摘 要：在移動(dòng)邊緣計(jì)算的物聯(lián)網(wǎng)（Ｍｏｂｉｌｅ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇｅｎａｂｌｅｄ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ Ｎｅｔｗｏｒｋｓ，ＩｏＴ-ＭＥＣ） 中，物聯(lián)終端的高移動(dòng)性、服務(wù)請求的隨機(jī)到達(dá)性以及網(wǎng)絡(luò)流量的實(shí)時(shí)變化，導(dǎo)致原有應(yīng)用場景下的資源配置與服務(wù)部署不再完全匹配。如何有效利用網(wǎng)絡(luò)提供的資源以實(shí)現(xiàn)服務(wù)功能鏈（Ｓｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ Ｃｈａｉｎ，ＳＦＣ） 的實(shí)時(shí)部署和重構(gòu)是一個(gè)重要的挑戰(zhàn)。針對用戶的高移動(dòng)性和網(wǎng)絡(luò)流量的實(shí)時(shí)變化造成的ＳＦＣ 性能需求和已分配資源不匹配的問題，提出ＩｏＴ-ＭＥＣ 網(wǎng)絡(luò)中基于用戶移動(dòng)和資源需求預(yù)測的ＳＦＣ 重構(gòu)策略。建立以ＳＦＣ 的端到端時(shí)延和重構(gòu)成本最小化為目標(biāo)的整數(shù)線性規(guī)劃模型；設(shè)計(jì)基于注意力機(jī)制的Ｅｎｃｏｄｅｒ-Ｄｅｃｏｄｅｒ 移動(dòng)用戶軌跡預(yù)測模型和基于長短期記憶（Ｌｏｎｇ Ｓｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ） 網(wǎng)絡(luò)的虛擬網(wǎng)絡(luò)功能（Ｖｉｒｔｕａｌ Ｎｅｔｗｏｒｋ Ｆｕｎｃｔｉｏｎ，ＶＮＦ） 實(shí)例資源需求預(yù)測模型，分別準(zhǔn)確預(yù)測用戶移動(dòng)軌跡和節(jié)點(diǎn)負(fù)載；基于預(yù)測結(jié)果提出ＳＦＣ 主動(dòng)重構(gòu)（Ｐｒｅｄｉｃｔ-ｂａｓｅｄ ＳＦＣ Ａｃｔｉｖｅ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ，ＰＳＡＲ） 啟發(fā)式算法，確保在服務(wù)質(zhì)量（Ｑｕａｌｉｔｙ ｏｆ Ｓｅｒｖｉｃｅ，ＱｏＳ） 下降之前，提前完成ＶＮＦ 遷移和路由更新，實(shí)現(xiàn)ＳＦＣ 的主動(dòng)重構(gòu)和無縫遷移，保證網(wǎng)絡(luò)的一致性高質(zhì)量服務(wù)。仿真結(jié)果表明，所提算法有效降低了ＳＦＣ 端到端時(shí)延和重構(gòu)成本。

關(guān)鍵詞：移動(dòng)邊緣計(jì)算；物聯(lián)網(wǎng)；服務(wù)功能鏈；重構(gòu)；注意力機(jī)制

中圖分類號：ＴＮ９２９． ５ 文獻(xiàn)標(biāo)志碼：Ａ 開放科學(xué)（資源服務(wù)）標(biāo)識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）０６－１５４３－１０

０ 引言

物聯(lián)網(wǎng)（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ，ＩｏＴ）設(shè)備的迅速普及造成ＩｏＴ 終端（如工業(yè)傳感器、智能攝像頭等）產(chǎn)生了越來越多異構(gòu)的計(jì)算密集型和時(shí)延敏感型業(yè)務(wù)請求［１］。為了滿足這些請求流的安全性和時(shí)敏性等要求，互聯(lián)網(wǎng)服務(wù)提供商（Ｉｎｔｅｒｎｅｔ Ｓｅｒｖｉｃｅ Ｐｒｏｖｉｄｅｒ，ＩＳＰ）可利用移動(dòng)邊緣計(jì)算（Ｍｏｂｉｌｅ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ，ＭＥＣ）技術(shù)［２］和網(wǎng)絡(luò)功能虛擬化（Ｎｅｔｗｏｒｋ ＦｕｎｃｔｉｏｎＶｉｒｔｕａｌｉｚａｔｉｏｎ，ＮＦＶ）技術(shù)，在網(wǎng)絡(luò)邊緣側(cè)部署由多個(gè)虛擬網(wǎng)絡(luò)功能（Ｖｉｒｔｕａｌ Ｎｅｔｗｏｒｋ Ｆｕｎｃｔｉｏｎ，ＶＮＦ）依序組成的服務(wù)功能鏈（Ｓｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ Ｃｈａｉｎ，ＳＦＣ）為請求流提供低時(shí)延且高質(zhì)量的網(wǎng)絡(luò)服務(wù)［３］。然而，在支持移動(dòng)邊緣計(jì)算的物聯(lián)網(wǎng)（ＭｏｂｉｌｅＥｄｇｅ Ｃｏｍｐｕｔｉｎｇ-ｅｎａｂｌｅｄ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ Ｎｅｔｗｏｒｋｓ，ＩｏＴ-ＭＥＣ）中，由于用戶的高移動(dòng)性可能會(huì)造成用戶邊緣接入位置切換，從而導(dǎo)致之前已部署的ＳＦＣ 違反端到端時(shí)延約束［４］。同時(shí)，越來越多的ＩｏＴ 設(shè)備試圖隨時(shí)隨地訪問邊緣服務(wù)，會(huì)導(dǎo)致網(wǎng)絡(luò)流量實(shí)時(shí)變化［５］，可能造成已部署ＳＦＣ 對底層網(wǎng)絡(luò)的資源需求發(fā)生變化，從而超出部署節(jié)點(diǎn)的資源使用閾值。因此，為了減少網(wǎng)絡(luò)狀態(tài)變化對網(wǎng)絡(luò)服務(wù)質(zhì)量（Ｑｕａｌｉｔｙ ｏｆ Ｓｅｒｖｉｃｅ，ＱｏＳ）的不利影響，確保為用戶提供一致性的高質(zhì)量服務(wù)，ＩＳＰ 需要對部分已部署的ＳＦＣ 進(jìn)行重構(gòu)或無縫遷移。

目前，ＳＦＣ 重構(gòu)的相關(guān)研究工作可按重構(gòu)動(dòng)機(jī)分為２ 類：被動(dòng)重構(gòu)［６－９］ 和主動(dòng)重構(gòu)［１０－１１］。文獻(xiàn)［６］研究了移動(dòng)邊緣網(wǎng)絡(luò)中ＳＦＣ 的被動(dòng)重構(gòu)方案，以支持移動(dòng)用戶跨基站移動(dòng)時(shí)其業(yè)務(wù)的無縫遷移。該文獻(xiàn)假設(shè)用戶的移動(dòng)軌跡是已知的，而實(shí)際中，移動(dòng)用戶的移動(dòng)軌跡具有一定的隨機(jī)性，用假設(shè)位置已知的方式進(jìn)行業(yè)務(wù)遷移會(huì)造成部分業(yè)務(wù)遷移失敗。文獻(xiàn)［７］提出了一種在線惰性遷移自適應(yīng)干擾感知算法，用于實(shí)時(shí)部署ＶＮＦ 和５Ｇ 網(wǎng)絡(luò)切片中的ＶＮＦ 遷移。文獻(xiàn)［８］引入了啟發(fā)式算法和基于強(qiáng)化學(xué)習(xí)的算法來解決ＮＦＶ 網(wǎng)絡(luò)中的ＳＦＣ 放置和遷移問題。但文獻(xiàn)［７－８］忽略了網(wǎng)絡(luò)流量的實(shí)時(shí)動(dòng)態(tài)變化對服務(wù)器負(fù)載的影響，可能造成資源碎片化或資源浪費(fèi)。文獻(xiàn)［９］以最小化所有受影響業(yè)務(wù)的端到端延遲并同時(shí)保證遷移后的網(wǎng)絡(luò)負(fù)載均衡為目標(biāo)，確定ＶＮＦ 實(shí)例并發(fā)遷移的最優(yōu)位置分配。但該文獻(xiàn)沒有考慮ＶＮＦ 的遷移成本以及遷移后重路由路徑的選擇。上述ＳＦＣ 重構(gòu)機(jī)制都是基于網(wǎng)絡(luò)中的某個(gè)條件被觸發(fā)時(shí)進(jìn)行的被動(dòng)重構(gòu)，該機(jī)制往往存在滯后性，可能導(dǎo)致服務(wù)中斷［１２］，且由于網(wǎng)絡(luò)狀態(tài)的迅速變化可能會(huì)頻繁觸發(fā)重構(gòu)條件，導(dǎo)致ＳＦＣ頻繁地重構(gòu)，造成網(wǎng)絡(luò)整體性能下降。

與被動(dòng)重構(gòu)策略不同，主動(dòng)重構(gòu)通過實(shí)時(shí)監(jiān)控ＳＦＣ 性能，預(yù)測用戶移動(dòng)軌跡和節(jié)點(diǎn)負(fù)載變化等情況，對當(dāng)前已部署的ＳＦＣ 進(jìn)行重構(gòu)，不僅可以降低網(wǎng)絡(luò)狀態(tài)變化對ＱｏＳ 的影響，還可以實(shí)現(xiàn)ＳＦＣ 的無縫遷移。具體來講，文獻(xiàn)［１０］提出了一種基于節(jié)點(diǎn)計(jì)算負(fù)載和ＳＦＣ 資源需求預(yù)測的ＳＦＣ 主動(dòng)重構(gòu)機(jī)制，與被動(dòng)重構(gòu)相比，有一定的優(yōu)勢，但其未考慮ＩｏＴ 終端用戶的高移動(dòng)性對網(wǎng)絡(luò)狀態(tài)帶來的影響。文獻(xiàn)［１１］提出一種基于在線訓(xùn)練的雙向門控循環(huán)單元算法預(yù)測ＶＮＦ 的資源需求，并基于資源預(yù)測結(jié)果采用分布式近端策略優(yōu)化的遷移算法，提前制定ＶＮＦ 遷移策略。但該文獻(xiàn)僅依據(jù)單條ＳＦＣ 上ＶＮＦ的資源信息進(jìn)行部署節(jié)點(diǎn)負(fù)載預(yù)測，沒有考慮現(xiàn)實(shí)環(huán)境中單個(gè)ＶＮＦ 實(shí)例通常是被多個(gè)ＳＦＣ 共享的情況［１３］，會(huì)造成節(jié)點(diǎn)負(fù)載預(yù)測不準(zhǔn)確，從而影響ＳＦＣ的重構(gòu)性能。

綜上所述，目前還沒有相關(guān)工作聯(lián)合考慮基于用戶移動(dòng)軌跡和節(jié)點(diǎn)負(fù)載進(jìn)行預(yù)測的方式，實(shí)現(xiàn)ＩｏＴ-ＭＥＣ 中ＳＦＣ 的主動(dòng)重構(gòu)和無縫遷移。在已有研究基礎(chǔ)上，設(shè)計(jì)了一個(gè)基于用戶移動(dòng)和資源需求預(yù)測的ＳＦＣ 主動(dòng)重構(gòu)方案來解決ＩｏＴ-ＭＥＣ 網(wǎng)絡(luò)環(huán)境動(dòng)態(tài)變化造成的已分配網(wǎng)絡(luò)資源和服務(wù)需求不匹配的問題，在網(wǎng)絡(luò)ＱｏＳ 下降之前，提前完成ＳＦＣ 的遷移和路由更新，為用戶提供一致性的高質(zhì)量服務(wù)。具體內(nèi)容為：① 定義ＩｏＴ-ＭＥＣ 網(wǎng)絡(luò)中的ＳＦＣ 主動(dòng)重構(gòu)問題，并將其刻畫為一個(gè)以端到端時(shí)延和重構(gòu)成本最小化為目標(biāo)的整數(shù)線性規(guī)劃（Ｉｎｔｅｇｅｒ Ｌｉｎｅａｒ Ｐｒｏ-ｇｒａｍｍｉｎｇ，ＩＬＰ）模型；② 設(shè)計(jì)基于注意力機(jī)制的移動(dòng)用戶軌跡預(yù)測模型和一種基于長短期記憶（ＬｏｎｇＳｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）網(wǎng)絡(luò)的算法分別對用戶移動(dòng)位置和節(jié)點(diǎn)負(fù)載進(jìn)行預(yù)測，并基于預(yù)測結(jié)果提出ＳＦＣ 主動(dòng)重構(gòu)（Ｐｒｅｄｉｃｔ-ｂａｓｅｄ ＳＦＣ Ａｃｔｉｖｅ Ｒｅｃｏｎｆｉｇ-ｕｒａｔｉｏｎ，ＰＳＡＲ）算法；③ 將提出的ＰＳＡＲ 算法與現(xiàn)有算法進(jìn)行性能對比，結(jié)果表明ＰＳＡＲ 能有效降低ＳＦＣ 端到端時(shí)延和重構(gòu)成本。

１ 系統(tǒng)建模與問題定義

１． １ 物理網(wǎng)絡(luò)

將移動(dòng)邊緣云網(wǎng)絡(luò)建模為一個(gè)無向圖Ｇ ＝ （Ｃ∪Ｂ，Ｌ），其中，Ｂ 表示基站，Ｃ 表示微云，Ｌ 表示物理鏈路。如圖１ 所示，ＩＳＰ 運(yùn)行這些微云為用戶提供服務(wù)，時(shí)間間隔Ｔ 被分成許多大小相同的小周期間隔，稱為時(shí)隙。在每個(gè)時(shí)隙ｔ 的開始，ＩｏＴ 移動(dòng)用戶都會(huì)通過基站接入邊緣云網(wǎng)絡(luò)，并向ＩＳＰ 發(fā)送服務(wù)請求，也就是說，每個(gè)基站作為ＭＥＣ 網(wǎng)絡(luò)中移動(dòng)用戶的中繼點(diǎn)，位于網(wǎng)絡(luò)中的不同區(qū)域，只起到服務(wù)接入和轉(zhuǎn)發(fā)的作用，微云和基站處于同一位置。

微云上的資源類型一般有ＣＰＵ、內(nèi)存和存儲(chǔ)，假設(shè)每個(gè)微云上的存儲(chǔ)資源是充足的，而ＣＰＵ 資源和內(nèi)存資源有限，對ＭＥＣ 網(wǎng)絡(luò)中的每個(gè)微云ｃ∈Ｃ，其ＣＰＵ 資源容量為Ｃｃ，內(nèi)存資源容量為Ｍｃ，計(jì)算資源利用率的范圍為μ⌒ｃ ≤μｃ ≤μ⌒ｃ，內(nèi)存資源利用率的范圍為μ⌒ｍ ≤μｍ ≤μ⌒ｍ 。連接基站ｕ 和基站ｖ 之間的物理鏈路上的帶寬容量為Ｂｕｖ。基站和微云之間是高速鏈路，不考慮它們之間的時(shí)延。

１． ２ ＳＦＣ 模型

用Ｒ 表示ＩｏＴ-ＭＥＣ 網(wǎng)絡(luò)中所有請求流的集合。如圖１ 所示，將移動(dòng)用戶發(fā)出的請求流建模為ＳＦＣ，并將其轉(zhuǎn)化為有向圖Ｇｉ ＝ （Ｆｉ，Ｌｉ），其中，Ｆｉ 表示ＩｏＴ請求流ｉ 所需的ＶＮＦ 的集合，對任意的ＶＮＦ ｍ∈Ｆｉ，其所需的計(jì)算資源為ｆｃｐｕｉ，ｍ ，所需的內(nèi)存資源為ｆｍｅｍｉ，ｍ 。Ｌｉ 表示ＳＦＣ ｉ 上的虛擬鏈路的集合。ＩｏＴ 網(wǎng)請求流ｉ的最大可容忍端到端時(shí)延為Ｒｄｅｌａｙｉ ，帶寬資源需求為Ｒｂｗｉ ，用于ＳＦＣ 無縫遷移的最大可容忍時(shí)延為Ｔｉ。

按照一定的時(shí)間間隔獲取連續(xù)的一段時(shí)間內(nèi)的移動(dòng)用戶的歷史軌跡信息，歷史軌跡由地理坐標(biāo)點(diǎn)的空間信息和到達(dá)該區(qū)域的時(shí)間信息組成，表示為Ｘ ＝ （ｌ１ ，ｌ２ ，…，ｌＴｏｂｓ），其中Ｔｏｂｓ 表示觀測序列的長度，ｌｔ ＝ （ｌｎｇｔ，ｌａｔｔ）表示在ｔ 時(shí)刻的軌跡點(diǎn)，ｌｎｇｔ 和ｌａｔｔ 分別表示ｔ 時(shí)刻移動(dòng)用戶所處位置的經(jīng)度坐標(biāo)和緯度坐標(biāo)。通常，移動(dòng)終端的時(shí)空活動(dòng)軌跡與基站之間存在大量的誤差和噪聲數(shù)據(jù)，要想得到有效的移動(dòng)終端歷史軌跡數(shù)據(jù)，必須將這些誤差和噪聲數(shù)據(jù)消除。為了處理由于用戶在某些地點(diǎn)的長時(shí)間停留產(chǎn)生的大量重復(fù)數(shù)據(jù)，對軌跡序列中相鄰的且在同一位置的數(shù)據(jù)，進(jìn)行合并，僅保留第一次出現(xiàn)的重復(fù)數(shù)據(jù)。由于移動(dòng)用戶位于２ 個(gè)基站的覆蓋范圍重合處時(shí)，會(huì)導(dǎo)致移動(dòng)終端信令在２ 個(gè)基站之間來回快速切換產(chǎn)生乒乓現(xiàn)象，采取直接刪除的方式對乒乓數(shù)據(jù)進(jìn)行過濾處理。

為了得到細(xì)粒度的預(yù)測結(jié)果，采用位置信息網(wǎng)格化法對去除噪聲后的軌跡數(shù)據(jù)進(jìn)行網(wǎng)格化預(yù)處理。具體來說，將移動(dòng)邊緣云網(wǎng)絡(luò)進(jìn)行網(wǎng)格化，每一格是一個(gè)半徑為ｒ 米的正六邊形蜂窩網(wǎng)絡(luò)。記錄第ｊ 個(gè)網(wǎng)格的中心經(jīng)緯度坐標(biāo)ｇｊｌｎｇ，ｇｊｌａｔ。軌跡序列中每一個(gè)軌跡點(diǎn)所映射的網(wǎng)格編號的計(jì)算為：

網(wǎng)格化處理后軌跡點(diǎn)中的ｌｔ 映射到的網(wǎng)格編號為ｆｔ，然后使用獨(dú)熱編碼將網(wǎng)格編號轉(zhuǎn)換為網(wǎng)格索引號ｉｄｘｔ。進(jìn)而可以得到以網(wǎng)格索引號表示的移動(dòng)用戶軌跡序列Ｘ ＝ （ｉｄｘ１ ，ｉｄｘ２ ，…，ｉｄｘＴｏｂｓ）。

２． １． ２ 基于注意力機(jī)制的編解碼器預(yù)測模型

由于Ｅｎｃｏｄｅｒ-Ｄｅｃｏｄｅｒ 模型可以將特征提取和預(yù)測兩部分解耦，因此其天然具有序列預(yù)測能力，提出一種基于Ｅｎｃｏｄｅｒ-Ｄｅｃｏｄｅｒ 的移動(dòng)用戶軌跡預(yù)測模型，如圖２ 所示。主要由３ 個(gè)網(wǎng)絡(luò)結(jié)構(gòu)組成：由雙向ＬＳＴＭ（Ｂｉｄｉｒｅｃｔｉｏｎａｌ ＬＳＴＭ，Ｂｉ-ＬＳＴＭ）網(wǎng)絡(luò)構(gòu)成的編碼器用以提取歷史軌跡中的隱含時(shí)序特征、由ＬＳＴＭ 網(wǎng)絡(luò)和全連接層組成的解碼器和注意力層（Ａｔｔｅｎｔｉｏｎ Ｌａｙｅｒ）。

考慮到移動(dòng)用戶軌跡數(shù)據(jù)具有時(shí)間序列數(shù)據(jù)的特點(diǎn)，且時(shí)間序列預(yù)測數(shù)據(jù)的結(jié)果會(huì)受到未來數(shù)據(jù)的影響，因此，選擇Ｂｉ-ＬＳＴＭ 作為編碼器。Ｂｉ-ＬＳＴＭ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型包含了２ 個(gè)獨(dú)立的ＬＳＴＭ，輸入序列分別以正序和逆序輸入至２ 個(gè)ＬＳＴＭ 神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取得到２ 個(gè)輸出向量，Ｂｉ-ＬＳＴＭ 的輸出將由這２ 個(gè)輸出向量共同決定。

由于移動(dòng)用戶的軌跡序列中每個(gè)時(shí)刻的軌跡點(diǎn)的重要程度是不同的，而Ｂｉ-ＬＳＴＭ 對這些輸入的長時(shí)間軌跡序列沒有區(qū)分。故將上面輸出的最終的隱藏層變量輸入至注意力層，使得注意力層對隱藏層向量賦予不同的權(quán)重大小進(jìn)行加權(quán)求和，權(quán)重為不同時(shí)間點(diǎn)上提取到的特征的重要程度，權(quán)重越大代表特征的貢獻(xiàn)程度更大，使用獲取到的權(quán)重值與隱藏層輸出加權(quán)求和得到新的隱藏層的輸出特征值，即上下文向量Ｃｉ。

解碼器第一層的ＬＳＴＭ 接收上一時(shí)間的預(yù)測結(jié)果、上一時(shí)間的隱藏狀態(tài)和上下文向量生成該時(shí)刻的隱藏狀態(tài)向量，然后查看上下文向量和當(dāng)前時(shí)隙的隱藏狀態(tài)向量生成當(dāng)前時(shí)隙的預(yù)測輸出值。在模型中，全連接神經(jīng)網(wǎng)絡(luò)處理編碼器端ＬＳＴＭ 隱層的輸出。在全連接神經(jīng)網(wǎng)絡(luò)的輸出層使用ｓｏｆｔｍａｘ 函數(shù)，輸出移動(dòng)用戶停留在每一個(gè)網(wǎng)格的概率，取概率最大的索引對應(yīng)的網(wǎng)格作為移動(dòng)用戶在下一時(shí)刻最可能出現(xiàn)的位置。

使用反向傳播訓(xùn)練預(yù)測模型，對網(wǎng)絡(luò)參數(shù)進(jìn)行迭代更新，交叉熵?fù)p失函數(shù)為：

式中：ｙＴｏｂｓ＋ｉ，ｊ 表示在Ｔｏｂｓ ＋ｉ 時(shí)隙的真實(shí)的位置標(biāo)簽，ｙ′Ｔｏｂｓ＋ｉ，ｊ 表示模型認(rèn)為在時(shí)隙Ｔｏｂｓ ＋ｉ 處于網(wǎng)格ｊ 的概率。

２． ２ 節(jié)點(diǎn)負(fù)載預(yù)測模型

在預(yù)測ＶＮＦ 實(shí)例資源需求時(shí)，要同時(shí)考慮時(shí)間和空間信息，不能僅依據(jù)單個(gè)ＶＮＦ 的歷史數(shù)據(jù)去預(yù)測，而是要同時(shí)考慮ＳＦＣ 中其他ＶＮＦ 的特征信息來實(shí)現(xiàn)較為準(zhǔn)確的資源需求預(yù)測。由于ＶＮＦ 是可以被多條ＳＦＣ 共享的，因此還需考慮當(dāng)前ＳＦＣ 和其他ＳＦＣ 中的其他ＶＮＦ 資源使用信息來作為訓(xùn)練數(shù)據(jù)。這是因?yàn)?，ＶＮ?會(huì)接收來自其他ＶＮＦ 的流量，當(dāng)目標(biāo)ＶＮＦ 的前２ 個(gè)ＶＮＦ 資源不充足時(shí)，可能會(huì)產(chǎn)生垃圾流量或與目標(biāo)ＶＮＦ 中斷連接，使用其他ＶＮＦ的資源使用數(shù)據(jù)做訓(xùn)練數(shù)據(jù)可以大大提高預(yù)測精度。

當(dāng)ｘ ＝ ｃｐｕ 時(shí)，表示ＶＮＦ ｍ 的ＣＰＵ 計(jì)算資源使用歷史數(shù)據(jù)；當(dāng)ｘ ＝ ｍｅｍ 時(shí)，表示ＶＮＦ ｍ 的內(nèi)存資源使用歷史數(shù)據(jù)。對不同類型的資源訓(xùn)練不同的模型以完成資源需求預(yù)測。ＶＮＦ ｍ 的資源使用歷史數(shù)據(jù)為：

ｒｍ，ｘ ＝ ｛ｒ１ｍ，ｘ ，ｒ２ｍ，ｘ ，…，ｒｔｍ，ｘ ｝， （２０）

式中：ｒｔｍ，ｘ 表示ｔ 時(shí)隙ＶＮＦ ｍ 的ＣＰＵ 或內(nèi)存資源使用歷史數(shù)據(jù)。

如圖３ 所示，ＶＮＦ 實(shí)例資源需求預(yù)測模型由ＬＳＴＭ、注意力機(jī)制和全連接層組成。首先，將與目標(biāo)ＶＮＦ 相關(guān)的ＶＮＦ 的資源使用歷史信息ｒｉ 輸入至ＬＳＴＭ 網(wǎng)絡(luò)；然后，因每個(gè)ＶＮＦ 的資源使用歷史信息對目標(biāo)ＶＮＦ 的資源需求預(yù)測影響程度不同，將ＬＳＴＭ 學(xué)習(xí)到的信息輸入至注意力機(jī)制，以對每個(gè)ＶＮＦ 分配不同的權(quán)重；最后，由訓(xùn)練好的多層神經(jīng)網(wǎng)絡(luò)得到下一時(shí)刻的ＶＮＦ 資源需求。

２． ３ 服務(wù)功能鏈重構(gòu)算法

本節(jié)將詳細(xì)說明當(dāng)ＶＮＦ 對底層物理網(wǎng)絡(luò)資源需求超出節(jié)點(diǎn)的資源使用范圍，或由于用戶移動(dòng)導(dǎo)致端到端時(shí)延約束被違反時(shí)，如何確定待遷入邊緣服務(wù)器，及當(dāng)ＶＮＦ 完成遷移后，如何實(shí)現(xiàn)重路由路徑的選擇。ＳＦＣ 重構(gòu)觸發(fā)算法實(shí)現(xiàn)流程如算法１ 所示。

算法１ 的觸發(fā)條件為用戶移動(dòng)導(dǎo)致ＳＦＣ 端到端時(shí)延約束被違反或ＶＮＦ 實(shí)例資源需求超出節(jié)點(diǎn)負(fù)載范圍，第２ 行中，集合Ｎｉ 中存儲(chǔ)ＳＦＣ ｉ 中的過載節(jié)點(diǎn)。在第３ ～ ８ 行，預(yù)測ＳＦＣ ｉ 中的每一個(gè)ＶＮＦ 的資源需求，根據(jù)預(yù)測結(jié)果計(jì)算物理節(jié)點(diǎn)ＣＰＵ 資源利用率和內(nèi)存資源利用率，如果大于資源利用率上限或小于資源利用率下限，則將其添加至ＳＦＣ ｉ 的過載節(jié)點(diǎn)集合Ｎｉ。在第９ ～ １２ 行將由于ＶＮＦ 資源需求超出節(jié)點(diǎn)資源利用率范圍觸發(fā)ＳＦＣ 重構(gòu)的ＳＦＣ 添加至Ｓ１ ，并添加Ｎｉ 至Ｎ。第１４ ～ １６ 行，將違反端到端時(shí)延約束的請求流添加至Ｓ１ 和Ｓ２ ，那么僅違反端到端時(shí)延約束但節(jié)點(diǎn)未過載的ＳＦＣ 集合為Ｓ２ ，僅ＶＮＦ 實(shí)例資源需求超出節(jié)點(diǎn)資源利用率范圍但端到端時(shí)延要求滿足的ＳＦＣ 存儲(chǔ)在Ｓ１ 和Ｓ２ 的差集中。當(dāng)?shù)玫叫枰貥?gòu)的ＳＦＣ 時(shí)，要確定待遷移ＶＮＦ 以及待遷入的邊緣服務(wù)器以實(shí)現(xiàn)無縫遷移，ＶＮＦ 遷移算法如算法２所示。

第３ ～ １４ 行對僅由端到端時(shí)延不滿足觸發(fā)重構(gòu)的ＳＦＣ 完成ＶＮＦ 的遷移，一條ＳＦＣ 中遷移ＶＮＦ 的順序按照其節(jié)點(diǎn)上的資源利用率大小排序，即節(jié)點(diǎn)負(fù)載最高的其上的ＶＮＦ 最先遷出。第６ ～ ７ 行在滿足資源約束、無縫遷移和端到端時(shí)延的候選節(jié)點(diǎn)集中選擇遷移成本和端到端時(shí)延最小的節(jié)點(diǎn)作為待遷入節(jié)點(diǎn)，調(diào)用算法３ 獲得重路由路徑。第１５ ～ ２０ 行將ＳＦＣ 中所有ＶＮＦ 實(shí)例資源需求超出節(jié)點(diǎn)負(fù)載范圍的ＶＮＦ 從過載節(jié)點(diǎn)上遷出。

由于ＳＦＣ 的遷移實(shí)際上可以看作是待遷移ＶＮＦ 上未完成處理的數(shù)據(jù)的遷移。在給出遷移的源邊緣節(jié)點(diǎn)和目標(biāo)邊緣節(jié)點(diǎn)后，可以使用多條路由路徑同時(shí)遷移數(shù)據(jù)包，以高效地傳輸業(yè)務(wù)數(shù)據(jù)。算法３ 詳細(xì)說明了重路由路徑的選擇，其中，第５ 行為獲取最短路徑ｐ 上的所有鏈路的最小帶寬值。

３ 性能評估

３． １ 仿真設(shè)置

３． １． １ 數(shù)據(jù)集

選擇微軟亞洲研究院提供的一個(gè)公開的數(shù)據(jù)集ＧｅｏＬｉｆｅ［１５］訓(xùn)練移動(dòng)用戶軌跡預(yù)測模型，本文只使用了來自北京的軌跡，選取其中２ ０００ ｍ × ２ ０００ ｍ 的郊區(qū)，?。玻罚?條用戶的軌跡記錄，對每一條軌跡記錄，只使用其經(jīng)度、緯度和時(shí)間戳信息。軌跡采樣時(shí)間間隔為３０ ｓ。隨機(jī)選擇８０％ 的數(shù)據(jù)作為訓(xùn)練集，剩下２０％ 的數(shù)據(jù)作為測試集，軌跡預(yù)測模型準(zhǔn)確度達(dá)到了９５％ 。另外在真實(shí)的數(shù)據(jù)集Ｍａｔｅｒｎａ Ｔｒａｃｅｓ（ＢｉｔＢｒａｉｎ）［１６］上評估負(fù)載預(yù)測模型，該數(shù)據(jù)集收集了分布式云數(shù)據(jù)中心３ 個(gè)月內(nèi)的１ ７５０ 個(gè)虛擬機(jī)數(shù)據(jù)，數(shù)據(jù)包含虛擬機(jī)的１２ 個(gè)特征指標(biāo)，包括ＣＰＵ 利用率、內(nèi)存利用率等。同樣隨機(jī)選擇８０％ 的數(shù)據(jù)作為訓(xùn)練集，剩下２０％ 的數(shù)據(jù)作為測試集，利用負(fù)載預(yù)測模型，預(yù)測準(zhǔn)確度達(dá)到９６％ 。

３． １． ２ 網(wǎng)絡(luò)拓?fù)渑cＳＦＣ

構(gòu)造一個(gè)由１５０ 個(gè)邊緣服務(wù)器組成的ＭＥＣ 系統(tǒng)。

正六邊形蜂窩網(wǎng)絡(luò)的半徑為２００ ｍ，單個(gè)邊緣服務(wù)器的ＣＰＵ 容量設(shè)置為２０ ～２５ ＧＨｚ，內(nèi)存容量為３０ ～ ４０ ＧＢ，每條鏈路的帶寬容量設(shè)置為５００ ～ １ ０００ Ｍｂ ／ ｓ，傳輸成本設(shè)置為１０ ～ ３０，μ⌒ｃ 和μ⌒ｍ 設(shè)為０． ２，μ⌒ｃ 和μ⌒ｍ 設(shè)為０． ８［１７］。

每條ＳＦＣ 由３ ～ ６ 個(gè)ＶＮＦ 組成，最大可容忍端到端延遲設(shè)為５０ ～ １００ ｍｓ，無縫遷移的延遲閾值為１５ ｍｓ，帶寬資源需求設(shè)為２０ ～ １２０ Ｍｂ ／ ｓ。每個(gè)ＶＮＦ 的ＣＰＵ 資源需求為１ ～ ３ ＧＨｚ，內(nèi)存資源需求為２ ～ ４ ＧＢ。

３． １． ３ 對比算法

① 基于動(dòng)態(tài)規(guī)劃的ＳＦＣ 遷移（Ｄｙｎａｍｉｃ Ｐｒｏｇｒａｍ-ｍｉｎｇ ｂａｓｅｄ ＳＦＣ Ｍｉｇｒａｔｉｏｎ，ＤＰＳＭ）算法［６］：ＤＰＳＭ 算法中，當(dāng)用戶跨基站移動(dòng)導(dǎo)致延遲不滿足時(shí)觸發(fā)基于動(dòng)態(tài)規(guī)劃的遷移，但其假設(shè)用戶的移動(dòng)軌跡是已知的；

② 強(qiáng)化動(dòng)態(tài)規(guī)劃Ｑ 學(xué)習(xí)算法（Ｄｅｅｐ ＤｙｎａｍｉｃＰｒｏｇｒａｍｍｉｎｇ-Ｑ，ＤＤＱ）［１７］：ＤＤＱ 基于圖神經(jīng)網(wǎng)絡(luò)（Ｇｒａｐｈ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＧＮＮ）預(yù)測ＶＮＦ 實(shí)例的資源需求，然后利用ＤｙｎａＱ 算法完成ＳＦＣ 重構(gòu)；

③ 基于禁忌搜索重構(gòu)的模糊Ｃ 均值算法（ＴａｂｕＳｅａｒｃｈ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ ｂａｓｅｄ Ｆｕｚｚｙ Ｃ-Ｍｅａｎｓ，ＴＳＲＦＣＭ）［１８］：ＴＳＲＦＣＭ 在原有禁忌算法基礎(chǔ)上引入模糊Ｃ 均值算法得到最優(yōu)的ＳＦＣ 重構(gòu)策略；

④ 最優(yōu)調(diào)度算法（Ｏｐｔｉｍａｌ Ｓｃｈｅｄｕｌｉｎｇ Ａｌｇｏｒｉｔｈｍ，ＯＳＡ）［１９］：ＯＳＡ 在最優(yōu)停止時(shí)間重新調(diào)度ＶＮＦ 的放置。

３． ２ 仿真結(jié)果分析

圖４ 展示了所述ＰＳＡＲ 算法與對比算法在ＳＦＣ數(shù)量變化時(shí)的平均ＳＦＣ 時(shí)延。由圖可知，ＰＳＡＲ 和其他對比算法的平均時(shí)延都隨著ＳＦＣ 數(shù)量的增加而增大。盡管ＤＰＳＭ 將用戶的移動(dòng)性納入考慮，但其假設(shè)用戶的移動(dòng)軌跡是已知的，無法處理用戶動(dòng)態(tài)變化的情況，故其平均時(shí)延高于ＰＳＡＲ，但低于其他３ 種算法。ＤＤＱ 和ＴＳＲＦＣＭ 算法的時(shí)延性能差于ＯＳＡ，因?yàn)檫@２ 個(gè)算法未考慮優(yōu)化ＳＦＣ 時(shí)延。

圖５ 比較了不同算法在ＳＦＣ 數(shù)量變化時(shí)的重構(gòu)成本?？梢钥闯鲋貥?gòu)成本與ＳＦＣ 數(shù)量成正比。原因是ＳＦＣ 數(shù)量越大，由于用戶高移動(dòng)性導(dǎo)致延遲約束不滿足的概率越高，節(jié)點(diǎn)出現(xiàn)資源過載的可能性也越大，容易觸發(fā)ＳＦＣ 重構(gòu)，被需要遷移的ＶＮＦ影響的ＳＦＣ 數(shù)量也就越多，從而導(dǎo)致重構(gòu)成本越來越高。此外，本文提出的ＰＳＡＲ 算法基于用戶移動(dòng)性和ＶＮＦ 資源需求預(yù)測進(jìn)行ＳＦＣ 遷移，因此，重構(gòu)成本最低。ＤＤＱ 采用ＧＮＮ 預(yù)測ＶＮＦ 資源需求，可以確保ＶＮＦ 實(shí)例提前遷移到資源可用性較高的節(jié)點(diǎn)，故ＤＤＱ 的遷移成本低于其他３ 個(gè)對比算法。

圖６ 比較了不同重構(gòu)算法在ＳＦＣ 數(shù)量變化時(shí)的邊緣服務(wù)器各維度資源平均利用率。已激活邊緣服務(wù)器各維度資源利用率均值，為所有已激活服務(wù)器上內(nèi)存和ＣＰＵ 資源利用率的加權(quán)和與已激活服務(wù)器的數(shù)量之比。可以看出當(dāng)ＳＦＣ 數(shù)量較少時(shí)，ＰＳＡＲ 與其他幾個(gè)對比算法的邊緣服務(wù)器資源利用率差距較小?？傮w來看，ＰＳＡＲ 的物理節(jié)點(diǎn)資源利用率最高，因?yàn)槠渫ㄟ^節(jié)點(diǎn)負(fù)載預(yù)測和移動(dòng)用戶軌跡預(yù)測可以為未來流量有效保留資源，對負(fù)載較低和較高的服務(wù)器都將觸發(fā)ＳＦＣ 重構(gòu)機(jī)制，從而提高資源利用率。

圖７ 顯示了在ＳＦＣ 數(shù)量為５０ 時(shí)，ＰＳＡＲ 與僅基于節(jié)點(diǎn)負(fù)載預(yù)測的重構(gòu)算法（ＤＤＱ）和僅基于用戶移動(dòng)性預(yù)測的重構(gòu)算法（Ｍｏｂｉｌｉｔｙ Ｂａｓｅｄ Ｐｒｅｄｉｃｔ ＳＦＣ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ，ＭＰＳＲ）的遷移次數(shù)做對比。ＰＳＡＲ根據(jù)用戶移動(dòng)軌跡預(yù)測和ＶＮＦ 實(shí)例資源需求預(yù)測的結(jié)果來預(yù)估下一時(shí)刻的ＱｏＳ，進(jìn)而判斷是否啟動(dòng)重構(gòu)機(jī)制，故遷移次數(shù)較少。雖然ＤＤＱ 的遷移觸發(fā)條件為節(jié)點(diǎn)負(fù)載超出范圍或違反延遲約束，但其未預(yù)測用戶在下一時(shí)隙的位置，容易造成頻繁遷移。

圖８ 顯示了加權(quán)系數(shù)對ＰＳＡＲ 算法的平均時(shí)延和重構(gòu)成本的影響。當(dāng)α 值越大時(shí)，ＰＳＡＲ 算法越注重平均ＳＦＣ 時(shí)延，因此，由圖可知平均ＳＦＣ 時(shí)延隨著α 的增大而減少，重構(gòu)成本隨著α 的增大而增大。

４ 結(jié)束語

本文在一個(gè)由用戶高移動(dòng)性和網(wǎng)絡(luò)流量實(shí)時(shí)變化導(dǎo)致的動(dòng)態(tài)復(fù)雜的ＩｏＴ-ＭＥＣ 場景中，研究ＳＦＣ 的主動(dòng)重構(gòu)策略。首先以最小化端到端時(shí)延和重構(gòu)成本為目標(biāo)，對ＩｏＴ-ＭＥＣ 網(wǎng)絡(luò)中的ＳＦＣ 重構(gòu)問題進(jìn)行定義，并將其刻畫為ＩＬＰ 模型。其次，利用基于注意力機(jī)制的編解碼器模型預(yù)測用戶的移動(dòng)軌跡。然后，在ＶＮＦ 可被多條ＳＦＣ 共享的場景下設(shè)計(jì)了一種ＶＮＦ 實(shí)例資源需求預(yù)測模型。最后，根據(jù)２ 個(gè)預(yù)測模型得到的預(yù)測結(jié)果預(yù)估下一時(shí)隙用戶的ＱｏＳ，并提出一種啟發(fā)式算法ＰＳＡＲ 實(shí)現(xiàn)ＳＦＣ 的主動(dòng)重構(gòu)。仿真結(jié)果表明所提算法在端到端時(shí)延和重構(gòu)成本方面，比現(xiàn)有算法具有更好的性能，為考慮用戶高移動(dòng)性和節(jié)點(diǎn)負(fù)載變化的動(dòng)態(tài)場景下的ＳＦＣ 主動(dòng)重構(gòu)提供了有價(jià)值的參考。

參考文獻(xiàn)

［１］ ＸＵ Ｚ Ｃ，ＬＩＡＮＧ Ｗ Ｆ，ＪＩＡ Ｍ Ｋ，ｅｔ ａｌ． Ｔａｓｋ Ｏｆｆｌｏａｄｉｎｇｗｉｔｈ Ｎｅｔｗｏｒｋ Ｆｕｎｃｔｉｏｎ Ｒｅｑｕｉｒｅｍｅｎｔｓ ｉｎ ａ Ｍｏｂｉｌｅ Ｅｄｇｅｃｌｏｕｄ Ｎｅｔｗｏｒｋ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｏｂｉｌｅ Ｃｏｍｐｕｔｉｎｇ，２０１８，１８（１１）：２６７２－２６８５．

［２］ ＬＩＵ Ｈ，ＥＬＤＡＲＲＡＴ Ｆ，ＡＬＱＡＨＴＡＮＩ Ｈ，ｅｔ ａｌ． Ｍｏｂｉｌｅ ＥｄｇｅＣｌｏｕｄ Ｓｙｓｔｅｍ：Ａｒｃｈｉｔｅｃｔｕｒｅｓ，Ｃｈａｌｌｅｎｇｅｓ，ａｎｄ Ａｐｐｒｏａｃｈｅｓ［Ｊ］． ＩＥＥＥ Ｓｙｓｔｅｍｓ Ｊｏｕｒｎａｌ，２０１８，１２（３）：２４９５－２５０８．

［３］ ＢＨＡＭＡＲＥ Ｄ，ＪＡＩＮ Ｒ，ＳＡＭＡＫＡ Ｍ，ｅｔ ａｌ． Ａ Ｓｕｒｖｅｙ ｏｎＳｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ Ｃｈａｉｎｉｎｇ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｎｅｔｗｏｒｋ ａｎｄＣｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ，２０１６，７５：１３８－１５５．

［４］ ＣＡＯ Ｋ，ＸＵ Ｇ，ＺＨＯＵ Ｊ Ｌ，ｅｔ ａｌ． ＱｏＳａｄａｐｔｉｖｅ ＡｐｐｒｏｘｉｍａｔｅＲｅａｌｔｉｍｅ Ｃｏｍｐｕｔａｔｉｏｎ ｆｏｒ Ｍｏｂｉｌｉｔｙａｗａｒｅ ＩｏＴ Ｌｉｆｅｔｉｍｅ Ｏｐｔｉｍｉｚａｔｉｏｎ ［Ｊ ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＣｏｍｐｕｔｅｒＡｉｄｅｄＤｅｓｉｇｎ ｏｆ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔｓ ａｎｄ Ｓｙｓｔｅｍｓ，２０１８，３８（１０）：１７９９－１８１０．

［５］ ＨＡＩＢＥＨ Ｌ Ａ，ＹＡＧＯＵＢ Ｍ Ｃ Ｅ，ＪＡＲＲＡＹ Ａ． Ａ Ｓｕｒｖｅｙ ｏｎＭｏｂｉｌｅ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ Ｉｎｆｒａｓｔｒｕｃｔｕｒｅ：Ｄｅｓｉｇｎ，ＲｅｓｏｕｒｃｅＭａｎａｇｅｍｅｎｔ，ａｎｄ Ｏｐｔｉｍｉｚａｔｉｏｎ Ａｐｐｒｏａｃｈｅｓ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２２，１０：２７５９１－２７６１０．

［６］ ＬＩ Ｂ Ｙ，ＣＨＥＮＧ Ｂ，ＣＨＥＮ Ｊ Ｌ． Ａｎ Ｅｆｆｉｃｉｅｎｔ Ａｌｇｏｒｉｔｈｍ ｆｏｒＳｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ Ｃｈａｉｎｓ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ ｉｎ Ｍｏｂｉｌｅ ＥｄｇｅＣｌｏｕｄ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０２１ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅｓ． Ｃｈｉｃａｇｏ：ＩＥＥＥ，２０２１：４２６－４３５．

［７］ ＺＨＡＮＧ Ｑ Ｘ，ＬＩＵ Ｆ Ｍ，ＺＥＮＧ Ｃ Ｂ． Ｏｎｌｉｎｅ Ａｄａｐｔｉｖｅ Ｉｎｔｅｒｆｅｒｅｎｃｅａｗａｒｅ ＶＮＦ Ｄｅｐｌｏｙｍｅｎｔ ａｎｄ Ｍｉｇｒａｔｉｏｎ ｆｏｒ ５ＧＮｅｔｗｏｒｋ Ｓｌｉｃｅ［Ｊ］． ＩＥＥＥ／ ＡＣＭ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｔｗｏｒｋｉｎｇ，２０２１，２９（５）：２１１５－２１２８．

［８］ ＰＨＡＭ Ｔ Ｍ． Ｏｐｔｉｍｉｚｉｎｇ Ｓｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ Ｃｈａｉｎｉｎｇ Ｍｉｇｒａｔｉｏｎ ｗｉｔｈ Ｅｘｐｌｉｃｉｔ Ｄｙｎａｍｉｃ Ｐａｔｈ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２２，１０：１６９９２－１７００２．

［９］ ＬＩ Ｂ Ｙ，ＣＨＥＮＧ Ｂ，ＬＩＵ Ｘ，ｅｔ ａｌ． Ｊｏｉｎｔ Ｒｅｓｏｕｒｃｅ Ｏｐｔｉｍｉｚａｔｉｏｎ ａｎｄ Ｄｅｌａｙａｗａｒｅ Ｖｉｒｔｕａｌ Ｎｅｔｗｏｒｋ Ｆｕｎｃｔｉｏｎ Ｍｉｇｒａｔｉｏｎ ｉｎＤａｔａ Ｃｅｎｔｅｒ Ｎｅｔｗｏｒｋｓ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｔｗｏｒｋａｎｄ Ｓｅｒｖｉｃｅ Ｍａｎａｇｅｍｅｎｔ，２０２１，１８（３）：２９６０－２９７４．

［１０］ ＣＡＩ Ｊ，ＱＩＡＮ Ｋ Ｌ，ＬＵＯ Ｊ Ｚ，ｅｔ ａｌ． ＳＡＲＭ：ＳｅｒｖｉｃｅＦｕｎｃｔｉｏｎ Ｃｈａｉｎ Ａｃｔｉｖｅ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ Ｍｅｃｈａｎｉｓｍ Ｂａｓｅｄｏｎ Ｌｏａｄ ａｎｄ Ｄｅｍａｎｄ Ｐｒｅｄｉｃｔｉｏｎ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ，２０２２，３７（９）：６３８８－６４１４．

［１１］ 唐倫，吳婷，周鑫隆，等． 一種基于聯(lián)邦學(xué)習(xí)資源需求預(yù)測的虛擬網(wǎng)絡(luò)功能遷移算法［Ｊ］． 電子與信息學(xué)報(bào)，２０２２，４４（１０）：１－１０．

［１２］ ＷＥＩ Ｆ Ｓ，ＱＩＮ Ｓ，ＦＥＮＧ Ｇ，ｅｔ ａｌ． Ｈｙｂｒｉｄ ＭｏｄｅｌｄａｔａＤｒｉｖｅｎ Ｎｅｔｗｏｒｋ Ｓｌｉｃｅ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ ｂｙ Ｅｘｐｌｏｉｔｉｎｇ Ｐｒｅｄｉｃｔｉｏｎ Ｉｎｔｅｒｖａｌ ａｎｄ Ｒｏｂｕｓｔ Ｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｔｗｏｒｋ ａｎｄ Ｓｅｒｖｉｃｅ Ｍａｎａｇｅｍｅｎｔ，２０２２，１９（２）：１４２６－１４４１．

［１３］ ＣＨＯ Ｙ Ｙ，ＪＡＮＧ Ｓ Ｋ，ＬＥＥ Ｊ Ｗ，ｅｔ ａｌ． ＤｅｅｐＳｐａｔｉｏｔｅｍｐｏｒａｌ Ｃｏｒｒｅｌａｔｉｏｎ Ｎｅｔｗｏｒｋ Ｍｏｄｅｌ ｆｏｒ Ｌｏａｄ Ｐｒｅｄｉｃｔｉｏｎ ｉｎ Ｓｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ Ｃｈａｉｎｉｎｇ ［Ｊ ］． ＩＥＥＥＮｅｔｗｏｒｋｉｎｇ Ｌｅｔｔｅｒｓ，２０２１，３（３）：１５２－１５５．

［１４］ ＬＩＵ Ｊ Ｊ，ＬＵ Ｗ，ＺＨＯＵ Ｆ，ｅｔ ａｌ． Ｏｎ Ｄｙｎａｍｉｃ Ｓｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ Ｃｈａｉｎ Ｄｅｐｌｏｙｍｅｎｔ ａｎｄ Ｒｅａｄｊｕｓｔｍｅｎｔ ［Ｊ ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｔｗｏｒｋ ａｎｄ Ｓｅｒｖｉｃｅ Ｍａｎａｇｅｍｅｎｔ，２０１７，１４（３）：５４３－５５３．

［１５］ ＬＩＵ Ｙ Ｑ，ＳＯＯＮ Ｓ Ｈ． Ｐｏｉｎｔｓ ｏｆ Ｉｎｔｅｒｅｓｔ Ｒｅｃｏｍｍｅｎｄａｔｉｏｎｆｒｏｍ ＧＰＳ Ｔｒａｊｅｃｔｏｒｉｅｓ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏｇｒａｐｈｉｃａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ，２０１５，２９（６）：９５３－９７９．

［１６］ Ｍａｔｅｒｎａ Ｄａｔａｓｅｔ ［ＥＢ ／ ＯＬ］． ［２０２３ － ０９ － １５ ］． ｈｔｔｐ：∥ｇｗａ． ｅｗｉ． ｔｕｄｅｌｆｔ． ｎｌ ／ ｄａｔａｓｅｔｓ ／ ｇｗａｔ１２ｂｉｔｂｒａｉｎｓ．［１７］ ＬＩＵ Ｙ Ｃ，ＬＵ Ｙ，ＬＩ Ｘ，ｅｔ ａｌ． Ｏｎ Ｄｙｎａｍｉｃ Ｓｅｒｖｉｃｅ ＦｕｎｃｔｉｏｎＣｈａｉｎ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ ｉｎ ＩｏＴ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｉｎｔｅｒｎｅｔｏｆ Ｔｈｉｎｇｓ Ｊｏｕｒｎａｌ，２０２０，７（１１）：１０９６９－１０９８４．

［１８］ ＬＩＵ Ｙ Ｃ，ＬＵ Ｈ，ＬＩ Ｘ，ｅｔ ａｌ． Ａｎ Ａｐｐｒｏａｃｈ ｆｏｒ ＳｅｒｖｉｃｅＦｕｎｃｔｉｏｎ Ｃｈａｉｎ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ ｉｎ Ｎｅｔｗｏｒｋ Ｆｕｎｃｔｉｏｎ Ｖｉｒｔｕａｌｉｚａｔｉｏｎ Ａｒｃｈｉｔｅｃｔｕｒｅｓ ［Ｊ ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０１９，７：１４７２２４－１４７２３７．

［１９］ ＣＺＩＶＡ Ｒ，ＡＮＡＧＮＯＳＴＯＰＯＵＬＯＳ Ｃ，ＰＥＺＡＲＯＳ Ｄ Ｐ． Ｄｙｎａｍｉｃ，Ｌａｔｅｎｃｙｏｐｔｉｍａｌ ＶＮＦ Ｐｌａｃｅｍｅｎｔ ａｔ ｔｈｅ ＮｅｔｗｏｒｋＥｄｇｅ［Ｃ］∥ ＩＥＥＥ ＩＮＦＯＣＯＭ ２０１８ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎＣｏｍｐｕｔｅｒ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ． Ｈｏｎｏｌｕｌｕ：ＩＥＥＥ，２０１８：６９３－７０１．

作者簡介

王 寧 女，（１９８７—），碩士，副教授。主要研究方向：網(wǎng)絡(luò)安全、人工智能。

（*通信作者）杜婭榮 女，（１９９８—），碩士，助理研究員。主要研究方向：網(wǎng)絡(luò)功能虛擬化、邊緣智能計(jì)算。

劉 亮 男，（１９７９—），博士，副教授。主要研究方向：端邊云協(xié)同計(jì)算、網(wǎng)絡(luò)安全。

基金項(xiàng)目：重慶市教育科學(xué)“十四五”規(guī)劃２０２３ 年度重點(diǎn)課題（Ｋ２３ＹＤ２０６００９１）