【技术实现步骤摘要】
本专利技术涉及一种边云协同网络中的网络流量预测方法。
技术介绍
1、网络功能虚拟化(nfv)允许动态配置虚拟网络功能(vnf)，使服务适应复杂的实时网络环境，从而提高网络性能。尽管nfv有诸多优势，但由于物理网络的动态特性，vnf迁移和能耗也带来了巨大挑战、尤其是对边云协同网络来说。目前，一般是预测网络流量，然后使用预测值主动迁移网络。这里存在两个挑战，首先，当sfc(service function chain，业务链)属于不同的网络服务提供商时，历史网络流量数据由服务提供商掌握，出于对隐私考虑，他们不愿意共享历史数据。没有各个sfc的历史网络流量数据，拥有底层网络的资源提供商无法有效地预测网络流量；另外，如果没有底层物理网络迁移结果的反馈，网络流量预测的效果将难以符合物理网络的需求。
技术实现思路
1、为了解决现有问题，本专利技术提供一种边云协同网络中的网络流量预测方法。
2、本专利技术采用以下技术方案：
3、一种边云协同网络中的网络流量预测方法，包括：
4、确定sfc迁移问题的约束，包括：每台服务器的容量限制要求、每条链路的容量限制要求、每个vnf需放置在边缘服务器或云上、必须遵循数据流的流量守恒定律、总延迟包括通信延迟和处理延迟且不能超过延迟限制、优化目标是降低被动迁移量和降低网络中的能源消耗；
5、确定sfc迁移问题的优化目标，包括：网络能量优化目标、迁移节点的总数优化目标、失败的sfcs的总数的优化目标；
6、
7、进一步地，每台服务器的容量限制要求，具体如下：
8、
9、当且仅当vnf fs',i,j被放置在边缘服务器vk或云服务器v′k上；yk＝1当且仅当服务器vk或服务器v′k被占用；fk＝1当且仅当服务器vk或服务器v′k是云服务器；
10、其中，m表示边缘服务器的总个数，q表示云服务器的总个数，m表示sfc的总个数，fk表示服务器vk或v′k是否是云服务器，ns',i表示属于网络服务提供商s'的sfc i的vnf总个数，yk表示服务器vk或v′k是否被占用，表示vnf fs',i,j是否映射到服务器vk或v′k，cs',i,j表示vnf fs',i,j的处理能力需求；fs',i,j表示属于网络服务提供商s'的sfc i的vnf j，ck表示边缘服务器vk的总处理能力，c'k表示云服务器v′k的总处理能力；
11、每条链路的容量限制要求，包括：
12、
13、当且仅当vnf fs',i,j与fs',i,j+1之间的数据流经过物理链路ep,q或e'p,q；fp,q＝1当且仅当服务器vp或服务器vq是云服务器；bp,q是链路ep,q或e'p,q的占用带宽；
14、其中，fp,q表示物理链路ep,q两端的节点vp或vq是否是云服务器，表示vnffs',i,j与fs',i,j+1之间的路径是否经过物理链路ep,q或e'p,q，bs',i,j表示fs',i,j和fs',i,j+1之间链路的带宽需求，bp,q表示边缘服务器vi与边缘服务器vj之间链路的总带宽；b'p,q表示边缘服务器vp与云服务器v′q之间链路的总带宽，或者云服务器v′p与边缘服务器vq之间链路的总带宽。
15、进一步地，每个vnf需放置在边缘服务器或云上，包括：
16、
17、必须遵循数据流的流量守恒定律，包括：必须遵循vnf fs',i,j与fs',i,j+1之间数据流的流量守恒定律，具体地：
18、
19、总延迟包括传输延迟和处理延迟且不能超过延迟限制，包括：
20、
21、数据流从fs',i,j与fs',i,j+1的传输延迟ds',i,j为：
22、
23、其中，表示网络服务提供商s'的sfc i中的vnf j+1是否迁移映射到服务器vq上，表示网络服务提供商s'的sfc i中的vnf j是否迁移映射到服务器vq上，表示fs',i,j与fs',i,j+1之间的物理链路ep,q或e'p,q的传输延迟，d's',i表示网络服务提供商s'在服务功能链sfc i中的延迟限制，ds',i表示属于网络服务提供商s'的sfc i的实际延迟，表示边缘服务器vk或云服务器v′k中的vnf fs',i,j的处理延迟，ds',i,j表示fs',i,j和fs',i,j+1之间的传输延迟，fp表示服务器vp是否是云服务器，fq表示服务器vq是否是云服务器。
24、进一步地，优化目标是降低网络中的能源消耗，包括：
25、边缘服务器的能耗为：
26、
27、其中，e0表示节点开启时的最低能耗，e1表示节点开启时的最高能耗；
28、网络中的能耗定义为：
29、
30、sfcd问题表述为以下整数线性规划问题：
31、min e
32、s.t.(1)-(5)
33、进一步地，迁移节点的总数优化目标，包括：
34、
35、失败的sfcs的总数的优化目标，包括：
36、
37、其中，在迁移之前，k'是已放置映射的节点；ss',i＝1当且仅当网络服务提供商s'的sfc i成功放置时，表示在迁移前，网络服务提供商s'的sfci中的vnfj是否已映射到服务器vk'上；
38、总之，sfcm问题被表述为以下整数线性规划问题：
39、
40、s.t.(1)-(5),
41、其中，α，β和γ是用于调整各目标组成部分相对重要性的加权因子。
42、进一步地，训练全局模型来预测网络流量，包括：
43、全局模型参数θ0的更新方法表达为：
44、
45、其中，q'表示存在q'个网络服务提供商，θi表示第i个网络服务提供商的本地模型参数；
46、在网络流量预测过程中，神经网络采用lstm作为架构，损失函数定义为：
47、
48、其中，mse(x,y)是由预测的网络流量y和实际网络流量x计算得出的均方误差；
49、损失函数l(θi)中的myloss(x,y)如下：
50、
51、其中，d表示天数，s表示一天中的时间片数；
52、li,j定义如下：
53、li,j＝σ·(y-x)·i(y-x)+ω·(y-x)2·i(x-y)
54、其中，当x＜0时，i(x)＝0；当x＞0时，i(x)＝1；σ和ω是常数系数。
55、与现有技术相比较，本专利技术的有益效果在于：使用联邦学习，各个服务提供商使用自己的历史流量数据训练本地模型，然后上传本地模型参数至底层资源提供商，底层资源提供商使用各服务提供商的模型参数合成总体模型为各个sfc预测网络流量；然后，在网络本文档来自技高网...
【技术保护点】
1.一种边云协同网络中的网络流量预测方法，其特征在于，包括：
2.根据权利要求1所述的边云协同网络中的网络流量预测方法，其特征在于，每台服务器的容量限制要求，具体如下：
3.根据权利要求2所述的边云协同网络中的网络流量预测方法，其特征在于，每个VNF需放置在边缘服务器或云上，包括：
4.根据权利要求3所述的边云协同网络中的网络流量预测方法，其特征在于，优化目标是降低网络中的能源消耗，包括：
5.根据权利要求4所述的边云协同网络中的网络流量预测方法，其特征在于，迁移节点的总数优化目标，包括：
6.根据权利要求5所述的边云协同网络中的网络流量预测方法，其特征在于，训练全局模型来预测网络流量，包括：
【技术特征摘要】
1.一种边云协同网络中的网络流量预测方法，其特征在于，包括：
2.根据权利要求1所述的边云协同网络中的网络流量预测方法，其特征在于，每台服务器的容量限制要求，具体如下：
3.根据权利要求2所述的边云协同网络中的网络流量预测方法，其特征在于，每个vnf需放置在边缘服务器或云上，包括：
4.根据权...
【专利技术属性】
技术研发人员：胡颖，杨永双，李健勇，刘奔，朱亮，韩继辉，张杰，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：
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。