基于拓扑感知的虚拟网节能映射算法研究
发布时间：2021-10-04 22:12
网络虚拟化通过资源抽象、隔离和共享等技术,有效地解决了网络僵化问题,促进了业务的创新发展。随着虚拟现实、高清视频等通信密集型业务和大数据、云计算等计算密集型业务的兴起,对链路和节点提出不同的映射需求,如果不加区分地部署传统业务和新兴业务,将会降低服务质量和能源效率。因此,本文针对不同业务需求对虚拟网节能映射算法进行研究,主要工作如下:（1）针对部署传统业务的算法存在链路跳数多和节点映射分散的问题,利用网络节能区域分布特征以及拓扑信息对节点和链路映射的协调作用,提出基于滑动区域的粒子群虚拟网节能映射算法。当虚拟网请求到达时,提取主干拓扑并设置链路映射优先级。通过群智协同寻找节能区域,并在该区域交替执行链路映射和节点映射。实验结果表明,在传统业务场景下,该算法提高了节点聚集度,缩短了链路映射长度,并降低了映射成本和网络能耗。（2）针对两阶段映射算法因忽略节点之间的结构特征而导致通信密集型业务部署成功率较低的问题,利用谱理论对网络拓扑进行分析,提出基于小波扩散的虚拟网络映射算法。通过无监督的学习节点拓扑结构,并综合评估节点之间的拓扑邻近性、连接密度和通信容量,从而选择有助于链路映射的节点。实...
【文章来源】：郑州大学河南省 211工程院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
互联网用户数量统计图
3基于滑动区域的粒子群虚拟网节能映射算法17图3.1所示。abc虚拟节点A底层节点B虚拟网请求底层网络EC链路映射调整后的链路映射图3.1离散粒子群优化案例图3.1描述VNR的映射方案为：{a→A,b→B,c→C}，对b节点的映射进行调整，更新后的方案为：{a→A,b→E,c→C}。假设Xi表示粒子i的当前映射方案，Xi的各个维度可以相互独立地随机调整，产生的解均为可行解，个体最优方案和群体最优映射方案分别为Pbest和Gbest。从以上更新过程可以看出，离散粒子群存在两点不足：①Xi一次更新到Pbest和Gbest的可能性为1nvn，其中vn为VNR的节点个数，n为底层节点个数，可看出，粒子的更新方向不明确。②由于VNE方案具有离散性和跳跃性的特点，不能保证在Pbest和Gbest的邻近方案中存在更好的解。这种随机更新不能很好地结合拓扑信息进行指导节点更新，因此在考虑节能映射时，不能保证得到较高的评价指标。图3.2连续粒子群优化案例PSO在连续搜索空间中发挥比较好的搜索性能，如图3.2所示，Pi为粒子的当前位置，Pbest和Gbest分别是Pi的个体最优解和群体最优解。由图可看出，在Pbest和Gbest的周围存在更优的解，粒子Pi在朝着Pbest和Gbest更新的过程中，遇到
3基于滑动区域的粒子群虚拟网节能映射算法20态变化，呈现不同的节能特征。将承载数量以热度分布图的形式呈现出来，如图3.5所示。图3.5映射区域热度分布图图3.5中，水平和垂直坐标为区域位置。区域颜色的深浅表示底层网络区域承载的业务量的多少，即热度分布。在业务量比较平稳时，将虚拟网络按照集中方式映射到某一区域时，一定程度上可以充分利用已开启的节点和链路提供业务服务。但是随着业务量的激增，会导致局部热点问题，影响新的虚拟网服务的部署，进而降低运营商的总体收益。因此，如何通过定向滑动区域，以快速寻找资源充足且节能的区域成为关键问题。为了更好地对区域进行评价描述，引入节能区域定义。节能区域E是由底层网络区域中心节点0s与其周围的节点和链路组成的区域，E的大小以容纳当前的虚拟网络为准，节能区域的评价可以通过公式（3.3）描述：()()()()()()()()()value=+++SSSSNLSSSSNLNOELOECECEEabNELECTECTE（3.3）a是E的节点和链路开启率的权重因子，b是E的节点和链路剩余资源的权重因子，SNCT和SLCT分别表示节点和链路的资源总量。()()SSNOENE和()()SSLOELE分别表示E的节点和链路开启率。开启率越高，则该区域的资源复用率越高，有利于提升节能效果。()()SSNNCECTE和()()SSLLCECTE分别表示E的节点和链路剩余资源率，剩余资源率越高，则接收VNR的能力越强。（3）群体智能协同优化为了寻找节能区域，针对传统离散粒子群更新方式存在的问题，借鉴连续粒
【参考文献】：
期刊论文
[1]基于机器学习的智能路由算法综述[J]. 刘辰屹,徐明伟,耿男,张翔. 计算机研究与发展. 2020(04)
[2]基于滑动区域的粒子群虚拟网节能映射算法[J]. 庄雷,田帅魁,和孟佯,宋玉,王国卿,刘文覃,马岭. 电子与信息学报. 2019(12)
[3]Task-Aware Flow Scheduling with Heterogeneous Utility Characteristics for Data Center Networks[J]. Fang Dong,Xiaolin Guo,Pengcheng Zhou,Dian Shen. Tsinghua Science and Technology. 2019(04)
[4]Topology Based Reliable Virtual Network Embedding from a QoE Perspective[J]. Peiying Zhang,Sheng Wu,Miao Wang,Haipeng Yao,Yunjie Liu. 中国通信. 2018(10)
[5]弹性光网络中基于安全性感知的差异化虚拟光网络的映射策略[J]. 刘焕淋,林振宇,王欣,陈勇,向敏,马跃. 电子与信息学报. 2019(02)
[6]内容中心网络中能耗优化的隐式协作缓存机制[J]. 伊鹏,李根,张震. 电子与信息学报. 2018(04)
[7]Efficient Algorithm for Energy-Aware Virtual Network Embedding[J]. Shuxian Jia,Guiyuan Jiang,Peilan He,Jigang Wu. Tsinghua Science and Technology. 2016(04)
[8]时间和能量感知的贝叶斯虚拟网映射[J]. 胡颖,庄雷,陈鸿昶,马丁. 通信学报. 2016(06)
[9]数据驱动的信息中心网络认知路由协议[J]. 曹健,王兴伟,张金宏,黄敏. 计算机研究与发展. 2015(04)
本文编号：3418428
【文章来源】：郑州大学河南省 211工程院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
互联网用户数量统计图
3基于滑动区域的粒子群虚拟网节能映射算法17图3.1所示。abc虚拟节点A底层节点B虚拟网请求底层网络EC链路映射调整后的链路映射图3.1离散粒子群优化案例图3.1描述VNR的映射方案为：{a→A,b→B,c→C}，对b节点的映射进行调整，更新后的方案为：{a→A,b→E,c→C}。假设Xi表示粒子i的当前映射方案，Xi的各个维度可以相互独立地随机调整，产生的解均为可行解，个体最优方案和群体最优映射方案分别为Pbest和Gbest。从以上更新过程可以看出，离散粒子群存在两点不足：①Xi一次更新到Pbest和Gbest的可能性为1nvn，其中vn为VNR的节点个数，n为底层节点个数，可看出，粒子的更新方向不明确。②由于VNE方案具有离散性和跳跃性的特点，不能保证在Pbest和Gbest的邻近方案中存在更好的解。这种随机更新不能很好地结合拓扑信息进行指导节点更新，因此在考虑节能映射时，不能保证得到较高的评价指标。图3.2连续粒子群优化案例PSO在连续搜索空间中发挥比较好的搜索性能，如图3.2所示，Pi为粒子的当前位置，Pbest和Gbest分别是Pi的个体最优解和群体最优解。由图可看出，在Pbest和Gbest的周围存在更优的解，粒子Pi在朝着Pbest和Gbest更新的过程中，遇到
3基于滑动区域的粒子群虚拟网节能映射算法20态变化，呈现不同的节能特征。将承载数量以热度分布图的形式呈现出来，如图3.5所示。图3.5映射区域热度分布图图3.5中，水平和垂直坐标为区域位置。区域颜色的深浅表示底层网络区域承载的业务量的多少，即热度分布。在业务量比较平稳时，将虚拟网络按照集中方式映射到某一区域时，一定程度上可以充分利用已开启的节点和链路提供业务服务。但是随着业务量的激增，会导致局部热点问题，影响新的虚拟网服务的部署，进而降低运营商的总体收益。因此，如何通过定向滑动区域，以快速寻找资源充足且节能的区域成为关键问题。为了更好地对区域进行评价描述，引入节能区域定义。节能区域E是由底层网络区域中心节点0s与其周围的节点和链路组成的区域，E的大小以容纳当前的虚拟网络为准，节能区域的评价可以通过公式（3.3）描述：()()()()()()()()()value=+++SSSSNLSSSSNLNOELOECECEEabNELECTECTE（3.3）a是E的节点和链路开启率的权重因子，b是E的节点和链路剩余资源的权重因子，SNCT和SLCT分别表示节点和链路的资源总量。()()SSNOENE和()()SSLOELE分别表示E的节点和链路开启率。开启率越高，则该区域的资源复用率越高，有利于提升节能效果。()()SSNNCECTE和()()SSLLCECTE分别表示E的节点和链路剩余资源率，剩余资源率越高，则接收VNR的能力越强。（3）群体智能协同优化为了寻找节能区域，针对传统离散粒子群更新方式存在的问题，借鉴连续粒
【参考文献】：
期刊论文
[1]基于机器学习的智能路由算法综述[J]. 刘辰屹,徐明伟,耿男,张翔. 计算机研究与发展. 2020(04)
[2]基于滑动区域的粒子群虚拟网节能映射算法[J]. 庄雷,田帅魁,和孟佯,宋玉,王国卿,刘文覃,马岭. 电子与信息学报. 2019(12)
[3]Task-Aware Flow Scheduling with Heterogeneous Utility Characteristics for Data Center Networks[J]. Fang Dong,Xiaolin Guo,Pengcheng Zhou,Dian Shen. Tsinghua Science and Technology. 2019(04)
[4]Topology Based Reliable Virtual Network Embedding from a QoE Perspective[J]. Peiying Zhang,Sheng Wu,Miao Wang,Haipeng Yao,Yunjie Liu. 中国通信. 2018(10)
[5]弹性光网络中基于安全性感知的差异化虚拟光网络的映射策略[J]. 刘焕淋,林振宇,王欣,陈勇,向敏,马跃. 电子与信息学报. 2019(02)
[6]内容中心网络中能耗优化的隐式协作缓存机制[J]. 伊鹏,李根,张震. 电子与信息学报. 2018(04)
[7]Efficient Algorithm for Energy-Aware Virtual Network Embedding[J]. Shuxian Jia,Guiyuan Jiang,Peilan He,Jigang Wu. Tsinghua Science and Technology. 2016(04)
[8]时间和能量感知的贝叶斯虚拟网映射[J]. 胡颖,庄雷,陈鸿昶,马丁. 通信学报. 2016(06)
[9]数据驱动的信息中心网络认知路由协议[J]. 曹健,王兴伟,张金宏,黄敏. 计算机研究与发展. 2015(04)
本文编号：3418428
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3418428.html
