IoT-MEC网络中服务功能链主动重构方法

摘 要：在移动边缘计算的物联网（Ｍｏｂｉｌｅ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇｅｎａｂｌｅｄ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ Ｎｅｔｗｏｒｋｓ，ＩｏＴ-ＭＥＣ） 中，物联终端的高移动性、服务请求的随机到达性以及网络流量的实时变化，导致原有应用场景下的资源配置与服务部署不再完全匹配。如何有效利用网络提供的资源以实现服务功能链（Ｓｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ Ｃｈａｉｎ，ＳＦＣ） 的实时部署和重构是一个重要的挑战。针对用户的高移动性和网络流量的实时变化造成的ＳＦＣ 性能需求和已分配资源不匹配的问题，提出ＩｏＴ-ＭＥＣ 网络中基于用户移动和资源需求预测的ＳＦＣ 重构策略。建立以ＳＦＣ 的端到端时延和重构成本最小化为目标的整数线性规划模型；设计基于注意力机制的Ｅｎｃｏｄｅｒ-Ｄｅｃｏｄｅｒ 移动用户轨迹预测模型和基于长短期记忆（Ｌｏｎｇ Ｓｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ） 网络的虚拟网络功能（Ｖｉｒｔｕａｌ Ｎｅｔｗｏｒｋ Ｆｕｎｃｔｉｏｎ，ＶＮＦ） 实例资源需求预测模型，分别准确预测用户移动轨迹和节点负载；基于预测结果提出ＳＦＣ 主动重构（Ｐｒｅｄｉｃｔ-ｂａｓｅｄ ＳＦＣ Ａｃｔｉｖｅ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ，ＰＳＡＲ） 启发式算法，确保在服务质量（Ｑｕａｌｉｔｙ ｏｆ Ｓｅｒｖｉｃｅ，ＱｏＳ） 下降之前，提前完成ＶＮＦ 迁移和路由更新，实现ＳＦＣ 的主动重构和无缝迁移，保证网络的一致性高质量服务。仿真结果表明，所提算法有效降低了ＳＦＣ 端到端时延和重构成本。

关键词：移动边缘计算；物联网；服务功能链；重构；注意力机制

中图分类号：ＴＮ９２９． ５ 文献标志码：Ａ 开放科学（资源服务）标识码（ＯＳＩＤ）：

文章编号：１００３－３１０６（２０２４）０６－１５４３－１０

０ 引言

物联网（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ，ＩｏＴ）设备的迅速普及造成ＩｏＴ 终端（如工业传感器、智能摄像头等）产生了越来越多异构的计算密集型和时延敏感型业务请求［１］。为了满足这些请求流的安全性和时敏性等要求，互联网服务提供商（Ｉｎｔｅｒｎｅｔ Ｓｅｒｖｉｃｅ Ｐｒｏｖｉｄｅｒ，ＩＳＰ）可利用移动边缘计算（Ｍｏｂｉｌｅ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ，ＭＥＣ）技术［２］和网络功能虚拟化（Ｎｅｔｗｏｒｋ ＦｕｎｃｔｉｏｎＶｉｒｔｕａｌｉｚａｔｉｏｎ，ＮＦＶ）技术，在网络边缘侧部署由多个虚拟网络功能（Ｖｉｒｔｕａｌ Ｎｅｔｗｏｒｋ Ｆｕｎｃｔｉｏｎ，ＶＮＦ）依序组成的服务功能链（Ｓｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ Ｃｈａｉｎ，ＳＦＣ）为请求流提供低时延且高质量的网络服务［３］。然而，在支持移动边缘计算的物联网（ＭｏｂｉｌｅＥｄｇｅ Ｃｏｍｐｕｔｉｎｇ-ｅｎａｂｌｅｄ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ Ｎｅｔｗｏｒｋｓ，ＩｏＴ-ＭＥＣ）中，由于用户的高移动性可能会造成用户边缘接入位置切换，从而导致之前已部署的ＳＦＣ 违反端到端时延约束［４］。同时，越来越多的ＩｏＴ 设备试图随时随地访问边缘服务，会导致网络流量实时变化［５］，可能造成已部署ＳＦＣ 对底层网络的资源需求发生变化，从而超出部署节点的资源使用阈值。因此，为了减少网络状态变化对网络服务质量（Ｑｕａｌｉｔｙ ｏｆ Ｓｅｒｖｉｃｅ，ＱｏＳ）的不利影响，确保为用户提供一致性的高质量服务，ＩＳＰ 需要对部分已部署的ＳＦＣ 进行重构或无缝迁移。

目前，ＳＦＣ 重构的相关研究工作可按重构动机分为２ 类：被动重构［６－９］ 和主动重构［１０－１１］。文献［６］研究了移动边缘网络中ＳＦＣ 的被动重构方案，以支持移动用户跨基站移动时其业务的无缝迁移。该文献假设用户的移动轨迹是已知的，而实际中，移动用户的移动轨迹具有一定的随机性，用假设位置已知的方式进行业务迁移会造成部分业务迁移失败。文献［７］提出了一种在线惰性迁移自适应干扰感知算法，用于实时部署ＶＮＦ 和５Ｇ 网络切片中的ＶＮＦ 迁移。文献［８］引入了启发式算法和基于强化学习的算法来解决ＮＦＶ 网络中的ＳＦＣ 放置和迁移问题。但文献［７－８］忽略了网络流量的实时动态变化对服务器负载的影响，可能造成资源碎片化或资源浪费。文献［９］以最小化所有受影响业务的端到端延迟并同时保证迁移后的网络负载均衡为目标，确定ＶＮＦ 实例并发迁移的最优位置分配。但该文献没有考虑ＶＮＦ 的迁移成本以及迁移后重路由路径的选择。上述ＳＦＣ 重构机制都是基于网络中的某个条件被触发时进行的被动重构，该机制往往存在滞后性，可能导致服务中断［１２］，且由于网络状态的迅速变化可能会频繁触发重构条件，导致ＳＦＣ频繁地重构，造成网络整体性能下降。

与被动重构策略不同，主动重构通过实时监控ＳＦＣ 性能，预测用户移动轨迹和节点负载变化等情况，对当前已部署的ＳＦＣ 进行重构，不仅可以降低网络状态变化对ＱｏＳ 的影响，还可以实现ＳＦＣ 的无缝迁移。具体来讲，文献［１０］提出了一种基于节点计算负载和ＳＦＣ 资源需求预测的ＳＦＣ 主动重构机制，与被动重构相比，有一定的优势，但其未考虑ＩｏＴ 终端用户的高移动性对网络状态带来的影响。文献［１１］提出一种基于在线训练的双向门控循环单元算法预测ＶＮＦ 的资源需求，并基于资源预测结果采用分布式近端策略优化的迁移算法，提前制定ＶＮＦ 迁移策略。但该文献仅依据单条ＳＦＣ 上ＶＮＦ的资源信息进行部署节点负载预测，没有考虑现实环境中单个ＶＮＦ 实例通常是被多个ＳＦＣ 共享的情况［１３］，会造成节点负载预测不准确，从而影响ＳＦＣ的重构性能。

综上所述，目前还没有相关工作联合考虑基于用户移动轨迹和节点负载进行预测的方式，实现ＩｏＴ-ＭＥＣ 中ＳＦＣ 的主动重构和无缝迁移。在已有研究基础上，设计了一个基于用户移动和资源需求预测的ＳＦＣ 主动重构方案来解决ＩｏＴ-ＭＥＣ 网络环境动态变化造成的已分配网络资源和服务需求不匹配的问题，在网络ＱｏＳ 下降之前，提前完成ＳＦＣ 的迁移和路由更新，为用户提供一致性的高质量服务。具体内容为：① 定义ＩｏＴ-ＭＥＣ 网络中的ＳＦＣ 主动重构问题，并将其刻画为一个以端到端时延和重构成本最小化为目标的整数线性规划（Ｉｎｔｅｇｅｒ Ｌｉｎｅａｒ Ｐｒｏ-ｇｒａｍｍｉｎｇ，ＩＬＰ）模型；② 设计基于注意力机制的移动用户轨迹预测模型和一种基于长短期记忆（ＬｏｎｇＳｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）网络的算法分别对用户移动位置和节点负载进行预测，并基于预测结果提出ＳＦＣ 主动重构（Ｐｒｅｄｉｃｔ-ｂａｓｅｄ ＳＦＣ Ａｃｔｉｖｅ Ｒｅｃｏｎｆｉｇ-ｕｒａｔｉｏｎ，ＰＳＡＲ）算法；③ 将提出的ＰＳＡＲ 算法与现有算法进行性能对比，结果表明ＰＳＡＲ 能有效降低ＳＦＣ 端到端时延和重构成本。

１ 系统建模与问题定义

１． １ 物理网络

将移动边缘云网络建模为一个无向图Ｇ ＝ （Ｃ∪Ｂ，Ｌ），其中，Ｂ 表示基站，Ｃ 表示微云，Ｌ 表示物理链路。如图１ 所示，ＩＳＰ 运行这些微云为用户提供服务，时间间隔Ｔ 被分成许多大小相同的小周期间隔，称为时隙。在每个时隙ｔ 的开始，ＩｏＴ 移动用户都会通过基站接入边缘云网络，并向ＩＳＰ 发送服务请求，也就是说，每个基站作为ＭＥＣ 网络中移动用户的中继点，位于网络中的不同区域，只起到服务接入和转发的作用，微云和基站处于同一位置。

微云上的资源类型一般有ＣＰＵ、内存和存储，假设每个微云上的存储资源是充足的，而ＣＰＵ 资源和内存资源有限，对ＭＥＣ 网络中的每个微云ｃ∈Ｃ，其ＣＰＵ 资源容量为Ｃｃ，内存资源容量为Ｍｃ，计算资源利用率的范围为μ⌒ｃ ≤μｃ ≤μ⌒ｃ，内存资源利用率的范围为μ⌒ｍ ≤μｍ ≤μ⌒ｍ 。连接基站ｕ 和基站ｖ 之间的物理链路上的带宽容量为Ｂｕｖ。基站和微云之间是高速链路，不考虑它们之间的时延。

１． ２ ＳＦＣ 模型

用Ｒ 表示ＩｏＴ-ＭＥＣ 网络中所有请求流的集合。如图１ 所示，将移动用户发出的请求流建模为ＳＦＣ，并将其转化为有向图Ｇｉ ＝ （Ｆｉ，Ｌｉ），其中，Ｆｉ 表示ＩｏＴ请求流ｉ 所需的ＶＮＦ 的集合，对任意的ＶＮＦ ｍ∈Ｆｉ，其所需的计算资源为ｆｃｐｕｉ，ｍ ，所需的内存资源为ｆｍｅｍｉ，ｍ 。Ｌｉ 表示ＳＦＣ ｉ 上的虚拟链路的集合。ＩｏＴ 网请求流ｉ的最大可容忍端到端时延为Ｒｄｅｌａｙｉ ，带宽资源需求为Ｒｂｗｉ ，用于ＳＦＣ 无缝迁移的最大可容忍时延为Ｔｉ。

按照一定的时间间隔获取连续的一段时间内的移动用户的历史轨迹信息，历史轨迹由地理坐标点的空间信息和到达该区域的时间信息组成，表示为Ｘ ＝ （ｌ１ ，ｌ２ ，…，ｌＴｏｂｓ），其中Ｔｏｂｓ 表示观测序列的长度，ｌｔ ＝ （ｌｎｇｔ，ｌａｔｔ）表示在ｔ 时刻的轨迹点，ｌｎｇｔ 和ｌａｔｔ 分别表示ｔ 时刻移动用户所处位置的经度坐标和纬度坐标。通常，移动终端的时空活动轨迹与基站之间存在大量的误差和噪声数据，要想得到有效的移动终端历史轨迹数据，必须将这些误差和噪声数据消除。为了处理由于用户在某些地点的长时间停留产生的大量重复数据，对轨迹序列中相邻的且在同一位置的数据，进行合并，仅保留第一次出现的重复数据。由于移动用户位于２ 个基站的覆盖范围重合处时，会导致移动终端信令在２ 个基站之间来回快速切换产生乒乓现象，采取直接删除的方式对乒乓数据进行过滤处理。

为了得到细粒度的预测结果，采用位置信息网格化法对去除噪声后的轨迹数据进行网格化预处理。具体来说，将移动边缘云网络进行网格化，每一格是一个半径为ｒ 米的正六边形蜂窝网络。记录第ｊ 个网格的中心经纬度坐标ｇｊｌｎｇ，ｇｊｌａｔ。轨迹序列中每一个轨迹点所映射的网格编号的计算为：

网格化处理后轨迹点中的ｌｔ 映射到的网格编号为ｆｔ，然后使用独热编码将网格编号转换为网格索引号ｉｄｘｔ。进而可以得到以网格索引号表示的移动用户轨迹序列Ｘ ＝ （ｉｄｘ１ ，ｉｄｘ２ ，…，ｉｄｘＴｏｂｓ）。

２． １． ２ 基于注意力机制的编解码器预测模型

由于Ｅｎｃｏｄｅｒ-Ｄｅｃｏｄｅｒ 模型可以将特征提取和预测两部分解耦，因此其天然具有序列预测能力，提出一种基于Ｅｎｃｏｄｅｒ-Ｄｅｃｏｄｅｒ 的移动用户轨迹预测模型，如图２ 所示。主要由３ 个网络结构组成：由双向ＬＳＴＭ（Ｂｉｄｉｒｅｃｔｉｏｎａｌ ＬＳＴＭ，Ｂｉ-ＬＳＴＭ）网络构成的编码器用以提取历史轨迹中的隐含时序特征、由ＬＳＴＭ 网络和全连接层组成的解码器和注意力层（Ａｔｔｅｎｔｉｏｎ Ｌａｙｅｒ）。

考虑到移动用户轨迹数据具有时间序列数据的特点，且时间序列预测数据的结果会受到未来数据的影响，因此，选择Ｂｉ-ＬＳＴＭ 作为编码器。Ｂｉ-ＬＳＴＭ神经网络结构模型包含了２ 个独立的ＬＳＴＭ，输入序列分别以正序和逆序输入至２ 个ＬＳＴＭ 神经网络进行特征提取得到２ 个输出向量，Ｂｉ-ＬＳＴＭ 的输出将由这２ 个输出向量共同决定。

由于移动用户的轨迹序列中每个时刻的轨迹点的重要程度是不同的，而Ｂｉ-ＬＳＴＭ 对这些输入的长时间轨迹序列没有区分。故将上面输出的最终的隐藏层变量输入至注意力层，使得注意力层对隐藏层向量赋予不同的权重大小进行加权求和，权重为不同时间点上提取到的特征的重要程度，权重越大代表特征的贡献程度更大，使用获取到的权重值与隐藏层输出加权求和得到新的隐藏层的输出特征值，即上下文向量Ｃｉ。

解码器第一层的ＬＳＴＭ 接收上一时间的预测结果、上一时间的隐藏状态和上下文向量生成该时刻的隐藏状态向量，然后查看上下文向量和当前时隙的隐藏状态向量生成当前时隙的预测输出值。在模型中，全连接神经网络处理编码器端ＬＳＴＭ 隐层的输出。在全连接神经网络的输出层使用ｓｏｆｔｍａｘ 函数，输出移动用户停留在每一个网格的概率，取概率最大的索引对应的网格作为移动用户在下一时刻最可能出现的位置。

使用反向传播训练预测模型，对网络参数进行迭代更新，交叉熵损失函数为：

式中：ｙＴｏｂｓ＋ｉ，ｊ 表示在Ｔｏｂｓ ＋ｉ 时隙的真实的位置标签，ｙ′Ｔｏｂｓ＋ｉ，ｊ 表示模型认为在时隙Ｔｏｂｓ ＋ｉ 处于网格ｊ 的概率。

２． ２ 节点负载预测模型

在预测ＶＮＦ 实例资源需求时，要同时考虑时间和空间信息，不能仅依据单个ＶＮＦ 的历史数据去预测，而是要同时考虑ＳＦＣ 中其他ＶＮＦ 的特征信息来实现较为准确的资源需求预测。由于ＶＮＦ 是可以被多条ＳＦＣ 共享的，因此还需考虑当前ＳＦＣ 和其他ＳＦＣ 中的其他ＶＮＦ 资源使用信息来作为训练数据。这是因为，ＶＮＦ 会接收来自其他ＶＮＦ 的流量，当目标ＶＮＦ 的前２ 个ＶＮＦ 资源不充足时，可能会产生垃圾流量或与目标ＶＮＦ 中断连接，使用其他ＶＮＦ的资源使用数据做训练数据可以大大提高预测精度。

当ｘ ＝ ｃｐｕ 时，表示ＶＮＦ ｍ 的ＣＰＵ 计算资源使用历史数据；当ｘ ＝ ｍｅｍ 时，表示ＶＮＦ ｍ 的内存资源使用历史数据。对不同类型的资源训练不同的模型以完成资源需求预测。ＶＮＦ ｍ 的资源使用历史数据为：

ｒｍ，ｘ ＝ ｛ｒ１ｍ，ｘ ，ｒ２ｍ，ｘ ，…，ｒｔｍ，ｘ ｝， （２０）

式中：ｒｔｍ，ｘ 表示ｔ 时隙ＶＮＦ ｍ 的ＣＰＵ 或内存资源使用历史数据。

如图３ 所示，ＶＮＦ 实例资源需求预测模型由ＬＳＴＭ、注意力机制和全连接层组成。首先，将与目标ＶＮＦ 相关的ＶＮＦ 的资源使用历史信息ｒｉ 输入至ＬＳＴＭ 网络；然后，因每个ＶＮＦ 的资源使用历史信息对目标ＶＮＦ 的资源需求预测影响程度不同，将ＬＳＴＭ 学习到的信息输入至注意力机制，以对每个ＶＮＦ 分配不同的权重；最后，由训练好的多层神经网络得到下一时刻的ＶＮＦ 资源需求。

２． ３ 服务功能链重构算法

本节将详细说明当ＶＮＦ 对底层物理网络资源需求超出节点的资源使用范围，或由于用户移动导致端到端时延约束被违反时，如何确定待迁入边缘服务器，及当ＶＮＦ 完成迁移后，如何实现重路由路径的选择。ＳＦＣ 重构触发算法实现流程如算法１ 所示。

算法１ 的触发条件为用户移动导致ＳＦＣ 端到端时延约束被违反或ＶＮＦ 实例资源需求超出节点负载范围，第２ 行中，集合Ｎｉ 中存储ＳＦＣ ｉ 中的过载节点。在第３ ～ ８ 行，预测ＳＦＣ ｉ 中的每一个ＶＮＦ 的资源需求，根据预测结果计算物理节点ＣＰＵ 资源利用率和内存资源利用率，如果大于资源利用率上限或小于资源利用率下限，则将其添加至ＳＦＣ ｉ 的过载节点集合Ｎｉ。在第９ ～ １２ 行将由于ＶＮＦ 资源需求超出节点资源利用率范围触发ＳＦＣ 重构的ＳＦＣ 添加至Ｓ１ ，并添加Ｎｉ 至Ｎ。第１４ ～ １６ 行，将违反端到端时延约束的请求流添加至Ｓ１ 和Ｓ２ ，那么仅违反端到端时延约束但节点未过载的ＳＦＣ 集合为Ｓ２ ，仅ＶＮＦ 实例资源需求超出节点资源利用率范围但端到端时延要求满足的ＳＦＣ 存储在Ｓ１ 和Ｓ２ 的差集中。当得到需要重构的ＳＦＣ 时，要确定待迁移ＶＮＦ 以及待迁入的边缘服务器以实现无缝迁移，ＶＮＦ 迁移算法如算法２所示。

第３ ～ １４ 行对仅由端到端时延不满足触发重构的ＳＦＣ 完成ＶＮＦ 的迁移，一条ＳＦＣ 中迁移ＶＮＦ 的顺序按照其节点上的资源利用率大小排序，即节点负载最高的其上的ＶＮＦ 最先迁出。第６ ～ ７ 行在满足资源约束、无缝迁移和端到端时延的候选节点集中选择迁移成本和端到端时延最小的节点作为待迁入节点，调用算法３ 获得重路由路径。第１５ ～ ２０ 行将ＳＦＣ 中所有ＶＮＦ 实例资源需求超出节点负载范围的ＶＮＦ 从过载节点上迁出。

由于ＳＦＣ 的迁移实际上可以看作是待迁移ＶＮＦ 上未完成处理的数据的迁移。在给出迁移的源边缘节点和目标边缘节点后，可以使用多条路由路径同时迁移数据包，以高效地传输业务数据。算法３ 详细说明了重路由路径的选择，其中，第５ 行为获取最短路径ｐ 上的所有链路的最小带宽值。

３ 性能评估

３． １ 仿真设置

３． １． １ 数据集

选择微软亚洲研究院提供的一个公开的数据集ＧｅｏＬｉｆｅ［１５］训练移动用户轨迹预测模型，本文只使用了来自北京的轨迹，选取其中２ ０００ ｍ × ２ ０００ ｍ 的郊区，取２７０ 条用户的轨迹记录，对每一条轨迹记录，只使用其经度、纬度和时间戳信息。轨迹采样时间间隔为３０ ｓ。随机选择８０％ 的数据作为训练集，剩下２０％ 的数据作为测试集，轨迹预测模型准确度达到了９５％ 。另外在真实的数据集Ｍａｔｅｒｎａ Ｔｒａｃｅｓ（ＢｉｔＢｒａｉｎ）［１６］上评估负载预测模型，该数据集收集了分布式云数据中心３ 个月内的１ ７５０ 个虚拟机数据，数据包含虚拟机的１２ 个特征指标，包括ＣＰＵ 利用率、内存利用率等。同样随机选择８０％ 的数据作为训练集，剩下２０％ 的数据作为测试集，利用负载预测模型，预测准确度达到９６％ 。

３． １． ２ 网络拓扑与ＳＦＣ

构造一个由１５０ 个边缘服务器组成的ＭＥＣ 系统。

正六边形蜂窝网络的半径为２００ ｍ，单个边缘服务器的ＣＰＵ 容量设置为２０ ～２５ ＧＨｚ，内存容量为３０ ～ ４０ ＧＢ，每条链路的带宽容量设置为５００ ～ １ ０００ Ｍｂ ／ ｓ，传输成本设置为１０ ～ ３０，μ⌒ｃ 和μ⌒ｍ 设为０． ２，μ⌒ｃ 和μ⌒ｍ 设为０． ８［１７］。

每条ＳＦＣ 由３ ～ ６ 个ＶＮＦ 组成，最大可容忍端到端延迟设为５０ ～ １００ ｍｓ，无缝迁移的延迟阈值为１５ ｍｓ，带宽资源需求设为２０ ～ １２０ Ｍｂ ／ ｓ。每个ＶＮＦ 的ＣＰＵ 资源需求为１ ～ ３ ＧＨｚ，内存资源需求为２ ～ ４ ＧＢ。

３． １． ３ 对比算法

① 基于动态规划的ＳＦＣ 迁移（Ｄｙｎａｍｉｃ Ｐｒｏｇｒａｍ-ｍｉｎｇ ｂａｓｅｄ ＳＦＣ Ｍｉｇｒａｔｉｏｎ，ＤＰＳＭ）算法［６］：ＤＰＳＭ 算法中，当用户跨基站移动导致延迟不满足时触发基于动态规划的迁移，但其假设用户的移动轨迹是已知的；

② 强化动态规划Ｑ 学习算法（Ｄｅｅｐ ＤｙｎａｍｉｃＰｒｏｇｒａｍｍｉｎｇ-Ｑ，ＤＤＱ）［１７］：ＤＤＱ 基于图神经网络（Ｇｒａｐｈ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＧＮＮ）预测ＶＮＦ 实例的资源需求，然后利用ＤｙｎａＱ 算法完成ＳＦＣ 重构；

③ 基于禁忌搜索重构的模糊Ｃ 均值算法（ＴａｂｕＳｅａｒｃｈ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ ｂａｓｅｄ Ｆｕｚｚｙ Ｃ-Ｍｅａｎｓ，ＴＳＲＦＣＭ）［１８］：ＴＳＲＦＣＭ 在原有禁忌算法基础上引入模糊Ｃ 均值算法得到最优的ＳＦＣ 重构策略；

④ 最优调度算法（Ｏｐｔｉｍａｌ Ｓｃｈｅｄｕｌｉｎｇ Ａｌｇｏｒｉｔｈｍ，ＯＳＡ）［１９］：ＯＳＡ 在最优停止时间重新调度ＶＮＦ 的放置。

３． ２ 仿真结果分析

图４ 展示了所述ＰＳＡＲ 算法与对比算法在ＳＦＣ数量变化时的平均ＳＦＣ 时延。由图可知，ＰＳＡＲ 和其他对比算法的平均时延都随着ＳＦＣ 数量的增加而增大。尽管ＤＰＳＭ 将用户的移动性纳入考虑，但其假设用户的移动轨迹是已知的，无法处理用户动态变化的情况，故其平均时延高于ＰＳＡＲ，但低于其他３ 种算法。ＤＤＱ 和ＴＳＲＦＣＭ 算法的时延性能差于ＯＳＡ，因为这２ 个算法未考虑优化ＳＦＣ 时延。

图５ 比较了不同算法在ＳＦＣ 数量变化时的重构成本。可以看出重构成本与ＳＦＣ 数量成正比。原因是ＳＦＣ 数量越大，由于用户高移动性导致延迟约束不满足的概率越高，节点出现资源过载的可能性也越大，容易触发ＳＦＣ 重构，被需要迁移的ＶＮＦ影响的ＳＦＣ 数量也就越多，从而导致重构成本越来越高。此外，本文提出的ＰＳＡＲ 算法基于用户移动性和ＶＮＦ 资源需求预测进行ＳＦＣ 迁移，因此，重构成本最低。ＤＤＱ 采用ＧＮＮ 预测ＶＮＦ 资源需求，可以确保ＶＮＦ 实例提前迁移到资源可用性较高的节点，故ＤＤＱ 的迁移成本低于其他３ 个对比算法。

图６ 比较了不同重构算法在ＳＦＣ 数量变化时的边缘服务器各维度资源平均利用率。已激活边缘服务器各维度资源利用率均值，为所有已激活服务器上内存和ＣＰＵ 资源利用率的加权和与已激活服务器的数量之比。可以看出当ＳＦＣ 数量较少时，ＰＳＡＲ 与其他几个对比算法的边缘服务器资源利用率差距较小。总体来看，ＰＳＡＲ 的物理节点资源利用率最高，因为其通过节点负载预测和移动用户轨迹预测可以为未来流量有效保留资源，对负载较低和较高的服务器都将触发ＳＦＣ 重构机制，从而提高资源利用率。

图７ 显示了在ＳＦＣ 数量为５０ 时，ＰＳＡＲ 与仅基于节点负载预测的重构算法（ＤＤＱ）和仅基于用户移动性预测的重构算法（Ｍｏｂｉｌｉｔｙ Ｂａｓｅｄ Ｐｒｅｄｉｃｔ ＳＦＣ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ，ＭＰＳＲ）的迁移次数做对比。ＰＳＡＲ根据用户移动轨迹预测和ＶＮＦ 实例资源需求预测的结果来预估下一时刻的ＱｏＳ，进而判断是否启动重构机制，故迁移次数较少。虽然ＤＤＱ 的迁移触发条件为节点负载超出范围或违反延迟约束，但其未预测用户在下一时隙的位置，容易造成频繁迁移。

图８ 显示了加权系数对ＰＳＡＲ 算法的平均时延和重构成本的影响。当α 值越大时，ＰＳＡＲ 算法越注重平均ＳＦＣ 时延，因此，由图可知平均ＳＦＣ 时延随着α 的增大而减少，重构成本随着α 的增大而增大。

４ 结束语

本文在一个由用户高移动性和网络流量实时变化导致的动态复杂的ＩｏＴ-ＭＥＣ 场景中，研究ＳＦＣ 的主动重构策略。首先以最小化端到端时延和重构成本为目标，对ＩｏＴ-ＭＥＣ 网络中的ＳＦＣ 重构问题进行定义，并将其刻画为ＩＬＰ 模型。其次，利用基于注意力机制的编解码器模型预测用户的移动轨迹。然后，在ＶＮＦ 可被多条ＳＦＣ 共享的场景下设计了一种ＶＮＦ 实例资源需求预测模型。最后，根据２ 个预测模型得到的预测结果预估下一时隙用户的ＱｏＳ，并提出一种启发式算法ＰＳＡＲ 实现ＳＦＣ 的主动重构。仿真结果表明所提算法在端到端时延和重构成本方面，比现有算法具有更好的性能，为考虑用户高移动性和节点负载变化的动态场景下的ＳＦＣ 主动重构提供了有价值的参考。

参考文献

［１］ ＸＵ Ｚ Ｃ，ＬＩＡＮＧ Ｗ Ｆ，ＪＩＡ Ｍ Ｋ，ｅｔ ａｌ． Ｔａｓｋ Ｏｆｆｌｏａｄｉｎｇｗｉｔｈ Ｎｅｔｗｏｒｋ Ｆｕｎｃｔｉｏｎ Ｒｅｑｕｉｒｅｍｅｎｔｓ ｉｎ ａ Ｍｏｂｉｌｅ Ｅｄｇｅｃｌｏｕｄ Ｎｅｔｗｏｒｋ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｏｂｉｌｅ Ｃｏｍｐｕｔｉｎｇ，２０１８，１８（１１）：２６７２－２６８５．

［２］ ＬＩＵ Ｈ，ＥＬＤＡＲＲＡＴ Ｆ，ＡＬＱＡＨＴＡＮＩ Ｈ，ｅｔ ａｌ． Ｍｏｂｉｌｅ ＥｄｇｅＣｌｏｕｄ Ｓｙｓｔｅｍ：Ａｒｃｈｉｔｅｃｔｕｒｅｓ，Ｃｈａｌｌｅｎｇｅｓ，ａｎｄ Ａｐｐｒｏａｃｈｅｓ［Ｊ］． ＩＥＥＥ Ｓｙｓｔｅｍｓ Ｊｏｕｒｎａｌ，２０１８，１２（３）：２４９５－２５０８．

［３］ ＢＨＡＭＡＲＥ Ｄ，ＪＡＩＮ Ｒ，ＳＡＭＡＫＡ Ｍ，ｅｔ ａｌ． Ａ Ｓｕｒｖｅｙ ｏｎＳｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ Ｃｈａｉｎｉｎｇ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｎｅｔｗｏｒｋ ａｎｄＣｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ，２０１６，７５：１３８－１５５．

［４］ ＣＡＯ Ｋ，ＸＵ Ｇ，ＺＨＯＵ Ｊ Ｌ，ｅｔ ａｌ． ＱｏＳａｄａｐｔｉｖｅ ＡｐｐｒｏｘｉｍａｔｅＲｅａｌｔｉｍｅ Ｃｏｍｐｕｔａｔｉｏｎ ｆｏｒ Ｍｏｂｉｌｉｔｙａｗａｒｅ ＩｏＴ Ｌｉｆｅｔｉｍｅ Ｏｐｔｉｍｉｚａｔｉｏｎ ［Ｊ ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＣｏｍｐｕｔｅｒＡｉｄｅｄＤｅｓｉｇｎ ｏｆ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔｓ ａｎｄ Ｓｙｓｔｅｍｓ，２０１８，３８（１０）：１７９９－１８１０．

［５］ ＨＡＩＢＥＨ Ｌ Ａ，ＹＡＧＯＵＢ Ｍ Ｃ Ｅ，ＪＡＲＲＡＹ Ａ． Ａ Ｓｕｒｖｅｙ ｏｎＭｏｂｉｌｅ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ Ｉｎｆｒａｓｔｒｕｃｔｕｒｅ：Ｄｅｓｉｇｎ，ＲｅｓｏｕｒｃｅＭａｎａｇｅｍｅｎｔ，ａｎｄ Ｏｐｔｉｍｉｚａｔｉｏｎ Ａｐｐｒｏａｃｈｅｓ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２２，１０：２７５９１－２７６１０．

［６］ ＬＩ Ｂ Ｙ，ＣＨＥＮＧ Ｂ，ＣＨＥＮ Ｊ Ｌ． Ａｎ Ｅｆｆｉｃｉｅｎｔ Ａｌｇｏｒｉｔｈｍ ｆｏｒＳｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ Ｃｈａｉｎｓ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ ｉｎ Ｍｏｂｉｌｅ ＥｄｇｅＣｌｏｕｄ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０２１ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅｓ． Ｃｈｉｃａｇｏ：ＩＥＥＥ，２０２１：４２６－４３５．

［７］ ＺＨＡＮＧ Ｑ Ｘ，ＬＩＵ Ｆ Ｍ，ＺＥＮＧ Ｃ Ｂ． Ｏｎｌｉｎｅ Ａｄａｐｔｉｖｅ Ｉｎｔｅｒｆｅｒｅｎｃｅａｗａｒｅ ＶＮＦ Ｄｅｐｌｏｙｍｅｎｔ ａｎｄ Ｍｉｇｒａｔｉｏｎ ｆｏｒ ５ＧＮｅｔｗｏｒｋ Ｓｌｉｃｅ［Ｊ］． ＩＥＥＥ／ ＡＣＭ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｔｗｏｒｋｉｎｇ，２０２１，２９（５）：２１１５－２１２８．

［８］ ＰＨＡＭ Ｔ Ｍ． Ｏｐｔｉｍｉｚｉｎｇ Ｓｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ Ｃｈａｉｎｉｎｇ Ｍｉｇｒａｔｉｏｎ ｗｉｔｈ Ｅｘｐｌｉｃｉｔ Ｄｙｎａｍｉｃ Ｐａｔｈ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２２，１０：１６９９２－１７００２．

［９］ ＬＩ Ｂ Ｙ，ＣＨＥＮＧ Ｂ，ＬＩＵ Ｘ，ｅｔ ａｌ． Ｊｏｉｎｔ Ｒｅｓｏｕｒｃｅ Ｏｐｔｉｍｉｚａｔｉｏｎ ａｎｄ Ｄｅｌａｙａｗａｒｅ Ｖｉｒｔｕａｌ Ｎｅｔｗｏｒｋ Ｆｕｎｃｔｉｏｎ Ｍｉｇｒａｔｉｏｎ ｉｎＤａｔａ Ｃｅｎｔｅｒ Ｎｅｔｗｏｒｋｓ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｔｗｏｒｋａｎｄ Ｓｅｒｖｉｃｅ Ｍａｎａｇｅｍｅｎｔ，２０２１，１８（３）：２９６０－２９７４．

［１０］ ＣＡＩ Ｊ，ＱＩＡＮ Ｋ Ｌ，ＬＵＯ Ｊ Ｚ，ｅｔ ａｌ． ＳＡＲＭ：ＳｅｒｖｉｃｅＦｕｎｃｔｉｏｎ Ｃｈａｉｎ Ａｃｔｉｖｅ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ Ｍｅｃｈａｎｉｓｍ Ｂａｓｅｄｏｎ Ｌｏａｄ ａｎｄ Ｄｅｍａｎｄ Ｐｒｅｄｉｃｔｉｏｎ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ，２０２２，３７（９）：６３８８－６４１４．

［１１］ 唐伦，吴婷，周鑫隆，等． 一种基于联邦学习资源需求预测的虚拟网络功能迁移算法［Ｊ］． 电子与信息学报，２０２２，４４（１０）：１－１０．

［１２］ ＷＥＩ Ｆ Ｓ，ＱＩＮ Ｓ，ＦＥＮＧ Ｇ，ｅｔ ａｌ． Ｈｙｂｒｉｄ ＭｏｄｅｌｄａｔａＤｒｉｖｅｎ Ｎｅｔｗｏｒｋ Ｓｌｉｃｅ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ ｂｙ Ｅｘｐｌｏｉｔｉｎｇ Ｐｒｅｄｉｃｔｉｏｎ Ｉｎｔｅｒｖａｌ ａｎｄ Ｒｏｂｕｓｔ Ｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｔｗｏｒｋ ａｎｄ Ｓｅｒｖｉｃｅ Ｍａｎａｇｅｍｅｎｔ，２０２２，１９（２）：１４２６－１４４１．

［１３］ ＣＨＯ Ｙ Ｙ，ＪＡＮＧ Ｓ Ｋ，ＬＥＥ Ｊ Ｗ，ｅｔ ａｌ． ＤｅｅｐＳｐａｔｉｏｔｅｍｐｏｒａｌ Ｃｏｒｒｅｌａｔｉｏｎ Ｎｅｔｗｏｒｋ Ｍｏｄｅｌ ｆｏｒ Ｌｏａｄ Ｐｒｅｄｉｃｔｉｏｎ ｉｎ Ｓｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ Ｃｈａｉｎｉｎｇ ［Ｊ ］． ＩＥＥＥＮｅｔｗｏｒｋｉｎｇ Ｌｅｔｔｅｒｓ，２０２１，３（３）：１５２－１５５．

［１４］ ＬＩＵ Ｊ Ｊ，ＬＵ Ｗ，ＺＨＯＵ Ｆ，ｅｔ ａｌ． Ｏｎ Ｄｙｎａｍｉｃ Ｓｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ Ｃｈａｉｎ Ｄｅｐｌｏｙｍｅｎｔ ａｎｄ Ｒｅａｄｊｕｓｔｍｅｎｔ ［Ｊ ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｔｗｏｒｋ ａｎｄ Ｓｅｒｖｉｃｅ Ｍａｎａｇｅｍｅｎｔ，２０１７，１４（３）：５４３－５５３．

［１５］ ＬＩＵ Ｙ Ｑ，ＳＯＯＮ Ｓ Ｈ． Ｐｏｉｎｔｓ ｏｆ Ｉｎｔｅｒｅｓｔ Ｒｅｃｏｍｍｅｎｄａｔｉｏｎｆｒｏｍ ＧＰＳ Ｔｒａｊｅｃｔｏｒｉｅｓ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏｇｒａｐｈｉｃａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ，２０１５，２９（６）：９５３－９７９．

［１６］ Ｍａｔｅｒｎａ Ｄａｔａｓｅｔ ［ＥＢ ／ ＯＬ］． ［２０２３ － ０９ － １５ ］． ｈｔｔｐ：∥ｇｗａ． ｅｗｉ． ｔｕｄｅｌｆｔ． ｎｌ ／ ｄａｔａｓｅｔｓ ／ ｇｗａｔ１２ｂｉｔｂｒａｉｎｓ．［１７］ ＬＩＵ Ｙ Ｃ，ＬＵ Ｙ，ＬＩ Ｘ，ｅｔ ａｌ． Ｏｎ Ｄｙｎａｍｉｃ Ｓｅｒｖｉｃｅ ＦｕｎｃｔｉｏｎＣｈａｉｎ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ ｉｎ ＩｏＴ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｉｎｔｅｒｎｅｔｏｆ Ｔｈｉｎｇｓ Ｊｏｕｒｎａｌ，２０２０，７（１１）：１０９６９－１０９８４．

［１８］ ＬＩＵ Ｙ Ｃ，ＬＵ Ｈ，ＬＩ Ｘ，ｅｔ ａｌ． Ａｎ Ａｐｐｒｏａｃｈ ｆｏｒ ＳｅｒｖｉｃｅＦｕｎｃｔｉｏｎ Ｃｈａｉｎ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ ｉｎ Ｎｅｔｗｏｒｋ Ｆｕｎｃｔｉｏｎ Ｖｉｒｔｕａｌｉｚａｔｉｏｎ Ａｒｃｈｉｔｅｃｔｕｒｅｓ ［Ｊ ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０１９，７：１４７２２４－１４７２３７．

［１９］ ＣＺＩＶＡ Ｒ，ＡＮＡＧＮＯＳＴＯＰＯＵＬＯＳ Ｃ，ＰＥＺＡＲＯＳ Ｄ Ｐ． Ｄｙｎａｍｉｃ，Ｌａｔｅｎｃｙｏｐｔｉｍａｌ ＶＮＦ Ｐｌａｃｅｍｅｎｔ ａｔ ｔｈｅ ＮｅｔｗｏｒｋＥｄｇｅ［Ｃ］∥ ＩＥＥＥ ＩＮＦＯＣＯＭ ２０１８ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎＣｏｍｐｕｔｅｒ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ． Ｈｏｎｏｌｕｌｕ：ＩＥＥＥ，２０１８：６９３－７０１．

作者简介

王 宁 女，（１９８７—），硕士，副教授。主要研究方向：网络安全、人工智能。

（*通信作者）杜娅荣 女，（１９９８—），硕士，助理研究员。主要研究方向：网络功能虚拟化、边缘智能计算。

刘 亮 男，（１９７９—），博士，副教授。主要研究方向：端边云协同计算、网络安全。

基金项目：重庆市教育科学“十四五”规划２０２３ 年度重点课题（Ｋ２３ＹＤ２０６００９１）