m_x}} \\ {{m_y}} \\ {{m_z}} \end{array}} \right]$

(2)

由式(2)可见，任意磁偶极子目标产生的磁场仅依赖于目标与传感器的相对位置及磁偶极子的磁矩。因此，通过对目标位置与磁矩参量的估计，即可完成对运动目标的实时跟踪。

磁偶极子目标跟踪过程中状态变量由两部分组成：在t时刻，描述目标状态的位置参数 $\left[ {x\left( t \right),y\left( t \right),z\left( t \right)} \right]$ 和速度参数 $\left[ {{v_x}\left( t \right),{v_y}\left( t \right),{v_z}\left( t \right)} \right]$ 以及目标的磁矩参数 $\left[ {{m_x}\left( t \right),{m_y}\left( t \right),{m_z}\left( t \right)} \right]$ 。因此，目标状态向量 ${{{x}}_{{t}}}$ 如式(3)。

$\begin{split} {{{x}}_{{t}}} =\,& \left[ x\left( t \right),y\left( t \right),z\left( t \right),{v_x}\left( t \right),{v_y}\left( t \right),{v_z}\left( t \right),\right. \\ & \left.{m_x}\left( t \right),{m_y}\left( t \right),{m_z}\left( t \right) \right] \end{split}$

(3)

考虑到水面舰船或航行器等磁性目标运动状态相对稳定，目标运动状态可以用恒速模型和恒磁矩模型描述，因此目标运动状态方程如式(4)。

$\left. \begin{array}{l} x\left( t \right) = x\left( {t - \Delta t} \right) + \Delta t \cdot {v_x}\left( {t - \Delta t} \right) \\ y\left( t \right) = y\left( {t - \Delta t} \right) + \Delta t \cdot {v_y}\left( {t - \Delta t} \right) \\ z\left( t \right) = z\left( {t - \Delta t} \right) + \Delta t \cdot {v_z}\left( {t - \Delta t} \right) \\ {v_x}\left( t \right) = {v_x}\left( {t - \Delta t} \right) \\ {v_y}\left( t \right) = {v_y}\left( {t - \Delta t} \right) \\ {v_z}\left( t \right) = {v_z}\left( {t - \Delta t} \right) \\ {m_x}\left( t \right) = {m_x}\left( {t - \Delta t} \right) \\ {m_y}\left( t \right) = {m_y}\left( {t - \Delta t} \right) \\ {m_z}\left( t \right) = {m_z}\left( {t - \Delta t} \right) \\ \end{array} \right\}$

(4)

根据目标的位置参量与磁矩参量，通过式(2)，可以获得不同位置传感器的磁异常，当使用3个矢量传感器阵列时，各传感器测量场表示为 $\left[ b_x^i\left( t \right),\right.$ $\left.b_y^i\left( t \right),b_z^i\left( t \right),i = 1,2,3 \right]$ 。因此，t时刻的观测场 ${{{z}}_{{t}}}$ 可表示如式(5)。

$\begin{split} {{{z}}_{{t}}} =\,& \left[ b_x^1\left( t \right),b_y^1\left( t \right),b_z^1\left( t \right),b_x^2\left( t \right),b_y^2\left( t \right),b_z^2\left( t \right),\right.\\ & \left.b_x^3\left( t \right),b_y^3\left( t \right),b_z^3\left( t \right) \right] \end{split}$

(5)

综上，偶极子目标跟踪过程中的状态方程式(4)为线性的；而量测方程式(2)、式(5)为非线性方程。

3. 基于差量磁场的MCKF跟踪算法

3.1 差量磁场信号

传感器测量磁场中同时包含目标磁异常与背景地磁场。通常，采用远参考传感器来消除背景地磁场的影响，但基于参考传感器的方法存在两个明显缺陷：其一，参考传感器与传感器阵列的距离很难把握，距离过近则容易受目标磁异常影响；距离过远，则由于相关性的下降致使背景场消除不彻底。其二，参考传感器设置处需要可靠的背景环境，要保证工作中不受外界磁干扰影响。本文针对上述缺陷，提出传感器阵列测量磁场差量实现磁偶极子目标跟踪，在消除背景地磁场干扰的同时，又避免参考传感器的设置难题。

通过仿真示例，阐述磁偶极子差量磁场与测量场及梯度磁场的特性。仿真磁偶极子运动轨迹如图1所示，其轨迹中类似波浪式的运动用于模拟真实目标运动过程中的随机性，“*”代表测量磁传感器，仿真磁偶极子磁矩为 $\left[ {10,\;20,\;30} \right]{\rm{A}} \cdot {{\rm{m}}^2}$ 。

图 1 仿真磁偶极子运动轨迹与传感器分布位置

下载: 全尺寸图片幻灯片

传感器测量磁场如图2所示，其中图2(a)代表传感器1测量的磁场3分量；图2(b)代表传感器1处的磁梯度场中3个典型量，依次是x分量场在x方向梯度、y分量场在y方向梯度及z分量场在z方向的梯度；图2(c)代表传感器1, 2的差量场。

图 2 传感器测量结果

下载: 全尺寸图片幻灯片

从图2可知，差量场与传感器原始测量磁场在磁异常幅度值上相当，而梯度磁场最小。因此，与磁梯度场跟踪相比，采用差量磁场进行目标跟踪时可以获得更远的探测距离。

3.2 基于MCKF的跟踪算法

常用的非线性滤波跟踪算法有扩展卡尔曼滤波(Extended Kalman Filter, EKF)和无迹卡尔曼滤波(Unscented Kalman Filter, UKF)等。EKF算法利用泰勒级数展开，对非线性的系统方程作1阶线性化近似处理，仅适用于弱非线性系统。UKF以确定性的方式选择一组近似高斯分布的样本点，通过非线性方程变换，获得均值和方差的估计，是最常用的非线性卡尔曼滤波算法。本文提出的蒙特卡洛卡尔曼滤波方法，与UKF原理相似，区别在于通过蒙特卡洛的方法生成随机sigma样本点，通过非线性方程变换，获取非线性系统均值与方差估计，完成卡尔曼滤波增益计算与状态的更新，算法流程如图3所示。

图 3 基于MCKF跟踪算法的流程图

下载: 全尺寸图片幻灯片

基于图3的算法流程，目标状态变量 ${{x}}$ 及其状态方程与观测方程分别用 $f\left( {{x}}\right)$ 和 $h\left( {{x}} \right)$ 表示，则磁偶极子的蒙特卡洛卡尔曼滤波跟踪算法的步骤可归结如下：

(1) 滤波器初始化：定义初始状态变量为 $9 \times 1$ 维列向量，记为x₀；初始化协方差矩阵为 $9 \times 9$ 矩阵，标记为P₀^xx。

(2) 状态变量预测：根据蒙特卡洛规则随机生成N个样本点，记 ${{{x}}^{(i)}}_{n - 1|n - 1} = {{{x}}_{n - 1|n - 1}} +$ ${{{D}}_{n - 1|n - 1}}c(i),i =1,2, ··· ,N$ ，样本点权重记为 ${w_i} = 1/N,i = 1,2, ··· ,N$ 。根据随机样本点获取状态量均值预测记为式(6)，其协方差矩阵预测如式(7)，式中 $c\left( i \right)$ ～ $N\left( {0,{{I}}} \right),i = 1,2, ··· ,N$ ; ${{{D}}_{n - 1|n - 1}} =$ ${\left[ {{{P}}_{n - 1|n - 1}^{{xx}}} \right]^{ - 1}},n = 2,3,4, ···$ ; Q为变量预测协方差矩阵。

${{{x}}_{n|n - 1}} = \mathop \sum \limits_{i = 1}^N {w_i}f\left( {{{x}}_{n - 1|n - 1}^{\left( i \right)}} \right) \hspace{58pt}$

(6)

$\begin{split} {{P}}_{n|n - 1}^{{xx}} =\,& \mathop \sum \limits_{i = 1}^N {w_i}\left[ {f\left( {{{x}}_{n - 1|n - 1}^{\left( i \right)}} \right) - {{{x}}_{n|n - 1}}} \right]\\ &\cdot {\left[ {f\left( {{{X}}_{n - 1|n - 1}^{\left( i \right)}} \right) - {{{x}}_{n|n - 1}}} \right]^{\rm{T}}} + {{Q}} \end{split}$

(7)

(3) 观测值及其协方差矩阵估计：根据蒙特卡洛规则生成样本点 ${{x}}_{n|n - 1}^{\left( i \right)} = {{{x}}_{n|n - 1}} + {{{D}}_{n|n - 1}}c\left( i \right),$ $i = 1,2, ··· ,N$ ，通过量测方程估计观测均值如式(8)。利用输出样本点及输入样本点获取观测值协方差及观测量与状态变量互协方差矩阵如式(9)，式中 ${{{D}}_{n|n - 1}} = {\left[ {{{P}}_{n|n - 1}^{{xx}}} \right]^{ - 1}},n = 2,3,4, ···$ ，R为观测噪声协方差矩阵。

${{{z}}_{n|n - 1}} = \mathop \sum \limits_{i = 1}^N {w_i}h\left( {{{X}}_{n|n - 1}^{\left( i \right)}} \right)\hspace{73pt}$

(8)

$\left. \begin{split} {{P}}_{n|n - 1}^{{zz}} =\,& \mathop \sum \limits_{i = 1}^N {w_i}\left[ {h\left( {{{X}}_{n - 1|n - 1}^{\left( i \right)}} \right) - {{{z}}_{n|n - 1}}} \right] \\ &\cdot {\left[ {h\left( {{{X}}_{n - 1|n - 1}^{\left( i \right)}} \right) - {{{z}}_{n|n - 1}}} \right]^{\rm{T}}} + {{R}} \\ {{P}}_{n|n - 1}^{{xz}} =\, & \mathop \sum \limits_{i = 1}^N {w_i}\left[ {f\left( {{{X}}_{n - 1|n - 1}^{\left( i \right)}} \right) - {{{x}}_{n|n - 1}}} \right]\\ & \cdot {\left[ {h\left( {{{X}}_{n - 1|n - 1}^{\left( i \right)}} \right) - {{{z}}_{n|n - 1}}} \right]^{\rm{T}}} \end{split} \right\}$

(9)

(4) 增益计算与状态变量更新：利用第(3)步得到的协方差矩阵求得滤波的增益估计，如式(10)所示。利用卡尔曼增益与实时观测值，更新状态变量及其协方差矩阵，如式(11)和式(12)。

${K_n} = {{P}}_{n|n - 1}^{{{xz}}}{\left( {{{P}}_{n|n - 1}^{{{zz}}}} \right)^{ - 1}}\hspace{40pt}$

(10)

${{{x}}_{n|n}} = {{{x}}_{n|n - 1}} + {K_n}\left( {{{{z}}_n} - {{{z}}_{n|n - 1}}} \right)$

(11)

${{P}}_{n|n}^{{{xx}}} = {{P}}_{n|n - 1}^{{{xx}}} - {K_n}{{P}}_{n|n - 1}^{{{zz}}}K_n^{\rm{T}} \hspace{20pt}$

(12)

(5) 存储与迭代：将该时刻状态变量及其协方差存储至跟踪文件，返回第(2)步进行下一时刻迭代。

4. 实验与算法验证

4.1 仿真实验

仿真实验如3.1节中描述，磁偶极子目标运动轨迹如图1。用于实现目标跟踪的传感器阵列由3个矢量磁力仪构成，坐标分别为(–2 m, 0, 0), (0, 0, 0), (2 m, 0, 0)，依次标记为传感器1、传感器2、传感器3。通过传感器1、传感器2和传感器2、传感器3分别获得差量磁场，并在原始差量场上叠加高斯白噪声模拟工作的噪声。利用观测磁场，分别采用EKF, UKF与本文提出的基于MCKF跟踪算法，实现目标实时跟踪。为评估不同算法的跟踪性能，采用100次随机实验，将跟踪误差的统计平均值作为评判指标。不同仿真算法误差结果如图4所示，其中图4(a)为x轴投影轨迹的误差，图4(b)为y轴投影轨迹的误差，图4(c)为z轴投影轨迹的误差。

图 4 仿真磁偶极子跟踪结果对比

下载: 全尺寸图片幻灯片

从图4可以看出，EKF与UKF具有类似的跟踪效果，MCKF的初期跟踪效果较差，而后期跟踪效果明显优于EKF/UKF的跟踪结果。定性来讲，MCKF在收敛速度上较EKF/UKF更慢，但稳定后在跟踪效果上跟踪精度最高。为定量分析不同算法跟踪性能，计算3种跟踪方法跟踪误差结果如表1。

表 1 不同跟踪算法各方向投影轨迹跟踪误差(m)

	跟踪算法	时间区间
	跟踪算法	1～40点	41～80点	81～120点	120～160点	160～200点
x方向	EKF	0.0651	0.0127	0.0023	0.0057	0.0409
	UKF	0.0689	0.0127	0.0024	0.0057	0.0410
	MCKF	0.2143	0.0153	0.0024	0.0039	0.0218
y方向	EKF	0.0491	0.0113	0.0059	0.0100	0.0319
	UKF	0.0512	0.0112	0.0061	0.0096	0.0318
	MCKF	0.1237	0.0115	0.0042	0.0061	0.0158
z方向	EKF	0.0430	0.0089	0.0021	0.0042	0.0163
	UKF	0.0436	0.0088	0.0022	0.0041	0.0164
	MCKF	0.0456	0.0086	0.0022	0.0043	0.0198

下载: 导出CSV

| 显示表格

表1中列举不同时间区间，x, y, z等3个方向上投影轨迹跟踪误差。从表1中看出MCKF算法与EKF/UKF算法相比，在1～40点内跟踪误差较大，随后在40～80点内跟踪误差相当，而在稳定的80～200点内，MCKF的跟踪精度明显优于其余两种跟踪算法；表1结果表明，在z方向3种算法跟踪误差相当。

依据MCKF算法原理，蒙特卡洛样本点数会影响算法跟踪性能。为评估不同蒙特卡洛样本点数的影响，依次采用50, 100, 200, 400样本点进行仿真，结果如表2。从表2中得出随粒子数由50增至200，算法的跟踪误差逐步减小，说明增加粒子数可有效提升算法跟踪性能；而当粒子数由200增至400时，跟踪性能的提升并不明显。由于粒子数多少决定计算量，因此目标跟踪过程中应在满足性能时尽量减少粒子数。

表 2 不同蒙特卡洛样本点数的算法各方向投影轨迹跟踪误差(m)

表2(a) x方向
蒙特卡洛样本点数	时间区间
蒙特卡洛样本点数	1～40	41～80	81～120	120～160	160～200
50	0.2817	0.0242	0.0035	0.0052	0.0264
100	0.2481	0.0194	0.0030	0.0046	0.0231
200	0.2143	0.0153	0.0024	0.0039	0.0218
400	0.2316	0.0159	0.0023	0.0039	0.0212
表2(b) y方向
蒙特卡洛样本点数	时间区间
蒙特卡洛样本点数	1～40	41～80	81～120	120～160	160～200
50	0.1658	0.0168	0.0049	0.0069	0.0192
100	0.1442	0.0141	0.0047	0.0063	0.0166
200	0.1237	0.0115	0.0042	0.0061	0.0158
400	0.1346	0.0118	0.0043	0.0059	0.0151
表2(c) z方向
蒙特卡洛样本点数	时间区间
蒙特卡洛样本点数	1～40	41～80	81～120	120～160	160～200
50	0.0569	0.0124	0.0031	0.0053	0.0242
100	0.0496	0.0105	0.0026	0.0046	0.0202
200	0.0456	0.0086	0.0022	0.0043	0.0198
400	0.0466	0.0090	0.0021	0.0042	0.0195

下载: 导出CSV

| 显示表格

4.2 地磁背景跟踪实验

地磁背景跟踪实验在张家口张北县某地草原进行，选用Mag-03磁通门传感器，传感器分布与磁性目标运动轨迹示意如图5，其中模拟跟踪磁性目标体为通电螺旋圈如图6，磁矩约为60 A·m²。根据图5(b)中运动轨迹，磁性目标在运动过程中的拐点位置由于磁性源的姿态发生变化，此时目标分量磁矩会产生突变。

图 5 真实目标跟踪实验

下载: 全尺寸图片幻灯片

图 6 跟踪实验模拟磁性目标体

下载: 全尺寸图片幻灯片

传感器1、传感器2、传感器3测量的磁异常如图7(a)、图7(b)、图7(c)所示，传感器1、传感器2的差量磁场如图7(d)，传感器2、传感器3的差量磁场如图7(e)。差量磁异常信号与原始磁异常信号在幅度上相近，甚至大于原始测量磁异常。利用本节中提出的基于MCKF跟踪方法与传统的基于EKF/UKF的滤波跟踪方法对目标进行跟踪，目标位置跟踪结果如图8所示，其中图8(a)、图8(b)、图8(c)分别代表x, y, z的跟踪结果，黑色实线为参考轨迹；目标磁矩的跟踪结果如图9所示，其中图9(a)、图9(b)、图9(c)分别代表磁矩x, y, z分量磁矩的跟踪结果，黑色实线为参考磁矩。

图 7 阵列传感器测量磁场与差量磁场

下载: 全尺寸图片幻灯片

图 8 模拟磁性目标的位置跟踪结果

下载: 全尺寸图片幻灯片

图 9 模拟磁性目标的磁矩跟踪结果

下载: 全尺寸图片幻灯片

由图8和图9的跟踪结果可以看出：(1)在跟踪初始阶段及拐点位置，EKF与UKF算法跟踪响应速度要优于MCKF跟踪方法，与仿真结果一致；(2)当目标运动状态稳定后(图中3500点后)跟踪过程中，MCKF的跟踪性能明显优于其余两种算法。其中，EKF与UKF算法在4300点后，由于信噪比下降算法的跟踪轨迹发生明显偏离，而MCKF直到4800点后轨迹才逐渐发生偏移。综上所述，真实目标的跟踪结果与仿真结果表现一致，说明本文提出的算法具有较好的抗地磁干扰性能，在低信噪比时跟踪性能优于传统滤波方法。

5. 结束语

本文分析了地磁场背景下磁偶极子目标跟踪过程中存在背景干扰问题，提出利用传感器差量磁场信号实现目标跟踪的模型。新模型的优势有：(1)传感器阵列测量磁场差量与原始测量场相比磁场强度相似，因此可以保证足够远的跟踪距离；(2)测量磁场差量不易受到背景地磁场的干扰。同时，考虑差量磁场模型的高度非线性，本文提出基于MCKF的滤波跟踪算法，从而有效解决减小跟踪模型的非线性误差。通过仿真实验，结果表明基于新模型的跟踪算法较经典的UKF、EKF算法具有更高的跟踪精度；地磁背景跟踪实验，同样证实算法的有效性。

图 1 服务功能链模型和VNF资源容量调整

下载: 全尺寸图片幻灯片

图 2 LSTM循环网络“细胞”框架

下载: 全尺寸图片幻灯片

图 3 多层前馈神经网络结构

下载: 全尺寸图片幻灯片

图 4 数据集流量

下载: 全尺寸图片幻灯片

图 5 流量预测结果

下载: 全尺寸图片幻灯片

图 6 微小规格VNF实例预测误差

下载: 全尺寸图片幻灯片

图 7 小规格VNF实例预测误差

下载: 全尺寸图片幻灯片

图 9 大规格VNF实例预测误差

下载: 全尺寸图片幻灯片

图 8 中规格VNF实例预测误差

下载: 全尺寸图片幻灯片

图 10 累计服务器占用数量对比

下载: 全尺寸图片幻灯片

图 11 算法CPU运行时间对比

下载: 全尺寸图片幻灯片

表 1 $t$ 时刻资源需求预测特征提取

特征参数	意义
${{L}}(t)$	历史流量向量，包含 $t - i$ 时刻到 $t$ 时刻的实测流量数据 ${{L}}(t) = \{ l(t - i), ··· ,l(t)\}$
$p(t + 1)$	$t + 1$ 时刻的流量预测数据
${\rm{ServerID}}$	当前流量流经的接入网关服务器序号，用于区分
${{R}}(t)$	历史资源需求向量，包含 $t$ 时刻的资源需求数据 ${{R}}(t) = \{ {r_1}(t), ··· ,{r_j}(t), ··· ,{r_m}(t)\}$ ，其中任意元素 ${r_j}(t)$ 表示 $t$ 时刻平台实例化第 $j$ 种规格VNF的数量

下载: 导出CSV

表 2 VNF动态部署算法(DG Alg.)

输入： $t$ 时刻资源容量需求向量 ${ {{{R}}} }(t)$ ；服务器资源容量矩阵 ${ {{{C}}} }(t)$ ；　　　服务器邻接矩阵 ${ {{{E}}} }(t)$
输出：最优VNF部署决策矩阵 ${ { {{{X}}} }^*}(t)$
(1) 初始化遗传算法参数：种群规模 ${\rm{NIND}}$ ，最大遗传代数　　 ${\rm{MAXGEN}}$ ，交叉和变异概率 ${P_x}$ , ${P_m}$ 　(2) 计算 $t$ 时刻染色体上的基因数目 ${N_g}(t) = \displaystyle\sum\nolimits_{i = 1}^m { {r_i}(t)}$
(3) 随机初始化种群中的每个染色体，每个基因位的进制设为服　　务器数量 $n$
(4) for $i = 1:{\rm{NIND}}$
(5) 根据 ${ {{{R}}} }(t)$ 分段统计各基因位的服务器序号，计算染色体 $n$ 对　　应的VNF部署决策变量 ${{{X}}_i}(t)$
(6) if ${{{X}}_i}(t)$ 满足约束条件式(2)-式(5)do
(7) 根据式(1)计算当前染色体的适应度
(8) else
(9) 当前染色体对应的部署策略无法完成部署，适应度为惩罚值　　 ${N_p}$
(10) end if
(11) end for
(12) for ${\rm{gen = }}1:{\rm{MAXGEN}}$
(13) 根据适应度计算染色体参与遗传的优先级，以概率 ${P_x}$ 对候　　选染色体上基因进行交叉遗传
(14) 按照概率 ${P_m}$ 选择染色体上任意基因进行变异操作
(15) 获取子代种群，重复步骤(4)—步骤(11)，计算子代种群各　　个染色体的适应度
(16) 用子代中适应度高的染色体替换父代中适应度低的染色　　体，形成新的种群
(17) end for
(18) 保留最终代中最优染色体，返回其对应的VNF部署决策变　　量 ${ { {{{X}}} }^*}(t)$

下载: 导出CSV

表 3 服务器参数

型号	CPU	内存(GB)	硬盘(TB)
高配	28 CPUs x Intel(R) Xeon(R) CPU E5-2660 v4 @ 2.00GHz	128	14
低配	20 CPUs x Intel(R) Xeon(R) CPU E5-2630 v4 @ 2.20GHz	64	14

下载: 导出CSV

表 4 虚拟机规格参数

规格	VCPU(个)	内存(GB)	硬盘(GB)
微小	1	1	20
小	2	2	50
中	4	4	200
大	4	8	500

下载: 导出CSV

参考文献(20)

[1]	ORDONEZ-LUCENA J, AMEIGEIRAS P, LOPEZ D, et al. Network slicing for 5G with SDN/NFV: Concepts, architectures, and challenges[J]. IEEE Communications Magazine, 2017, 55(5): 80–87. doi: 10.1109/mcom.2017.1600935
[2]	HERRERA J G 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
[3]	ADAMUZ-HINOJOSA O, ORDONEZ-LUCENA J, AMEIGEIRAS P, et al. Automated network service scaling in NFV: Concepts, mechanisms and scaling workflow[J]. IEEE Communications Magazine, 2018, 56(7): 162–169. doi: 10.1109/mcom.2018.1701336
[4]	RAHMAN S, AHMED T, HUYNH M, et al. Auto-scaling VNFs using machine learning to improve QoS and reduce cost[C]. Proceedings of 2018 IEEE International Conference on Communications, Kansas City, USA, 2018: 1–6.
[5]	TANG Hong, ZHOU D, and CHEN Duan. Dynamic network function instance scaling based on traffic forecasting and VNF placement in operator data centers[J]. IEEE Transactions on Parallel and Distributed Systems, 2018, 30(3): 530–543. doi: 10.1109/tpds.2018.2867587
[6]	ALAWE I, HADJADJ-AOUL Y, KSENTINI A, et al. Smart scaling of the 5G core network: An RNN-based approach[C]. Proceedings of 2018 IEEE Global Communications Conference, Abu Dhabi, The United Arab Emirates, 2018: 1–6.
[7]	ALAWE I, HADJADJ-AOUL Y, KSENTINIT A, et al. An efficient and lightweight load forecasting for proactive scaling in 5G mobile networks[C]. Proceedings of 2018 IEEE Conference on Standards for Communications and Networking, Paris, France, 2018: 1–6.
[8]	FEI Xincai, LIU Fangming, XU Hong, et al. Adaptive VNF scaling and flow routing with proactive demand prediction[C]. IEEE Conference on Computer Communications, Honolulu USA, 2018: 486–494.
[9]	唐伦, 周钰, 杨友超, 等. 5G网络切片场景中基于预测的虚拟网络功能动态部署算法[J]. 电子与信息学报, 2019, 41(9): 2071–2078. doi: 10.11999/JEIT180894 TANG Lun, ZHOU Yu, YANG Youchao, et al. Virtual network function dynamic deployment algorithm based on prediction for 5G network slicing[J]. Journal of Electronics &Information Technology, 2019, 41(9): 2071–2078. doi: 10.11999/JEIT180894
[10]	REN Yi, PHUNG-DUC T, LIU Yikuan, et al. ASA: Adaptive VNF scaling algorithm for 5G mobile networks[C]. Proceedings of 2018 IEEE 7th International Conference on Cloud Networking, Tokyo, Japan, 2018: 1–4.
[11]	WANG Xiaoke, WU Chuan, LE F, et al. Online VNF scaling in datacenters[C]. Proceedings of 2016 IEEE 9th International Conference on Cloud Computing, San Francisco, USA, 2016: 140–147.
[12]	WANG Xiaoke, WU Chuan, LE F, et al. Online learning-assisted VNF service chain scaling with network uncertainties[C]. Proceedings of 2017 IEEE 10th International Conference on Cloud Computing, Honolulu, USA, 2017: 205–213.
[13]	史久根, 张径, 徐皓, 等. 一种面向运营成本优化的虚拟网络功能部署和路由分配策略[J]. 电子与信息学报, 2019, 41(4): 973–979. doi: 10.11999/JEIT180522 SHI Jiugen, ZHANG Jing, XU Hao, et al. Joint optimization of virtualized network function placement and routing allocation for operational expenditure[J]. Journal of Electronics &Information Technology, 2019, 41(4): 973–979. doi: 10.11999/JEIT180522
[14]	张红旗, 黄睿, 常德显. 一种基于匹配博弈的服务链协同映射方法[J]. 电子与信息学报, 2019, 41(2): 385–393. doi: 10.11999/JEIT180385 ZHANG Hongqi, HUANG Rui, and CHANG Dexian. A collaborative mapping method for service chain based on matching game[J]. Journal of Electronics &Information Technology, 2019, 41(2): 385–393. doi: 10.11999/JEIT180385
[15]	ZHOU Songnian. A trace-driven simulation study of dynamic load balancing[J]. IEEE Transactions on Software Engineering, 1988, 14(9): 1327–1341. doi: 10.1109/32.6176
[16]	MEDHAT A M, TALEB T, ELMANGOUSH A, et al. Service function chaining in next generation networks: State of the art and research challenges[J]. IEEE Communications Magazine, 2017, 55(2): 216–223. doi: 10.1109/mcom.2016.1600219rp
[17]	PARVEZ I, RAHMATI A, GUVENC I, et al. A survey on low latency towards 5G: RAN, core network and caching solutions[J]. IEEE Communications Surveys & Tutorials, 2018, 20(4): 3098–3130. doi: 10.1109/comst.2018.2841349
[18]	GOODFELLOW I, BENGIO Y, and COURVILLE A. Deep Learning[M]. Cambridge, USA: MIT Press, 2016: 397–399.
[19]	HORNIK K. Approximation capabilities of multilayer feedforward networks[J]. Neural Networks, 1991, 4(2): 251–257. doi: 10.1016/0893-6080(91)90009-t
[20]	LOIOLA E M, DE ABREU N M M, BOAVENTURA-NETTO P O, et al. A survey for the quadratic assignment problem[J]. European Journal of Operational Research, 2007, 176(2): 657–690. doi: 10.1016/j.ejor.2005.09.032

施引文献

资源附件(0)

访问统计

图(11) / 表(4)

计量

文章访问数: 797
HTML全文浏览量: 426
PDF下载量: 75
被引次数: 0

1. 引言
2. 磁偶极子运动模型
3. 基于差量磁场的MCKF跟踪算法
3.1 差量磁场信号
3.2 基于MCKF的跟踪算法
4. 实验与算法验证
4.1 仿真实验
4.2 地磁背景跟踪实验
5. 结束语

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

虚拟网络功能资源容量自适应调整方法

doi: 10.11999/JET200110

通讯作者:
袁泉　b101180153@smail.nju.edu.cn

计量

Adaptive Scaling of Virtualized Network Function Resource Capacity

1. 引言

2. 磁偶极子运动模型

3. 基于差量磁场的MCKF跟踪算法

3.1 差量磁场信号

3.2 基于MCKF的跟踪算法

4. 实验与算法验证

4.1 仿真实验

4.2 地磁背景跟踪实验

5. 结束语

计量

目录

1. 引言

2. 磁偶极子运动模型

3. 基于差量磁场的MCKF跟踪算法

3.1 差量磁场信号

3.2 基于MCKF的跟踪算法

4. 实验与算法验证

4.1 仿真实验

4.2 地磁背景跟踪实验

5. 结束语

留言板

虚拟网络功能资源容量自适应调整方法

doi: 10.11999/JET200110

通讯作者: 袁泉 b101180153@smail.nju.edu.cn

计量

出版历程

Adaptive Scaling of Virtualized Network Function Resource Capacity

1. 引言

2. 磁偶极子运动模型

3. 基于差量磁场的MCKF跟踪算法

3.1 差量磁场信号

3.2 基于MCKF的跟踪算法

4. 实验与算法验证

4.1 仿真实验

4.2 地磁背景跟踪实验

5. 结束语

计量

出版历程

目录

1. 引言

2. 磁偶极子运动模型

3. 基于差量磁场的MCKF跟踪算法

3.1 差量磁场信号

3.2 基于MCKF的跟踪算法

4. 实验与算法验证

4.1 仿真实验

4.2 地磁背景跟踪实验

5. 结束语

通讯作者:
袁泉　b101180153@smail.nju.edu.cn