CN115720195A - 一种虚拟网络重映射方法、装置及存储介质 - Google Patents
一种虚拟网络重映射方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115720195A CN115720195A CN202110968764.XA CN202110968764A CN115720195A CN 115720195 A CN115720195 A CN 115720195A CN 202110968764 A CN202110968764 A CN 202110968764A CN 115720195 A CN115720195 A CN 115720195A
- Authority
- CN
- China
- Prior art keywords
- virtual
- node group
- network
- virtual node
- nodes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 57
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例公开了一种虚拟网络重映射方法、装置及存储介质,所述方法包括:基于虚拟网络的矢量表示,对所述虚拟网络的虚节点进行分组,得到至少一个虚节点组;其中,所述虚拟网络的矢量表示包括:所述虚拟网络的虚节点间的连接关系和所述虚节点间的距离;确定所述虚拟网络的重构阈值;基于所述重构阈值,将所述虚节点组重映射到物理网络。本发明实施例通过对重构阈值的设定,以基于重构阈值动态调配虚节点组映射到物理网络资源量,实现虚节点组到物理网络的动态映射,增强虚节点组在业务承载过程中对动态的业务需求的适配性,最终达到节约成本、提升网络运维效益的效果。
Description
技术领域
本发明涉及网络技术领域,尤其涉及一种虚拟网络重映射方法、装置及存储介质。
背景技术
网络虚拟化指的是在同一个底层物理网络切分出多个虚拟网络的技术。虚拟网络在逻辑上相互独立,可用来安全、高效地承载不同用户或不同业务的需求。
但是,由于需求具有时变性的特点,在虚拟网络初始化时分配的静态资源与业务动态的需求变化之间形成了矛盾,从而,导致虚拟网络在业务承载的过程中,会由于需求量的波动而出现业务阻塞或资源浪费的情况。
发明内容
有鉴于此,本发明实施例期望提供种虚拟网络重映射方法、装置及存储介质。
第一方面,本发明实施例提供了一种虚拟网络重映射方法,所述方法包括:
基于虚拟网络的矢量表示,对所述虚拟网络的虚节点进行分组,得到至少一个虚节点组;其中,所述虚拟网络的矢量表示包括:所述虚拟网络的虚节点间的连接关系和所述虚节点间的距离;
基于所述距离,对所有所述虚节点组进行排序;
确定所述虚拟网络的重构阈值;
基于所述重构阈值和所述虚节点组的排序,将所述虚节点组重映射到物理网络。
在一个实施例中,所述距离用于指示所述虚节点间的虚链路的负载状况。
在一个实施例中,所述确定所述虚拟网络的重构阈值,包括:
从排序后的所有所述虚节点组中选择一个虚节点组作为参考虚节点组;
基于所述参考虚节点组的所述距离,确定所述重构阈值。
在一个实施例中,所述从排序后的所有所述虚节点组中选择一个虚节点组作为参考虚节点组,包括:
基于预设的重构比率,从排序后的所有所述虚节点组中选择一个虚节点组作为参考虚节点组。
在一个实施例中,所述基于虚拟网络的矢量表示,对所述虚拟网络的虚节点进行分组,得到至少一个虚节点组,包括:
基于所述虚拟网络的虚节点间的连接关系,将存在连接关系的两个虚节点划分到同一个虚节点组。
在一个实施例中,所述基于所述重构阈值,对所述虚节点组进行重映射,包括:
基于所述虚节点组的距离和所述重构阈值之间的大小,确定分配给所述虚节点组的资源量;
基于所述资源量,对所述虚节点组进行重映射。
第二方面,本发明实施例提供了一种虚拟网络重映射装置,所述装置包括:
分组模块,用于基于虚拟网络的矢量表示,对所述虚拟网络的虚节点进行分组,得到至少一个虚节点组;其中,所述虚拟网络的矢量表示包括:所述虚拟网络的虚节点间的连接关系和所述虚节点间的所述距离;
排序模块,用于基于所述距离,对所有所述虚节点组进行排序;
确定模块,用于确定所述虚拟网络的重构阈值;
重映射模块,用于基于所述重构阈值和所述虚节点组的排序,对所述虚节点组进行重映射。
在一个实施例中,所述确定模块,包括:
选择单元,用于从排序后的所有所述虚节点组中选择一个虚节点组作为参考虚节点组;
确定单元,用于基于所述参考虚节点组的所述距离,确定所述重构阈值。
在一个实施例中,所述选择单元,具体用于基于预设的重构比率,从排序后的所有所述虚节点组中选择一个虚节点组作为参考虚节点组。
第三方面,本发明实施例提供了一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序被执行后,能够实现上述任一项的虚拟网络重映射方法。
本发明实施例基于虚拟网络的矢量表示,对虚拟网络的虚节点进行分组;同时,确定虚拟网络的重构阈值;基于重构阈值,将虚节点组重映射到物理网络。可通过对重构阈值的设定,以基于重构阈值动态调配虚节点组映射到物理网络资源量,实现虚节点组到物理网络的动态映射,增强虚节点组在业务承载过程中对动态的业务需求的适配性,最终达到节约成本、提升网络运维效益的效果。
附图说明
图1为本发明实施例提供的第一种虚拟网络重映射方法流程示意图;
图2为本发明实施例提供的第二种虚拟网络重映射方法流程示意图;
图3为本发明实施例提供的第三种虚拟网络重映射方法流程示意图;
图4为本发明实施例提供的第四种虚拟网络重映射方法流程示意图;
图5为本发明实施例提供的第五种虚拟网络重映射方法流程示意图;
图6为本发明实施例提供的一种虚拟网络重映射装置结构示意图;
图7为本发明实施例提供的第七种虚拟网络重映射方法流程示意图。
具体实施方式
以下结合说明书附图及具体实施例对本发明的技术方案做进一步的详细阐述。
如图1所示,本发明实施例的一种虚拟网络重映射方法,所述方法包括:
S101:基于虚拟网络的矢量表示,对所述虚拟网络的虚节点进行分组,得到至少一个虚节点组;其中,所述虚拟网络的矢量表示包括:所述虚拟网络的虚节点间的连接关系和所述虚节点间的距离;
S102:基于所述距离,对所有所述虚节点组进行排序;
S103:确定所述虚拟网络的重构阈值;
S104:基于所述重构阈值和所述虚节点组的排序,将所述虚节点组重映射到物理网络。
在本实施例中,虚拟网络由一组虚节点通过虚链路连接组成,通过将虚拟网络中的虚节点和虚链路映射到物理网络的物理节点和物理路径之上,以使虚拟网络实现对用户或业务需求的支持。
虚拟网络的矢量表示用于表示虚拟网络的拓扑结构,可包括:虚拟网络的虚节点、虚节点间的连接关系(即,虚链路)以及虚节点间的距离。这里,存在连接关系的两个虚节点也称为邻居节点。
这里,表示学习是一种矢量化的技术,可将网络拓扑映射到矢量空间。相比于传统的矩阵表示方式,表示学习矢量化拓扑的方式具有如下优点:
一、表示学习所得的矢量集能够同时表示出多维度的网络信息,即矢量间的相关关系既可以体现虚拟网络中虚节点间的连接关系,又可以体现虚节点间的负载状况;
二、表示学习能够降低拓扑信息表示所需的空间复杂度,传统的领接矩阵表示法表示网络拓扑所需的空间复杂度为O(N2),而表示学习表示网络拓扑所需的空间复杂度为O(N)。
在本实施例中,每个虚节点可以通过多维向量表示,相应地,距离可通过虚链路对应的两个虚节点对应的多维向量进行计算。
在本实施例中,距离可为欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、巴氏距离等。
例如,假设距离为欧氏距离,一虚链路AB对应虚节点A和虚节点B,其中,虚节点A表示为:VA(xA1,xA2,...,xAn),虚节点B表示为VB(xB1,xB2,...,xBn),n为大于1的正整数,那么,虚节点A和虚节点B的欧氏距离为:
在本实施例中,虚节点的各维分量可包括以下至少之一:
任一坐标轴对应的坐标;
邻居节点数量;
平均承载的业务量(如业务所占带宽);
平均传输时延;
平均丢包数。
这里,考虑到虚节点的各维分量为不同性质的量,虚拟网络的矢量表示也可包括标准化欧氏距离。
在S101中,在确定虚拟网络的矢量表示后,可通过以下任一方式对所述虚拟网络的虚节点进行分组,得到至少一个虚节点组:
将存在连接关系的两个虚节点划分到同一个虚节点组;
将每个虚节点及其对应的邻居节点划分到同一个虚节点组
将每个孤立虚节点分别划分为一个虚节点组,孤立虚节点为不存在邻居节点的虚节点;
将所有孤立虚节点划分为一个虚节点组,孤立虚节点为不存在邻居节点的虚节点。
在S102中,对虚节点组进行排序时,可以根据虚节点组对应的距离的大小,按照升序或者降序对所有虚节点组进行排序。
在本实施例中,可以按照虚节点组对应的距离的大小降序排序。例如,排序后的虚节点组集合为:V={A1,A2,...,AN},其中,N为虚节点组的数量。
在S103中,重构阈值为虚节点组重新分配物理网络资源的参考标准,以基于重新分配的物理网络资源将虚节点组重映射到物理网络。重构阈值可包括以下至少一个值:
预设阈值;
虚拟网络所有虚链路的距离的平均值,其中,虚链路的距离为虚链路对应的两个虚节点之间的距离;
虚拟网络所有虚链路的距离的最大值;
虚拟网络所有虚链路的距离的最小值;
虚拟网络中所有虚节点组的距离的平均值,其中,虚节点组的距离为虚节点组中所有虚链路的距离之和;
虚拟网络中所有虚节点组的距离的最小值;
虚拟网络中所有虚节点组的距离的最大值;
虚拟网络中一条虚链路对应的两个虚节点之间的距离。
在S104中,在确定虚拟网络的虚节点组的距离以及虚拟网络的重构阈值之后,基于重构阈值和虚节点组的距离的大小,按照虚节点组排序的先后顺序,依次将虚节点组重映射到物理网络。
在一个示例性实施例中,所述距离用于指示所述虚节点间的虚链路的负载状况。
在本实施例中,虚链路的负载状况可包括:在虚拟网络映射到物理网络后,业务数据在虚拟网络的虚链路上传输的平均占用带宽、业务数据的在虚链路上传输的平均时延、业务数据的在虚链路上传输的平均丢包数(或,丢包率)等;距离则为平均占用带宽、平均时延和平均丢包数按照预设权重确定的加权平均值。
例如,平均占用带宽为W,平均时延为T,平均丢包数为E,且平均占用带宽、平均时延和平均丢包数的预设权重依次为K1、K2和K3,其中,
K1+K2+K3=1。那么,距离=K1*W+K2*T+K3*E。
这里,业务数据在虚链路传输的平均占用带宽、业务数据的在虚链路上传输的平均时延、业务数据的在虚链路上传输的平均丢包数(或,丢包率)可通过统计等方式获得。
在一个示例性实施例中,虚节点组对应的距离可为虚节点组中所有虚节点间的距离之和。例如,虚节点组包括虚节点P1、P2、……、PX,其中,该虚节点组中,虚节点间Y条存在虚链路,Y条虚链路对应虚节点间的距离依次为:L1、L2、……、LY,则虚节点组对应的距离L=L1+L2+……+LY。
在一个示例性实施例中,如图2所示,在S101之前,还包括:
S100:确定虚拟网络的矢量表示。
在本实施例中,可以通过机器学习模型确定虚拟网络的矢量表示。
作为一种示例,如图3所示,可通过如下步骤确定虚拟网络的矢量表示:
S1001:获取所述虚拟网络的图结构,图结构包括:节点和节点之间的邻接关系;
S1002:将图结构输入机器学习模型;
S1003:机器学习模型确定图结构中的节点,作为虚节点;
S1004:对图结构中的节点之间的邻接关系进行预测,得到邻接关系的概率;
S1005:将概率超过预设概率阈值的邻接关系确定为虚链路;
S1006:确定虚链路对应的两个虚节点间的距离。
示例性地,机器学习模型可为Node2Vec模型。
在一个示例性实施例中,如图4所示,上述S103,包括:
S1031:从排序后的所有所述虚节点组中选择一个虚节点组作为参考虚节点组;
S1032:基于所述参考虚节点组的所述距离,确定所述重构阈值。
在一个示例性实施例中,上述S1031,包括:
基于预设的重构比率,从排序后的所有所述虚节点组中选择一个虚节点组作为参考虚节点组。
这里,继续基于上述虚节点组集合V进行说明,假设重构比率为r,则可以以第N*r个虚节点组作为参考虚节点组。进一步地,以参考节点组的距离作为重构阈值,即,以第N*r个虚节点组的距离作为重构阈值。
可以理解地,当重构阈值包括第一重构阈值和第二重构阈值,且第一重构阈值大于第二重构阈值时,将虚节点组集合V中第N*r个虚节点组及其相邻的虚节点组的距离分别作为第一重构阈值和第二重构阈值。
例如:取第N*r个虚节点组的距离作为第一重构阈值,以及取第N*r+1个虚节点组的距离作为第二重构阈值;或者,取第N*r-1个虚节点组的距离作为第一重构阈值,以及取第N*r个虚节点组的距离作为第二重构阈值。
在一个示例性实施例中,上述S101,包括:
S1011:基于所述虚拟网络的虚节点间的连接关系,将存在连接关系的两个虚节点划分到同一个虚节点组。
这里,两个虚节点存在连接关系,也即,两个虚节点间存在虚链路。
在本实施例中,基于两个虚节点间的虚链路,将每条虚链路对应的两个虚节点分别划分为一个虚节点组。
在一个示例性实施例中,如图5所示,上述S104,包括:
S1041:基于所述虚节点组的距离和所述重构阈值之间的大小,确定分配给所述虚节点组的资源量;
S1042:基于所述资源量,对所述虚节点组进行重映射。
在本实施例中,通过比较虚节点组的距离和重构阈值之间的大小,对虚节点组对应的虚链路的资源量进行调整,并以调整后的资源量将虚节点组及虚链路重映射到物理链路。
例如,以虚链路当前资源量为基础,增大或减小虚链路的资源量。这里,还可以引入重构度,基于重构度增大或减小虚链路的资源量。
例如,若虚节点组的距离大于重构阈值,则说明当前为虚节点组分配的资源量已经超负荷,不能满足虚节点组上承载的业务需求,故增加为虚节点组分配的物理网络资源量,并将虚节点组按照重新分配的物理网络资源量,重映射到物理网络;具体地,假设虚链路当前资源量为R,则增加后的资源量为(1+c)*R,其中c为重构度。
若虚节点组的距离小于重构阈值,则说明当前为虚节点组分配的资源量过多,超过了虚节点组上承载的业务需求,故减少为虚节点组分配物理网络资源量,并将虚节点组按照重新分配的物理网络资源量,重映射到物理网络;具体地,假设虚链路当前资源量为R,则增加后的资源量为(1-c)*R,其中c为重构度。
在本实施例中,通过重新确定重映射所需资源量,使重映射时会根据当前需求的变化对重映射所需资源量进行增量或减量的调整,实现对重构资源需求的定量分析,确保物理网络资源得到更高效的利用。
在另一个示例性实施例中,重构阈值包括第一重构阈值和第二重构阈值,其中,第一重构阈值大于第二重构阈值。
在本实施例中,第一重构阈值和/或第二重构阈值可以为前述任一重构阈值。
在本实施例中,采用双阈值方法,可以使得重映射资源量的调整趋于平缓,避免由于频繁调整导致虚拟网络提供的服务的不稳定。
例如,第一重构阈值和第二重构阈值均可以为以下任一值:
预设阈值;
虚拟网络所有虚链路的距离的平均值,其中,虚链路的距离为虚链路对应的两个虚节点之间的距离;
虚拟网络所有虚链路的距离的最大值;
虚拟网络所有虚链路的距离的最小值;
虚拟网络中所有虚节点组的距离的平均值,其中,虚节点组的距离为虚节点组中所有虚链路的距离之和;
虚拟网络中所有虚节点组的距离的最小值;
虚拟网络中所有虚节点组的距离的最大值;
虚拟网络中一条虚链路对应的两个虚节点之间的距离。
相应地,若虚节点组的距离大于第一重构阈值,则说明当前为虚节点组分配的资源量已经超负荷,不能满足虚节点组上承载的业务需求,故增加为虚节点组分配的物理网络资源量,并将虚节点组按照重新分配的物理网络资源量,重映射到物理网络;
若虚节点组的距离小于第二重构阈值,则说明当前为虚节点组分配的资源量过多,超过了虚节点组上承载的业务需求,故减少为虚节点组分配物理网络资源量,并将虚节点组按照重新分配的物理网络资源量,重映射到物理网络;
若虚节点组的距离大于第二重构阈值,且小于第一重构阈值,则说明当前为虚节点组分配的资源合适,正好虚节点组上承载的业务需求,故保持为虚节点组分配物理网络资源量,并使虚节点组保持上一次映射分配的物理网络资源量,重映射到物理网络。
如图6所示,本发明实施例还提供一种虚拟网络重映射装置500,所述装置包括:
分组模块510,用于基于虚拟网络的矢量表示,对所述虚拟网络的虚节点进行分组,得到至少一个虚节点组;其中,所述虚拟网络的矢量表示包括:所述虚拟网络的虚节点间的连接关系和所述虚节点间的所述距离;
排序模块520,用于基于所述距离,对所有所述虚节点组进行排序;
确定模块530,用于确定所述虚拟网络的重构阈值;
重映射模块540,用于基于所述重构阈值和所述虚节点组的排序,对所述虚节点组进行重映射。
在一个示例性实施例中,确定模块530,包括:
选择单元5301,用于从排序后的所有所述虚节点组中选择一个虚节点组作为参考虚节点组;
确定单元5302,用于基于所述参考虚节点组的所述距离,确定所述重构阈值。
在一个示例性实施例中,选择单元5301,包括:
第一选择单元,用于基于预设的重构比率,从排序后的所有所述虚节点组中选择一个虚节点组作为参考虚节点组。
在一个示例性实施例中,分组模块510,包括:
分组单元5101,用于基于所述虚拟网络的虚节点间的连接关系,将存在连接关系的两个虚节点划分到同一个虚节点组。
在一个示例性实施例中,重映射模块540,包括:
资源量确定单元5401,用于基于所述虚节点组的距离和所述重构阈值之间的大小,确定分配给所述虚节点组的资源量;
重映射单元5402,用于基于所述资源量,对所述虚节点组进行重映射。
本发明实施例还提供一种计算机存储介质,该计算机存储介质存储有计算机可执行指令;所述计算机可执行指令被处理器执行后,能够实现前述一个或多个技术方案提供的虚拟网络重映射方法。
所述计算机存储介质可为:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质等存储介质,可选为非瞬间存储介质。
以下,以一个具体示例对本发明实施例虚拟网络重映射方法进行说明:
本发明实施例提出一种基于表示学习的虚拟网络重映射方法:首先,基于表示学习得到的矢量结果对虚节点重映射优先级进行分组和排序;然后,根据矢量关系定量计算重映射时每条虚链路需要的资源;最后,形成一种虚节点和虚链路协同地启发式重映射。
本发明实施例基于表示学习的虚拟网络重映射方法部署在虚拟网络的重构机制触发之后,能够输出一种定量配置、多因素导向的虚拟网络重映射方案。在本发明实施例中,对虚拟网络的重构触发机制不做限制,可与任何重构触发机制对接,形成一种可插拔的技术方案。
在虚拟网络的重构机制被触发之后,首先,基于表示学习将虚拟网络映射到矢量空间。在本发明实施例中,基于表示学习中的Node2Vec模型输出虚拟网络中的每个虚节点在矢量空间中的矢量表示。为了让Node2Vec模型训练出的结果既能表示虚节点间的拓扑结构相似性又能表示虚节点间的一级路由和多级路由所对应虚链路的负载状况,需要在Node2Vec算法的样本采集阶段采用一种偏置游走策略。
具体地,该偏置游走策略的实现方式如式(1)所示:
πvx=αpq·wvx (1)
其中,πvx为在采样时虚节点v和虚节点x之间的虚链路的偏置权重,αpq为Node2Vec模型的按照标准计算方法确定的偏置权重;W0表示在t0时刻虚节点v和虚节点x之间的虚链路上的平均占用带宽,T0表示在t0时刻虚节点v和虚节点x之间的虚链路上平均消息时延,E0表示在t0时刻虚节点v和虚节点x之间的虚链路上平均丢包数。kW、kT、kE分别是占用带宽、消息时延和丢包数的估计等级,kW+kT+kE=1。通过调整kW、kT、kE,可以调节占用带宽、消息时延和丢包数在采样决策中的重要性程度。
在本发明实施例中,选择占用带宽、时延和丢包数三个参数作为虚链路状态的代表性参数。由于Node2Vec模型本身只负责拓扑结构的学习,不负责虚链路间负载状态的学习。因此,引入参数πvx使负载状态对Node2Vec模型的输出结果产生影响,实现虚拟网络负载状态与采样数据的信息融合。关于Node2Vec模型的具体细节可参考相关文档,这里不做赘述。
在确定虚拟网络的矢量表示后,即可应用本发明实施例提出的基于表示学习的虚拟网络重映射方法,具体步骤如图7所示。
第一步,将虚节点分组。
设一个虚拟网络中所有的虚节点集合为NV,集合NV虚节点的个数为n,分组后每个虚节点组内可容纳2个虚节点,如果n/2不能整除,那么,剩余一个虚节点将被单独归为一个虚节点组。
分组依据的是矢量对(即,存在连接关系的两个虚节点)的矢量间距(也即,距离)的大小。假设一个虚拟网络中所有虚节点可被分为g个虚节点组。分组时,先从所有矢量对中挑选出矢量间距最小的一个矢量对归为一组,然后再从剩余矢量对中挑选间距次小的,依此类推。
由于矢量间距的物理意义是拓扑连接的紧密程度以及负载的轻重程度,所以,分组的意义就是按路由和负载的综合需求划分了待映射的虚节点对,为虚节点和虚链路协同映射创建了准备条件。
第二步,对分好的虚节点组进行优先级排序。
排序标准是组内成员相对关系的降序。表示学习算法已将虚节点间的相对关系映射成了矢量间距,因此,排序标准也就是指矢量间距。矢量间距越小,该组的序号就越小。序号将决定该组在重映射算法中的映射优先度,序号越小,优先度就越高。将排序后的虚节点组的有序集合设为p,第i个虚节点组的距离设为d(i)。
第三步,确定重构阈值。
先获取重构触发时的重构标识位m,m共有两种取值:设m=1为缩减型重构,代表原虚拟网络中业务需求较低,出现资源浪费的情况,重构后对应虚链路上分配的资源应减少;m=0为增量型重构,代表原虚拟网络中业务需求较高,出现较多业务阻塞的情况,重构后对应虚链路上分配的资源应增加。最后,根据重构比率r设定最大重构阈值Tmax(即,第一重构阈值)和最小重构阈值Tmin(即,第二重构阈值),如式(2)所示:
T=d(r*g+m) (2)
其中,T为有序集合设为p中第r*g+m个虚节点组的距离,r为重构比例,g为有序集合p中虚节点组的个数;m可取0或1,当m为1时,T为最大重构阈值,当m为0时,T为最小重构阈值。也即,最大重构阈值为第r*g+1个虚节点组的距离Tmax,最小重构阈值为第r*g个虚节点组的距离Tmin。
第四步,按照排序的优先顺序,对每一组虚节点对依次执行重映射算法。
从最高优先级的组,也就是序号最小,组内矢量相关关系最大的组开始。设虚节点组i中两个虚节点对应虚链路上的现有资源为Ri,重构度为c[0,1]。映射时,若为增量型重构,重映射时依次判断每组组内矢量对的矢量间距是否小于Tmin,若小于,则说明当前矢量对应的虚节点间的业务负载较重,对应虚链路上频谱资源紧张,重映射时需要给两个虚节点间的虚链路分配的资源量为(1+c)Ri。若为缩减型重构,重映射时依次判断组内矢量对的矢量间距是否大于Tmax,若大于,则说明当前矢量对应的虚节点间的业务负载较轻,对应虚链路上频谱资源较为空闲,出现了资源利用率过低的情况,重映射时需要给这两个虚节点间的虚链路映射的资源量为(1-c)Ri。若组内矢量距离大于Tmin并且小于Tmax,则说明虚节点间资源的初始映射与需求尚且匹配,重映射时遵循初始化的映射资源量即可。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些端口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元,即可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理模块中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种虚拟网络重映射方法,其特征在于,所述方法包括:
基于虚拟网络的矢量表示,对所述虚拟网络的虚节点进行分组,得到至少一个虚节点组;其中,所述虚拟网络的矢量表示包括:所述虚拟网络的虚节点间的连接关系和所述虚节点间的距离;
基于所述距离,对所有所述虚节点组进行排序;
确定所述虚拟网络的重构阈值;
基于所述重构阈值和所述虚节点组的排序,将所述虚节点组重映射到物理网络。
2.根据权利要求1所述的方法,其特征在于,所述距离用于指示所述虚节点间的虚链路的负载状况。
3.根据权利要求1所述的方法,其特征在于,所述确定所述虚拟网络的重构阈值,包括:
从排序后的所有所述虚节点组中选择一个虚节点组作为参考虚节点组;
基于所述参考虚节点组的所述距离,确定所述重构阈值。
4.根据权利要求3所述的方法,其特征在于,所述从排序后的所有所述虚节点组中选择一个虚节点组作为参考虚节点组,包括:
基于预设的重构比率,从排序后的所有所述虚节点组中选择一个虚节点组作为参考虚节点组。
5.根据权利要求1所述的方法,其特征在于,所述基于虚拟网络的矢量表示,对所述虚拟网络的虚节点进行分组,得到至少一个虚节点组,包括:
基于所述虚拟网络的虚节点间的连接关系,将存在连接关系的两个虚节点划分到同一个虚节点组。
6.根据权利要求1所述的方法,其特征在于,所述基于所述重构阈值,对所述虚节点组进行重映射,包括:
基于所述虚节点组的距离和所述重构阈值之间的大小,确定分配给所述虚节点组的资源量;
基于所述资源量,对所述虚节点组进行重映射。
7.一种虚拟网络重映射装置,其特征在于,所述装置包括:
分组模块,用于基于虚拟网络的矢量表示,对所述虚拟网络的虚节点进行分组,得到至少一个虚节点组;其中,所述虚拟网络的矢量表示包括:所述虚拟网络的虚节点间的连接关系和所述虚节点间的距离;
排序模块,用于基于所述距离,对所有所述虚节点组进行排序;
确定模块,用于确定所述虚拟网络的重构阈值;
重映射模块,用于基于所述重构阈值和所述虚节点组的排序,对所述虚节点组进行重映射。
8.根据权利要求7所述的装置,其特征在于,所述确定模块,包括:
选择单元,用于从排序后的所有所述虚节点组中选择一个虚节点组作为参考虚节点组;
确定单元,用于基于所述参考虚节点组的所述距离,确定所述重构阈值。
9.根据权利要求8所述的装置,其特征在于,所述选择单元,具体用于基于预设的重构比率,从排序后的所有所述虚节点组中选择一个虚节点组作为参考虚节点组。
10.一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序被执行后,能够实现权利要求1至6项任一项所述的虚拟网络重映射方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110968764.XA CN115720195B (zh) | 2021-08-23 | 2021-08-23 | 一种虚拟网络重映射方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110968764.XA CN115720195B (zh) | 2021-08-23 | 2021-08-23 | 一种虚拟网络重映射方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115720195A true CN115720195A (zh) | 2023-02-28 |
CN115720195B CN115720195B (zh) | 2024-08-09 |
Family
ID=85253296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110968764.XA Active CN115720195B (zh) | 2021-08-23 | 2021-08-23 | 一种虚拟网络重映射方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115720195B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104104621A (zh) * | 2013-04-07 | 2014-10-15 | 中国科学院声学研究所 | 一种基于非线性降维的虚拟网络资源动态自适应调节方法 |
KR20160109216A (ko) * | 2015-03-10 | 2016-09-21 | 한국전자통신연구원 | 가상 네트워크 구성방법 및 그 장치 |
CN110011858A (zh) * | 2019-04-15 | 2019-07-12 | 国网山西省电力公司大同供电公司 | 一种基于负载均衡和重配置的开关优化映射方法 |
CN112202630A (zh) * | 2020-09-16 | 2021-01-08 | 中盈优创资讯科技有限公司 | 一种基于无监督模型的网路质量异常检测方法及装置 |
-
2021
- 2021-08-23 CN CN202110968764.XA patent/CN115720195B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104104621A (zh) * | 2013-04-07 | 2014-10-15 | 中国科学院声学研究所 | 一种基于非线性降维的虚拟网络资源动态自适应调节方法 |
KR20160109216A (ko) * | 2015-03-10 | 2016-09-21 | 한국전자통신연구원 | 가상 네트워크 구성방법 및 그 장치 |
CN110011858A (zh) * | 2019-04-15 | 2019-07-12 | 国网山西省电力公司大同供电公司 | 一种基于负载均衡和重配置的开关优化映射方法 |
CN112202630A (zh) * | 2020-09-16 | 2021-01-08 | 中盈优创资讯科技有限公司 | 一种基于无监督模型的网路质量异常检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
彭利民;: "一种拓扑感知的虚拟网络重构算法", 四川大学学报(工程科学版), no. 05, 20 September 2015 (2015-09-20), pages 113 - 118 * |
Also Published As
Publication number | Publication date |
---|---|
CN115720195B (zh) | 2024-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108260169B (zh) | 一种基于QoS保障的服务功能链动态部署方法 | |
Alicherry et al. | Network aware resource allocation in distributed clouds | |
CN111538570B (zh) | 一种面向节能和QoS保障的VNF部署方法及装置 | |
US20050177833A1 (en) | Method and apparatus for reassigning objects to processing units | |
US7730086B1 (en) | Data set request allocations to computers | |
CN112019620B (zh) | 基于Nginx动态加权的Web集群负载均衡方法及*** | |
CN114595049A (zh) | 一种云边协同任务调度方法及装置 | |
CN108762923A (zh) | 采用差分进化算法作为Docker Swarm调度策略的方法 | |
CN113032096A (zh) | 一种基于节点重要性与用户需求双感知的sfc映射方法 | |
CN111553834B (zh) | 基于fpga的并发图数据预处理方法 | |
CN110597598B (zh) | 一种云环境中的虚拟机迁移的控制方法 | |
CN114785692A (zh) | 一种虚拟电厂聚合调控通信网络流量均衡方法及装置 | |
Ibrahim et al. | A modified genetic algorithm for controller placement problem in SDN distributed network | |
US7647592B2 (en) | Methods and systems for assigning objects to processing units | |
CN113672372A (zh) | 一种基于强化学习的多边缘协同负载均衡任务调度方法 | |
Huang et al. | An efficient joint node and link mapping approach based on genetic algorithm for network virtualization | |
CN115720195A (zh) | 一种虚拟网络重映射方法、装置及存储介质 | |
CN116204293A (zh) | 一种资源调度方法、装置、计算机设备以及存储介质 | |
Wang et al. | Efficient deployment of virtual network functions to achieve load balance in cloud networks | |
CN113115139B (zh) | 基于网络容器的光网络虚拟化***及业务映射方法 | |
CN114978913A (zh) | 一种基于切链的服务功能链跨域部署方法及*** | |
CN106888237B (zh) | 一种数据调度方法及*** | |
Han et al. | Opportunistic coded distributed computing: An evolutionary game approach | |
CN114116052A (zh) | 一种边缘计算方法及装置 | |
Sit et al. | An adaptive clustering approach to dynamic load balancing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |