基于人工智能的虚拟化网络功能动态编排算法

刘世芳，孙艳秋，张柯欣

(辽宁中医药大学信息工程学院，辽宁 沈阳 110847)

1 引言

虚拟化网络能够满足新兴网络服务需求，用户在虚拟化网络中，能够部署特定的网络服务，如互联网接入服务、移动语音服务等[1]。而一个服务包含多个网络功能，这些功能需要按照既定的逻辑顺序，使承载服务的网络流有序通过，因此，对虚拟化网络的功能链进行编排，将功能按照要求整合到序列中，为用户提供稳定的网络服务，具有重要意义[2]。

国外虚拟化网络功能编排研究较为成熟，让多个虚拟化网络，使用不同的网络技术与架构，隔离网络的数据平面和控制平面。在控制平面中，结合SDN技术对数据层业务流进行灵活配置，将底层网络抽象为多个逻辑隔离的虚拟网络，从网络带宽、设备CPU、拓扑、流表项等维度出发，划分并部署虚拟网络资源。国内虚拟化网络功能的编排同样取得了较大的进展，使用OpenFlow协议和一种抽象机制对物理网络进行抽象处理，为互联网用户提供网络拓扑，在网络中透明地迁移虚拟节点，为不同虚拟化网络功能提供相应的虚拟地址空间，在虚拟网络和物理网络之间，地址映射服务功能链，拼接不同基础设施的虚拟资源，并使用额外的数据库存储功能地址映射的结果[3]。

虽然上述研究能够在一定程度上满足网络服务需求，但是存在带宽资源开销较大、节点资源利用率较低、网络服务响应时间较长以及网络服务接收率较低的问题，为此提出基于人工智能的虚拟化网络功能动态编排算法，部署网络虚拟化环境，使功能编排由人工化向智能化转变，实现高效稳定的业务部署。

2 虚拟化网络功能动态编排算法设计

2.1 设计虚拟化网络功能动态编排约束条件

从网络服务质量出发，设计虚拟化网络功能动态编排约束条件。将底层物理网络看作一个有权无向的网络拓扑图，得到物理节点的集合和链路集合，忽略节点内存与存储等资源，将计算资源作为节点资源，将链路集合作为多带宽资源[4]。明确虚拟化网络功能链的动态需求，引入需求向量概念，表示功能链的需求特征，定义公式为

(1)

(2)

其中，Cf为第f个网络功能的资源容量；F为网络功能类型集合。G的值越大，说明该功能类型对服务功能链越重要，应优先得到满足[7]。按照式(2)的比例关系，确定不同功能类型的重要程度，进而排序网络功能的分配优先级。按照顺序对网络功能进行分配，计算功能分配的第一个决策变量，当功能分配到节点上，定义决策变量为1，未分配到节点上，则定义为0。当功能链s分配第f个网络功能时，第一个决策变量公式表示为

(3)

(4)

其中，bs为服务功能链s端到端的带宽资源。通过式(4)，确定分配第f个网络功能时，给功能链s安排资源大小[9]。定义第三个决策变量，使第f个网络功能与下一个网络功能产生通信，确定通信时需要经过的物理链路。三个决策变量编排完毕后，从节点和链路两部分出发，计算物理网络的资源容量约束条件，公式为

(5)

其中，S为服务功能链请求集合；B第f个网络功能在节点v上的资源容量；Qf，f+1为第三个决策变量，当第f个和第f+1个网络功能，两者通信经过物理链路时，取值为1，否则取值为0；E为通信经过链路的带宽资源容量[10]。当相邻网络功能分配到同一节点时，使两者直接在节点内完成通信，计算功能链端到端时延的约束条件，公式为

(6)

其中，l为服务功能链s的长度；J为决策变量Qf，f+1经过链路时的通信时延；qs为s能接受的最大端到端通信时延[11]。通过式(6)保证功能编排时延的合理性，至此完成虚拟化网络功能动态编排约束条件的设置。

2.2 设置虚拟化网络功能动态编排目标函数

将网络功能放置到物理节点上后，针对有序的网络功能建立虚拟化链路与物理链路之间的映射关系，形成特定的路由实现数据通路。从时延感知和资源分配两方面出发，计算数据通路的目标函数。在资源分配方面，计算瓶颈资源G的最小瓶颈资源比例值，公式为

(7)

其中，I为分配第f个网络功能时优化安排资源的直接相关系数[12]。在时延感知方面，计算网络功能在物理节点的处理时延H，公式为

(8)

其中，vf为节点v分配的第f个网络功能；Kf为该网络功能在节点v上的处理时延。数据流量在物理链路的传播时延L计算公式为

(9)

其中，R为第f个和第f+1个网络功能的数据流量在该物理链路上的传播时延。最大化瓶颈资源的最小瓶颈资源比例值，同时最小化服务功能链请求的端到端时延，将其作为功能编排的目标函数T，计算公式为

(10)

至此完成虚拟化网络功能动态编排目标函数的计算。

2.3 基于人工智能的动态编排虚拟化网络功能实现

通过人工智能技术训练出目标函数最优解，得到最优路由实现数据通路。选取人工智能技术中的遗传算法，将功能编排转换为最优染色体求解过程，输入功能编排目标函数，使染色体的种群索引值与服务功能链节点相对应。通过种群中的一个染色体表示物理节点与网络功能序列的部署关系，即服务功能链中编排网络功能的放置步骤，使其能够表示服务功能链的编排方案。功能链s对应染色体的遗传算子适应度Us

(11)

利用最优染色体的选择算子提高适应度U的染色体选中概率，避免遗传算法过早收敛。将染色体适应度除以总适应度，计算每个染色体被选择的概率V

(12)

通过式(12)计算单个染色体的累积选择概率。统计染色体在[0，1]区间内产生的随机数，当随机数小于或等于累积概率，将该染色体遗传到子代种群。针对子代种群，在保证基因数量与服务功能链长度一致的基础上，随机选择两个染色体的基因节点，采取次序交叉法交换染色体的基因节点，同时在染色体内部对基因进行插入和倒位等变异，产生新的子代。当目标函数满足约束条件时，停止迭代更新，输出最优解的染色体，得到服务功能链的最佳编排方案。其中最小瓶颈资源比例值的约束条件为式(5)，服务功能链请求时延的约束条件为式(6)，至此完成基于人工智能的虚拟化网络功能动态编排算法设计。

3 实验分析

为了验证所提算法的有效性进行实验验证，将此次设计算法记为实验A组，基于SDN技术的虚拟化网络功能动态编排算法记为实验B组，基于OpenFlow协议的虚拟化网络功能动态编排算法记为实验C组。运用三种算法对虚拟化网络功能进行动态编排，比较不同算法下的网络服务质量。

3.1 实验准备

实验环境搭建在Core-i7物理主机上，启动两台虚拟交换机连接到主机控制器，主机服务器配备了267GB内存、2 × 4 Intel Xeon 3.00 GHz 处理器，服务器运行内核为Linux4.4.0-31，将Web应用防火墙、流量生成设备Tester、流量清洗设备ADS等功能设备，均部署在物理网络中，通过流量生成器生成数据流，模拟访问者和被访问者，主机和设备之间通过直接的物理链路相连。通过拓扑生成器GT-ITM在100×100的二维坐标系中，生成胖树结构数据中心物理网络拓扑，如图1所示。

图1 物理网络拓扑结构

虚拟化网路在上图1所示的物理网络中运行，包含12个可部署的物理节点，各链路传输能力不同，每个节点虚拟化出四个节点资源为100的虚拟机，每个虚拟机仅能部署一个功能，以此承载虚拟化网络功能，节点链路带宽由SNDlib 给出，节点度数呈power law分布。

使用Python语言编排虚拟化网络功能，使业务请求的到达速率满足泊松分布，当网络满足服务请求时，持续处理服务业务数据包，直至用户请求撤销。在该物理网络中，网络功能初始化时，固定资源开销服从[10，30]，处理时延服从[10，30]，映射时的带宽资源开销服从[10，20]，网络功能的计算能力服从[1，4]，在每条物理链路的传播时延服从[1，5]，物理节点的计算资源负载阈值在区间[0.4，0.9]随机选择。

3.2 实验结果

3.2.1 带宽资源开销实验结果

三种算法分别对虚拟化网络功能进行编排，每个服务请求用一条虚拟化网络功能服务链表示，统计不同服务请求下带宽资源开销的变化情况，增加服务功能链请求数量，比较带宽在功能编排中造成的开销大小，实验对比结果如图2所示。

图2 带宽资源开销对比结果

由图2可知，实验A组的带宽资源开销始终低于130bps，而实验B组的带宽资源开销最大值达到了160bps以上，实验C组的带宽资源开销更高，最大值达到了200bps。相比实验B组和C组，A组带宽资源开销具有明显的优势性。

带宽资源开销比较完毕后，统计三种算法的虚拟化网络功能成本开销，实验对比结果如图3所示。

图3 网络功能成本开销对比结果

由上图3可知，实验A组虚拟化网络功能成本开销始终低于实验B组和实验C组的开销。虚拟化网络资源的总体编排开销为网络功能成本开销与带宽开销之和，由此可知，实验A组总体编排开销低于实验B组和C组的总体编排开销，说明所提算法具有更高的实际应用价值。

3.2.2 节点资源利用率实验结果

比较不同算法网络功能动态编排时的节点资源利用率，实验对比结果如图4所示。

图4 节点资源利用率对比结果

由上图4可知，实验A组节点资源的利用率始终高于实验B组和实验C组的利用率。实验A组节点资源利用率最高值为52%，而实验B组和实验C组的节点资源利用率最高值分别为45%和40%，实验A组的优势明显，这是由于该算法在设置资源容量、功能链时延的约束条件和目标函数的基础上，通过人工智能技术得出了目标函数的最优解，从而得到了网络功能在物理链路的最优编排方案。

3.2.3 网络服务响应时间实验结果

将500个网络服务导入三种算法的编排环境中，服务包含网络功能数量不同，每种服务各生成100个。从服务接收率和响应时间两方面出发，比较网络功能编排服务质量，网络服务响应时间对比结果如图5所示。

图5 网络服务响应时间对比结果

由上图5可知，实验A组的平均响应时间低于实验B组和C组的平均响应时间。网络服务接收率对比结果如图6所示。

图6 网络服务接收率对比结果

由上图6可知，实验A组的网络服务接收率虽然在网络功能数量为5个时，与实验B组和C组的接收率相同，但是除此之外，实验A组的网络服务接收率均具有一定的优势。

综上所述，此次设计算法降低了网络功能编排的总体开销，增加了节点资源利用率，能够充分保证网络负载的均衡性，同时缩短了服务响应时间，提高了网络服务接收率，其网络服务的处理能力和服务质量明显优于传统编排算法。

4 结论

为了解决传统算法存在的网络服务质量不高的问题，提出了基于人工智能的虚拟化网络功能动态编排算法。此次设计算法结合人工智能技术对虚拟化网络功能进行编排，降低了编排过程的资源开销，提高了网络服务质量。但此次研究仍存在一定不足，在今后的研究中，会对服务功能链的备份机制进行深入分析，有效解决服务功能链自身的故障问题。