CN107743100A - 一种基于业务预测的在线自适应网络切片虚拟资源分配方法 - Google Patents

Abstract

本发明涉及一种基于业务预测的在线自适应虚拟资源分配算法，属于移动通信领域。该算法是在保障虚拟网络切片的QoS前提下，以最小化网络切片资源映射成本为目标进行的在线动态资源调度。在大时间尺度上利用自回归滑动平均模型对各网络切片的业务进行预测，并根据预测的最大概率负载值选择下一周期应当预留的最佳缓存空间大小；在小时间尺度上根据各网络切片的队列上溢概率或剩余时间值调整各网络切片的优先级，并以保障各网络切片的队列上溢概率为前提，为各网络切片分配适当的物理资源块以确保各网络切片的服务率。本发明提出的在线动态自适应虚拟资源分配方法可有效保障各网络切片的QoS，同时最小化网络切片的资源映射成本。

Description

一种基于业务预测的在线自适应网络切片虚拟资源分配方法

技术领域

本发明属于移动通信领域，涉及一种基于业务预测的在线自适应的虚拟资源分配方法。

背景技术

随着移动用户数量的迅猛增长、智能终端的广泛普及，下一代网络技术需要提供更高的***容量、频谱利用率以及更低的时延等，由此，无线网络虚拟化技术应运而生。在无线网络虚拟化场景中，传统运营商被解耦成两个独立的角色：基础设备供应商(Infrastructure Provider，InP)和服务提供商(ServiceProvider，SP)。InP将网络中的物理资源(包括频谱、功率、天线、回传等)抽象、切片，以提供给SP构建不同需求的虚拟网络；SP可以从不同InP处租赁物理资源，为用户提供端到端的服务。由于物理资源的稀缺性、网络业务的随机性、SP的多样化QoS需求，如何高效地为SP(也可称为切片、虚拟网络)分配物理资源以提升***性能至关重要。

发明人在研究现有技术的过程中发现其存在如下缺点：

现有的虚拟化研究主要侧重于对频谱资源进行共享，而较少考虑网络切片对缓存资源的需求，在实际应用中，缓存资源的分配方式将严重影响网络切片的服务质量，若网络切片租用的缓存资源较少则会引起严重的数据丢包，相应地，网络切片的用户体验质量将急剧下降，若网络切片租用的缓存资源过多，则会造成资源的浪费。因此，有必要在虚拟化场景中同时考虑频谱资源和缓存资源的分配方式。此外，现有研究主要是静态的资源分配策略或基于当前调度周期的网络状态进行实时的资源调度，然而，由于网络负载的突发性变化，极有可能造成网络过载或资源供应过剩的情况，因此需要一种根据负载的变化特征前摄性地、动态地调整资源的分配策略。

发明内容

有鉴于此，本发明的目的在于提供一种基于业务预测的在线自适应的虚拟资源分配方法，应用该技术方案有利于保障网络切片的QoS需求同时降低网络切片的映射成本。

为达到上述目的，本发明提供如下技术方案：

一种基于业务预测的在线自适应网络切片虚拟资源分配方法，包括以下步骤：

S1：计算各网络切片的队列增长；

S2：确定各网络切片的优先级；

S3：执行资源调度；

S4：判断资源是否还有剩余；若还有剩余，则进入步骤S5；若没有剩余，则结束流程；

S5：构造新的网络切片集合；

S6：执行资源调度；

在保障虚拟网络切片的QoS前提下，根据各网络切片的业务预测结果，以最小化网络切片资源映射成本为目标，在不同时间尺度上对缓存空间和物理资源块进行联合分配。

进一步，在所述方法中，需要保障网络切片的QoS需求，即各网络切片的队列上溢概率不超过既定的门限值，以及确保各网络切片的丢包率不宜过大。

进一步，所述各网络切片的队列上溢概率为：各网络切片的缓存业务超过当前调度周期内其预留的缓存空间大小的概率；在每个调度周期上都根据各网络切片的业务状态进行动态资源调度。

进一步，所述动态资源调度以最小化网络切片映射成本为目标，其中所述的映射成本为ρ_k为网络切片k租用缓存空间的单价，B_k为网络切片k在当前调度周期内预留的缓存空间的大小，α_k为网络切片k租用物理资源块的单价，x_n,k为当前调度周期内物理资源块的分配策略，x_n,k＝1则表示物理资源块n分配给网络切片k，相反，x_n,k＝0则表示物理资源块n未分配给网络切片k。

进一步，所述不同时间尺度包括大时间尺度和小时间尺度，在大时间尺度上执行缓存空间的预留策略，而在小时间尺度上执行物理资源块的分配策略。

进一步，所述在大时间尺度上执行缓存空间的预留策略具体方法为：首先将业务状态离散化成多个区间，并统计各网络切片在大时间尺度周期内处于各状态区间的次数，并记录下在各调度周期内处于最大次数的状态区间；其次利用自回归滑动平均模型对各网络切片下一周期的最大频次状态区间进行建模与预测；最后各网络切片在下一大尺度调度周期的缓存空间的预留值即为所述预测结果值。

进一步，所述小时间尺度上执行物理资源块的分配策略具体为：

首先，对各网络切片的优先级进行排序，具体方法为：队列平均增长率大于可容忍的队列增量的网络切片的优先级高于队列平均增长率小于可容忍的队列增量的网络切片；在队列平均增长率大于可容忍的队列增量的网络切片集合中，计算各网络切片的剩余时间值，时间值越小，网络切片的优先级越高；在队列平均增长率小于可容忍的队列增量的网络切片集合中，计算各网络切片队列上溢概率，概率值越大，网络切片的优先级越高；其中队列平均增长率为在观测窗口内各调度周期的队列增长的总和与观测窗口的长度的比值；可容忍的队列增量为网络切片的当前缓存空间大小和前一调度周期的缓存队列长度之差与观测窗口的长度的比值；

其次，根据确定的网络切片的优先级顺序依次执行物理资源块的分配策略，具体方法为：首先根据各网络切片的优先顺序，依次为各网络切片分配足够的物理资源块数量，使网络切片的服务速率不小于网络切片在调度周期内到达的数据包数量；若所有网络切片都已获得物理资源块，而***中还有剩余的物理资源块，则选择新到达的数据包与上一周期的队列长度之和大于服务速率的网络切片，构造新的切片集合，并根据网络切片租用物理资源块单价的大小对所述集合中的网络切片进行排序，单价越小的切片，其优先级越高；按照已确定的优先顺序依次为所述网络切片增加物理资源块数量，直至网络切片的服务速率不小于其新到达的数据包与上一周期的队列长度之和

进一步，所述各网络切片的业务预测具体为：按照函数式计算各网络切片下一周期的业务状态，其中为网络切片k在调度周期n内的业务状态预测值，为网络切片k分别在调度周期(n-e),e＝1,…p内的业务状态值，为各观测周期所对应的自回归系数，ε(n-e),e＝0,…,q为白噪声序列，其均值为0，方差为θ_e,e＝1,…,q为噪声序列对应的滑动参数；

预测模型建模方法为：

首先，为了保证观察序列为平稳的序列，考虑对观察序列进行对数处理，利用处理后的序列值进行预测；

其次，初始化模型的阶数，利用观察序列对模型的参数进行估计，包括所述自回归系数和滑动参数；

其中的参数估计方法为：采用逆函数法估计所述参数的值，先利用观察序列的自相关函数矩阵估计预测模型的逆函数，根据得到的逆函数值估计预测模型的滑动参数，再利用自回归滑动平均模型的后移算子所对应的线性方程组对自回归参数进行估计；

最后，利用AIC定阶准则确定预测模型的阶数。

进一步，所述参数估计方法具体为：

按照函数式计算所述预测模型的逆函数，其中为各观察序列对应的逆函数的值，为各观察序列的自相关函数；

将所得逆函数的值带入函数式并对e＝1,…,p联立方程组获得预测模型的滑动参数的估计值：

本发明的有益效果在于：本发明在不同时间尺度上根据各网络切片的业务预测结果动态地调整缓存资源和频谱资源的分配方式，可有效避免网络过载与资源供应过剩的情况。此外，在每个调度周期内动态调整各网络切片的优先级，既保证了各网络切片间的公平性，同时可实现为各网络切片提供统计上的QoS保证。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为***框架图；

图2为资源分配示意图；

图3为大时间尺度缓存资源预留工作流程图；

图4为小时间尺度频谱资源分配方法流程图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

参见图1，图1为本发明的***框架图。在本发明的实施例中，业务请求单元用于缓存各网络切片新到达的业务请求，负载分析单元则负责对各网络切片的业务数据进行分析，包括小时间尺度上的业务状态和大时间尺度上的最大频次状态区间，并对小时间尺度上的队列上溢概率进行估计和对大时间尺度上的状态区间进行预测。资源管理实体单元的基本功能是管理从物理网络中租用的资源，并决定各网络切片租用的频谱资源的最优数量以及预留的缓存空间的大小，从而实现最小化资源映射成本并保证各网络切片的QoS需求。网络状态监控实体用于执行对各租用资源的状态进行监控。切片调度器负责为各网络切片执行资源的调度决策。

参见图2，图2为资源分配示意图，在本发明实施例中，根据时间线展开对各网络切片频谱资源的分配和缓存资源的预留。在时间刻度上，分成大时间尺度周期和小时间尺度周期，在大时间尺度周期上利用自回归滑动平均模型对各网络切片的业务进行预测，并根据预测的最大概率负载值选择下一周期应当预留的最佳缓存空间大小；在小时间尺度周期上根据各网络切片的队列上溢概率或剩余时间值调整各网络切片的优先级，并以保障各网络切片的队列上溢概率为前提，为各网络切片分配适当的物理资源块以确保各网络切片的服务率。

参见图3，图3为大时间尺度缓存资源预留工作流程图，具体步骤为：

步骤301：获取历史观测数据，首先将业务状态离散化成多个区间，并统计各网络切片在大时间尺度周期内处于各状态区间的次数，并记录下在各调度周期内处于最大次数的状态区间；其次，为了保证观察序列为平稳的序列，对所述各调度周期内处于最大次数的状态区间进行对数处理，将处理后的值作为预测模型的历史数据。

步骤302：初始化预测模型的阶数，令p＝1，q＝1。其中所述预测模型为：

按照函数式计算各网络切片下一周期的业务状态，

其中所述为：网络切片k在调度周期n内的业务状态预测值，

所述为：网络切片k分别在调度周期(n-e),e＝1,…p内的业务状态值，

所述为：各观测周期内业务状态对应的自回归系数，

所述ε(n-e),e＝0,…,q为：白噪声序列，其均值为0，方差为

所述θ_e,e＝1,…,q为：噪声序列对应的滑动参数；

步骤303：根据历史观测数据对预测模型的参数进行估计，包括自回归系数和滑动参数θ_e,e＝1,…,q。具体的估计方法为：

采用逆函数法估计所述参数的值，

首先，利用观察序列的自相关函数估计所述滑动参数，

按照函数式：计算所述预测模型的逆函数，

其中所述为：各观察序列对应的逆函数的值，

所述为：各观察序列的自相关函数；

将所得逆函数的值带入函数式并对e＝1,…,p联立方程组获得所述预测模型的滑动参数的估计值；

其次，利用所述自回归滑动平均模型的后移算子对应的线性方程组对所述自回归参数进行估计，

其中所述的后移算子方程组为

步骤304：根据上述步骤估计的参数值以及对应的残差方差的估计值计算预测模型的AIC函数，若在确定的模型阶数下的AIC函数的值达到最小值，则执行步骤305，否则增加模型阶数，继续执行步骤303。

步骤305：根据上述步骤确定的模型阶数和模型参数，执行对下一周期的业务值的预测。各网络切片在下一大尺度调度周期的缓存空间的预留值即为所述预测结果值。

参见图4，图4为小时间尺度频谱资源分配方法流程图，具体步骤为：

步骤401：计算各切片的队列增长，包括队列平均增长率和可容忍的队列增量,

其中所述的队列平均增长率等于在观测窗口内各调度周期的队列增长的总和与观测窗口的长度的比值，

所述可容忍的队列增量等于网络切片当前缓存空间大小和前一调度周期缓存队列长度之差与观测窗口的长度的比值。

步骤402：确定各网络切片的优先级，具体方法为：

队列平均增长率大于可容忍的队列增量的网络切片的优先级高于队列平均增长率小于可容忍的队列增量的网络切片。在所述队列平均增长率大于可容忍的队列增量的网络切片集合中，计算各切片的剩余时间值，所述时间值越小，切片的优先级越高。在所述队列平均增长率小于可容忍的队列增量的网络切片集合中，计算各网络切片队列上溢概率，所述概率值越大，切片的优先级越高；

步骤403：根据确定的各网络切片的优先级顺序，执行对频谱资源的调度，各网络切片分配到的物理资源块数量需满足切片的服务速率不小于其在调度周期内到达的数据包数量。

步骤404：若各网络切片都已获得频谱资源，而此时***中还有剩余的频谱资源，则执行步骤405，否则，结束。

步骤405：选择新到达的数据包与上一周期的队列长度之和大于服务速率的网络切片构造新的切片集合，并根据网络切片租用物理资源块单价的大小对所述集合的网络切片进行排序，单价越小的切片优先级越高。

步骤406：按照已确定的优先顺序依次为所述网络切片增加物理资源块数量，直至所述网络切片新到达的数据包与上一周期的队列长度之和不大于服务速率。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (9)

1.一种基于业务预测的在线自适应网络切片虚拟资源分配方法，其特征在于：该方法包括以下步骤：

S1：计算各网络切片的队列增长；

S2：确定各网络切片的优先级；

S3：执行资源调度；

S4：判断资源是否还有剩余；若还有剩余，则进入步骤S5；若没有剩余，则结束流程；

S5：构造新的网络切片集合；

S6：执行资源调度；

在保障虚拟网络切片的QoS前提下，根据各网络切片的业务预测结果，以最小化网络切片资源映射成本为目标，在不同时间尺度上对缓存空间和物理资源块进行联合分配。

2.根据权利要求1所述的一种基于业务预测的在线自适应网络切片虚拟资源分配方法，其特征在于：在所述方法中，需要保障网络切片的QoS需求，即各网络切片的队列上溢概率不超过既定的门限值，以及确保各网络切片的丢包率不宜过大。

3.根据权利要求2所述的一种基于业务预测的在线自适应网络切片虚拟资源分配方法，其特征在于：所述各网络切片的队列上溢概率为：各网络切片的缓存业务超过当前调度周期内其预留的缓存空间大小的概率；在每个调度周期上都根据各网络切片的业务状态进行动态资源调度。

4.根据权利要求3所述的一种基于业务预测的在线自适应网络切片虚拟资源分配方法，其特征在于：所述动态资源调度以最小化网络切片映射成本为目标，其中所述的映射成本为 ρ_k为网络切片k租用缓存空间的单价，B_k为网络切片k在当前调度周期内预留的缓存空间的大小，α_k为网络切片k租用物理资源块的单价，x_n,k为当前调度周期内物理资源块的分配策略，x_n,k＝1则表示物理资源块n分配给网络切片k，相反，x_n,k＝0则表示物理资源块n未分配给网络切片k。

5.根据权利要求1所述的一种基于业务预测的在线自适应网络切片虚拟资源分配方法，其特征在于：所述不同时间尺度包括大时间尺度和小时间尺度，在大时间尺度上执行缓存空间的预留策略，而在小时间尺度上执行物理资源块的分配策略。

6.根据权利要求5所述的一种基于业务预测的在线自适应网络切片虚拟资源分配方法，其特征在于：所述在大时间尺度上执行缓存空间的预留策略具体方法为：首先将业务状态离散化成多个区间，并统计各网络切片在大时间尺度周期内处于各状态区间的次数，并记录下 在各调度周期内处于最大次数的状态区间；其次利用自回归滑动平均模型对各网络切片下一周期的最大频次状态区间进行建模与预测；最后各网络切片在下一大尺度调度周期的缓存空间的预留值即为所述预测结果值。

7.根据权利要求5所述的一种基于业务预测的在线自适应网络切片虚拟资源分配方法，其特征在于：所述小时间尺度上执行物理资源块的分配策略具体为：

首先，对各网络切片的优先级进行排序，具体方法为：队列平均增长率大于可容忍的队列增量的网络切片的优先级高于队列平均增长率小于可容忍的队列增量的网络切片；在队列平均增长率大于可容忍的队列增量的网络切片集合中，计算各网络切片的剩余时间值，时间值越小，网络切片的优先级越高；在队列平均增长率小于可容忍的队列增量的网络切片集合中，计算各网络切片队列上溢概率，概率值越大，网络切片的优先级越高；其中队列平均增长率为在观测窗口内各调度周期的队列增长的总和与观测窗口的长度的比值；可容忍的队列增量为网络切片的当前缓存空间大小和前一调度周期的缓存队列长度之差与观测窗口的长度的比值；

其次，根据确定的网络切片的优先级顺序依次执行物理资源块的分配策略，具体方法为：首先根据各网络切片的优先顺序，依次为各网络切片分配足够的物理资源块数量，使网络切片的服务速率不小于网络切片在调度周期内到达的数据包数量；若所有网络切片都已获得物理资源块，而***中还有剩余的物理资源块，则选择新到达的数据包与上一周期的队列长度之和大于服务速率的网络切片，构造新的切片集合，并根据网络切片租用物理资源块单价的大小对所述集合中的网络切片进行排序，单价越小的切片，其优先级越高；按照已确定的优先顺序依次为所述网络切片增加物理资源块数量，直至网络切片的服务速率不小于其新到达的数据包与上一周期的队列长度之和。

8.根据权利要求6所述的一种基于业务预测的在线自适应网络切片虚拟资源分配方法，其特征在于：所述各网络切片的业务预测具体为：按照函数式计算各网络切片下一周期的业务状态，其中为网络切片k在调度周期n内的业务状态预测值，为网络切片k分别在调度周期(n-e),e＝1,…p内的业务状态值，为各观测周期所对应的自回归系数，ε(n-e),e＝0,…,q为白噪声序列，其均值为0，方差为θ_e,e＝1,…,q为噪声序列对应的滑动参数；

预测模型建模方法为：

首先，为了保证观察序列为平稳的序列，考虑对观察序列进行对数处理，利用处理后的序列值进行预测；

其次，初始化模型的阶数，利用观察序列对模型的参数进行估计，包括所述自回归系数和滑动参数；

其中的参数估计方法为：采用逆函数法估计所述参数的值，先利用观察序列的自相关函数矩阵估计预测模型的逆函数，根据得到的逆函数值估计预测模型的滑动参数，再利用自回归滑动平均模型的后移算子所对应的线性方程组对自回归参数进行估计；

最后，利用AIC定阶准则确定预测模型的阶数。

9.根据权利要求8所述的一种基于业务预测的在线自适应网络切片虚拟资源分配方法，其特征在于：所述参数估计方法具体为：

按照函数式计算所述预测模型的逆函数，其中为各观察序列对应的逆函数的值，为各观察序列的自相关函数；

将所得逆函数的值带入函数式并对e＝1,…,p联立方程组获得预测模型的滑动参数的估计值：