成本和需求感知的VNF部署于动态扩缩容方法

• 作 者: 郭瀚涛
• 机 构: 北京邮电大学
• 出 处: 北京邮电大学
• 发表日期: 2021年01期
• 关键词: 网络功能虚拟化 服务功能链 流量预测 动态自适应扩缩容

网络功能虚拟化（Network Function Virtualization,NFV）是电信行业中服务提供方式的一个重要转变。它实现了网元功能和专用硬件设备的解耦。如何根据服务功能链（Service Function Chain,SFC）的特定要求,对虚拟网络功能（Virtual Network Functions,VNF）进行经济地放置部署以及按序链接是当前网络功能虚拟化编排管理面临的一项挑战。此外,当VNF放置之后,如何对处在服务状态的VNF实例动态调整以适应不断变化的网络流量并应对突发网络峰值是当前网络功能虚拟化编排的另一个挑战。目前,关于VNF部署映射的算法主要聚焦在部署成本的优化。大多数的研究主要关注于优化VNF实例的数目以减少节点开销,但因此会带来转发路径的增长导致流量开销变大。如何平衡节点部署成本和链路转发成本是目前丞待解决的问题。在虚拟资源动态扩缩容方面,目前的研究主要是基于阈值的被动式扩缩容。这种方式往往会造成扩缩容响应滞后以及扩缩容反复震荡等问题。针对以上背景和问题,本文提出了基于实例共享和成本感知的VNF部署编排方法以及基于LSTM流量预测和深度强化学习的虚拟资源动态扩缩容方法。主要工作如下:（1）基于实例共享和成本感知的VNF部署编排方法。该方法从共享VNF实例的角度来考虑VNF的部署问题,以提高资源利用率并降低总部署成本。本文针对VNF的部署放置问题提出了一个混合整数线性规划（Mixed Integer Linear Programming,MILP）模型,并且该模型可以根据不同的部署偏好进行动态配置。针对该问题模型,本文提出了一种启发式算法。该算法首先通过图论中的中心性对网络拓扑中的物理节点进行排序并筛选出可共享VNF实例的候选部署节点集合。之后,该算法通过马尔科夫决策过程选择出一条最佳部署路径来对VNF实例进行放置和链接,以保证总部署成本的最优化。通过实验验证,本文的启发式算法与MILP给出的结果的部署代价相差不到3%,并在求解时减少57.4%的时间。（2）基于LSTM流量预测和深度强化学习的虚拟资源动态扩缩容方法。本文提出了一种流量预测与扩缩容决策相结合的虚拟资源动态自适应方法。该方法通过长短期记忆神经网络（Long Short-Term Memory,LSTM）对前一小时内的网络流量进行分析并对未来10分钟内的流量进行预测,使扩缩容决策算法能够超前响应,以应对流量高峰的到来。在扩缩容决策过程中,本方法使用了基于优先级的深度强化学习（Priority-Deep Q-Learning,Priority-DQN）。通过与环境不断的交互和反馈,Priority-DQN算法能够随着流量的变化趋势做出正确的扩缩容调整,并在流量高峰到达前优化资源配置,保证服务质量。通过仿真评估,本文动态扩缩容方法的决策正确率最终能稳定在92%以上。综上所述,本课题提出的成本和需求感知的VNF部署与动态扩缩容方法在部署过程中能够有效优化总部署开销,并能够在动态扩缩容过程中不断在线学习,以适应不断变化的网络流量模式。