基于性能感知的网络切片部署方法

黄开枝，潘启润，袁泉，游伟，汤红波

（国家数字交换系统工程技术研究中心，河南 郑州 450002）

1 引言

5G 系统可以支持各种各样的垂直行业，如自动驾驶、远程医疗、工业自动化等。传统移动网络“一刀切”的网络架构无法在垂直方向满足网络在可扩展性、可用性和可靠性方面的性能差异要求[1]。为适应多种类型的垂直行业的需求，提出了网络切片（NS,network slicing）的概念。下一代移动网络联盟（NGMN,the next generation mobile network alliance)将网络切片定义为在相同的物理基础设施上运行的多个虚拟网络[2]。每个网络切片是一个独立的虚拟网络，它可以根据特定的服务需求（如超低时延、高可靠性和移动性等）选取配置相应的虚拟网络功能，创建可编程的网络切片实例（NSI,network slice instance），为不同用户提供端到端的定制化服务。

为了提高物理资源利用率，基础设施运营商将不同NSI 的虚拟网络功能（VNF,virtual network function）部署在相同的物理服务器上，与此同时，采用资源复用技术实现资源的超额分配，这种部署方式会导致共享物理资源的VNF 间过度竞争底层硬件资源（如CPU、存储等），造成服务性能的严重下降，影响用户体验。但是现有的关于网络切片部署的研究主要集中在提高资源利用率或降低能源消耗[3-5]，仅有少数文献[6-13]考虑到上述问题。因而，在网络切片部署时如何有效降低因过度竞争资源带来的服务性能下降，已成为基础设施运营商面临的一个挑战。文献[6]研究了虚拟机（VM,virtual machine）隔离技术，通过安装多个网络适配器，降低了共存VM 间的性能干扰。为了使底层管理者能够非侵入式地监测VM，文献[7]设计了一种硬件计数器，该计数器可以很好地反映不同类型应用所受性能干扰的程度。文献[8]提出了一种基于层次聚类和优化搜索的功耗感知算法，从资源利用率的相关性角度量化了2个共存VM间的资源使用情况。文献[9]设计了一个通用模型来描述VM 间的性能下降，根据不同VM的生命周期设计VM调度策略，不但能够抑制物理服务器上的性能下降，还降低了运营成本。文献[10]基于Xen I/O 机制和虚拟CPU（VCPU,virtual CPU）调度机制设计了一种性能估量模型，根据该模型估计出VM 迁移前与迁移后的性能下降，并提出了一种轻量级的干扰感知的VM 在线迁移策略，但是该策略完全基于Xen I/O 机制和VCPU调度机制，并不具有通用性。文献[11]建立了VM 的性能模型，基于该模型放置VM 不但能够保证VM 的性能而且能够有效降低服务器的功耗。文献[12]提出了一种VM 的在线放置算法，综合考虑不同类型的资源使用情况，并使用基于阈值的位移策略来降低因服务器过载而导致的性能下降。为了解决虚拟化环境中因超额预订带来的性能波动，文献[13]设计了一种基于服务等级的VM 部署策略，根据实时监测得到的网络吞吐量和服务响应时间的变化情况对不同服务等级的VM 进行资源分配，以实现VM 间的性能隔离，但是该方法未能有效度量虚拟节点的性能下降，导致执行时服务性能已经存在不同程度的下降，所以该方法对用户忍耐服务性能下降的能力要求很高。

针对文献[13]中存在的问题，本文提出了一种基于性能感知的网络切片部署方法。在网络切片实例部署时采用先虚拟节点映射再虚拟链路映射的两阶段部署方式。在虚拟节点映射中，为有效度量VNF 的性能下降，从VNF 所需资源与物理服务器可提供资源之比的角度定义了VNF 的性能影响因子，优先将VNF 部署在能够使网络切片实例性能影响因子总和最小的物理服务器上，然后利用模拟退火-离散粒子群算法求解节点映射结果，从而能在多项式时间内求出最佳部署结果。在虚拟链路映射中，选取满足链路资源约束条件的最短路径作为链路映射结果。仿真结果表明，本文提出的方法在全网性能影响因子总和及性能影响程度方面均低于其他对比方法，证明了该方法可以在相同物理基础设施的多个网络切片实例间实现有效的性能隔离。

2 问题分析

2.1 网络切片实例化及部署模型建立

网络切片实例是一个专用的虚拟网络，一个网络切片实例由一条或多条服务功能链（SFC,service function chain）[14-15]组成，不同的服务功能链由多个带顺序约束的VNF 组成。网络切片实例化流程如图1 所示。当用户发起服务请求时，网络管理和编排器根据用户服务请求的需求特点组合VNF 形成SFC；然后，结合物理网络SG的剩余物理资源的状态信息，尝试为SFC 分配物理资源，如果底层物理网络可以满足服务请求的节点和链路的虚拟资源需求，则底层资源池为其分配物理资源完成实例化，并获取可以部署的位置逻辑视图VG，更新物理网络的剩余资源信息，配置NSI 的生命周期并监控运行状态；最后，按照f1→f2→f3的顺序完成数据的传输和处理，为用户请求提供服务[16]。

图1 网络切片实例化流程

物理网络用一个有权无向图GS=(N S,LS,CN,CL)表示，其中，NS和LS分别为物理节点集合和物理链路集合，ns∈NS表示通用物理服务器，l s(m,n)∈LS是连接服务器m和服务器n间的物理链路；CN和CL分别表示物理服务器和物理链路的资源属性，物理服务器可以提供多种物理资源，CN=(c1,c2,…,cm)表示物理服务器可以提供的物理资源集合，c m∈CN表示物理资源类型，在本文中物理服务器的资源包括计算资源、存储资源和网络资源，CL表示物理链路可以提供的带宽资源。

假设在物理网络上部署了K个网络切片实例，其中，第k个网络切片实例可以表示为同样地，表示第k个网络切片实例的VNF 集合和虚拟链路集合。指第k个网络切片实例中VNF 所需的虚拟资源集合；表示虚拟资源类型，包括VNF 所需的计算资源、存储资源和网络资源，表示虚拟链路所需的带宽资源。

网络切片实例到物理网络GS的映射称为网络切片实例部署，在满足资源约束条件下，将VNF映射到物理服务器上，将虚拟链路映射到一组物理链路上。变量表示网络切片实例的VNF 和虚拟链路是否映射成功，值为1 表示映射成功，值为0 表示映射失败，如式(1)和式(2)所示。

2.2 性能下降分析

当多个网络切片实例部署到同一物理网络上时，必然会存在多个VNF 部署在同一物理服务器上的情况，如图2 中服务器C 上的VNFb和VNFe，在开放共享物理资源的环境下，VNFb和VNFe可能由于误操作或过载而占用大量物理资源，影响其他NSI 的服务性能。当NSI 的服务性能下降时，会给网络带来多方面的影响，如表1 所示。为应对该问题，文献[13]根据实时监测网络吞吐量λ和服务响应时间t，在资源分配时通过最小化来避免性能下降，分别代表用户期望的网络吞吐量和服务响应时间；但是该方法在检测到λ降低和t增加时才采取行动，这时虚拟节点的性能已经存在下降，如何有效度量虚拟节点的性能下降并在网络切片部署时采取有效方法控制虚拟节点的性能下降已成为关键问题。虚拟节点的性能下降主要是由多虚拟节点间物理资源的过度竞争引起的[9]，如图2 所示，在服务器B 上只有VNFa，没有其他的VNF 占用物理资源，故VNFa基本可以达到期望的服务性能；但是在服务器C 上，VNFb和VNFe间存在物理资源的竞争，故可能会导致虚拟节点的性能下降，因此可以根据服务器的资源使用情况来对虚拟节点的性能影响大小进行表征。

图2 NSI 请求部署模型

表1 性能下降所带来的影响

本文提出了一种基于性能感知的网络切片部署方法，一方面从多维度的资源供需角度定义了性能影响因子，以刻画当前物理服务器中其他应用给自身应用所带来的性能影响；另一方面根据该性能影响因子为虚拟节点选择可部署的服务器，采用改进型离散粒子群算法求出部署结果，并且采用最短路径算法求出链路部署结果。

3 基于性能感知的网络切片部署方法

本文提出的基于性能感知的网络切片部署方法采用先虚拟节点映射再虚拟链路映射的两阶段部署方式[17]。首先进行虚拟节点的部署，对满足节点资源约束及唯一性约束的物理服务器，根据性能影响因子的定义求出部署在这些物理服务器上时VNF 的性能影响因子，选择使NSI 请求中所有VNF性能影响因子总和最小的物理服务器作为最终的部署位置，并利用改进型离散粒子群算法求解节点映射结果；然后进行虚拟链路部署，在满足链路资源约束的条件下，为相邻VNF 间的虚拟链路选择最短的物理链路进行映射。

3.1 虚拟节点映射

在进行虚拟节点映射时，首先从VNF 所需资源与服务器可提供资源之比的角度定义VNF 的性能影响因子，并结合VNF 性能影响因子的定义，建立了虚拟节点的映射模型，然后利用模拟退火-离散粒子群算法求出节点映射结果。

3.1.1 性能影响因子的定义

在物理资源超额分配的情况下，多个VNF 间过度竞争一种或多种物理资源，使VNF 的资源供需不匹配带来服务性能的下降。为了估计VNF 的性能影响程度，本文将VNF 的虚拟资源的需求与服务器的剩余物理资源的比值定义为性能影响因子。假设VNF 运行在相同类型的硬件上，在物理服务器x∈Ns上存在n个VNF，第i个VNF 的性能影响因子如式(3)所示。

3.1.2 虚拟节点的映射模型建立

基于性能影响因子的定义，当一个NSI 请求到达时，为了保证服务质量、避免VNF 下降明显，在选择物理服务器时，需要保证VNF 的性能影响因子较小。故将优化目标定为最小化全网所有VNF的性能影响因子总和，如式(4)所示。此外，还需满足如式(5)～式(9)所示的约束条件。其中，当第k个SFC 的虚拟网络功能映射到服务器ns上时，要保证物理服务器的剩余CPU 资源、剩余存储资源及剩余网络资源不小于VNF 所需的相应的虚拟资源，如式(5)～式(7)所示；式(8)表示一个VNF 只能部署在一个物理服务器上，不能对其进行分割；式(9)保证了服务请求的所有VNF 全部被部署到物理网络上。

3.1.3 虚拟节点映射结果求解

网络切片的虚拟节点映射是一个NP-hard 问题，在多项式的时间内无法利用传统方法进行求解，因此采用智能算法进行求解。在实际网络中，网络管理和编排器作为网络切片中统筹全局的管理者，负责网络切片的映射问题，智能算法被写入编排器。因网络切片在实现时融入了软件定义网络（SDN,software defined network）的技术，基于SDN架构并借助OpenFlow 协议可以在高度分布化和动态化的网络中实现快速的信息交互。如图3 所示，网络管理和编排器接收网络切片实例和基础设施层发来的数据，将网络切片实例的服务描述、网络拓扑等信息载入网络服务目录中，将VNF 所需的虚拟资源等描述类的信息载入VNF 目录中，更新NFV 实例库的信息，将物理网络拓扑和剩余资源等信息载入基础设施资源库中，待所有信息完备后，启动智能算法，开始求解映射结果。

图3 网络管理和编排器

本文使用基于模拟退火（SA,simulated annealing）的离散粒子群（DPSO,discrete particle swarm optimization）算法求解节点映射结果。DPSO优化算法是一种群智能优化算法，通过研究鸟类在觅食过程中的行为特点，把所研究问题的搜索空间视为作鸟类飞行空间，每一个粒子都是所求问题的一个候选解，最优解即为鸟类最终找到的食物，在寻找最优解时利用不同个体之间的协作和信息的共享[18]。

当多个网络切片实例映射到相同的物理网络上时，为了保证不同网络切片实例间的VNF 不会因为资源过度竞争而产生性能下降，本文将当前NSI 请求的所有VNF 性能下降因子总和作为算法的适应度函数，如式(10)所示。为了求出映射结果，首先，初始化由n个粒子组成一个种群，这里的每一个粒子都是一个可能解，第i个粒子可以用向量来表示，其中，i是[1,n]的整数，n是种群规模，a是当前NSI 请求中包含的VNF 总个数，xia是当前NSI 请求中第a个VNF 映射到的物理服务器的序号。然后，将代入式(10)求出当前映射方案的全网VNF 性能下降影响总和，因本文求的是最小值，适应度越低，代表当前映射方案越优。与此同时，每当计算出一个粒子的适应度，算法都会更新当前的个体最优解和全局最优解。为了使粒子快速而准确地飞向最优解，每个粒子对应一个飞行速度，第i个粒子的飞行速度可以用向量表示。本文采用带压缩因子的DPSO 算法，利用式(11)进行速度的更新；压缩因子χ由式(12)求出；学习因子c1和c2分别代表粒子本身和其他粒子所获经验，调整学习因子能够控制粒子在全局探测和局部开采的平衡；利用式(13)进行位置更新。

DPSO 算法是一种全局搜索算法，易跳入局部极值点，而SA 算法可以有效避免该问题。SA 算法把系统降温时的能量看成是目标函数，将优化过程模拟成系统降到最低温度的过程。利用SA 算法对个体最优解进行领域搜索，采用轮盘赌输策略来选择是否利用个体最优解替换全局最优解。突跳概率可利用式(14)进行计算，N是种群大小，f是适应度函数。速度更新式如式(15)所示。

3.2 虚拟链路映射

完成网络切片实例的所有VNF 的映射后，基于最短路径[19]的思想完成不同VNF 间的链路映射。根据SFC 的各个VNF 间的顺序约束得到VNF 的部署顺序ϕk={f1,f2,…,fi,…,fn}，假设与虚拟节点fi相连的上一级节点是，而且经过同一VNF 的fi的所有的虚拟链路的映射优先级相同。第k个SFC 的虚拟链路映射到物理链路p上，主要分为以下几步。

2)检查是否满足链路资源约束，保证每条物理链路的剩余带宽资源不小于虚拟链路所需的带宽资源，如式(16)所示。换句话说，链路的资源约束由子物理链路的最小剩余带宽决定，如式(17)所示。当满足链路资源约束时，成功映射到pa→n→b上，保存链路映射结果；否则转至3)。

3)若该链路与其他虚拟链路存在复用物理链路，查看是否可以释放该链路的物理资源以满足链路资源约束，如果可以满足，成功映射到pa→n→b上，保存链路映射结果；否则转至4)。

4)如果不存在链路复用或是释放复用链路资源仍旧无法满足约束，则利用算法求出次短路径，重复上述步骤进行判断。如果全部路径均无法满足链路约束条件，则当前虚拟链路映射失败。

4 部署方法流程

基于性能感知的网络切片部署方法流程如算法1 所示。

算法1基于性能感知的网络切片部署

输入物理网络GS与K个网络切片实例请求

输出最佳映射方案

1)设置种群规模Scope、最大迭代次数maxg、c1和c2；

2)为NIND 个粒子初始化位置向量、速度向量；

3)根据式(10)，计算初始种群中所有粒子的性能下降因子总和作为适应度值，并求出个体最优值pb、全局最优值gb；

5)当迭代次数在区间[1,maxg]时，重复步骤6)和步骤7)；

6)当种群规模在区间[1,Scope]时，利用SA算法对粒子的pb 进行领域搜索，使用轮盘赌输策 略，计算Fitness(pj)-Fitness(pg)，当random[0,1]时，用pb替换gb；

7)当种群规模在区间[1,Scope]时，利用式(15)及式(13)更新粒子的速度向量、位置向量，并更新个体最优值pb、全局最优值gb；

8)存储NSI 请求最佳的节点映射结果；

9)由VNF 的顺序约束得到NSI 的虚拟节点部署顺序ϕk={f1,f2,…,fi,…,fn}；

10)对∀i∈n获取与VNF 相连的上一级VNF：

11)对于经过 VNF 的fi的所有的链路，利用最短路径算法进行相关链路映射；

12)当满足rbw(fiρ,fi)≤min {cbw(a,n1),…,cbw(nhop-1,b)}时，成功映射到pa→n→b上，转入步骤15)；否则，转入步骤13)；

13)若该链路与其他虚拟链路存在复用，且可以释放该链路的物理资源以满足链路约束，转入步骤15)；

14)若释放资源仍无法满足约束或是不存在链路复用，检查剩余的次短路径，重复步骤12)～步骤14)；

15)存储相关虚拟链路的映射结果；

16)输出最佳映射结果。

5 仿真分析

5.1 实验环境

本文使用GT-ITM 工具生成物理网络及网络切片实例请求，运行在配置为Intel(R)Pentium(R)3.4 GHz CPU、4 GB 内存的PC 机上，并使用Matlab对结果进行分析。将本文提出的方法（Min-Dep）与最小化部署成本（Min-Cost）[20]及最小化虚拟网间的共存度（Min-CoNum）这2 种方法从请求接受率、收益开销比、性能影响因子总和及性能影响程度四方面进行对比。网络参数设置如表2 所示，仿真参数设置如表3 所示。

表2 网络参数

表3 仿真参数

5.2 仿真结果及性能分析

图4是不同部署方法的收益开销比的曲线。从图4 中可以看出，3 种方法随着NSI 请求数量增多，收益开销比均逐渐趋于稳定，最终稳定结果显示Min-Cost 方法的收益开销比最大，而且本文方法（Min-Dep）的收益开销比稍高于Min-CoNum 方法。这主要是因为Min-Cost 方法统筹考虑了节点和链路的成本消耗，使底层物理网络的碎片资源数量相对较少，提高了收益开销比。而其他2 种方法部署的目标函数都是仅从虚拟节点考虑，在虚拟链路的映射上在满足资源约束的条件下，寻找最小跳的路径，这样增多了节点上的未被使用的碎片资源，资源利用率降低，导致收益开销比较低。

图4 收益开销比

图5 反映了3 种方法随着NSI 请求数量增多请求接受率的变化情况。从图5 中可以看出，3 种方法的请求接受率均出现了不同程度的下降，这是因为部署到物理网络上的NSI 请求逐渐增多，剩余物理资源逐渐减少，导致部分新到达的NSI 请求无法成功映射到物理网络上。相较于Min-CoNum 方法，Min-Dep 方法和Min-Cost 方法的请求接受率下降更为明显，且在部署了大概250 个NSI 请求后，Min-Dep 方法的请求接受率稍高于Min-Cost 方法。原因是Min-CoNum 方法在映射时因受节点共存数量的限制，那些部署较少VNF 的服务器会作为优先选择对象，在一定程度上避免了因节点资源不足造成的映射失败的情况，提高了请求接受率。而本文方法统筹3 种资源的供需比，Min-CoNum 方法期望部署成本最小化，均未考虑底层网络资源的均衡性，故使请求接受率下降较多。

图5 网络请求接受率

图6 反映了3 种方法的性能影响因子总和的对比情况。从图6 中可以看出，Min-Dep 方法相较于其他2 种方法，性能影响因子总和维持在一个相对较低的水平。主要是由于Min-Cost 方法在部署时将最小化部署成本作为目标函数，并未考虑共享物理资源的VNF 间的性能影响，导致性能影响因子总和处于一个相对较高的水平。而Min-CoNum 方法在部署时仅是从物理服务器上共存VNF 数量考虑，并未考虑它们之间的资源供需情况，因此性能影响因子总和水平较高。

为了进一步证明Min-Dep 方法的有效性，除了考虑性能影响因子总和的对比情况，本文还对性能影响程度进行了对比。运行在VM 中的VNF 的标准性能[14,20]定义为在理想情况下运行时的性能，即物理服务器的其他VNF 全部处于闲置状态。在实际运行时，VNF 受到的性能影响程度可以表示为它在实际情况下的性能与它在理想环境下的性能之比。在物理服务器x∈Ns上存在n个VNF，第i个VNF 在理想情况下运行时的性能设为，在实际情况下运行时的性能设为，则第i个VNF性能影响程度可以表示为

图6 性能影响因子总和

图7 对比了这3 种方法的性能影响程度的变化情况。在请求初始到达阶段，因物理网络剩余资源富足，3 种方法的性能影响程度相差不大；随着请求数量的增多，底层物理资源剩余量的减少，3 种方法在性能影响程度上均呈现增长趋势，但是Min-Dep方法性能影响程度的增长速率最慢，而且始终低于其他2 种方法，这主要是由于Min-Dep 方法在部署时优先将VNF部署在性能影响因子较小的物理服务器上，相较于其他方法，Min-Dep 方法可以在部署阶段有效降低其他VNF 对自身性能的影响。

图7 性能影响程度总和比较

6 结束语

网络切片是5G 十分有发展潜力的关键技术，旨在通过建立端到端的解决方案定制化满足不同用户的需求。由于网络切片是基于虚拟化技术实现的，在同一物理基础设施上部署的网络切片实例间仍存在因资源过度竞争带来的性能下降问题，故本文提出了一种基于性能感知的网络切片部署方法，并验证了该方法的有效性。在虚拟节点部署阶段，首先从多维度的资源供需的角度量化了VNF 的性能影响大小，然后将全网性能影响程度总和最小作为目标函数，并采用群智能优化算法进行迭代寻优，得到最终的节点部署结果；在虚拟链路部署阶段，采用了最短路径方法进行虚拟链路映射。最终证明了该方法可以在一定程度上降低其他网络的虚拟网络功能对自身网络的性能影响，但是在网络请求接受率和收益开销比方面优势不太明显，在今后的研究中将从这2 个方面进行改进。