【技术实现步骤摘要】
基于SFC的VNF资源预测方法
[0001]本专利技术属于互联网
,涉及基于SFC的VNF资源预测方法。
技术介绍
[0002]NFV作为一种灵活的软件化、虚拟化技术,在实现网络管理方面起着关键的作用,它能够快速满足网络业务的需求。NFV中比较重要的两个概念就是VNF和SFC,就SFC来说,它不仅能够灵活地向用户提供网络服务,而且在NFV环境中可以有效捕获网络状态和相关信息。SFC作为NFV中的一种重要应用,成为了NFV环境中重要的组成部分。而预测SFC中VNF的资源需求是实现网络资源有效分配的关键。SFC由多个VNF构成,其中的VNF按照数据流遍历的逻辑顺序进行排列。在向用户提供网络服务的同时,VNF将使用基础设施中的计算、存储和网络资源,并接收来自其他VNF的流量,这就使得VNF之间具有依赖性。另外,在SFC中,当前VNF的前一时刻的流量数据也对后续流量数据有一定的影响,这就使得VNF数据之间具有时序性,即VNF目前的状态对后续状态的影响。在这种情况下,对模型的精度和泛化能力也提出了更高的要求。
[0003]然而,如今网络环境的规模变得越来越大,而且网络环境的动态变化使得预测变得更加困难。近年来,多数研究者将AI应用于NFV场景下的VNF资源预测问题中,而通过AI解决NFV中的问题也引起了极大的关注。针对SFC场景中的VNF资源预测,一些模型在预测VNF资源需求的时候存在一定的局限性,因为模型依赖VNF转发图的结构,从而造成模型泛化能力较低。另外,针对SFC场景下的VNF资源预测,有的VNF资源预测
【技术保护点】
【技术特征摘要】
1.基于SFC的VNF资源预测方法,其特征在于:该方法包括以下步骤:S1:建立基于SFC的VNF资源预测模型;S11:特征集处理;生成特征集,对获得的VNF特征集进行归一化处理,以提升模型的训练效果,其计算方法如公式(1)所示:其中,z
′
i
表示特征集Z={z1,z2,z3,
…
,z
m
}中第i个特征z1进行归一化之后的结果,表示所有特征集的均值表示所有特征集的标准差σ,而M表示特征集的个数;S12:提出改进的自适应遗传算法交叉概率α和变异概率β随着种群状态而自适应变化的方法,如公式(2)和公式(3)所示;示;其中,α0,β0分别为交叉概率α和变异概率β的当前值,h
max
为当前种群的最大适应度,h
ave
为当前种群的平均适应度,h
′
ave
为正在进行交叉操作的个体的平均适应度,h为正处于变异状态的个体的适应度;如公式(2)所示,如果正在进行交叉操作的个体的平均适应度大于当前种群的平均适应度时,说明这两个个体在整个种群中属于优良个体,故将交叉概率α适当调小,以防优良基因丢失;则说明这两个个体在整个种群中属于较差个体,故将交叉概率α适当调大,以增加获得优良个体的概率;如果正在进行交叉操作的个体的平均适应度等于当前种群的平均适应度时,则保持不变;如公式(3)所示,若正处于变异状态的个体的适应度大于当前种群的平均适应度时,说明该个体在整个种群中属于优良个体,故将变异概率β适当调小,以防优良基因被变异丢失;反之,则说明这该个体在整个种群中属于较差个体,故将变异概率β适当调大,以增加变异为优良个体的概率;若正处于变异状态的个体的适应度等于当前种群的平均适应度时,则保持不变;
S2:建立基于遗传算法和LSTM的VNF资源预测模型针对SFC中VNF资源预测模型,使用的具有时序性的LSTM预测模型,公式(4)
‑
(6)表示模型中的计算方法,LSTM的输入门计算方式如公式(4)所示,输入门是处理当前位置的数据输入;输出门如公式(5)所示,输出门处理当前位置的输出;遗忘门如公式(6)所示,在LSTM模型中,遗忘门是用于决定是否遗忘上一层隐藏神经元的状态;input
t
=σ(W
input
·
[h
t
‑1,x
t
]+b
input
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)output
t
=σ(W
output
·
[h
t
‑1,x
t
]+b
output
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)forget
t
=σ(W
forget
·
[h
t
‑1,x
t
]+b
forget
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中,W
input
、W
output
和W
forget
表示权重矩阵,b
input
、b<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。