陽勇 孟相如 康巧燕 陳港

（空軍工程大學信息與導航學院 西安 710077）

傳統(tǒng)網(wǎng)絡硬件與軟件緊耦合的架構帶來網(wǎng)絡功能部署設備開銷大、管理困難和失效率高等問題[1-2].自從2012 年網(wǎng)絡功能虛擬化（network function virtualization，NFV）的概念正式誕生后，以其能解決傳統(tǒng)網(wǎng)絡“僵化”的優(yōu)勢獲得了學術界和工業(yè)界的廣泛關注，并帶動了學術界和工業(yè)界的積極研究與踴躍嘗試，產(chǎn)生了大量理論與實踐成果[3-5].NFV 旨在使用軟件實現(xiàn)能在行業(yè)標準服務器上運行的網(wǎng)絡功能，并在不安裝新專用硬件前提下，根據(jù)需求動態(tài)將網(wǎng)絡功能部署在網(wǎng)絡不同位置[6-7].NFV 環(huán)境中業(yè)務通過由虛擬網(wǎng)絡功能（virtual network function，VNF）組成的鏈式結構實現(xiàn)，這組鏈式結構被稱為服務功能鏈（service function chain，SFC）[8-10].

SFC 部署到底層網(wǎng)絡后，資源需求隨業(yè)務變化而動態(tài)變化.隨著時間的推移，其部署的服務器或鏈路將出現(xiàn)過載問題，嚴重時可能導致服務中斷，不但對服務質量（quality of service，QoS）產(chǎn)生影響，還可能增加運營商因中斷服務導致的賠償損失.文獻[11-13]研究了VNF 備份機制.其中：文獻[11]提出一種考慮中心性和可靠性的節(jié)點排序算法，用于備份節(jié)點的選擇和備份VNF 的部署，能降低帶寬資源的消耗,但未考慮SFC 時延；文獻[12]采用廣度優(yōu)先搜索算法，最大限度聚合主VNF，并提出一種資源高效的備份選擇方法部署備份VNF，提高SFC 可靠性的同時降低了端到端時延，但降低了部署主VNF 的成功率；文獻[13]在構建節(jié)點負載與失效率之間關系模型的基礎上，提出一種熱備份與冷備份相結合的保護策略，降低節(jié)點負載的同時有效抑制了SFC 中斷服務概率，但未降低底層網(wǎng)絡資源開銷.使用備份機制實現(xiàn)網(wǎng)絡負載均衡的方法，在服務器出現(xiàn)過載時能及時將網(wǎng)絡功能從過載服務器切換到備份服務器，從而提高服務質量，但帶來的備份資源消耗在一定程度上增加了運營成本.

文獻[14-18]研究了SFC 部署.其中：文獻[14]為提高SFC 在不確定性網(wǎng)絡中的可用時間，首先構建魯棒優(yōu)化模型，然后按時隙逐一部署VNF，并使用啟發(fā)式算法對模型求解，對SFC 可靠性有較大優(yōu)化，但難以實現(xiàn)VNF 快速部署；文獻[15]在綜合考慮負載均衡和運營開銷的基礎上，研究新用戶SFC 部署和老用戶SFC 調(diào)整問題，并將該問題構建成整數(shù)線性規(guī)劃模型，采用遺傳算法對模型求解，實現(xiàn)網(wǎng)絡負載均衡的同時降低了資源開銷，但算法復雜度較高；文獻[16]提出一種基于強化學習的SFC 動態(tài)部署算法，該算法將圖卷積網(wǎng)絡和時間差分學習相結合，在提高網(wǎng)絡長期受益開銷比上有較好性能，但依賴大量的準確數(shù)據(jù)對神經(jīng)網(wǎng)絡模型進行訓練；文獻[17]在SFC 資源需求、端到端時延和可靠性的約束下，建立最大化SFC 部署總收益數(shù)學模型，并提出基于貪心的SFC 部署算法對模型求解，在保證QoS 的同時提高了網(wǎng)絡總收益，但算法容易陷入局部最優(yōu)結果中；文獻[18]基于PageRank 算法對底層網(wǎng)絡節(jié)點進行評價，以負載均衡和協(xié)調(diào)鏈路映射為原則，將VNF 部署在綜合評價度最高的節(jié)點上，實現(xiàn)了SFC 時延和可靠性的全局優(yōu)化，但資源開銷較大.通過SFC 部署實現(xiàn)網(wǎng)絡負載均衡的方法，在部署初期有較好效果，但隨時間推移，底層網(wǎng)絡節(jié)點和鏈路仍然難以避免過載問題.

文獻[19-22]研究了SFC 遷移.其中：文獻[19]研究共享VNF 遷移問題，提出一種基于最優(yōu)排序的多階段啟發(fā)式算法,在保證網(wǎng)絡負載均衡的同時優(yōu)化了SFC 時延，但算法容易陷入局部最優(yōu)結果中；文獻[20]針對SFC 資源需求變化引起的底層網(wǎng)絡過載問題，提出一種基于深度強化學習的VNF 遷移優(yōu)化算法，并建立基于馬爾可夫決策過程的隨機優(yōu)化模型，實現(xiàn)了網(wǎng)絡能耗和SFC 時延的聯(lián)合優(yōu)化，但未考慮SFC 可靠性；文獻[21]建立VNF 遷移開銷模型，并提出節(jié)點與鏈路感知的VNF 遷移算法，基于貪心思想最小化遷移開銷，將VNF 從過載節(jié)點遷移至資源充足節(jié)點，實現(xiàn)網(wǎng)絡負載均衡，但增加了遷移次數(shù)；文獻[22]研究基于VNF 聚合的遷移技術，遷移過程中將VNF 整合到盡可能少的服務器中，有效減少了資源消耗，但遷移成功率不高.通過SFC 遷移實現(xiàn)網(wǎng)絡負載均衡的方法，能根據(jù)業(yè)務資源需求變化動態(tài)調(diào)配底層網(wǎng)絡資源，是解決服務器或鏈路過載問題的有效辦法，但文獻[19-22]所提SFC 遷移算法都是在網(wǎng)絡已過載時才實施，難以避免網(wǎng)絡過載對QoS 的影響.

針對上述問題，本文提出基于資源需求預測的動態(tài)服務功能鏈遷移方法（dynamic service function chain migration method based on resource requirements prediction，RRP-DSFCM）.首先對已部署SFC 下一時隙資源需求進行預測，將即將過載的節(jié)點和鏈路作為實施遷移的對象；然后利用資源感知算法挑選對過載資源占用最多的VNF 和虛擬鏈路作為待遷出的對象；最后在進行流量優(yōu)化和拓撲感知的基礎上，選擇能實現(xiàn)最優(yōu)底層網(wǎng)絡開銷的節(jié)點作為遷入的目的節(jié)點.本文的主要貢獻有3 方面：

1）綜合考慮遷移開銷和遷移后網(wǎng)絡的資源占用情況，建立底層網(wǎng)絡開銷模型，為SFC 遷移提供優(yōu)化目標；

2）建立基于經(jīng)驗模態(tài)分解（empirical mode decomposition，EMD）、徑向基函數(shù)（radial basis function，RBF）神經(jīng)網(wǎng)絡、粒子群優(yōu)化（particle swarm optimization，PSO）算法的預測模型，在減少預測時間的同時提高了預測精度；

3）提出基于流量優(yōu)化和拓撲感知的SFC 遷移方法，在實現(xiàn)網(wǎng)絡負載均衡的同時降低了底層網(wǎng)絡開銷、提高了SFC 的可靠性.

1 網(wǎng)絡模型

1.1 底層網(wǎng)絡

1.2 SFC 請求

采用二進制變量xij(t)表示第t時隙vi是否部署在物理節(jié)點nj上，二進制變量表示第t時隙vi是否從物理節(jié)點nj遷移至物理節(jié)點nm上，二進制變量yij(t)表示第t時隙li是否部署到底層網(wǎng)絡后經(jīng)過物理鏈路ej.

1.3 底層網(wǎng)絡開銷模型

定義底層網(wǎng)絡開銷模型由遷移開銷和資源開銷2 部分組成，其中遷移開銷表示因VNF 遷移期間中斷服務所帶來的賠償損失，根據(jù)文獻[23]，VNF 遷移時間近似等于遷移存儲數(shù)據(jù)的時間，所以第t時隙遷移vi的時間為

其中(j,m)表示節(jié)點nj與nm之間的最短路徑，hop(j,m)表示(j,m)的跳數(shù).設單位時間內(nèi)中斷服務的損失為α，則第t時隙SFC 的遷移開銷為

資源開銷表示SFC 部署到底層網(wǎng)絡后占用資源所帶來的成本，根據(jù)文獻[24]，SFC 遷移不會對底層節(jié)點資源占用量產(chǎn)生影響，只會因遷移后VNF 部署位置發(fā)生變化而引起鏈路資源占用量改變，所以本模型對資源開銷僅考慮鏈路帶寬開銷.設單位時隙內(nèi)占用單位帶寬的成本為β，則第t時隙SFC 的資源開銷為

結合遷移開銷與資源開銷，建立底層網(wǎng)絡開銷模型如式（5）所示.

本文主要符號含義如表1 所示.

2 基于EMD-RBF-PSO 網(wǎng)絡的資源需求預測模型

為實現(xiàn)對資源需求的快速精準預測，本文建立基于經(jīng)驗模態(tài)分解、徑向基函數(shù)神經(jīng)網(wǎng)絡、粒子群算法的預測模型，其運行流程如圖1 所示.

在模型的訓練階段，首先將歷史資源需求數(shù)據(jù)進行EMD 分解，生成N組本征模函數(shù)（intrinsic model function,IMF）分量和1 組殘差分量，目的是對非線性、非平穩(wěn)的資源需求數(shù)據(jù)進行預處理，提高預測精度.其次將N組IMF 分量合成，并與殘差分量一起對RBF 神經(jīng)網(wǎng)絡進行訓練.訓練過程中，將第t時隙的資源需求數(shù)據(jù)作為模型的輸入樣本，第t+1 時隙的資源需求數(shù)據(jù)作為模型的輸出樣本.最后結合預測所得數(shù)據(jù)與輸出樣本計算預測誤差，若誤差高于所設閾值，則通過粒子群算法對RBF 神經(jīng)網(wǎng)絡模型參數(shù)進行優(yōu)化，并重復訓練過程，直到誤差低于所設閾值.

Table 1 Meaning of main Symbols表 1 主要符號含義

Fig.1 Operation process of EMD-RBF-PSO network圖 1 EMD-RBF-PSO 網(wǎng)絡操作流程

在模型的預測階段，首先將當前一段時隙的資源需求數(shù)據(jù)進行EMD 分解，然后將得到的IMF 分量合并后與殘差分量一起作為RBF 神經(jīng)網(wǎng)絡的輸入，得到的結果即為下一時隙的資源需求預測結果.

2.1 基于EMD 的數(shù)據(jù)預處理

EMD 是一種依據(jù)數(shù)據(jù)自身的時間尺度特征來進行的數(shù)據(jù)分解，相比傅里葉分解需預先設定諧波基、小波分解需預先設定小波基，EMD 可以在不設定任何參數(shù)的前提下，將數(shù)據(jù)序列自適應分解成一系列IMF 分量和殘差分量[25].EMD 可以應用于任何類型的數(shù)據(jù)分解，尤其在處理非線性、非平穩(wěn)數(shù)據(jù)上具有優(yōu)勢[26].本文首先將VNF 的資源需求序列進行EMD 分解，然后送入RBF 神經(jīng)網(wǎng)絡進行預測的訓練和測試.以VNF 的某種資源需求序列n(t)為例，進行EMD 的4 個基本步驟：

步驟1.分別找出n(t)的所有極大值和極小值，然后通過3 次樣條插值確定n(t)的上包絡序列nmax(t)和下包絡序列nmin(t).

步驟2.利用式（6）計算均值序列m(t)，然后利用式（7）去掉n(t)的低頻成分得到新序列

通常ε設定在0.2～0.3 之間.

步驟4.返回步驟1，令n(t)=r1(t)，執(zhí)行步驟1～3 得到第2 個IMF 分量c2(t)與殘差序列r2(t).依次類推，循環(huán)執(zhí)行步驟1～4，得到后續(xù)IMF 分量，直到cn(t)小于預定誤差或rn(t)單調(diào)，終止步驟循環(huán)，得到n(t)的EMD 結果為

2.2 基于RBF 神經(jīng)網(wǎng)絡的資源需求預測

RBF 神經(jīng)網(wǎng)絡是一種激活函數(shù)為徑向基函數(shù)的神經(jīng)網(wǎng)絡，具有學習速度快、分類能力強和近似模擬能力強等優(yōu)勢，能夠以任意精度逼近任意連續(xù)函數(shù)，其神經(jīng)網(wǎng)絡結構如圖2 所示.

Fig.2 Structure of RBF neural network[27]圖 2 RBF 神經(jīng)網(wǎng)絡結構[27]

RBF 神經(jīng)網(wǎng)絡是一個具有單隱藏層的3 層前饋型神經(jīng)網(wǎng)絡.圖2 所示RBF 網(wǎng)絡輸入為X=（x1,x2,…,xn）的n維向量，從輸入層到隱藏層為非線性變換.隱藏層由m個神經(jīng)元組成，φi表示第i個神經(jīng)元的徑向基函數(shù)，x′i表示φi的中心點.網(wǎng)絡的輸出是隱藏層各神經(jīng)元輸出的線性加權和，wi表示第i個神經(jīng)元的權值.通常m＞n，所以隱藏層可將n維的低維數(shù)據(jù)映射到m維的高維空間，使低維度不可分的情況到高維度變得線性可分.

本文將經(jīng)過預處理的當前時隙資源需求數(shù)據(jù)作為RBF 神經(jīng)網(wǎng)絡的輸入，下一時隙的資源需求數(shù)據(jù)作為輸出，展開對資源需求預測的訓練和測試.

2.3 基于粒子群算法（PSO）的參數(shù)優(yōu)化

RBF 網(wǎng)絡對資源需求預測的過程中，徑向基函數(shù)的中心點x′、寬度σ和隱藏層對輸出層的權值w是影響預測結果的主要參數(shù)，為提高預測效率和精度，利用粒子群算法選擇出合適的x′,σ,w.算法流程如圖3 所示.

粒子的位置是一個a維向量，表示待優(yōu)化的參數(shù)x′，σ，w.其中第i個粒子的位置為Yi=（yi1,yi2,…,yia），第i個粒子的速度也是一個a維向量，記為Vi=（vi1,vi2,…,via）.粒子的適應度用該粒子所表示參數(shù)下RBF 網(wǎng)絡預測誤差的倒數(shù)表示，粒子的個體最優(yōu)值表示該粒子迄今為止適應度最大時的位置，群體的全局最優(yōu)值表示迄今為止群體中適應度最大的粒子的個體最優(yōu)值.記第i個粒子的個體最優(yōu)值為Pbest=（pi1,pi2,…,pia），整個群體的全局最優(yōu)值為Gbest=（g1,g2,…,ga）.粒子的速度和位置更新方式分別為：

Fig.3 Parameter optimization process based on PSO algorithm圖 3 基于粒子群算法的參數(shù)優(yōu)化流程

其中，c1和c2是加速常數(shù)，本文取值為1.5，r1和r2是介于0～1 之間的隨機數(shù).

3 基于資源感知與流量優(yōu)化的動態(tài)服務功能鏈遷移方法

為避免SFC 因資源需求增加而導致底層節(jié)點或鏈路過載，本文在實現(xiàn)SFC 資源需求預測的基礎上，對下一時隙即將過載的底層節(jié)點或鏈路實施VNF 或虛擬鏈路遷移，并提出一種基于資源感知與流量優(yōu)化的動態(tài)服務功能鏈遷移方法（dynamic service function chain migration method based on resource awareness and traffic optimization，RATO-DSFCM）.該方法由3 個子算法組成，分別是基于資源感知的待遷移VNF 選擇算 法（migrated VNF selection algorithm based on resource awareness,RA-MVNFS）、基于流量優(yōu)化和拓撲感知的遷入目的節(jié)點選擇算法（migration destination node selection algorithm based on traffic optimization and topology awareness,TOTA-MNS）以及虛擬鏈路重部署算法.

3.1 基于資源感知的待遷移VNF 選擇

在下一時隙（第t+1 時隙）即將過載的底層節(jié)點中可能已部署多個VNF，需從中選擇待遷移VNF 遷出.為快速緩解節(jié)點過載程度，同時減少遷移次數(shù)，本算法首先計算第t+1 時隙待遷移節(jié)點上各VNF 的遷出指數(shù)，并按照遷出指數(shù)的降序依次選擇VNF 遷出，直到待遷移節(jié)點不再過載.遷出指數(shù)的計算公式為

若遷移的對象是虛擬鏈路，同樣需要從過載鏈路上部署的多條虛擬鏈路中選擇待遷移虛擬鏈路遷出.由于本模型只考慮虛擬鏈路對帶寬資源的占用，所以直接按照帶寬需求的大小對各虛擬鏈路進行降序排列，依次選擇虛擬鏈路遷出，直到待遷移鏈路不再過載.RA-MVNFS 的具體步驟如算法1 所示.

算法1.RA-MVNFS 算法.

3.2 基于流量優(yōu)化和拓撲感知的遷入目的節(jié)點選擇

本算法的中心思想是通過對物理網(wǎng)絡拓撲的感知實現(xiàn)SFC 流量的優(yōu)化，使VNF 遷移后相關聯(lián)的大帶寬需求虛擬鏈路在物理網(wǎng)絡中部署的跳數(shù)盡可能小，直至其上的流量變?yōu)楣?jié)點的內(nèi)部流量.

如圖4 所示，待遷移VNFvmove的帶寬改變因子n=0.9，其前端虛擬鏈路帶寬需求為96 Mbps，后端虛擬鏈路帶寬需求為86.4 Mbps，則大帶寬需求鏈路為其前端虛擬鏈路.將vmove從物理節(jié)點D遷出后，若選擇物理節(jié)點F為遷入目的節(jié)點，則大帶寬虛擬鏈路將部署到鏈路B—C—F上，即鏈路B—C—F均需消耗96 Mbps 帶寬.若選擇物理節(jié)點C為遷入目的節(jié)點，則鏈路B—C需消耗96 Mbps 帶寬，而鏈路C—F只需消耗86.4 Mbps 帶寬.若物理節(jié)點B有足夠資源滿足vmove的需求，選擇B為遷入目的節(jié)點后，大帶寬虛擬鏈路上的流量將成為節(jié)點B的內(nèi)部流量，鏈路B—C—F均只需要消耗86.4 Mbps 帶寬.

定義節(jié)點的前后距為

Fig.4 An example of TOTA-MNS圖 4 TOTA-MNS 示例

Fig.5 The process of TOTA-MNS圖 5 TOTA-MNS 流程

算法2.TOTA-MNS 算法.

3.3 虛擬鏈路重部署

虛擬鏈路在2 種情況下需要重部署：1）當某條物理鏈路在下一時隙即將帶寬過載時，需從其中選擇遷出的虛擬鏈路，并在物理網(wǎng)絡拓撲中選擇其他物理路徑重部署；2）當網(wǎng)絡實施了VNF 遷移后，需要將與已遷移VNF 相關聯(lián)的虛擬鏈路從原部署物理路徑上遷出，并在2 端VNF 所部署的物理節(jié)點間尋找新的物理路徑重部署.

對第1 種情況下遷出的虛擬鏈路進行選擇時，為快速緩解物理鏈路過載程度，本文選擇下一時隙帶寬需求最大的虛擬鏈路遷出.2 種情況下對虛擬鏈路進行重部署時，首先刪除不滿足帶寬需求的物理鏈路，然后在剩余網(wǎng)絡拓撲中運行k-最短路徑算法確定重部署的物理路徑.

4 實驗仿真

本文設置2 組仿真實驗驗證方法性能：第1 組實驗對資源需求預測模型進行仿真，并與文獻[28]的BP-NN 模型和文獻[29]的HTP-POS 模型進行對照.第2 組實驗對SFC 遷移方法進行仿真，并與文獻[30]的TPGDM 算法和文獻[21]的NAVMM 算法進行對照.實驗在CPU 型號為i5-10210U 的個人電腦上進行，仿真平臺為MATLAB R2018a.

4.1 仿真環(huán)境設置

仿真環(huán)境中物理網(wǎng)絡是一張由50 個節(jié)點與123條鏈路組成的連通圖，相當于一個小型網(wǎng)絡拓撲.生成15 條SFC 并采用文獻[18]所提算法進行部署，SFC的資源需求樣本在給定初始值和變化值范圍下調(diào)用自編的資源需求函數(shù)進行模擬.資源需求函數(shù)對初始值附加的變化值服從λ=1/20 的泊松分布，變化值大小在允許范圍內(nèi)服從均勻分布，變化值的持續(xù)時間服從μ=10 的指數(shù)分布.仿真時間設置代表2 500 個時隙，每個時隙代表1 min.物理網(wǎng)絡和SFC 的詳細參數(shù)設置如表2 所示.

Table 2 Simulation Parameters表 2 仿真參數(shù)

4.2 資源需求預測實驗結果分析

隨機選取1 條SFC（本實驗選第3 條）的初始帶寬序列b0(t)前1 800 個時隙作為訓練樣本，后700 個時隙作為測試樣本進行資源需求預測實驗.本文基于EMD-RBF-PSO 的預測模型中，徑向基函數(shù)的擴展速度設置為1.5，神經(jīng)元最大數(shù)目設置為80，每次加進來的神經(jīng)元數(shù)為25.采用均方根誤差ERMS衡量預測數(shù)據(jù)的準確性，其定義為

其中n為測試樣本個數(shù)，Yt為測試樣本真實值，為測試樣本預測值.ERMS越小，說明預測值與真實值越接近，預測算法性能越優(yōu).

圖6 是本文預測模型各分量的預測結果，從圖6（a）可看出IMF 分量預測結果僅在尖峰處存在少量誤差，其余部分基本與真實值擬合.從圖6（b）可看出余波分量預測結果基本與真實值擬合.

Fig.6 Prediction results of EMD-RBF-PSO model for each component圖 6 EMD-RBF-PSO 模型對各分量預測結果

圖7 是不同模型對測試數(shù)據(jù)的預測結果，從圖7（a）可發(fā)現(xiàn)EMD-RBF-PSO 模型的預測結果除尖峰外，基本與真實值擬合.這是因為EMD-RBF-PSO 模型對測試數(shù)據(jù)進行EMD 預處理后，有效提高了預測精度.從圖7（b）可發(fā)現(xiàn)BP-NN 模型的預測結果多處與真實值相差較大.這是因為BP-NN 模型未對測試數(shù)據(jù)進行預處理.從圖7（c）可發(fā)現(xiàn)HTP-POS 模型的預測結果在突變處始終無法與真實值擬合.這是因為HTPPOS 模型采用小波分解對測試數(shù)據(jù)進行了預處理，而小波分解在處理非線性、非平穩(wěn)數(shù)據(jù)上不具備明顯優(yōu)勢，所以預測精度較低.

表3 是3 種模型的運行誤差(ERMS)與運行時間對比結果，可發(fā)現(xiàn)在ERMS上本文預測模型最優(yōu)，HTPPOS 次之，BP-NN 最差.這是因為本文預測模型采用的EMD 分解對處理帶寬需求變化數(shù)據(jù)最具有優(yōu)勢；HTP-POS 采用的小波分解雖在處理帶寬需求變化數(shù)據(jù)上優(yōu)勢沒有EMD 明顯，但仍然能提高預測精度；而BP-NN 是直接對測試數(shù)據(jù)進行預測，所以預測精度最低.在運行時間上，本文預測模型運行時間最短，HTP-POS 次之，BP-NN 最差.這是因為本文預測模型與HTP-POS 均采用了粒子群算法對模型參數(shù)進行優(yōu)化，所以運行速度較快；而BP-NN 未使用優(yōu)化算法，所以運行速度最慢.

Fig.7 Prediction results of different models for test data圖 7 不同模型對測試數(shù)據(jù)的預測結果

Table 3 Comparison of ERMS and Running Time of Each Prediction Model表 3 各預測模型誤差（ERMS）與運行時間對比

4.3 SFC 遷移實驗結果分析

將3 種遷移方法均在本文的EMD-RBF-PSO 預測結果下進行實驗，為避免隨機因素影響，仿真實驗進行10 次，取每次結果的平均值作為最終實驗結果.單位時間內(nèi)中斷服務的損失α=1，占用單位帶寬的成本β=100.

圖8 是本文SFC 遷移方法在進行了資源需求預測和未進行資源需求預測的情況下過載節(jié)點數(shù)目對比結果，可看出進行資源需求預測后有效降低了物理網(wǎng)絡節(jié)點過載的次數(shù).這是因為基于資源需求預測的SFC 遷移能在下一時隙節(jié)點過載前將其上部署的VNF 遷出，從而降低節(jié)點過載的概率.

Fig.8 Comparison of number of overloaded nodes圖 8 過載節(jié)點數(shù)目對比

圖9 是3 種遷移方法的SFC 平均可靠性對比結果，可以發(fā)現(xiàn)RATO-DSFCM 的SFC 平均可靠性最高，TPGDM 次之，NAVMM 最差.這是因為RATO-DSFCM在進行遷入目的節(jié)點選擇時會優(yōu)先將或作為目的節(jié)點，從而將vmove與所在SFC 的上一個VNF或下一個VNF 聚合，從而提高了SFC 可靠性.

圖10 是3 種遷移方法的SFC 平均時延對比結果，可以發(fā)現(xiàn)RATO-DSFCM 的SFC 平均時延最短，TPGDM次之，NAVMM 最差.這是因為RATO-DSFCM 與TPGDM均在距離和最短的節(jié)點集中選擇遷入目的節(jié)點，所以有效降低了鏈路時延.

Fig.9 Comparison of average reliability of SFC圖 9 SFC 平均可靠性對比

Fig.10 Comparison of average delay of SFC圖 10 SFC 平均時延對比

Fig.11 Comparison of number of VNF migrations圖 11 VNF 遷移次數(shù)對比

圖11 是3 種遷移方法的VNF 遷移次數(shù)對比結果，可以發(fā)現(xiàn)TPGDM 的VNF 遷移次數(shù)最少，RATODSFCM 次之，NAVMM 最多.這是因為TPGM 在進行底層網(wǎng)絡拓撲感知的基礎上，并未對VNF 進行聚合，有效降低了遷入目的節(jié)點隨時間推移過載的概率，所以遷移次數(shù)最少.RATO-DSFCM 在進行流量優(yōu)化的同時對VNF 進行了聚合，增加了遷入目的節(jié)點過載的概率，所以遷移次數(shù)多于TPGDM.NAVMM利用貪心算法總是選擇最能降低遷移時間的節(jié)點進行遷入，未考慮遷入節(jié)點是否會在未來一段時間過載，所以遷移次數(shù)最多.

圖12 是3 種遷移方法的VNF 平均遷移時間對比結果，可發(fā)現(xiàn)NAVMM 的VNF 平均遷移時間最短，這是因為該算法會優(yōu)先將遷入目的節(jié)點選在距離遷出節(jié)點較近的節(jié)點，所以明顯縮短了VNF 平均遷移時間.RATO-DSFCM 優(yōu)先將遷入目的節(jié)點選在和的最短路徑上，一定程度上也使得遷入目的節(jié)點與遷出節(jié)點較近，所以VNF 平均遷移時間僅次于NAVMM.TPGDM 在選擇遷入目的節(jié)點時未考慮與遷出目的節(jié)點之間的聯(lián)系，所以VNF 平均遷移時間最長.

Fig.12 Comparison of average VNF migration time圖 12 VNF 平均遷移時間對比

圖13 是3 種遷移方法的VNF 總遷移時間對比結果，可以發(fā)現(xiàn)RATO-DSFCM 的VNF 總遷移時間最短，TPGDM 次之，NAVMM 最長.這是因為RATO-DSFCM在保持較少遷移次數(shù)的前提下獲得了較短的VNF 平均遷移時間.TPGDM 雖然獲得了最少的遷移次數(shù)，但也導致平均遷移時間最長.NAVMM 雖然獲得了最短的平均遷移時間，但也使遷移次數(shù)最多.

Fig.13 Comparison of total VNF migration time圖 13 VNF 總遷移時間對比

圖14 是3 種遷移方法的底層網(wǎng)絡開銷對比結果，可以發(fā)現(xiàn)RATO-DSFCM 的底層網(wǎng)絡開銷最小，TPGDM次 之，NAVMM 最 大.因 為RATO-DSFCM 在進行 拓撲感知的基礎上將VNF 遷移至和的最短路徑上，并進行了流量優(yōu)化，所以獲得較小的鏈路帶寬開銷；而TPGDM 未對流量進行優(yōu)化，所以鏈路帶寬開銷大于RATO-DSFCM；NAVMM 在選擇遷入目的節(jié)點時未考慮與和之間的拓撲聯(lián)系，所以鏈路帶寬開銷最大.

Fig.14 Comparison of total overhead of the physical network圖 14 底層網(wǎng)絡開銷對比

5 結 論

本文針對網(wǎng)絡功能虛擬化環(huán)境下SFC 資源需求變化引起的物理網(wǎng)絡過載問題，提出一種基于資源需求預測的動態(tài)服務功能鏈遷移方法.首先綜合考慮SFC 部署在物理網(wǎng)絡中的帶寬開銷和因遷移而中斷服務導致的賠償損失，建立了底層網(wǎng)絡開銷模型.然后利用經(jīng)驗模態(tài)分解對資源需求序列預處理，通過RBF 網(wǎng)絡對預處理的結果進行預測，并利用粒子群算法對RBF 網(wǎng)絡的參數(shù)進行優(yōu)化，建立了EMDRBF-PSO 資源需求預測模型.在實現(xiàn)資源需求預測的基礎上，設計基于資源感知和流量優(yōu)化的SFC 遷移方法，通過對各VNF 的資源感知篩選占用過載節(jié)點上過載資源最多的VNF 實施遷移，并通過流量優(yōu)化和拓撲感知算法選擇遷移后能最大優(yōu)化帶寬開銷的節(jié)點作為遷入的目的節(jié)點.最后利用仿真實驗驗證本文方法的性能，通過與本領域其他預測模型的比較，證明了EMD-RBF-PSO 資源需求預測模型在預測精度和運行時間上具有優(yōu)勢，資源感知和流量優(yōu)化的SFC 遷移方法在提高SFC 可靠性、降低SFC 時延和底層網(wǎng)絡開銷上具有較好性能.下一步將對SFC 的生存性和抗毀性進行研究，進一步提高NFV 環(huán)境下網(wǎng)絡的性能.

作者貢獻聲明：陽勇負責算法設計、仿真和論文撰寫；孟相如負責算法設計、整體指導；康巧燕負責算法仿真、文獻整理；陳港負責整體文字把關.