异构网中资源属性差异化的自适应虚拟映射算法设计

余 庚

（福建船政交通职业学院汽车学院，福建 福州 350007）

网络功能虚拟化作为互联网技术的延伸，为工业互联网领域的诸多应用做出了良好贡献。该技术核心优势是可在维持现有投资规模的基础上增加客户QoS而赢得商业优势。此优势引发了运营商和学术界广泛关注，并纷纷研究该技术部署在LTE蜂窝网络中的应用。以文献[1]为例，其阐述了基于随机请求的递归映射策略。该策略可针对随机突发特征的映射请求，适配出链路和节点的双重映射方案。倘若生成的映射方案不及此前既定的映射方案效率，则递归先前的映射方案开展部署。然而，实践表明，该方案仅在特定规模的拓扑环境中凸显部署成效,不具普适性。相比之下,文献[2]提倡的基于物理架构级的虚拟映射方案具有较好的可行性。该方案综合考虑了物理网元在受理虚拟计算请求时的实际韧度，从而科学地适配出基于资源级的映射机制。此方案有助于优化LTE映射成效，同时提升网元载荷均衡度，但却忽略了LTE系统在实际部署中的异构特征。为此，文献[3]提出基于异构的多元启发式映射算法。该算法主张根据异构LTE网元和链路的韧度，组建出一个基于虚拟请求的物理节点集合和物理链路集合，从而随机生成映射方案。部署表明，该算法在应对大规模的虚拟计算请求时，由于缺乏异构物理资源的均衡性管控，导致映射成效无法持续走高。究其原因，是缺乏对物理节点的韧度属性排序管理，导致映射资源失衡。

可见，当前主流研究针对异构LTE虚拟映射的问题讨论依然存在一定的空间。因此，本文根据异构LTE物理资源的韧度属性特征，从科学管控虚拟计算资源和异构物理资源属性的角度出发，规划一个对异构物理资源进行属性区分的非线性虚拟映射算法，旨在进一步提升异构LTE映射的普适性。

1.算法方案

为便于说明LTE异构特性，AVMD算法中的无线接入点，即物理接入点(Phycical Node，PN) 部署在异构LTE网络所覆盖的区域内，且PN归属的无线区域网络彼此之间所涉及的频段相对独立。异构LTE全网允许多个MS向LTE网络发起虚拟资源计算请求。每当MS发起请求，LTE全网异构基础设施将受理此计算请求，并将该请求映射至异构LTE的虚拟网络。异构LTE全网中的每个子频带都视作一个相对独立的带宽资源，这些带宽资源构成了异构LTE全网接入带宽。

针对虚拟网络的映射，出于算法时间复杂度的考虑，现阶段多数采用随机映射方案将虚拟节点(Virtue Net，VN) 映射至PN，并从物理网络中任意锁定一个能应对该虚拟资源计算请求的PN部署映射作业。不可否认，此举在映射效率方面表现突出，但异构LTE全网却为此付出了均衡性代价。相对于小规模的移动虚拟计算而言，大规模的MS接入请求势必引发LTE各方计算资源的博弈。在此环境下，异构LTE虚拟资源和物理资源的均衡程度将直接决定移动应用业务响应的QoS[4]。而科学高效的虚拟映射应同时着眼于链路和节点。具体而言，LTE因其自身异构特征，使其在实施链路映射时，不仅需顾及虚拟链路(Virtue Link,VL)的预置资源、VL的邻接链路带宽资源，对于PN节点的映射应对强度评估，还需全面地考虑到PN的规模、收发窗口、可用线程数量、载荷度等异构物理基础设施的客观性能。此外，对于PN的映射约束前提也是衡量映射成效科学与否的衡量标准。

基于上述思路，AVMD算法作出如下方案部署：首先，假定将异构LTE配置的窗口带宽资源视为VL应对虚拟映射计算请求的韧度属性。再设计PN和物理链路（Phycical Link，PL）评估模型，获取PN和PL的韧度值T，从而求得该VN的后备物理单元。然后，根据所求得的后备物理单元规模，按照优先级[5]排队选出最适合作为受理映射的PN组的选项。最后，根据经典Dijkstra算法，提出一个具有动态调度能力的评估函数模型，计算出映射代价最小的PN和PL，进而科学地完成一个具有全局自适应的资源级映射全过程。

2.算法设计

根据AVMD算法方案思想，韧度属性是科学考察异构LTE网络资源应对虚拟计算请求的重要指标。此处，令异构LTE网络中的第个虚拟网络里面共含个VL，其子集记作。异构LTE物理网络中受理映射的PL规模为，该物理网络中的PL总规模为 。

同样，要科学评估PN韧度也需考虑底层物理资源所对应的设备处理单元载荷度L、数量Q、窗口C、可用存储空间M和接入设备规模S。首先，引入判断机制[6]，分析第个虚拟网络中的第个VN当下是否工作于第个接入点设备中。将该判断因子记作若该VN当前正工作于接入点设备上，则置1；反之置0。同时，将第个虚拟网络中VN的规模记作为全方位地考察异构LTE中PN的可用性，本处将第个接入点设备的韧度评估为：此处,为一个调节参量，用于规避分母趋于零的情形。显然，借助该韧度评估函数的测算可精确地考察出异构LTE中的PN是否在响应虚拟资源计算时具有良好的虚拟计算应对能力。

为了更客观地从异构LTE中筛选出具有资源全局均衡性且能快速响应虚拟计算的PN，AVMD算法需为每个VN提请的虚拟计算请求筛选出一定规模供映射的备用PN，筛选期间不再受限于参数Q、C、M。倘若部署异构LTE系统时，给定的PN符合函数的约束，则要求扩大相应的备用PN规模。照此思路，为所有VP罗列出相应规模的备用PN后，再对该备用PN按照优先权的高低开展排序。如果某个VN对应的PN规模最少，则具有更高的优先权去部署映射。随后，运用Dijkstra算法，为备用PN网元A评估出和其相邻VN的其余备用PN网元B之间的距离。由于每一个VN都对应了一定数量的备用PN，因此,有必要为网元A引入一个基于高度线性化的映射目标评估函数用于定位映射的备用PN。其中,高度线性化旨在最大程度确保异构LTE全网映射资源的自适应均衡[7]，从异构LTE全网的角度优化映射效率。假设网元A和B之间的局向代价为,VN的所有备用PN规模为,并定义为备用网元A的韧度属性，为相邻VN的备用PN规模，于是可得该映射目标评估函数为：。经由该函数可评估出的每一个备用PN的目标值，再从中筛选出最小目标值的备用PN开展映射。经由该函数确定了备用PN映射目标后，其映射的最优VL也将同步确定。

由于虚拟映射包含链路和节点的映射，因此，考察AVMD算法的非线性[8]评估函数能否在一次映射中使节点和链路的双映射值兼具全局普适性，可通过链路和节点的韧度比来考量方案的科学性。将异构LTE系统中的PN的规模定义为，VN在映射时，从中筛选出备用PN的数量为，进而得出链路的韧度比和节点的韧度比为：和。此韧度比值在理想映射条件下恒满足。然而，随着MS的持续接入，在实际部署映射时，异构LTE中将生成越来越多的虚拟网络，这将使得和不再恒守于1。这是由于在接入的MS规模较小时，映射粒度[9]较大，调配韧度较低的PN和PL等异构资源的复杂度较小。反之，当接入异构LTE的MS规模剧增时，调配韧度较高的异构物理资源来应对虚拟映射计算的时间复杂度、空间复杂度都显著增加。

3.算法测试

算法在测试时，首先在Matlab平台上生成一个由200个PN构成的无线网。该无线网共有20个MS接入，接入带宽为20 Mb/s。PN的载频窗口在4 GHz至10 GHz之间变化，处理器规模在4个至10个之间随机变化，存储空间在4 GB至8 GB之间变化。映射实验涉及的VN有80个。为了客观考察AVMD算法引入待虚拟映射PN排序策略的科学性，本次试验将文献[3]主张的无排序机制的多元启发式映射算法作为对比，统计出异构LTE可用虚拟网络规模和韧度来凸显AVMD算法的成效。两个对比方法的区别在于，前者多元映射在初始阶段采用随机映射策略，后者AVMD算法则是在对VN的备用PN开展优先权计算排队后才开始部署虚拟映射。试验在80次测试后开展数据统计对比。

图1所示曲线描述的是两种算法方案随着VN规模的变化所生成的可用于映射的虚拟网络规模。从曲线走势不难看出，在初始阶段VN规模不多的情形下，两种算法方案生成的虚拟网络规模较为接近。但随着VN规模持续增加，两种方案下的虚拟网络生成量总体均呈现下滑趋势。这是由于VN节点的增加在一定程度上增加了算法部署的时间复杂度和空间复杂度，加之节点规模的扩大将持续地增加节点在存储空间、处理器频率等资源方面的约束[10]程度，这更加弱化算法方案的部署效率。即便如此，相对于多元映射算法，AVMD算法仍因其引入备用PN节点排序机制而表现出显著的优势。

图1 不同算法方案的虚拟网络规模

为考察PN规模的变化对生成虚拟网络规模的影响，试验将接入MS规模降至10个，同时将处理器规模参数做减半调整。调整参数后，两个算法方案所生成的虚拟网络数量统计情况如图2所示。从曲线走势可以看出，统计结果和图1曲线统计结果相当。可见，该参数的变化对于算法成效的影响微乎其微。但相对多元映射算法而言，AVMD算法仍略显优势。

图2 PN规模变化对算法成效的影响

为考察PL规模的变化对生成虚拟网络规模的影响，试验将接入带宽增至40 Mb/s。调整参数后，两个算法方案所生成的虚拟网络数量统计情况如图3所示。图中曲线数据表明，这样的参数调整方式能够显著地促进两种算法生成更多的虚拟网络，尤其对于AVMD算法而言，提升的幅度较为显著，和PL规模的变化呈现出线性关系，这完全得益于AVMD算法引入了备用PN节点排序机制。由此可知，异构LTE中PL规模的增加对于物理网络实施映射才具有决定性意义。

图3 PL规模变化对算法成效的影响

图4所示曲线描述了两种算法方案下的网元韧度比。图中可见两种算法的比值均随着VN规模的增加逐渐呈现下滑趋势。究其原因，增加VN必然导致PN应对虚拟映射的韧性值提高。由韧度比的表达式不难看出，韧性值和韧度比成反比，这与曲线走势体现的含义一致。虽然两种算法下的曲线较为接近，但相比之下，多元映射算法计算出的韧度比值更加偏离理想值1。此现象说明了为备用PN引入优先权排列的思想有助于均衡LTE网元载荷度。换言之,AVMD算法下的PN具备更高的QoS。

图4 不同算法方案的网元韧度比

4.总结

AVMD算法针对异构LTE中资源属性差异化的特征，提出一种资源级的非线性虚拟映射机制，并将该机制部署在异构无线网络中，用于为接入MS和物理设施科学地匹配出映射目标链路和目标网元。测试表明，AVMD算法在实施资源级虚拟映射时，不仅提升了异构网络的映射成效，同时对异构资源所部署的均衡管控策略也将随着虚拟网络的增加而表现出可持续性的全网优化成效。