论文部分内容阅读
近年来,新型网络技术和多样化网络用户需求的出现使得网络运营商的业务模型正经历一场革命性的变革。网络功能虚拟化(Network Function Virtualization,NFV)和软件定义网络(Software Defined Network,SDN)已经成为这场变革中很有前景的网络技术。通过虚拟化技术,NFV将网络功能从专用硬件设备中解耦出来,允许软件化的虚拟网络功能(Virtualized Network Function,VNF)运行在通用设备上,大大提升了网络功能部署的灵活性与可扩展性。SDN网络实现了控制平面与数据平面的分离,它将控制平面集中到SDN控制器中,从而方便地对全网设备进行集中式的管理与控制。因此,应用SDN和NFV的新型网络架构可以通过全局网络设备的管理,实现灵活的网络服务部署和高效的资源配置与优化。服务功能链(Service Function Chain,SFC)是一项正在被互联网工程任务组标准化的网络技术,它要求网络流按序经过一系列特定的网络功能,网络运营商可以利用SFC为用户提供定制化的网络服务。然而,SFC技术的实现还存在着诸多问题与挑战。在SDN/NFV网络中,为了提高网络性能、实现网络负载均衡,相同功能的VNF可以灵活地部署在不同的网络设备中,形成了 VNF多实例部署的场景。在进行SFC路由计算的过程中,如何从VNF多实例的网络场景中选择最优的VNF实例(VNF Instance,VNFI),以及如何产生满足SFC顺序约束的最佳路径,已经成为了学术界重点研究的问题。考虑到网络负载的动态变化,网络运营商需要自适应地调整与优化网络中VNFI的部署数量与部署位置,从而提高网络性能。而且,优秀的VNF部署算法可以根据网络状态以及SFC的路由策略,通过VNFI的优化部署,节省网络中链路带宽资源与节点缓存资源的使用,进而为网络应用以及数据传输提供良好的服务环境。然而,VNF部署问题已经被证明为NP-hard问题。因此,针对复杂的网络状态变化,如何设计灵活高效的VNF部署策略是我们面临的另一大挑战。本文主要研究了 SDN/NFV网络中的SFC路由、VNF部署以及资源优化问题。根据不同的研究性能考量,本文的研究内容主要包含如下三个部分:基于网络流特征匹配的SFC路由研究、基于网络负载自适应的VNF动态部署和路由研究、基于机器学习的SFC路由与资源优化研究。其中,研究点三中又包含两个小研究点:基于深度学习的SFC路由研究和基于深度强化学习的VNF部署和资源优化研究。本论文的工作和主要创新点如下:1)针对网络流的资源偏好特点,定义了资源的相对代价,提出了一种网络流特征匹配的SFC路由算法,提升了网络性能,实现了网络负载均衡。为了实现面向SFC业务的细粒度网络流路由计算,本研究点分析了网络流的资源偏好特性,将网络流按照带宽和计算资源需求量的不同进行了类别区分,并根据全网资源状态情况定义了相对代价。接着,充分利用SDN网络全局控制的优势,对该均衡网络负载的路由优化问题进行了数学建模,并提出了资源感知路由算法(Resource Aware Routing Algorithm,RA-RA),为 SFC 业务网络流提供差异化的路由计算服务。性能评估显示,RA-RA能够在小规模的网络场景中获得近最优的性能表现,而且其算法的运行速度也优于最优算法。此外,同对比算法相比,RA-RA能够显著提升网络性能。2)针对网络负载动态变化的特性和VNF灵活部署的特点,联合考虑SFC路由以及VNF部署场景,对问题进行了数学建模,结合相对代价,提出了 SFC映射算法和VNF动态释放算法,实现了两者代价的最小化,提高了网络的资源使用率。综合考虑多类网络资源、动态网络负载变化以及网络负载均衡等影响因素,研究了 VNF动态部署与路由问题。我们对该问题进行了数学建模,优化目标是最小化SFC路由计算过程中的VNF部署代价和资源代价值,并且基于拓扑图转化的思想提出了 SFC映射(SFC MAPping,SFC-MAP)算法。借助多层图,SFC-MAP算法实现了 SFC路由计算和VNFI部署的联合求解。接着,提出了VNF 动态释放算法(VNF Dynamic Release Algorithm,VNF-DRA),它可以根据网络负载的变化情况,周期性地释放网络中冗余部署的VNFI。性能评估显示,SFC-MAP&VNF-DRA算法能够在小规模的网络场景中获得近最优的性能,而且其运算速度能够大幅度超过最优算法。此外,同现有文献中的VNF部署算法相比,SFC-MAP&VNF-DRA算法能获得更好的网络性能,提高网络的资源使用率。3)利用深度信念网络模型,设计了基于深度学习的两阶段SFC路由算法,在保证网络性能的同时提升SFC路由计算的时效性。本研究点基于深度学习强大的特征提取与学习能力,将深度学习技术引入到SFC路由问题中,对SFC路由问题进行了数学建模,其优化目标是最小化SFC路径的端到端时延,并进一步提出了一种基于深度学习的两阶段算法(Deep Learning-based Two-Phase Algorithm,DL-TPA)。DL-TPA 算法将问题求解划分为VNF选择和VNF链化两个阶段,并且设计了 VNF选择网络和VNF链化网络,分别负责这两个阶段的求解工作。此外,为了进一步提升算法的运行效率,DL-TPA优化了 VNF选择网络和VNF链化网络的策略空间。仿真结果显示,DL-TPA的算法时效性能够明显超越基于策略的对比算法,而且还能获得良好的网络性能。4)利用深度强化学习技术,考虑动态网络负载变化场景,设计了基于双深度Q 网络的 VNF 部署算法(Double DQN-based VNF Placement Algorithm,DDQN-VNFPA),实现了 VNF在网络中的高效部署,提升了网络性能和资源使用率。本研究点综合考虑了网络负载变化特性,对VNF部署问题进行了数学建模,其优化目标是根据未来一段时间内SFC的变化情况,优化该时间段内的VNF部署代价、VNFI运行时间以及SFCR的失败惩罚。进一步,结合深度强化学习技术,本论文提出了 DDQN-VNFPA算法。性能评估显示,DDQN-VNFPA算法能够根据网络负载的变化,灵活地调整与优化网络中的VNFI部署,相比对比算法而言,能够获得更好的网络性能表现。