一种基于遗传算法的网络切片部署方法和装置制造方法及图纸

本发明专利技术提供了一种基于遗传算法的网络切片部署方法和装置，涉及通信的技术领域，包括：获取网络切片部署的目标参数，其中，目标参数包括：虚拟请求网络的需求参数集合和底层物理网络的供应参数集合；基于目标参数确定至少一个网络切片策略；利用遗传算法在至少一个网络切片策略中确定网络切片部署策略。该方法在进行最优解的求解过程中使用了遗传算法，由于遗传算法运行时存在突变的操作，所以不易陷入局部最优，使得能够在更大的解平面内搜索最优解，从而有效缓解了现有技术中的网络切片部署方法存在的最优解的准确率低的技术问题。

A method and device of network slice deployment based on genetic algorithm

【技术实现步骤摘要】
一种基于遗传算法的网络切片部署方法和装置
本专利技术涉及通信的
，尤其是涉及一种基于遗传算法的网络切片部署方法和装置。
技术介绍
网络切片(NetworkSlicing)指的是在同一网络基础设施上，将运营商的物理网络划分为多个逻辑独立的虚拟网络，每个虚拟网络具备不同的功能特点，可以灵活的应对不同的需求和服务，这些虚拟网络相互隔离，其中一个发生故障不会影响到其它虚拟网络。网络切片的出现已成为解决当前互联网问题的全新思路。网络切片技术将用户的不同业务需求抽象为虚拟网络请求，多个虚拟网络共享由底层物理网络提供商管理和运营的硬件资源。现有技术中，为了提高网络切片部署的效率，提出了利用粒子群算法求解最优网络切片部署的方法，但是粒子群算法在运行过程中，容易陷入局部最优解，导致最终确定的网络切片策略不一定是最优的部署方法，也即，现有技术中的网络切片部署方法存在最优解的准确率低的技术问题。
技术实现思路
本专利技术的目的在于提供一种基于遗传算法的网络切片部署方法和装置，以缓解现有技术中的网络切片部署方法存在的最优解的准确率低的技术问题。第一方面，实施例提供一种基于遗传算法的网络切片部署方法，其特征在于，包括：获取网络切片部署的目标参数，其中，所述目标参数包括：虚拟请求网络的需求参数集合和底层物理网络的供应参数集合；基于所述目标参数确定至少一个网络切片策略；利用遗传算法在所述至少一个网络切片策略中确定网络切片部署策略。在可选的实施方式中，利用遗传算法在所述至少一个网络切片策略中确定网络切片部署策略，包括：获取上一代种群和所述上一代种群中每个上一代个体对应的个体适应值，其中，每个上一代个体表示一种网络切片策略；获取当前种群迭代次数，并在当前种群迭代次数不大于预设迭代次数的情况下，基于所述上一代种群和所述每个上一代个体对应的个体适应值确定当前种群；基于预设交叉变异规则对所述当前种群中的当前个体进行交叉变异操作，得到进化种群，并确定所述进化种群中的最优个体，其中，所述最优个体的个体适应值最大；将所述进化种群作为所述上一代种群进行迭代更新，若连续迭代预设次数得到的所述最优个体均不同，则将满足所述预设迭代次数的种群作为期望种群，并根据所述期望种群中个体适应值最大的期望个体确定网络切片部署策略。在可选的实施方式中，若所述上一代种群为空，获取上一代种群和所述上一代种群中每个上一代个体对应的个体适应值，包括：从所述至少一个网络切片策略中随机选取预设数量的网络切片策略并生成初始种群，以将所述初始种群作为所述上一代种群；利用算式计算所述上一代种群中每个上一代个体的个体适应值，其中，Sj表示第j个上一代个体的个体适应值，j取值0至J-1，J表示上一代个体的数量，i表示虚拟请求节点，I表示虚拟请求节点的数量，xji表示第j个上一代个体中虚拟请求节点i映射的底层物理节点，G表示中心物理域，C(i)表示虚拟请求节点i的计算资源需求，α表示权重因子，l表示虚拟请求链路，L表示虚拟请求链路的数量，xl1,xl2表示第j个上一代个体中虚拟请求链路l映射的底层物理链路两端的物理节点，Gl1表示底层物理节点xl1所属的底层物理域，Gl2表示底层物理节点xl2所属的底层物理域，B(l)表示虚拟请求链路l的带宽资源需求。在可选的实施方式中，基于所述上一代种群和所述每个上一代个体对应的个体适应值确定当前种群，包括：基于所述每个上一代个体对应的个体适应值对所述上一代个体进行降序排列；利用算式对每个上一代个体遗传到下一代的概率进行计算，其中，Pj表示第j个上一代个体遗传到下一代的概率，j取值0至J-1，J表示上一代个体的数量，第0个上一代个体的个体适应值最大；基于所述上一代种群中每个上一代个体遗传到下一代的概率确定当前种群。在可选的实施方式中，基于预设交叉变异规则对所述当前种群中的个体进行交叉变异操作，得到进化种群，包括：将所述当前种群中的当前个体进行随机配对，得到至少一组亲代个体；判断每组亲代个体中的两个当前个体是否相同；若相同，则不进行交叉操作，并将相同的两个当前个体作为中间个体；若不相同，则控制所述亲代个体中的两个当前个体基于第一预设概率进行交叉操作，以确定中间个体；基于第二预设概率对每个中间个体进行变异，得到进化个体，并将所述进化个体组成的种群作为进化种群。在可选的实施方式中，所述方法还包括：若连续迭代预设次数得到的所述最优个体均相同，则对所述进化种群进行重置，得到重置种群，并将所述重置种群作为所述上一代种群。在可选的实施方式中，对所述进化种群进行重置，得到重置种群，包括：从所述至少一个网络切片策略中随机选取预设数量的网络切片策略，并生成目标种群；随机从所述目标种群中选择一个目标个体与所述进化种群中个体适应值最大的进化个体进行替换，得到重置种群。第二方面，实施例提供一种基于遗传算法的网络切片部署装置，其特征在于，包括：获取模块，用于获取网络切片部署的目标参数，其中，所述目标参数包括：虚拟请求网络的需求参数集合和底层物理网络的供应参数集合；第一确定模块，用于基于所述目标参数确定至少一个网络切片策略；第二确定模块，用于利用遗传算法在所述至少一个网络切片策略中确定网络切片部署策略。在可选的实施方式中，第二确定模块包括：获取单元，用于获取上一代种群和所述上一代种群中每个上一代个体对应的个体适应值，其中，每个上一代个体表示一种网络切片策略；第一确定单元，用于获取当前种群迭代次数，并在当前种群迭代次数不大于预设迭代次数的情况下，基于所述上一代种群和所述每个上一代个体对应的个体适应值确定当前种群；第二确定单元，用于基于预设交叉变异规则对所述当前种群中的当前个体进行交叉变异操作，得到进化种群，并确定所述进化种群中的最优个体，其中，所述最优个体的个体适应值最大；第三确定单元，用于将所述进化种群作为所述上一代种群进行迭代更新，若连续迭代预设次数得到的所述最优个体均不同，则将满足所述预设迭代次数的种群作为期望种群，并根据所述期望种群中个体适应值最大的期望个体确定网络切片部署策略。在可选的实施方式中，若所述上一代种群为空，获取单元具体用于：从所述至少一个网络切片策略中随机选取预设数量的网络切片策略并生成初始种群，以将所述初始种群作为所述上一代种群；利用算式计算所述上一代种群中每个上一代个体的个体适应值，其中，Sj表示第j个上一代个体的个体适应值，j取值0至J-1，J表示上一代个体的数量，i表示虚拟请求节点，I表示虚拟请求节点的数量，xji表示第j个上一代个体中虚拟请求节点i映射的底层物理节点，G表示中心物理域，C(i)表示虚拟请求节点i的计算资源需求，α表示权重因子，l表示虚拟请求链路，L表示虚拟请求链路的数量，xl1,xl2表示第j个上一代个体中虚拟请求链路l映射的底层物理链路两端的物理节点，Gl1表示底层物理节点xl1所属的底层物理域，Gl2表示底层物理节点xl2所属的底层物理域，B(l)表示虚拟请求链路l的带宽资源需求。现有技术中的网络切片部署方法容易陷入局部最优解，导致最终确定的网络切片策略不本文档来自技高网...

【技术保护点】
1.一种基于遗传算法的网络切片部署方法，其特征在于，包括：/n获取网络切片部署的目标参数，其中，所述目标参数包括：虚拟请求网络的需求参数集合和底层物理网络的供应参数集合；/n基于所述目标参数确定至少一个网络切片策略；/n利用遗传算法在所述至少一个网络切片策略中确定网络切片部署策略。/n

【技术特征摘要】
1.一种基于遗传算法的网络切片部署方法，其特征在于，包括：
获取网络切片部署的目标参数，其中，所述目标参数包括：虚拟请求网络的需求参数集合和底层物理网络的供应参数集合；
基于所述目标参数确定至少一个网络切片策略；
利用遗传算法在所述至少一个网络切片策略中确定网络切片部署策略。


2.根据权利要求1所述的方法，其特征在于，利用遗传算法在所述至少一个网络切片策略中确定网络切片部署策略，包括：
获取上一代种群和所述上一代种群中每个上一代个体对应的个体适应值，其中，每个上一代个体表示一种网络切片策略；
获取当前种群迭代次数，并在当前种群迭代次数不大于预设迭代次数的情况下，基于所述上一代种群和所述每个上一代个体对应的个体适应值确定当前种群；
基于预设交叉变异规则对所述当前种群中的当前个体进行交叉变异操作，得到进化种群，并确定所述进化种群中的最优个体，其中，所述最优个体的个体适应值最大；
将所述进化种群作为所述上一代种群进行迭代更新，若连续迭代预设次数得到的所述最优个体均不同，则将满足所述预设迭代次数的种群作为期望种群，并根据所述期望种群中个体适应值最大的期望个体确定网络切片部署策略。


3.根据权利要求2所述的方法，其特征在于，若所述上一代种群为空，获取上一代种群和所述上一代种群中每个上一代个体对应的个体适应值，包括：
从所述至少一个网络切片策略中随机选取预设数量的网络切片策略并生成初始种群，以将所述初始种群作为所述上一代种群；
利用算式计算所述上一代种群中每个上一代个体的个体适应值，其中，Sj表示第j个上一代个体的个体适应值，j取值0至J-1，J表示上一代个体的数量，i表示虚拟请求节点，I表示虚拟请求节点的数量，xji表示第j个上一代个体中虚拟请求节点i映射的底层物理节点，G表示中心物理域，C(i)表示虚拟请求节点i的计算资源需求，α表示权重因子，l表示虚拟请求链路，L表示虚拟请求链路的数量，xl1,xl2表示第j个上一代个体中虚拟请求链路l映射的底层物理链路两端的物理节点，Gl1表示底层物理节点xl1所属的底层物理域，Gl2表示底层物理节点xl2所属的底层物理域，B(l)表示虚拟请求链路l的带宽资源需求。


4.根据权利要求2所述的方法，其特征在于，基于所述上一代种群和所述每个上一代个体对应的个体适应值确定当前种群，包括：
基于所述每个上一代个体对应的个体适应值对所述上一代个体进行降序排列；
利用算式对每个上一代个体遗传到下一代的概率进行计算，其中，Pj表示第j个上一代个体遗传到下一代的概率，j取值0至J-1，J表示上一代个体的数量，第0个上一代个体的个体适应值最大；
基于所述上一代种群中每个上一代个体遗传到下一代的概率确定当前种群。


5.根据权利要求2所述的方法，其特征在于，基于预设交叉变异规则对所述当前种群中的个体进行交叉变异操作，得到进化种群，包括：
将所述当前种群中的当前个体进行随机配对，得到至少一组亲代个体；
判断每组亲代个体中的两个当前个体是否相同；
若相同，则不进行交叉操作，并将相...

【专利技术属性】
技术研发人员：国晓博，贾成刚，任保全，李洪钧，王斌，庞雪，张培颖，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：河北;13