一种基于资源预测的数字孪生辅助虚拟网络功能主动迁移方法

本发明属于移动通信，涉及一种基于资源预测的数字孪生辅助虚拟网络功能主动迁移方法。

背景技术：

1、网络切片作为一种新兴的网络架构，已被广泛认为是一种很有前途的技术。网络切片通过网络功能虚拟化(nfv)和软件定义网络(sdn)部署一系列虚拟网络功能(vnf)构成服务功能链(sfc)，以支持灵活高效的网络资源分配，进而为不同业务提供高质量服务。

2、但是网络切片在带来灵活性的同时也给网络资源管理带来了巨大的挑战。由于网络流量的动态变化，资源的不及时调度会导致网络业务的连续性难以保证。vnf迁移是保障网络切片灵活性和服务连续性的有效技术，它将vnf从性能较差的节点迁移到性能较好的节点，以此来避免因为过载而导致性能下降和服务中断等问题。

3、然而，根据实时网络信息触发被动vnf迁移会产生一定的迁移时延，从而导致服务延迟。为了避免被动迁移造成服务的“滞后性”，可以提前根据预测vnf未来的资源需求来制定vnf主动迁移策略，这样可以有效解决迁移策略滞后的问题。因此，为了正确利用网络切片，有效监控网络并根据准确的资源预测结果生成迁移策略至关重要。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于资源预测的数字孪生辅助虚拟网络功能主动迁移方法，通过数字孪生技术实时监控和收集vnf的运行信息，并根据数字孪生模型完成vnf资源预测，根据资源预测结果制定vnf主动迁移策略，以此避免nfv节点过载而导致性能下降和服务中断等问题，进而提高保障业务服务质量(qos)的能力。

2、为达到上述目的，本发明提供如下技术方案：

3、一种基于资源预测的数字孪生辅助虚拟网络功能主动迁移方法，该方法包括：

4、s1、构建数字孪生辅助虚拟网络功能迁移架构，该架构包括物理网络层、网络切片层和数字孪生层。

5、所述的物理网络层包括vnf节点和数字孪生服务节点，其中vnf节点用于处理vnf业务，数字孪生服务节点用于完成vnf的实时监控和数据收集；

6、所述的网络切片层通过sdn/nfv技术在所述vnf节点部署一系列sfc，从而处理不同的网络业务请求；

7、所述的数字孪生层通过所述数字孪生服务节点构建全局网络拓扑，实现vnf的实时监控与管理，同时为vnf资源需求预测和迁移策略的制定提供辅助验证；

8、s2、根据数字孪生服务节点的采集信息，在云端构建数字孪生全局网络拓扑，利用图神经网络提取网络拓扑的时空信息，进行vnf资源需求预测；根据预测结果，对将要过载或者轻载的节点进行vnf主动迁移，使物理节点保持高性能，保障节点上的业务qos；

9、s3、根据vnf资源需求预测结果制定数字孪生辅助基于多智能体演员评论家的vnf主动迁移策略，以最小化vnf平均时延和vnf节点的平均资源方差为优化目标，建立优化问题；

10、s4、将优化问题转换为马尔可夫决策过程，定义状态空间、动作空间和奖励函数，并采用基于多智能体的近端优化策略求解最优的vnf数字孪生部署策略。

11、进一步的，步骤s2中，通过设计基于图卷积神经网络和时间卷积网络的预测模型进行vnf资源需求的预测。

12、该预测模型包括图学习模块、gcn网络和tcn网络；其中图学习模块用于自适应生成图邻接矩阵；tcn网络通过扩张时间卷积以提取vnf多元资源数据序列的时间特征；将tcn网络输出的时间特征和图学习模块重建的图邻接矩阵输入到gcn网络中以提取空间特征。当sfc拓扑发生变化时，再次循环该过程，可实现动态的vnf资源预测。

13、进一步的，所述图学习模块利用vnf之间的隐藏关系自适应生成图邻接矩阵：a=ggl(e)＝θs(δ(m1m2t-m2m1t))；其中，e表示具有随机初始化的可学习节点嵌入；m1＝tanh(ωe1σ1)，m2＝tanh(ωe2σ2)，式中tanh(·)表示正切双曲激活函数，e1和e2表示节点嵌入，σ1、σ2表示模型参数；δ(·)表示用于正则化相邻矩阵的元素；θs表示行向稀疏函数；ggl(·)表示图学习函数。

14、进一步的，步骤s3中，所述优化问题表示为：

15、

16、

17、式中，ξ1和ξ2表示权重因子，ξ1+ξ2＝1，τi表示总时延阈值；和分别表示多个时隙内的vnf平均时延和平均资源负载方差；表示vnf是否映射到物理节点的二进制变量，表示虚拟链路是否映射到物理链路的二进制变量，表示vnf是否与dt节点相关联的二进制变量，x、y、φ分别为的简化表示；f表示服务功能链集合，表示sfc i上的vnf集合，表示sfc i上的虚拟链路集合，表示第j个和第k个vnf之间虚拟链路；lp表示节点之间的所有链路集合，np表示物理节点集合，lnm表示物理链路；和分别表示vnf所需要的计算资源和存储资源；表示t时隙虚拟链路需要的带宽资源；cn、mn、bn,m分别表示物理节点所拥有的计算资源、存储资源以及对应物理链路上的带宽资源，分别表示计算资源、存储资源以及带宽资源的阈值上限；

18、上述约束中，约束c1确保每个vnf只能映射到一个物理节点；约束c2确保每条虚拟链路只能映射到一条物理链路；约束c3～c5依次表示物理节点的计算、存储和物理链路的带宽资源限制；约束c6表示sfc端到端时延限制；约束c7表示二进制变量约束。

19、进一步的，步骤s4中，将所建立的优化问题转换为马尔可夫决策过程，定义状态空间、动作空间和奖励函数；

20、对于所述状态空间s，定于s(t)＝{ψ(t),ξ(t),c(t),m(t),b(t)}∈s表示时刻t的网络系统状态，ψ(t)表示vnf节点的网络状态信息，ξ(t)表示链路的网络状态信息，c(t)、m(t)、b(t)分别表示vnf的计算、存储和虚拟链路的带宽资源需求状态空间；

21、对于所述动作空间a，定义a(t)＝{a1,1(t),a1,2(t),...,ai,j(t),...}∈a表示vnf在时刻t可采取的映射动作集合；

22、对于所述奖励函数r(t)，定义网络系统在状态s(t)采取动作a(t)会生成映射策略π，并得到瞬时奖励

23、根据转换得到的马尔可夫过程，采用基于多智能体的近端优化策略求解最优的vnf数字孪生部署策略，求解过程包括：

24、1)根据vnf资源需求预测结果，计算各个vnf节点的资源利用率ηr，判断节点是否处于过载或者轻载状态，通过主动迁移vnf使节点负载均衡；

25、2)初始化每个智能体的actor网络参数θi，critic网络参数和经验回放池

26、3)智能体获取网络状态信息si,t，并利用actor网络根据si,t获取动作表示策略网络在状态si,t下选择动作ai,t的概率分布，θi是策略网络的参数；

27、4)智能体根据动作得到相应vnf映射与资源分配的奖励ri,t，并获得下一步局部状态信息si,t+1；

28、5)获取全局状态信息st，全局动作信息at和下一步全局状态信息st+1；

29、6)将元组(st,at,ri,t,st+1)存储到经验回放池从中随机采取小批量经验数据{(sj,aj,ri,j,sj+1)}作为训练数据，并且采用梯度下降的方式更新actor网络、critic网络和温度系数，按照软更新方式更新目标价值网络；

30、7)循环执行直至奖励函数收敛，或达到最大训练轮数。

31、本发明的有益效果在于：本发明针对虚拟网络功能迁移不及时导致网络业务服务质量无法保证的问题，通过数字孪生技术实时监控和收集vnf的运行信息，并根据数字孪生模型完成vnf资源预测，根据资源预测结果制定vnf主动迁移策略，以此避免nfv节点过载而导致性能下降和服务中断等问题，进而提高保障业务qos的能力。本发明能够在网络资源有限的情况下，实现对虚拟网络功能迁移策略的优化，降低vnf平均时延与平均资源方差，提升网络系统的服务性能。

32、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。