基于SFC的VNF资源预测方法技术

本发明专利技术涉及基于SFC的VNF资源预测方法，属于互联网技术领域。在考虑多个因素特征的情况下，对SFC中的VNF的资源需求预测进行研究。通过考虑VNF的多种资源类型，以及多个VNF之间的依赖性和数据之间的时序性，利用改进的自适应遗传算法衡量VNF的最优资源消耗值，进一步提高模型预测的精度。高模型预测的精度。高模型预测的精度。

【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资源预测方法只使用单个VNF的模拟数据对模型进行训练，而没有考虑VNF之间的依赖性、时序性问题。因此，如果将VNF部署在复杂的网络环境中，将无法保证VNF的性能。
[0004]为了解决SFC中VNF资源预测的问题，许多研究者将AI领域中的深度学习方法与VNF的资源预测相结合，在现如今网络数据量庞大的条件下，对资源预测的精度也有一定的提高。但是在研究的过程中，有的文献没有考虑通过SFC的流量的实时动态变化，这并不能够捕捉资源需求的不确定性。对于在NFV的场景下构建基于深度学习的VNF资源预测模型，研究者更加应该考虑由VNF组成的SFC中节点之间的依赖性、流量的波动性以及时序性问题。此外，与时间序列模型相比，GNN并不是一种适合序列性的模型，而且模型对于图的要求较高，泛化能力较弱。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供基于SFC的VNF资源预测方法。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]基于SFC的VNF资源预测方法，该方法包括以下步骤：
[0008]S1：建立基于SFC的VNF资源预测模型；
[0009]S11：特征集处理；
[0010]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：
[0011][0012]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μ，表示所有特征集的标准差σ，而M表示特征集的个数；
[0013]S12：提出改进的自适应遗传算法
[0014]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；
[0015][0016][0017]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；
[0018]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；
[0019]S2：建立基于遗传算法和LSTM的VNF资源预测模型
[0020]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；
[0021]input
t
＝σ(W
input
·
[h
t
‑1,x
t
]+b
input
)
ꢀꢀ
(4)
[0022]output
t
＝σ(W
output
·
[h
t
‑1,x
t
]+b
output
)
ꢀꢀ
(5)
[0023]forget
t
＝σ(W
forget
·
[h
t
‑1,x
t
]+b
forget
)
ꢀꢀ
(6)
[0024]其中，W
input
、W
output
和W
forget
表示权重矩阵，b
input
、b
output
和b
forget
表示偏差；x
t
表示在t时刻时LSTM神经元的输入，h
t
‑1表示LSTM的前一个神经元的输出，而σ表示LSTM模型中所使用的激活函数，所使用的激活函数包括Linear函数和ReLU函数；
[0025]在LSTM中，除有这三种门之外，还有两种记忆状态，分别是细胞状态C
t
和隐藏状态h
t
；如公式(7)所示，对于LSTM模型来说，细胞状态C
t
的更新和遗忘门forget
t
和输入门input
t
有关；公式(8)是隐藏状态h
t
的计算方式，h
t
由输出门output
t
...

【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<...

【专利技术属性】
技术研发人员：苏畅，邓雁飞，谢显中，谭娅，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：