基于SDN/NFV的星地融合网络切片

贺晓赫 侯缋玲 梁旭文

【摘  要】

低轨卫星通信与地面5G的融合是大势所趋，网络切片技术针对星地融合网络中多种多样的应用服务可以端到端地分配不同的计算资源和带宽，提高网络灵活性和扩展性，应用前景广阔。针对融合网络切片面临的的主要问题进行探讨，包括卫星地面段虚拟化、虚拟网络嵌入、业务功能链和融合网络切片等，提出了一些解决方案，并对基于SDN/NFV的星地融合网络切片发展趋势和前景做出展望。

【关键词】SDN;NFV;星地融合;网络切片

0   引言

随着全球互联网服务的延伸，以及第五代移动通信系统（5G）的逐步商业化应用，低轨卫星通信与地面5G的融合具有极为广阔的应用前景，也引发了学术界和工业界广泛的研究兴趣[1-7]。融合网络存在各种各样的应用场景，包括增强型移动宽带（eMBB， enhanced Mobile Broadband）、海量机器类通信（mMTC， massive Machine Type Communications）、超可靠超低延迟通信（URLLC， Ultra-Reliable Low-Latency Communication）等，不同的应用场景对应着不同的服务质量（QoS， Quality of Service）需求，如何有效为各种不同的业务提供不同的服务是一个具有挑战性课题。

5G网络中的网络切片技术允许共享同一基础设施的运营者为切片配置网络以及定义具体功能，每一个网络切片都是一个端到端的网络服务，包含网络通信所需要的所有元素，只是对于不同的应用场景，有着不同的网络带宽和节点运算处理能力，并且可以根据运营者的策略灵活地动态创造以及撤销切片。

将网络切片技术应用到星地融合网络切片可以在通用设备上构建出相互独立的虚拟逻辑网络，为多种不同的业务提供定制网络功能，满足用户的服务质量需求，提高网络的资源扩展性和组网的灵活性。对于时延要求比较高的应用采用地面5G网络，广播的应用信号可以通过卫星来传播，极大地提高网络资源的利用率。近年来，学术界和工业界也对此进行了广泛的研究[8-13]。星地融合网络切片由物理网络和为不同应用提供不同服务的虚拟网络组成，如图1所示[8]。

本文首先介绍星地融合和网络切片的发展现状，然后从实现的角度，分析融合网络切片关键技术和面临的挑战，并探索可能的解決方案。最后，对星地融合网络的发展趋势作出展望。

1   发展现状

星地融合切片的广阔应用前景近年来吸引了学术界和工业界的广泛关注，大量科研工作者对相关问题进行了广泛的研究，取得了不少进展。

1.1  星地融合发展现状

长久以来，卫星网络和地面网络都是独立发展的，技术上也是各不相同。卫星网络具有广阔的覆盖面，可为大规模的广播通信提供巨大的支持，但是由于相对地面距离比较高，传播时延相对较长，以及有限的带宽和星上处理能力极大地限制了其使用价值。随着星上处理能力的不断提高，卫星网络处理能力得到大步提升，可与地面网络相辅相承，为各种应用提供服务。

对于星地融合方法，当前有两种不同的融合思路：第一种是将卫星网络吸收到5G框架之中，将其作为地面5G网络的补充;第二种卫星通信网络独立发展，只在一些特殊卫星问题借鉴吸收地面移动技术。相对于第二种实现方式，第一种思路有更高的灵活性和易扩展性。

基于SDN（Software Defined Network）和NFV（Network Functions Virtualization）技术的融合方法可以满足网络融合的高灵活性和易扩展性，是当前的研究主流方向。

3GPP（The 3rd Generation Partnership Project）、ETSI（European Telecommunications Standards Institute）和ITU（The International Telecommunication Union Telecommunication Standardization Sector）对基于SDN/NFV的星地融合进行了大量前期的理论验证研究[14-18]。提出了多种不同的星地融合应用场景、融合框架和接入方式等，为5G与卫星的融合发展铺平了道路。

5G-PPP（The 5G Public Private Partnership，5G公私联盟协会）[19]，SaT5G[20]（Satellite and Terrestrial Network for 5G）联盟，以及SATis5[21] 项目等主要从基础设施的解决方案、架构、技术及标准等进行研究。建立了端到端的星地融合网络概念验证平台，加快了星地融合网络的落地。

1.2  星地融合网络切片发展现状

网络切片最早提出是5G移动通信网络中的一个关键技术，是5G网络架构的重要特征之一。与卫星通信相结合的融合网络切片技术将切片技术运用到星地融合网络中，可以扩展5G网络切片的应用范围，提高整体网络性能。

文献[22]中提出了一种可扩展的星地融合网络切片框架“SATELLITE SLICE AS A SERVICE”，利用卫星设施与地面5G构建无缝隙的融合网络。框架中，卫星子网既可以作为独立的网络切片对应用进行服务，也可以与地面5G向结合共同提供更为全面的支持。

文献[23]则针对融合网络切片中的资源配置问题进行研究。通过将资源消耗和服务需求等建模成优化问题，在满足特定网络需求（如端到端时延）的情况下最小化网络的资源消耗，可以提供灵活的服务链，满足各种各样的服务需求。

此外，也有很多项目研究基于机器学习和深度学习的高效可扩展的自动星地融合网络切片算法，加速高维度网络图的流管理，自动管理动态的在线网络流等。

星地融合网络切片示意图如图1所示：

2   星地融合网络切片面临的挑战

星地融合网络切片在带来很多机遇的同时，也面临着许多新的挑战。融合网络切片的实现主要基于卫星地面段虚拟化、VNE（Virtual Network Embedding，虛拟网络嵌入）、SFC（Service Function Chaining，业务功能链）等。

卫星通信系统由空间段、地面段和用户段组成。地面段包括卫星地面关口站、地面卫星控制中心、跟踪、遥测和指令站。关口站是卫星系统与地面公众网的接口，地面用户可通过关口站出入卫星系统形成链路。地面段是卫星网络的管理段，完成卫星网络与地面网络的连通，分配资源并计费。

卫星地面段的虚拟化主要是将卫星地面段的设备如网关、卫星控制中心和跟踪、测控及指令站等的功能进行虚拟化，将他们的功能在一般设备而非特定设备上实现，类似于虚拟机的概念。不同的设备上运行相同的虚拟机，实现相同的功能。卫星地面段虚拟化过程如图2所示，卫星信号首先通过接收机模数转换，然后通过网络协议传到云服务器，将功能进行虚拟化。

虚拟网络嵌入要解决的是虚拟网络函数到物理网络之间的映射问题，如图3所示。虚拟网络节点需要的运算能力和虚拟网络链接需要的带宽需求通过一定的函数映射到物理网络设备，如何建立满足虚拟网络需求并且适合的映射是一个重要的研究问题。

业务功能链根据应用需求，将不同的虚拟网络函数块进行链接，构建成一个完整的功能链路，如图4所示。虚拟网络中的流量和请求随时间不断波动，需要根据动态的虚拟网络环境用算法去不断优化，平衡虚拟函数链接的稳定性和有效性。并且，对于一些对于时延要求比较高的应用，需要根据虚拟网络环境的预测提前进行资源的预分配。

卫星地面段虚拟化、虚拟网络嵌入业务功能链等共同为融合网络切片奠定了基础。

3   发展趋势及改进方案

本节分别从虚拟网络嵌入、业务功能链、融合网络切片等几个方面介绍当前的发展趋势和一些参考的改进方法。

3.1  虚拟网络嵌入

虚拟网络嵌入主要研究如何有效地将物理资源分配给虚拟网络，即将虚拟网络嵌入到物理网络中。主要分为两个部分：一是虚拟节点嵌入，二是虚拟链路嵌入。嵌入性能的评价标准主要有虚拟网络请求接受率，设备服务商收益和运动时间等。传统的嵌入算法主要是根据节点CPU资源来进行嵌入虚拟节点，然而这却忽视了节点周围链路资源，从而影响了虚拟链路嵌入的成功率。当执行虚拟链路嵌入时，一般将物理链路权值设为定值，这会造成部分链路资源快速被耗尽，从而将开始拒绝虚拟网络嵌入。

随着机器学习和深度学习的发展，智能化的虚拟网络嵌入方法方兴未艾[24-28]。最新基于图神经网络和深度强化学习的虚拟网络嵌入算法取得了不错的进展[24]。但是，图卷积网络是一种全图的学习方法，学习参数与图的结构有很大关系，只能适用于相似结构的网路中，泛化性能比较差。并且，图卷积网络特征表示采用拉普拉斯矩阵进行表示，不容易实现给不同的相邻节点分配不同的学习权重。可以运用图注意力网络逐顶点对图进行运算（node-wise），学习参数仅与顶点特征相关，与图结构没有关系，可以提高学习参数对于结构差异比较大的网络的泛化性能，推理能力也得到提升，为动态的网络处理提供强有力的支持。并且，图注意力网络引入图注意力机制，通过注意力系数对相邻节点进行加权处理，可以对载有重要信息的节点分配更大的系数，提高信噪比。

3.2  业务功能链

业务功能链是一个有序的业务功能的集合，其基于分类和策略对网络上的IP数据包、链路帧或者数据流进行一系列的业务处理。虚拟网络中，一个应用需要多个虚拟节点的运算和多个链路的带宽，需要将他们进行用合适的算法进行链接，提供端到端的服务。并且，根据网络中的动态流量以及以往的模型，对未来一段时间内的资源进行预分配，提高网络性能和处理效率。现有智能化方法[29-32]中还是基于图卷积网络对图进行建模，拥有跟虚拟网络嵌入问题相同的问题。可以考虑运用注意力机制，提高其对网络动态的感知，优化相邻节点的权重系数。

3.3  融合网络切片

融合网络存在各种各样的应用场景，用户接入网络之前需要对切片类型进行区分。处理融合网络切片问题的现行方法中基本用一些基本的机器学习方法进行少量分类，性能远远不够。而且协议中，切片分类0～127为标准切片类别的取值范围（当前协议只是用了三个值），128～255属于运营商自定义范围，总体类别远远大于现在的类别，需要更加细的分辨率。

此外，切片的管理更是一个复杂的工程问题，需要根据当前的需求，进行切片创建、销毁和隔离。可以参考运用深度强化学习[33-34]的方法进行动态管理。

4   结束语

综上所述，星地融合的广泛应用是不可阻挡的发展潮流。在融合网络中，切片技术可以为不同的应用场景提供不同的网络和计算资源，具有极大的灵活性和可扩展性。但是，星地融合网络切片的实现面临着很多新的挑战，卫星地面段虚拟化、虚拟网络嵌入、业务功能链以及融合网络切片的管理等都还有很多问题需要学术界和工业界共同努力进行深入的研究。

参考文献：

[1] Ordonez-Lucena J， Ameigeiras P， Lopez D， et al. Network slicing for 5G with SDN/NFV： Concepts， architectures， and challenges[J]. IEEECommunications Magazine， 2017，55（5）： 80-87.

[2] WANG P， ZHANG J， ZHANG X， et al. Convergence of Satellite and Terrestrial Networks： A Comprehensive Survey[J]. IEEE Access， 2019（8）： 5550-5588.

[3] YOU X H， WANG C X， HUANG J， et al. Towards 6G wireless communication networks： Vision， enabling technologies， and new paradigm shifts[J]. Sci China Inf Sci， for review， 2020.

[4] Guidotti A， Vanelli-Coralli A， Conti M， et al. Architectures and key technical challenges for 5G systems incorporating satellites[J]. IEEE Transactions on Vehicular Technology， 2019，68（3）： 2624-2639.

[5] Kodheli O， Guidotti A， Vanelli-Coralli A. Integration of Satellites in 5G through LEO Constellations[C]//GLOBECOM 2017-2017 IEEE Global Communications Conference. IEEE， 2017： 1-6.

[6] Khalili H， Khodashenas P S， Fernandez C， et al. Benefits and challenges of software defined satellite-5G communication[C]//2019 15th Annual Conference on Wireless On-demand Network Systems and Services （WONS）. IEEE， 2019： 1-4.

[7] Boero L， Bruschi R， Davoli F， et al. Satellite networking integration in the 5G ecosystem： Research trends and open challenges[J]. Ieee Network， 2018，32（5）： 9-15.

[8] Ordonez-Lucena J， Ameigeiras P， Lopez D， et al. Network slicing for 5G with SDN/NFV： Concepts， architectures， and challenges[J]. IEEE Communications Magazine， 2017，55（5）： 80-87.

[9] Ahmed T， Alleg A， Ferrus R， et al. On-demand network slicing using sdn/nfv-enabled satellite ground segment systems[C]//2018 4th IEEE Conference on Network Softwarization and Workshops （NetSoft）. IEEE， 2018： 242-246.

[10] C S Z， W J Y， H H， et al. Space Edge Cloud Enabling Network Slicing for 5G Satellite Network[C]//2019 15th International Wireless Communications & Mobile Computing Conference （IWCMC）. IEEE， 2019： 787-792.

[11] Bisio I， Lavagetto F， Verardo G， et al. Network Slicing Optimization for Integrated 5G-Satellite Networks[C]//2019 IEEE Global Communications Conference （GLOBECOM）. IEEE， 2019： 1-6.

[12] Drif Y， Chaput E， Lavinal E， et al. An Extensible Network Slicing Framework for Satellite Integration into 5G[J]. arXiv preprint arXiv： 2002.05037， 2020.

[13]   SHEN X X， GAO J， WU W， et al. AI-assisted network-slicing based next-generation wireless networks[J]. IEEE Open Journal of Vehicular Technology， 2020（1）： 45-66.

[14]  3GPP. 3GPP TR38.821： Solutions for NR to support Non-Terrestrial Networks （NTN）[S]. 2020.

[15]   3GPP. 3GPP TR22.822： Study on using Satellite Access in 5G[S]. 2018.

[16]   3GPP. 3GPP TR23.737： Study on architecture aspects for using satellite access in 5G[S]. 2019.

[17]  3GPP. 3GPP TR28.808， Study on management and orchestration aspects of integrated satellite components in a 5G network[S]. 2020.

[18]   ITU-R. ITU-R M.2460.0： Key elements for the integrated systems into Next Generation Access Technologies[R].  2020.

[19] 5G-PPP. The 5G Infrastructure Public Private Partnership[EB/OL]. [2020-08-07]. https：//5g-ppp.eu/.

[20]  Sat5G. Satellite and Terrestrial Network for 5G[EB/OL]. [2020-08-07]. https：//www.sat5g-project.eu/public-deliverables/.

[21]   SATis5. Demonstrator for Satellite-Terrestrial Integration in the 5G Context[EB/OL]. [2020-08-07]. https：//satis5.eurescom.eu/.

[22]   Drif Y， Chaput E， Lavinal E， et al. An Extensible Network Slicing Framework for Satellite Integration into 5G[J]. arXiv preprint arXiv： 2002.05037， 2020.

[23]   Ahmed T， Alleg A， Ferrus R， et al. On-demand network slicing using sdn/nfv-enabled satellite ground segment systems[C]//2018 4th IEEE Conference on Network Softwarization and Workshops （NetSoft）. IEEE， 2018： 242-246.

[24]   Yan Z， Ge J， Wu Y， et al. Automatic Virtual Network Embedding： A Deep Reinforcement Learning Approach with Graph Convolutional Networks[J]. IEEE Journal on Selected Areas in Communications， 2020，38（6）： 1040-1057.

[25]    Dolati M， Hassanpour S B， Ghaderi M， et al. DeepViNE： Virtual network embedding with deep reinforcement learning[C]//IEEE INFOCOM 2019-IEEE Conference on Computer Communications Workshops （INFOCOM WKSHPS）. IEEE， 2019： 879-885.

[26]  Quang P T A， Hadjadj-Aoul Y， Outtagarts A. A deep reinforcement learning approach for VNF Forwarding Graph Embedding[J]. IEEE Transactions on Network and Service Management， 2019，16（4）： 1318-1331.

[27]  Yao H， Chen X， Li M， et al. A novel reinforcement learning algorithm for virtual network embedding[J]. Neurocomputing， 2018（284）： 1-9.

[28]   Blenk A， Kalmbach P， Zerwas J， et al. NeuroViNE： A neural preprocessor for your virtual network embedding algorithm[C]//IEEE INFOCOM 2018-IEEE Conference on Computer Communications. IEEE， 2018： 405-413.

[29]   Mijumbi R， Hasija S， Davy S， et al. Topology-aware prediction of virtual network function resource requirements[J]. IEEE Transactions on Network and Service Management， 2017，14（1）： 106-120.

[30]  Jalodia N， Henna S， Davy A. Deep Reinforcement Learning for Topology-Aware VNF Resource Prediction in NFV Environments[C]//2019 IEEE Conference on Network Function Virtualization and Software Defined Networks （NFV-SDN）. IEEE， 2019： 1-5.

[31]   Kim H G， Jeong S Y， Lee D Y， et al. A Deep Learning Approach to VNF Resource Prediction using Correlation between VNFs[C]//2019 IEEE Conference on Network Softwarization （NetSoft）. IEEE， 2019： 444-449.

[32]  Wang H， Wu Y， Min G， et al. Data-driven dynamic resource scheduling for network slicing： A deep reinforcement learning approach[J]. Information Sciences， 2019（498）： 106-116.

[33]   Li R， Zhao Z， Sun Q， et al. Deep reinforcement learning for resource management in network slicing[J]. IEEE Access， 2018（6）： 74429-74441.

[34]   Thantharate A， Paropkari R， Walunj V， et al. Deepslice： A deep learning approach towards an efficient and reliable network slicing in 5G networks[C]//2019 IEEE 10th Annual Ubiquitous Computing， Electronics & Mobile Communication Conference （UEMCON）. IEEE， 2019： 0762-0767.