CN115842744A - 节点部署方法、装置、设备及存储介质 - Google Patents
节点部署方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115842744A CN115842744A CN202310140237.9A CN202310140237A CN115842744A CN 115842744 A CN115842744 A CN 115842744A CN 202310140237 A CN202310140237 A CN 202310140237A CN 115842744 A CN115842744 A CN 115842744A
- Authority
- CN
- China
- Prior art keywords
- node
- service function
- physical
- determining
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开实施例公开了一种节点部署方法、装置、设备及存储介质,其中,所述方法包括:获取待部署的服务功能节点集合和物理节点集合;基于每一服务功能节点所对应的执行时长和各服务功能节点之间的传输效率,确定服务功能节点集合所对应的第一加权图;基于每一物理节点所对应的剩余资源量和各物理节点之间的剩余带宽,确定物理节点集合所对应的第二加权图;基于第一加权图和第二加权图,确定各服务功能节点与各物理节点之间的映射关系;其中,映射关系用于将各服务功能节点部署至对应的物理节点。本公开实施例可以服务功能节点带的提高部署效率和部署精度。
Description
技术领域
本公开涉及但不限于计算机技术领域,尤其涉及一种节点部署方法、装置、设备及存储介质。
背景技术
网络功能虚拟化(Network Function Virtualization,NFV)技术实现了将网络功能从专用硬件转换为软件中间盒,以虚拟网络功能(Virtual Network Function,VNF)的形式部署网络服务或应用程序,实现了灵活、可伸缩的部署和管理。而服务功能链(ServiceFunctionChain,SFC)是由一系列有序的虚拟网络功能组成的,网络服务质量依赖于服务功能链的部署效果。因此,网络服务提供商需要在多种资源限制条件下将动态到达的SFC请求实时放置在物理网络中。相关技术中,虽然可以采用人工经验的方法将VNF部署至对应的物理网络中的物理节点,但是需要消耗大量的人力、部署效率低。
发明内容
有鉴于此,本公开实施例至少提供一种节点部署方法、装置、设备及存储介质。
本公开实施例的技术方案是这样实现的:
一方面,本公开实施例提供一种节点部署方法,包括:获取待部署的服务功能节点集合和物理节点集合;其中,所述服务功能节点集合携带有每一服务功能节点所对应的执行时长和各所述服务功能节点之间的传输效率;所述物理节点集合携带有每一物理节点所对应的剩余资源量和各所述物理节点之间的剩余带宽;基于每一所述服务功能节点所对应的执行时长和各所述服务功能节点之间的传输效率,确定所述服务功能节点集合所对应的第一加权图;基于每一所述物理节点所对应的剩余资源量和各所述物理节点之间的剩余带宽,确定所述物理节点集合所对应的第二加权图;基于所述第一加权图和所述第二加权图,确定各所述服务功能节点与各所述物理节点之间的映射关系;其中,所述映射关系用于将各所述服务功能节点部署至对应的物理节点。
另一方面,本公开实施例提供一种节点部署装置,包括:获取模块,用于获取待部署的服务功能节点集合和物理节点集合;其中,所述服务功能节点集合携带有每一服务功能节点所对应的执行时长和各所述服务功能节点之间的传输效率;所述物理节点集合携带有每一物理节点所对应的剩余资源量和各所述物理节点之间的剩余带宽;第一确定模块,用于基于每一所述服务功能节点所对应的执行时长和各所述服务功能节点之间的传输效率,确定所述服务功能节点集合所对应的第一加权图;第二确定模块,用于基于每一所述物理节点所对应的剩余资源量和各所述物理节点之间的剩余带宽,确定所述物理节点集合所对应的第二加权图;第三确定模块,用于基于所述第一加权图和所述第二加权图,确定各所述服务功能节点与各所述物理节点之间的映射关系;其中,所述映射关系用于将各所述服务功能节点部署至对应的物理节点。
再一方面,本公开实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法中的部分或全部步骤。
又一方面,本公开实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。
又一方面,本公开实施例提供一种计算机程序,包括计算机可读代码,当所述计算机可读代码在计算机设备中运行时,所述计算机设备中的处理器执行用于实现上述方法中的部分或全部步骤。
又一方面,本公开实施例提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序被计算机读取并执行时,实现上述方法中的部分或全部步骤。
本公开实施例中,首先,获取待部署的服务功能节点集合和物理节点集合;其中,服务功能节点集合携带有每一服务功能节点所对应的执行时长和各服务功能节点之间的传输效率;物理节点集合携带有每一物理节点所对应的剩余资源量和各物理节点之间的剩余带宽。然后,基于每一服务功能节点所对应的执行时长和各服务功能节点之间的传输效率,确定服务功能节点集合所对应的第一加权图;基于每一物理节点所对应的剩余资源量和各物理节点之间的剩余带宽,确定物理节点集合所对应的第二加权图。最后,基于第一加权图和第二加权图,确定各服务功能节点与各物理节点之间的映射关系;其中,映射关系用于将各服务功能节点部署至对应的物理节点。这样,通过多个服务功能节点构成的加权图和多个物理节点构成的加权图,可以同时确定服务功能节点和物理节点的局部和全局的依赖关系,继而快速准确地确定各服务功能节点与各物理节点之间的映射关系,提高部署效率和部署精度,有助于实现大规模以及跨域SFC的部署等。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开的技术方案。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1为本公开实施例提供的第一种节点部署方法的实现流程示意图;
图2为本公开实施例提供的第二种节点部署方法的实现流程示意图;
图3为本公开实施例提供的第三种节点部署方法的实现流程示意图;
图4为本公开实施例提供的第四种节点部署方法的实现流程示意图;
图5为本公开实施例提供的一种服务功能链的结构示意图;
图6为本公开实施例提供的一种服务功能链的融合示意图;
图7为本公开实施例提供一种物理链路的结构示意图;
图8为本公开实施例提供一种映射关系的示意图;
图9为本公开实施例提供的一种节点部署装置的组成结构示意图;
图10为本公开实施例提供的一种计算机设备的硬件实体示意图。
具体实施方式
为了使本公开的目的、技术方案和优点更加清楚,下面结合附图和实施例对本公开的技术方案进一步详细阐述,所描述的实施例不应视为对本公开的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本公开保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本公开实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本公开的目的,不是旨在限制本公开。
本公开实施例提供一种节点部署方法,该方法可以由计算机设备的处理器执行。其中,计算机设备指的可以是服务器、云端平台、笔记本电脑、平板电脑、台式计算机、移动设备(例如移动电话、便携式视频播放器、个人数字助理、专用消息设备)等具备节点部署能力的设备。图1为本公开实施例提供的一种节点部署方法的实现流程示意图,如图1所示,该方法包括如下步骤S101至步骤S104:
步骤S101,获取待部署的服务功能节点集合和物理节点集合。
这里,服务功能节点集合中可以包括至少两个服务功能节点(也可以称为虚拟网络功能节点),服务功能节点可以理解为服务功能链(也可以称为业务链)(SFC)中的虚拟网络功能(VNF)。例如:接收用户上传的至少两个SFC请求,SFC请求中携带有业务链路径信息,业务链路径信息表征业务链的服务功能节点的数量,以及服务功能节点间的连接关系;基于至少两个业务链路径信息,确定至少两个服务功能链;例如:第一服务功能链为第一服务功能节点至第二服务功能节点至第三服务功能节点;第二服务功能链为第一服务功能节点至第四服务功能节点至第五服务功能节点等;将第一服务功能节点、第二服务功能节点、第三服务功能节点、第四服务功能节点和第五服务功能节点确定为服务功能节点集合。
物理节点集合中可以包括至少两个物理节点,物理节点可以理解为底层物理网络上物理链路中的服务设备(如服务器、基站等),服务设备具有计算、存储和网络等资源,用于向服务功能链中的服务功能节点提供资源,以使得服务功能节点完成相应的业务处理。例如:可以预先获取预设区域的所有服务设备,将所有服务设备中当前剩余资源大于预设资源阈值,且存在网络连接的服务设备确定为物理节点集合。
服务功能节点集合携带有每一服务功能节点所对应的执行时长和各服务功能节点之间的传输效率。不同的服务功能节点可以具有不同的功能,导致不同的服务功能节点可以具有不同的执行时长;执行时长可以是指对经过服务功能节点的报文或流量数据进行处理的时长,如,第一服务功能节点具有防火墙功能、执行时长为0.3秒;第二服务功能节点具有负载均衡功能、执行时长为0.1秒;第三服务功能节点具有入侵防御***功能、执行时长为0.2秒等。服务功能节点的执行时长可以根据服务功能节点的功能等因素自定义设置,这里并不限定。由于服务功能链中各服务功能节点之间的带宽、网络协议的不同,导致各服务功能节点之间的传输效率可以存在差异;传输效率可以是指单位时间内数据量的传输大小,如,第一服务功能节点与第二服务功能节点之间的传输效率为5兆字节每秒,第二服务功能节点与第三服务功能节点之间的传输效率为3兆字节每秒等。各服务功能节点之间的传输效率可以根据服务功能链进行业务处理的业务链等因素自定义设置,这里并不限定。
物理节点集合携带有每一物理节点所对应的剩余资源量和各物理节点之间的剩余带宽。不同的物理节点可以具有不同类型的资源(如计算资源、存储资源等),物理节点的资源参数可以包括总资源量、已使用资源量、剩余资源量等,物理节点的声音资源量可以由总资源量与已使用资源量进行相减得到。由于物理链路中的各物理节点之间的距离、协议等因素,各物理节点之间的剩余带宽也可以不同。例如:可以确定各物理节点之间的总带宽和已使用带宽,对总带宽和已使用带宽进行相减处理,得到第一物理节点与第二物理节点之间的剩余带宽为10兆每秒、第二物理节点与第三物理节点之间的剩余带宽为8兆每秒等。在一些实施例中,一个物理节点可以承载一个服务功能节点,也可以承载多个服务功能节点,多个服务功能节点的功能可以相同也可以不同,这里并不限定。
步骤S102,基于每一所述服务功能节点所对应的执行时长和各所述服务功能节点之间的传输效率,确定所述服务功能节点集合所对应的第一加权图。
这里,第一加权图可以表征各服务功能节点之间的关联关系、各服务功能节点之间的权重、各服务功能节点各自的权重等属性的拓扑结构图,各服务功能节点处具有第一权重,各服务功能节点之间的边具有第二权重等。例如:可以将各服务功能节点所对应的执行时长确定为第一权重,将各服务功能节点之间的传输效率确定为第二权重等。例如:第一服务功能节点的执行时长为1秒,第二服务功能节点的执行时长为2秒,第一服务功能节点与第二服务功能节点之间的传输效率为5兆每秒,那么可以确定第一服务功能节点对应的第一权重为1、第二服务功能节点对应的第一权重为2、第一服务功能节点与第二服务功能节点之间的边对应的第二权重为5。
步骤S103,基于每一所述物理节点所对应的剩余资源量和各所述物理节点之间的剩余带宽,确定所述物理节点集合所对应的第二加权图。
这里,第二加权图可以表征各物理节点之间的关联关系、各物理节点之间的权重、各物理节点各自的权重等属性的拓扑结构图,各物理节点处具有第三权重,各物理节点之间的边具有第四权重等。例如:可以将各物理节点所对应的剩余资源量确定为第三权重,将各物理节点之间的剩余带宽确定为第四权重等。例如:第一物理节点的剩余资源量为3兆,第二物理节点的剩余资源量为8兆,第一物理节点与第二物理节点之间的剩余带宽为7兆每秒,那么可以确定第一物理节点对应的第三权重为3、第二物理节点对应的第三权重为8、第一物理节点与第二物理节点之间的边对应的第四权重为7。
步骤S104,基于所述第一加权图和所述第二加权图,确定各所述服务功能节点与各所述物理节点之间的映射关系。
这里,映射关系用于将各所述服务功能节点部署至对应的物理节点,如,映射关系表征第一服务功能节点部署至第一物理节点、第二服务功能节点部署至第三物理节点、第三服务功能节点部署至第二物理节点、第四服务功能节点部署至第三物理节点等。步骤S104包括:可以利用已训练的神经网络模型对第一加权图和第二加权图进行处理,得到各服务功能节点部署至每一物理节点的置信度;其中,已训练的神经网络模型可以是指预先设置的机器学习模型,如,用于执行置信度预测的神经网络模型;基于所有置信度,确定映射关系。例如:第一服务功能节点部署至第一物理节点的置信度为0.9、第一服务功能节点部署至第二物理节点的置信度为0.5、第一服务功能节点部署至第三物理节点的置信度为0.4,那么确定第一服务功能节点可以部署至第一物理节点等;对于其他服务功能节点的映射关系,可以采用相同的方式依次确定对应的物理节点。
本公开实施例中,首先,获取待部署的服务功能节点集合和物理节点集合;其中,服务功能节点集合携带有每一服务功能节点所对应的执行时长和各服务功能节点之间的传输效率;物理节点集合携带有每一物理节点所对应的剩余资源量和各物理节点之间的剩余带宽。然后,基于每一服务功能节点所对应的执行时长和各服务功能节点之间的传输效率,确定服务功能节点集合所对应的第一加权图;基于每一物理节点所对应的剩余资源量和各物理节点之间的剩余带宽,确定物理节点集合所对应的第二加权图。最后,基于第一加权图和第二加权图,确定各服务功能节点与各物理节点之间的映射关系;其中,映射关系用于将各服务功能节点部署至对应的物理节点。这样,通过多个服务功能节点构成的加权图和多个物理节点构成的加权图,可以同时确定服务功能节点和物理节点的局部和全局的依赖关系,继而快速准确地确定各服务功能节点与各物理节点之间的映射关系,提高部署效率和部署精度,有助于实现大规模以及跨域SFC的部署等。
本公开实施例提供一种节点部署方法,所述服务功能节点集合保证至少两条服务功能链。如图2所示,该方法包括如下步骤S201至步骤S206:
步骤S201,获取待部署的服务功能节点集合和物理节点集合。
步骤S205,基于每一所述物理节点所对应的剩余资源量和各所述物理节点之间的剩余带宽,确定所述物理节点集合所对应的第二加权图。
步骤S206,基于所述第一加权图和所述第二加权图,确定各所述服务功能节点与各所述物理节点之间的映射关系。
其中,步骤S201对应于前述步骤S101,在实施时可以参照前述步骤S101的具体实施方式;步骤S205至步骤S206分别对应于前述步骤S103至步骤S104,在实施时可以参照前述步骤S103至步骤S104的具体实施方式。
步骤S202,确定每一条所述服务功能链中的服务功能节点的执行功能。
这里,执行功能可以是指服务功能节点进行处理业务的类型,如,存储功能、计算功能等、过滤功能等。可以预先在SFC请求添加服务功能链处理的业务类型,以及每一服务功能节点的执行功能等信息,在接收到SFC请求后,对SFC请求进行解析,得到各服务功能节点的执行功能。例如:第一服务功能链包括第一服务功能节点、第二服务功能节点和第三服务功能节点,对应的执行功能分别为第一执行功能、第二执行功能和第三执行功能;第二服务功能链包括第四服务功能节点、第五服务功能节点和第六服务功能节点,对应的执行功能分别为第四执行功能、第二执行功能和第五执行功能等。
步骤S203,基于所述执行功能和每一所述服务功能节点所对应的执行时长,对所有所述服务功能链进行融合,得到每一所述服务功能节点融合后的执行时长。
这里,可以将多条服务功能链进行融合,得到融合后的服务功能链,有助于减少服务功能链的数量,提高服务功能节点之间的关联性等。例如:第一服务功能链中第二服务功能节点为第二执行功能,第二服务功能链中第五服务功能节点也为第二执行功能,第二服务功能节点的执行时长为1秒,第五服务功能节点的执行时长为2秒,那么可以将第一服务功能链和第二服务功能链进行融合,得到融合后的第二服务功能节点(或第五服务功能节点)的执行时长为3秒。
步骤S204,基于每一所述服务功能节点融合后的执行时长和各所述服务功能节点之间的传输效率,确定所述服务功能节点集合所对应的第一加权图。
例如:第一服务功能链中第二服务功能节点的执行功能与第二服务功能链中第五服务功能节点的执行功能相同,第二服务功能节点的第一权重为1,第五服务功能节点的第一权重为2,那么第一加权图中融合后的第二服务功能节点(或第五服务功能节点)的第一权重为3,各服务功能节点之间的第二权重不变。
本公开实施例中,通过对具有相同执行功能的服务功能节点进行融合,可以减少第一加权图中的节点,提高第一加权图中各节点之间的关联性,继而后续可以更加准确地得到映射关系。
本公开实施例提供一种节点部署方法,如图3所示,该方法包括如下步骤S301至步骤S307:
步骤S301,获取待部署的服务功能节点集合和物理节点集合。
步骤S302,基于每一所述服务功能节点所对应的执行时长和各所述服务功能节点之间的传输效率,确定所述服务功能节点集合所对应的第一加权图。
步骤S303,基于每一所述物理节点所对应的剩余资源量和各所述物理节点之间的剩余带宽,确定所述物理节点集合所对应的第二加权图。
其中,步骤S301至步骤S303分别对应于前述步骤S101至步骤S103,在实施时可以参照前述步骤S101至步骤S103的具体实施方式。
步骤S304,确定所述第一加权图所对应的第一邻接矩阵,以及确定所述第二加权图所对应的第二邻接矩阵。
这里,邻接矩阵可以是指用于存放节点间关系(边或弧)的数据的二维数组,第一邻接矩阵用于表征第一加权图的节点间关系,第二邻接矩阵用于表征第二加权图的节点间关系。第一服务功能节点和第二服务功能节点所对应第一邻接矩阵中元素的元素值可以由第一服务功能节点的第一权重、第二服务功能节点的第一权重以及第一服务功能节点与第二服务功能节点之间的第二权重确定,如,将第一服务功能节点的第一权重、第二服务功能节点的第一权重以及第一服务功能节点与第二服务功能节点之间的第二权重相加,得到第一服务功能节点和第二服务功能节点所对应第一邻接矩阵中元素的元素值。第一物理节点和第二物理节点所对应第二邻接矩阵中元素的元素值可以由第一物理节点的第三权重、第二物理节点的第三权重以及第一物理节点与第二物理节点之间的第四权重确定,如,将第一物理节点的第三权重、第二物理节点的第三权重以及第一物理节点与第二物理节点之间的第四权重相加,得到第一物理节点和第二物理节点所对应第二邻接矩阵中元素的元素值。
步骤S305,基于所述第一邻接矩阵,确定每一所述服务功能节点的向量表征。
这里,服务功能节点的向量表征可以用于表征服务功能节点的特征,可以利用已训练的第一向量表征模型,对第一邻接矩阵进行处理,得到每一服务功能节点的向量表征;已训练的第一向量表征模型可以是指预先设置的机器学习模型,如,用于执行向量表征学习的神经网络模型。例如:可以将第一邻接矩阵输入至已训练的第一向量表征模型(如Embedding网络),得到每一服务功能节点的向量表征。
步骤S306,基于所述第二邻接矩阵,确定每一所述物理节点的向量表征。
这里,物理节点的向量表征可以用于表征物理节点的特征,可以利用已训练的第二向量表征模型,对第二邻接矩阵进行处理,得到每一物理节点的向量表征;已训练的第二向量表征模型可以是指预先设置的机器学习模型,如,用于执行向量表征学习的神经网络模型。例如:可以将第二邻接矩阵输入至已训练的第二向量表征模型(如Embedding网络),得到每一物理节点的向量表征。
步骤S307,基于每一所述服务功能节点的向量表征和每一所述物理节点的向量表征,确定各所述服务功能节点与各所述物理节点之间的映射关系。
这里,可以利用已训练的映射模型,对服务功能节点的向量表征和物理节点的向量表征进行处理,得到各服务功能节点与各物理节点之间的映射关系;已训练的映射模型可以是指预先设置的机器学习模型,如,用于执行节点映射的神经网络模型。例如:可以将每一服务功能节点的向量表征和每一物理节点的向量表征输入至已训练的映射模型,得到第一服务功能节点部署至第二物理节点、第二服务功能节点部署至第三物理节点、第三服务功能节点部署至第一物理节点等。
本公开实施例中,通过第一加权图和第二加权图可以准确地确定第一邻接矩阵和第二邻接矩阵,进而通过第一邻接矩阵和第二邻接矩阵准确地确定各服务功能节点与各物理节点之间的映射关系。相较于相关技术中,直接基于服务功能链中每一服务功能节点的向量确定映射关系,这样,可以增加各服务功能节点之间、各物理节点之间的关联关系,提高部署的效率和准确率。
在一些实施例中,上述步骤S304可以包括如下步骤S3041至步骤S3042:
步骤S3041,将各所述服务功能节点之间的传输时延确定为所述第一邻接矩阵中非对角线元素的元素值,以及将每一所述服务功能节点所对应的执行时长确定为所述第一邻接矩阵中对角线元素的元素值。
这里,传输时延是基于传输效率和预设的待传输数据量确定的,如,将预设的待传输数据量与传输效率相除,得到传输时延。若第一加权图中服务功能节点的数量为m(m为正整数),第一邻接矩阵的维度为m*m,第一行的元素表征第一服务功能节点分别与第一服务功能节点、第二服务功能节点、第三服务功能节点等之间的关联关系。第一服务功能节点与第一服务功能节点所对应的元素为对角线元素;第一服务功能节点与第二服务功能节点、第三服务功能节点等所对应的元素为非对角线元素;第一服务功能节点与第一服务功能节点所对应的对角线元素的元素值可以为第一服务功能节点所对应的执行时长(也即第一权重);第一服务功能节点与第二服务功能节点所对应的非对角线元素的元素值可以为第一服务功能节点与第二服务功能节点之间的传输时延(也即第二权重)。
步骤S3042,将各所述物理节点之间的剩余带宽确定为所述第二邻接矩阵中非对角线元素的元素值,以及将每一所述物理节点所对应的剩余资源量确定为所述第二邻接矩阵中对角线元素的元素值。
这里,若第二加权图中服务功能节点的数量为n(n为正整数),第二邻接矩阵的维度为n*n,第一行的元素表征第一物理节点分别与第一物理节点、第二物理节点、第三物理节点等之间的关联关系。第一物理节点与第一物理节点所对应的元素为对角线元素;第一物理节点与第二物理节点、第三物理节点等所对应的元素为非对角线元素;第一物理节点与第一物理节点所对应的对角线元素的元素值可以为第一物理节点所对应的剩余资源量(也即第三权重);第一物理节点与第二物理节点所对应的非对角线元素的元素值可以为第一物理节点与第二物理节点之间的剩余带宽(也即第四权重)。
相较于相关技术中,直接将邻接矩阵中对角线元素的元素值取零;本公开实施例中,通过将每一服务功能节点所对应的执行时长确定为第一邻接矩阵中对角线元素的元素值,以及将每一物理节点所对应的剩余资源量确定为第二邻接矩阵中对角线元素的元素值;这样,可以增加服务功能节点整体的关联性、物理节点整体的关联性,进而提高部署的效率和准确率。
在一些实施例中,上述步骤S305可以包括如下步骤S3051至步骤S3056:
步骤S3051,对所述第一邻接矩阵中每一元素的元素值进行归一化处理,得到归一化后的第一邻接矩阵。
这里,可以对第一邻接矩阵中每一元素的元素值进行线性归一化进,如,确定第一邻接矩阵中所有元素的元素和,将每一元素的元素值与该元素和相除,得到每一元素归一化后的元素值。
在一些实施例中,可以采用如下公式进行归一化处理:
公式(1)中,表示第/>个服务功能节点的入度,/>表示服务功能节点/>和/>之间归一化前的传输时延,/>表示服务功能节点/>和/>之间归一化后的传输时延,表示服务功能节点/>的入度节点集合。物理节点集合所对应的第二邻居矩阵也可以采用相同的方法进行归一化处理,这里并不限定。
步骤S3052,利用预设的长短期记忆网络对所述归一化后的第一邻接矩阵进行特征提取,得到每一所述服务功能节点的初始表征。
这里,长短期记忆网络(Long Short-Term Memory,LSTM)是具有长期记忆能力的一种时间递归神经网络(Recurrent Neural Network,RNN),其网络结构含有一个或多个具有可遗忘和记忆功能的单元组成,可以被用在具有时间等序列特性的数据和场景中。初始表征可以是利用长短期记忆网络获取的表征,初始表征所表征的服务功能节点的维度可以低于向量表征所表征的服务功能节点的维度。例如:将归一化后的第一邻接矩阵输入至已训练的长短期记忆网络,得到每一服务功能节点的初始表征。
步骤S3053,确定每一所述服务功能节点所对应的入度节点集合和出度节点集合。
这里,当前服务功能节点的入度节点可以是指数量流量流向当前服务功能节点的服务功能节点,当前服务功能节点的出度节点,可以是指接收当前服务功能节点的数量流量的服务功能节点。可以根据预设的服务功能链中数据流量的流向,确定每一服务功能节点所对应的入度节点集合和出度节点集合。例如:第三服务功能节点的入度节点集合包括第一服务功能节点和第二服务功能节点,第三服务功能节点的出度节点集合包括第四服务功能节点和第五服务功能节点等。
步骤S3054,对所述入度节点集合中入度节点的初始表征进行聚合处理,得到对应的服务功能节点的入度向量表征。
这里,服务功能节点的入度向量表征可以是指服务功能节点所有入度节点所对应的整体表征,可以利用预设的第一卷积网络或第一聚合函数(如GraphSAGE函数)对当前服务功能节点的入度节点集合中入度节点的初始表征进行聚合处理,得到当前服务功能节点的入度向量表征。
步骤S3055,对所述出度节点集合中出度节点的初始表征进行聚合处理,得到对应的服务功能节点的出度向量表征。
这里,服务功能节点的出度向量表征可以是指服务功能节点所有出度节点所对应的整体表征,可以利用预设的第二卷积网络或第二聚合函数对当前服务功能节点的出度节点集合中出度节点的初始表征进行聚合处理,得到当前服务功能节点的出度向量表征。
在一些实施例中,可以采用如下公式确定入度向量表征:
公式(2)中,表示迭代/>次后的第/>个服务功能节点的入度向量表征,表示入度节点集合,/>表示服务功能节点/>和/>之间归一化前的传输时延,表示迭代/>次后的入度向量表征,/>表示第/>个服务功能节点的初始表征,和/>表示服务功能节点预设的置信度水平(超参数),/>是参数矩阵,/>表示偏置向量,/>表示Relu激活函数,/>,/>为预设的卷积聚合操作迭代次数,可根据实际情况设置。对于服务功能节点的出度向量表征,也可以基于出度节点集合,采用相同的方式进行确定,这里并不限定。
步骤S3056,基于每一所述服务功能节点的入度向量表征和出度向量表征,确定对应的服务功能节点的向量表征。
这里,可以利用预设的第三卷积网络或第三聚合函数对当前服务功能节点的入度向量表征和出度向量表征进行聚合处理,得到当前服务功能节点的向量表征。
在一些实施例中,可以采用如下公式确定服务功能节点的向量表征:
本公开实施例中,通过分别确定服务功能节点的入度表征和出度表征,继而基于服务功能节点的入度表征和出度表征,可以快速准确地确定服务功能节点的向量表征。
在一些实施例中,上述步骤S306可以包括如下步骤S3061至步骤S3064:
步骤S3061,对所述第二邻接矩阵中每一元素的元素值进行归一化处理,得到归一化后的第二邻接矩阵。
这里,可以对第二邻接矩阵中每一元素的元素值进行线性归一化进,如,确定第二邻接矩阵中所有元素的元素和,将每一元素的元素值与该元素和相除,得到每一元素归一化后的元素值。
步骤S3062,利用预设的长短期记忆网络对所述归一化后的第二邻接矩阵进行特征提取,得到每一所述物理节点的初始表征。
这里,例如:将归一化后的第二邻接矩阵输入至已训练的长短期记忆网络,得到每一物理节点的初始表征。用于对归一化后的第一邻接矩阵进行特征提取的长短期记忆网络,与用于对归一化后的第二邻接矩阵进行特征提取的长短期记忆网络可以相同,也可以不同,这里并不限定。
步骤S3063,确定每一所述物理节点所对应的相邻节点集合。
这里,当前物理节点所对应的相邻节点可以是指与当前物理节点建立网络连接的物理节点,包括当前物理节点的入度节点和出度节点等。可以基于各物理节点预设的网络连接关系,从物理节点集合中确定物理节点所对应的存在网络连接的相邻节点集合。
步骤S3064,对每一所述物理节点的初始表征和对应的相邻节点集合中相邻节点的初始表征进行迭代聚合处理,得到对应的物理节点的向量表征。
这里,可以利用预设的第四卷积网络或第四聚合函数对当前物理节点所有相邻节点的初始表征进行聚合处理,得到当前物理节点的向量表征。
在一些实施例中,可以采用如下公式确定当前物理节点的向量表征:
公式(4)中,表示迭代/>次后的第/>个物理节点的向量表征,/>表示相邻节点集合,/>表示服务功能节点/>和相邻节点/>之间归一化前的剩余带宽,/>表示迭代/>次后的向量表征,/>表示第/>个服务功能节点的初始表征,/>和/>表示服务功能节点预设的置信度水平(超参数),/>是参数矩阵,/>表示偏置向量,表示Relu激活函数,/>,/>为预设的卷积聚合操作迭代次数,可根据实际情况设置。
本公开实施例中,通过确定物理节点的相连节点,继而基于相连节点的初始表征,可以快速准确地确定物理节点的向量表征。
在一些实施例中,上述步骤S307可以包括如下步骤S3071至步骤S3074:
步骤S3071,对所述服务功能节点的向量表征进行特征提取,得到每一所述服务功能节点的高阶表征。
这里,高阶表征可以是再次对向量表征进行特征提取得到的表征,高阶表征所表征的服务功能节点的维度可以高于向量表征所表征的服务功能节点的维度。可以利用已训练的第一特征提取网络,对服务功能节点的向量表征进行特征提取,得到各服务功能节点的高阶表征;已训练的第一特征提取网络可以是指预先设置的机器学习模型,如,用于执行特征提取的神经网络模型。例如:将所有服务功能节点的向量表征输入至已训练的第一特征提取网络,已训练的第一特征提取网络可以基于至少一个服务功能节点的向量表征,得到各服务功能节点的高阶表征。
步骤S3072,对所述物理节点的向量表征进行特征提取,得到每一所述物理节点的高阶表征。
这里,高阶表征所表征的物理节点的维度可以高于向量表征所表征的物理节点的维度,可以利用已训练的第二特征提取网络,对物理节点的向量表征进行特征提取,得到各物理节点的高阶表征;已训练的第一特征提取网络可以是指预先设置的机器学习模型,如,用于执行特征提取的神经网络模型。例如:将所有物理节点的向量表征输入至已训练的第二特征提取网络,已训练的第二特征提取网络可以基于至少一个物理节点的向量表征,得到各物理节点的高阶表征。
步骤S3073,基于每一所述服务功能节点的高阶表征和每一所述物理节点的高阶表征,确定每一所述服务功能节点部署对应的物理节点的映射概率。
这里,映射概率可以是指当前服务功能节点部署至当前物理节点的可能程度,可以利用已训练的概率预测模型,对每一服务功能节点的高阶表征和每一物理节点的高阶表征进行处理,得到各物理节点的高阶表征;已训练的概率预测模型可以是指预先设置的机器学习模型,如,用于执行概率预测的神经网络模型。例如:将第一服务功能节点的高阶表征和第一物理节点的高阶表征输入至已训练的概率预测模型,得到第一服务功能节点部署至第一物理节点的预设概率为0.9;将第一服务功能节点的高阶表征和第二物理节点的高阶表征输入至已训练的概率预测模型,得到第一服务功能节点部署至第二物理节点的预设概率为0.6等。
步骤S3074,基于所有所述映射概率,确定各所述服务功能节点与各所述物理节点之间的映射关系。
例如:确定第一服务功能节点部署至第一物理节点的预设概率为0.9,第一服务功能节点部署至第二物理节点的预设概率为0.6,第一服务功能节点部署至第三物理节点的预设概率为0.5;由于第一服务功能节点部署至第一物理节点的预设概率在第一服务功能节点与所有物理节点之间的预设概率中最高,那么确定第一服务功能节点部署至第一物理节点;继而确定第二服务功能节点部署至第三物理节点的预设概率最高,确定第二服务功能节点部署至第三物理节点;确定第三服务功能节点部署至第二物理节点的预设概率最高,确定第三服务功能节点部署至第二物理节点。
本公开实施例中,通过再次对服务功能节点的向量表征进行特征提取,得到服务功能节点的高阶表征,以及对物理节点的向量表征进行特征提取,得到物理节点的高阶表征;这样,可以提高服务功能节点的高阶表征对所有服务功能节点整体结果的表征,以及提高物理节点的高阶表征对所有物理节点整体结果的表征,以使得可以快速准确地得到服务功能节点部署对应的物理节点的映射概率,继而快速准确地确定各服务功能节点与各物理节点之间的映射关系。
在一些实施例中,上述步骤S3071可以包括如下步骤S311至步骤S313:
步骤S311,确定每一所述服务功能节点与对应的相邻节点之间的第一元路径。
这里,第一元路径可以是指两服务功能节点之间可能的路径,如,第一服务功能节点至第二服务功能节点之间的第一元路径可以包括:第一服务功能节点可以通过第一中间服务功能节点与第二服务功能节点进行网络连接;第一服务功能节点可以通过第二中间服务功能节点与第二服务功能节点进行网络连接;第一服务功能节点可以通过第一中间服务功能节点、第三中间服务功能节点与第二服务功能节点进行网络连接等。可以利用递归算法或异构网络,确定每一服务功能节点与对应的相邻节点之间的所有第一元路径。
步骤S312,对每一所述第一元路径所对应的服务功能节点的向量表征进行线性变换,得到对应的服务功能节点的语义表征。
这里,服务功能节点的语义表征可以是指服务功能节点针对于第一元路径的表征。例如:第一服务功能节点的第一元路径包括第一服务功能节点、第三服务功能节点、第二服务功能节点,那么可以将第一服务功能节点的向量表征、第三服务功能节点的向量表征、第二服务功能节点的向量表征进行加权处理,得到第一服务功能节点的语义表征。
步骤S313,对每一所述服务功能节点的语义表征进行归一化处理,得到对应的服务功能节点的高阶表征。
这里,可以对当前服务功能节点所有第一元路径的语义表征进行相加,得到表征和;将每一第一元路径的语义表征与该表征和进行相除,得到归一化后的语义表征;将归一化后的语义表征与归一化前的语义表征进行相乘,得到表征积;对所有表征积进行相加,得到当前服务功能节点的高阶表征。
在一些实施例中,首先,可以为每个服务功能节点或物理节点构建元路径和邻居节点集合:为每个节点寻找长度为T的元路径,节点为的元路径用/>表示,则,节点/>基于元路径的邻居节点集合为/>。然后,从元路径邻居节点集合/>中采样:设采样数量为S,若顶点邻居数少于S,则采用有放回的抽样方法,直到采样出S个顶点;若顶点邻居数大于S,则采用无放回的抽样,即采用有放回的重采样或负采样方法达到S。其次,元路径节点表征聚合/>:采用平均池化聚合方法得到节点在每个元路径上的表征。考虑到网络中每个节点包含了很多种类型的语义信息,也就是说这里的每个元路径可以对应一个语义信息。最后,语义信息的融合:设计一种注意力机制,使其可以学习不同的元路径的重要性并将其融合。其输入就是该节点在每一个元路径下生成的P组节点嵌入(元路径所对应的语义表征)表示/>,令/>为每个元路径学习到的权重,可以采用如下公式进行计算:
在一些实施例中,为了学到每一个元路径的重要性,使用一个线性转换来转换特定语义下的节点嵌入,可以利用一层结构的多层感知机(Multilayer Perceptron,MLP),采用如下公式确定服务功能节点的语义表征:
在一些实施例中,可以采用如下公式确定每一元路径的重要程度:
在一些实施例中,可以采用如下公式对语义表征进行归一化处理:
本公开实施例中,通过确定服务功能节点针对每一第一元路径的语义表征,可以快速准确地确定服务功能节点的高阶表征。
在一些实施例中,上述步骤S3072可以包括如下步骤S321至步骤S323:
步骤S321,确定每一所述物理节点与对应的相邻节点之间的第二元路径。
这里,第二元路径可以是指两物理节点之间可能的路径,如,第一物理节点至第二物理节点之间的第二元路径可以包括:第一物理节点可以通过第一中间物理节点与第二物理节点进行网络连接;第一物理节点可以通过第二中间物理节点与第二物理节点进行网络连接;第一物理节点可以通过第一中间物理节点、第三中间物理节点与第二物理节点进行网络连接等。可以利用递归算法,确定每一物理节点与对应的相邻节点之间的所有第二元路径。
步骤S322,对每一所述第二元路径所对应的物理节点的向量表征进行线性变换,得到对应的物理节点的语义表征。
这里,物理节点的语义表征可以是指物理节点针对于第二元路径的表征。例如:第一物理节点的第二元路径包括第一物理节点、第三物理节点、第二物理节点,那么可以将第一物理节点的向量表征、第三物理节点的向量表征、第二物理节点的向量表征进行加权处理,得到第一物理节点的语义表征。
步骤S323,对每一所述物理节点的语义表征进行归一化处理,得到对应的物理节点的高阶表征。
这里,可以对当前物理节点所有第二元路径的语义表征进行相加,得到表征和;将每一第二元路径的语义表征与该表征和进行相除,得到归一化后的语义表征;将归一化后的语义表征与归一化前的语义表征进行相乘,得到表征积;对所有表征积进行相加,得到当前物理节点的高阶表征。
本公开实施例中,通过确定物理节点针对每一第二元路径的语义表征,可以快速准确地确定物理节点的高阶表征。
在一些实施例中,所述映射概率包括第一概率和第二概率;上述步骤S3073可以包括如下步骤S331至步骤S335:
步骤S331,从所述服务功能节点集合中确定当前服务功能节点,以及从所述物理节点集合中确定与所述前服务功能节点匹配的至少两个候选物理节点。
这里,候选物理节点可以是指满足当前服务功能节点进行业务处理需求的物理节点,如,当前服务功能节点进行业务处理的需求为带宽为10兆每秒,第一物理节点的剩余带宽为12兆每秒,第二物理节点的剩余带宽为7兆每秒,那么可以将第一物理节点确定为当前服务功能节点的候选物理节点。
步骤S332,对所述当前服务功能节点的高阶表征和每一所述候选物理节点的高阶表征进行逻辑回归处理,得到所述当前服务功能节点部署至每一所述候选物理节点的第一概率。
这里,第一概率可以理解为当前服务功能节点部署至候选物理节点的可能程度。逻辑回归也称作Logistic回归分析,是一种广义的线性回归分析模型,属于机器学习中的监督学习,如,利用Sigmoid函数对当前服务功能节点的高阶表征和第一候选物理节点或第二候选物理节点的高阶表征分别进行逻辑回归处理,得到当前服务功能节点部署至第一候选物理节点的第一概率为0.9、当前服务功能节点部署至第二候选物理节点的第一概率为0.6等。
在一些实施例中,可以采用如下公式确定第一概率:
步骤S333,基于所述第一概率,从至少两个所述候选物理节点中确定当前候选节点。
这里,当前候选节点可以是指当前服务功能节点确定部署的物理节点。例如:当前服务功能节点部署至第一候选物理节点的第一概率为0.9、当前服务功能节点部署至第二候选物理节点的第一概率为0.6,可以将第一候选物理节点确定为当前候选节点。
步骤S334,获取下一服务功能节点以及所述下一服务功能节点所对应的下一候选节点。
这里,下一服务功能节点可以是指当前服务功能节点的出度节点,如,第二服务功能节点与当前服务功能节点相连,且可以接收当前服务功能节点发送的数据流量,可将第二服务功能节点确定为下一服务功能节点。当前服务功能节点与下一服务功能节点可以形成服务功能链路集,当前服务功能节点和下一服务功能节点之间的路径长度/>大于0。可以从物理节点集合中确定满足下一服务功能节点进行业务处理需求的物理节点,将满足下一服务功能节点进行业务处理需求的物理节点确定为下一服务功能节点所对应的下一候选节点。当前物理节点与下一物理节点可以形成物理链路集,当前物理节点和下一物理节点之间的剩余带宽/>大于预设带宽。
步骤S335,对所述当前服务功能节点的高阶表征、所述当前候选节点的高阶表征、所述下一服务功能节点的高阶表征和所述下一候选节点的高阶表征进行逻辑回归处理,得到所述当前服务功能节点至所述下一服务功能节点的链路映射至所述当前候选节点至所述下一候选节点的链路的第二概率。
例如:将当前服务功能节点的高阶表征和当前候选节点的高阶表征进行拼接(如增加高阶表征所对应的向量的行数),得到第一拼接表征;将下一服务功能节点的高阶表征和下一候选节点的高阶表征进行拼接,得到第二拼接表征;利用Sigmoid函数对当第一拼接表征和第二拼接表征进行逻辑回归处理,得到当前服务功能节点至下一服务功能节点的链路映射至当前候选节点至下一候选节点的链路的第二概率。例如:下一候选节点包括第二物理节点和第三物理节点,当前服务功能节点至下一服务功能节点的链路映射至当前候选节点至第二物理节点的链路的第二概率为0.8,当前服务功能节点至下一服务功能节点的链路映射至当前候选节点至第三物理节点的链路的第二概率为0.6等。
在一些实施例中,可以采用如下公式确定第二概率:
在一些实施例中,上述步骤S3074可以包括如下步骤S336:
步骤S336,基于所述第二概率,确定各所述服务功能节点与各所述物理节点之间的映射关系。
例如:第一候选物理节点确定为当前候选节点,当前服务功能节点至下一服务功能节点的链路映射至当前候选节点至第二物理节点的链路的第二概率为0.8,当前服务功能节点至下一服务功能节点的链路映射至当前候选节点至第三物理节点的链路的第二概率为0.6,那么可以确定第一服务功能节点可以部署至第一物理节点,第二服务功能节点可以部署至第二物理节点等。
本公开实施例中,先通过当前服务功能节点部署至每一候选物理节点的第一概率,确定当前服务功能节点所对应的当前候选节点;继而再通过当前服务功能节点至下一服务功能节点的链路映射至当前候选节点至下一候选节点的链路的第二概率,确定下一服务功能节点所对应的下一候选节点,有助于快速准确地实现各服务功能节点与各物理节点之间的部署。
本公开实施例提供一种节点部署方法,如图4所示,该方法包括如下步骤S401至步骤S409:
步骤S401,获取待部署的服务功能节点集合和物理节点集合。
步骤S402,基于每一所述服务功能节点所对应的执行时长和各所述服务功能节点之间的传输效率,确定所述服务功能节点集合所对应的第一加权图。
步骤S403,基于每一所述物理节点所对应的剩余资源量和各所述物理节点之间的剩余带宽,确定所述物理节点集合所对应的第二加权图。
其中,步骤S401至步骤S403分别对应于前述步骤S101至步骤S103,在实施时可以参照前述步骤S101至步骤S103的具体实施方式。
步骤S404,获取已训练的部署模型。
这里,部署模型至少包括第一表征学习网络、第二表征学习网络、高阶学习网络、概率预测网络,不同网络可以实现不同的功能,如,第一表征学习网络可以确定每一服务功能节点的向量表征等。
步骤S405,利用所述第一表征学习网络,对所述第一加权图进行处理,得到每一所述服务功能节点的向量表征。
这里,第一表征学习网络可以是指预先设置的、已训练的机器学习模型,如,用于执行表征学习的神经网络模型。例如:将第一加权图输入至第一表征学习网络,得到每一服务功能节点的向量表征。
步骤S406,利用所述第二表征学习网络,对所述第二加权图进行处理,得到每一所述物理节点的向量表征。
这里,第二表征学习网络可以是指预先设置的、已训练的机器学习模型,如,用于执行表征学习的神经网络模型。例如:将第二加权图输入至第二表征学习网络,得到每一物理节点的向量表征。
步骤S407,利用所述高阶学习网络,分别对每一所述服务功能节点的向量表征和每一所述物理节点的向量表征进行处理,得到每一所述服务功能节点的高阶表征和每一所述物理节点的高阶表征。
这里,高阶学习网络可以是指预先设置的、已训练的机器学习模型,如,用于执行特征提取的神经网络模型。例如:将每一服务功能节点的向量表征输入至高阶学习网络,得到每一服务功能节点的高阶表征;将每一服务功能节点的向量表征输入至高阶学习网络,得到每一物理节点的高阶表征。
步骤S408,利用所述概率预测网络,对每一所述服务功能节点的高阶表征和每一所述物理节点的高阶表征进行预测,得到每一所述服务功能节点部署对应的物理节点的映射概率。
这里,映射概率可以包括第一概率和第二概率。概率预测网络可以是指预先设置的、已训练的机器学习模型,如,用于执行概率预测的神经网络模型。例如:将每一服务功能节点的高阶表征和每一物理节点的高阶表征输入至概率预测网络,得到每一服务功能节点部署至对应的物理节点的第一概率;基于第一概率确定当前服务功能节点对应的当前候选节点;继而得到当前服务功能节点至下一服务功能节点的链路映射至当前候选节点至下一候选节点的链路的第二概率。
在一些实施例中,第一概率和第二概率可以用于构造优化函数;在使得优化函数的函数值最小的情况下,更新未训练的部署模型的参数,得到已训练的部署模型。例如:获取样本服务功能链和部署至对应物理节点的样本映射关系、样本服务功能链中所对应的第一样本加权图、样本服务功能链和部署至对应的至少两个物理节点所对应的第二样本加权图;将第一样本加权图和第二样本加权图输入至未训练的部署模型,得到当前所有的第一概率和第二概率;将当前所有的第一概率和第二概率输入至预设的优化函数,得到所有可能的映射关系对应的优化函数值;调整未训练的部署模型的参数,使得在样本映射关系的情况下,样本映射关系所对应的优化函数值为所有可能的映射关系对应的优化函数值中的最小值;结果预设的迭代次数,在满足预设精度条件的情况下,将迭代后的未训练的部署模型确定为已训练的部署模型。
在一些实施例中,可以采用如下公式确定优化函数:
在一些实施例中,可以将服务功能集合所对应的第一加权图和物理节点集合所对应的第二加权图输入至已训练的部署模型,得到各服务功能节点与各物理节点之间的映射关系。
步骤S409,基于所有所述映射概率,确定各所述服务功能节点与各所述物理节点之间的映射关系。
例如:确定第一服务功能节点部署至第一物理节点的预设概率为0.9,第一服务功能节点部署至第二物理节点的预设概率为0.6,第一服务功能节点部署至第三物理节点的预设概率为0.5;由于第一服务功能节点部署至第一物理节点的预设概率在第一服务功能节点与所有物理节点之间的预设概率中最高,那么确定第一服务功能节点部署至第一物理节点;继而确定第二服务功能节点部署至第三物理节点的预设概率最高,确定第二服务功能节点部署至第三物理节点;确定第三服务功能节点部署至第二物理节点的预设概率最高,确定第三服务功能节点部署至第二物理节点。
本公开实施例中,通过不同的网络可以准确快速地确定各服务功能节点与各物理节点之间的映射关系;同时,在部署模型的训练过程中,可以利用基于第一概率和第二概率确定的优化函数,通过反向传播算法对部署模型进行训练,可以提高训练效率和准确率等。
下面说明本公开实施例提供的节点部署方法在实际场景中的应用,以至少两条服务功能链进行跨域部署为例进行说明。相关技术中的服务功能链部署方法大多都是在单个基础设备提供商(Infrastructure Provider,InP)管理的基础设施网络(单域网络)前提下展开的,针对单域网络的服务功能节点部署方法往往不能适用于多域网络。跨域业务功能的部署变得困难且存在隐私安全等问题。在跨多域网络的部署中,许多工作考虑了集中\分布式部署架构。其中,集中式地收集域内信息可能会存在隐私泄露问题,分布式地管理各个域的资源则无法让域间的信息达成共享。而且,由于基础设备提供商不愿意将详细的拓扑信息暴露给第三方,这很大程度上阻碍了SFC部署的进程。
本公开实施例中,通过构建服务功能节点网络和物理节点网络,确定服务功能节点集合所对应的第一加权图和物理节点集合所对应的第二加权图;基于第一加权图和第二加权图学习服务功能节点的向量表征和物理节点的向量表征,服务功能节点的向量表征和物理节点的向量表征可以体现网络局部和全局的特征;继而基于服务功能节点的向量表征和物理节点的向量表征,快速准确地确定各服务节点与各物理节点之间的映射关系。
在一些实施例中,SFC映射过程可以分为服务功能拓扑网络、请求映射网络和基层物理网络三层结构。本公开实施例,可以基于预设的服务功能拓扑网络和基层物理网络,确定请求映射网络(也即各服务节点与各物理节点之间的映射关系)。
服务功能拓扑网络可以是带权拓扑图(也即第一加权图),可以基于SFC请求,确定至少两条服务功能链;将不同服务功能链中具有相同执行功能的服务功能节点进行融合,得到融合后的第一加权图。第一加权图可以表示为/>,/>表示为服务功能节点,/>表示为服务功能链。
如图5所示,服务功能集合中可以包括第一服务功能链SFC1、第二服务功能链SFC2、第三服务功能链SFC3,SFC1包括第一服务功能节点501、第二服务功能节点502、第三服务功能节点503、第四服务功能节点504;各服务功能节点的执行时长分别为1秒、1秒、5秒、1秒,各服务功能节点之间的传输时延分别为2秒、2秒、2秒。SFC2包括第四服务功能节点504、第二服务功能节点502、第一服务功能节点501;各服务功能节点的执行时长分别为2秒、1秒、2秒,各服务功能节点之间的传输时延分别为5秒、5秒。SFC3包括第二服务功能节点502、第五服务功能节点505、第四服务功能节点504、第一服务功能节点501;各服务功能节点的执行时长分别为1秒、3秒、2秒、1秒,各服务功能节点之间的传输时延分别为2秒、3秒、1秒。其中,可以将每一服务功能节点所对应的执行时长,确定为每一服务功能节点的第一权重;将各服务功能节点之间的传输时延,确定为各服务功能节点之间的第二权重。
如图6所示,第一加权图中第一服务功能节点601、第二服务功能节点602、第三服务功能节点603、第四服务功能节点604、第五服务功能节点605所对应的第一权重分别为4、3、5、5、3。
基层物理网络可以是带权拓扑图(也即第二加权图),可以将每一物理节点所对应的剩余资源量确定为物理节点的第三权重,将各物理节点之间的剩余带宽确定为各物理节点之间的第四权重。第二加权图可以表示为/>,/>表示为物理节点集合,/>表示为物理链路等。如图7所示,第二加权图中包括第一物理节点701、第二物理节点702、第三物理节点703、第四物理节点704、第五物理节点705、第六物理节点706。其中,各物理节点的剩余资源量分别为3兆、8兆、15兆、5兆、11兆、2兆;各物理节点之间的剩余带宽分别为7兆每秒、5兆每秒、4兆每秒等。
请求映射网络可以构建为二部图,即,如果存在请求部署,则存在边,否则不存在边;可以用表示映射关系,/>表示服务功能节点集合,/>表示物理节点集合。如图8所示,第一服务功能节点801可以部署至第二物理节点806,第二服务功能节点802可以部署至第一物理节点805,第三服务功能节点803可以部署至第五物理节点808,第四服务功能节点804可以部署至第三物理节点807。
本公开实施例中,针对跨域多SFC的协同部署问题,构建了SFC和物理服务节点的复杂异构信息网络,采用加权图卷积的方法学习局部和全局节点特征表示向量,继而确定各服务节点与各物理节点之间的映射关系;在模型的训练过程中,通过最小化运行时间优化网络参数,对部署模型进行训练,提高训练精度和效率等。
同时,提出基于加权图卷积的节点语义特征提取方法,具体来说,利用LSTM捕捉服务功能节点之间的依赖关系,初始化服务功能节点或物理节点的嵌入式表征;对于每个服务功能节点,构建出度和入度邻居集合,通过加权聚合得到服务功能节点的出度和入度表征,再通过线性聚合得到服务功能节点的向量表征;对于物理节点,可以在无向图(第二加权图)上采用加权聚合函数学习节点表征,得到物理节点的向量表征。为了挖掘服务功能节点与物理节点之间的内在部署关系,还构建了基于元路径的图卷积网络,并设计注意力机制聚合不同路径所对应的语义表征,得到服务功能节点的高阶表征和物理节点的高阶表征等。
最后,以最小化时间消耗为优化目标,从物理节点中找到满足VNF所需计算资源的候选物理节点集,以及可能的相邻服务功能链集和物理链集,利用节点表征预测服务功能节点和服务功能链射到物理节点和物理链路上的第二概率;以及利用物理节点处理时延和传输时延构造优化函数,通过反向学习对网络模型进行优化等。
相较于相关技术,本公开实施例中,可以通过离线计算获得VNF和物理节点的向量表征,针对SFC在线部署请求,可以通过计算节点表征的内积做出决策部署,推理模块容量小,推理速度快,可以满足大规模和跨域SFC的请求部署;同时,可以采用图卷积的方法,通过挖掘VNF和物理节点之间内在关联关系获得节点的向量表征,可以充分利用局部和全局VNF邻接关系做出推理,因此部署精度高。
基于前述的实施例,本公开实施例提供一种节点部署装置,该装置包括所包括的各单元、以及各单元所包括的各模块,可以通过计算机设备中的处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(Central ProcessingUnit,CPU)、微处理器(Microprocessor Unit,MPU)、数字信号处理器(Digital SignalProcessor,DSP)或现场可编程门阵列(FieldProgrammable Gate Array,FPGA)等。
图9为本公开实施例提供的一种节点部署装置的组成结构示意图,如图9所示,节点部署装置900包括:获取模块910、第一确定模块920、第二确定模块930和第三确定模块940,其中:
获取模块910,用于获取待部署的服务功能节点集合和物理节点集合;其中,所述服务功能节点集合携带有每一服务功能节点所对应的执行时长和各所述服务功能节点之间的传输效率;所述物理节点集合携带有每一物理节点所对应的剩余资源量和各所述物理节点之间的剩余带宽;第一确定模块920,用于基于每一所述服务功能节点所对应的执行时长和各所述服务功能节点之间的传输效率,确定所述服务功能节点集合所对应的第一加权图;第二确定模块930,用于基于每一所述物理节点所对应的剩余资源量和各所述物理节点之间的剩余带宽,确定所述物理节点集合所对应的第二加权图;第三确定模块940,用于基于所述第一加权图和所述第二加权图,确定各所述服务功能节点与各所述物理节点之间的映射关系;其中,所述映射关系用于将各所述服务功能节点部署至对应的物理节点。
在一些实施例中,所述服务功能节点集合保证至少两条服务功能链;所述第一确定模块,还用于:确定每一条所述服务功能链中的服务功能节点的执行功能;基于所述执行功能和每一所述服务功能节点所对应的执行时长,对所有所述服务功能链进行融合,得到每一所述服务功能节点融合后的执行时长;基于每一所述服务功能节点融合后的执行时长和各所述服务功能节点之间的传输效率,确定所述服务功能节点集合所对应的第一加权图。
在一些实施例中,所述第三确定模块,还用于:确定所述第一加权图所对应的第一邻接矩阵,以及确定所述第二加权图所对应的第二邻接矩阵;基于所述第一邻接矩阵,确定每一所述服务功能节点的向量表征;基于所述第二邻接矩阵,确定每一所述物理节点的向量表征;基于每一所述服务功能节点的向量表征和每一所述物理节点的向量表征,确定各所述服务功能节点与各所述物理节点之间的映射关系。
在一些实施例中,所述第三确定模块,还用于:将各所述服务功能节点之间的传输时延确定为所述第一邻接矩阵中非对角线元素的元素值,以及将每一所述服务功能节点所对应的执行时长确定为所述第一邻接矩阵中对角线元素的元素值;其中,所述传输时延是基于所述传输效率和预设的待传输数据量确定的;将各所述物理节点之间的剩余带宽确定为所述第二邻接矩阵中非对角线元素的元素值,以及将每一所述物理节点所对应的剩余资源量确定为所述第二邻接矩阵中对角线元素的元素值。
在一些实施例中,所述第三确定模块,还用于:对所述第一邻接矩阵中每一元素的元素值进行归一化处理,得到归一化后的第一邻接矩阵;利用预设的长短期记忆网络对所述归一化后的第一邻接矩阵进行特征提取,得到每一所述服务功能节点的初始表征;确定每一所述服务功能节点所对应的入度节点集合和出度节点集合;对所述入度节点集合中入度节点的初始表征进行聚合处理,得到对应的服务功能节点的入度向量表征;对所述出度节点集合中出度节点的初始表征进行聚合处理,得到对应的服务功能节点的出度向量表征;基于每一所述服务功能节点的入度向量表征和出度向量表征,确定对应的服务功能节点的向量表征。
在一些实施例中,所述第三确定模块,还用于:对所述第二邻接矩阵中每一元素的元素值进行归一化处理,得到归一化后的第二邻接矩阵;利用预设的长短期记忆网络对所述归一化后的第二邻接矩阵进行特征提取,得到每一所述物理节点的初始表征;确定每一所述物理节点所对应的相邻节点集合;对每一所述物理节点的初始表征和对应的相邻节点集合中相邻节点的初始表征进行迭代聚合处理,得到对应的物理节点的向量表征。
在一些实施例中,所述第三确定模块,还用于:对所述服务功能节点的向量表征进行特征提取,得到每一所述服务功能节点的高阶表征;对所述物理节点的向量表征进行特征提取,得到每一所述物理节点的高阶表征;基于每一所述服务功能节点的高阶表征和每一所述物理节点的高阶表征,确定每一所述服务功能节点部署对应的物理节点的映射概率;基于所有所述映射概率,确定各所述服务功能节点与各所述物理节点之间的映射关系。
在一些实施例中,所述第三确定模块,还用于:确定每一所述服务功能节点与对应的相邻节点之间的第一元路径;对每一所述第一元路径所对应的服务功能节点的向量表征进行线性变换,得到对应的服务功能节点的语义表征;对每一所述服务功能节点的语义表征进行归一化处理,得到对应的服务功能节点的高阶表征。
在一些实施例中,所述第三确定模块,还用于:确定每一所述物理节点与对应的相邻节点之间的第二元路径;对每一所述第二元路径所对应的物理节点的向量表征进行线性变换,得到对应的物理节点的语义表征;对每一所述物理节点的语义表征进行归一化处理,得到对应的物理节点的高阶表征。
在一些实施例中,所述映射概率包括第一概率和第二概率;所述第三确定模块,还用于:从所述服务功能节点集合中确定当前服务功能节点,以及从所述物理节点集合中确定与所述前服务功能节点匹配的至少两个候选物理节点;对所述当前服务功能节点的高阶表征和每一所述候选物理节点的高阶表征进行逻辑回归处理,得到所述当前服务功能节点部署至每一所述候选物理节点的第一概率;基于所述第一概率,从至少两个所述候选物理节点中确定当前候选节点;获取下一服务功能节点以及所述下一服务功能节点所对应的下一候选节点;对所述当前服务功能节点的高阶表征、所述当前候选节点的高阶表征、所述下一服务功能节点的高阶表征和所述下一候选节点的高阶表征进行逻辑回归处理,得到所述当前服务功能节点至所述下一服务功能节点的链路映射至所述当前候选节点至所述下一候选节点的链路的第二概率;所述第三确定模块,还用于:基于所述第二概率,确定各所述服务功能节点与各所述物理节点之间的映射关系。
在一些实施例中,所述第三确定模块,还用于:获取已训练的部署模型;其中,所述部署模型至少包括第一表征学习网络、第二表征学习网络、高阶学习网络、概率预测网络;利用所述第一表征学习网络,对所述第一加权图进行处理,得到每一所述服务功能节点的向量表征;利用所述第二表征学习网络,对所述第二加权图进行处理,得到每一所述物理节点的向量表征;利用所述高阶学习网络,分别对每一所述服务功能节点的向量表征和每一所述物理节点的向量表征进行处理,得到每一所述服务功能节点的高阶表征和每一所述物理节点的高阶表征;利用所述概率预测网络,对每一所述服务功能节点的高阶表征和每一所述物理节点的高阶表征进行预测,得到每一所述服务功能节点部署对应的物理节点的映射概率;其中,所述映射概率包括第一概率和第二概率,所述第一概率和所述第二概率用于构造优化函数;在使得所述优化函数的函数值最小的情况下,更新未训练的部署模型的参数,得到所述已训练的部署模型;基于所有所述映射概率,确定各所述服务功能节点与各所述物理节点之间的映射关系。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上述方法实施例描述的方法,对于本公开装置实施例中未披露的技术细节,请参照本公开方法实施例的描述而理解。
需要说明的是,本公开实施例中,如果以软件功能模块的形式实现上述的节点部署方法,并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本公开各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read OnlyMemory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本公开实施例不限制于任何特定的硬件、软件或固件,或者硬件、软件、固件三者之间的任意结合。
本公开实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法中的部分或全部步骤。
本公开实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。所述计算机可读存储介质可以是瞬时性的,也可以是非瞬时性的。
本公开实施例提供一种计算机程序,包括计算机可读代码,在所述计算机可读代码在计算机设备中运行的情况下,所述计算机设备中的处理器执行用于实现上述方法中的部分或全部步骤。
本公开实施例提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序被计算机读取并执行时,实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一些实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一些实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
这里需要指出的是:上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考。以上设备、存储介质、计算机程序及计算机程序产品实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本公开设备、存储介质、计算机程序及计算机程序产品实施例中未披露的技术细节,请参照本公开方法实施例的描述而理解。
需要说明的是,图10为本公开实施例中计算机设备的一种硬件实体示意图,如图10所示,该计算机设备1000的硬件实体包括:处理器1001、通信接口1002和存储器1003,其中:
处理器1001通常控制计算机设备1000的总体操作。
通信接口1002可以使计算机设备通过网络与其他终端或服务器通信。
存储器1003配置为存储由处理器1001可执行的指令和应用,还可以缓存待处理器1001以及计算机设备1000中各模块待处理或已经处理的数据(例如,图像数据、音频数据、语音通信数据和视频通信数据),可以通过闪存(FLASH)或随机访问存储器(Random AccessMemory,RAM)实现。处理器1001、通信接口1002和存储器1003之间可以通过总线1004进行数据传输。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本公开的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本公开的各种实施例中,上述各步骤/过程的序号的大小并不意味着执行顺序的先后,各步骤/过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本公开所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备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接口,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;既可以位于一个地方,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,在本公开各实施例中的各功能单元可以全部集成在一个处理单元中,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;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本公开上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本公开各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
本公开所提供的几个方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
若本公开实施例涉及个人信息,应用本公开实施例的产品在处理个人信息前,已明确告知个人信息处理规则,并取得个人自主同意。若本公开实施例涉及敏感个人信息,应用本公开实施例的产品在处理敏感个人信息前,已取得个人单独同意,并且同时满足“明示同意”的要求。
以上所述,仅为本公开的实施方式,但本公开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公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。
Claims (14)
1.一种节点部署方法,其特征在于,包括:
获取待部署的服务功能节点集合和物理节点集合;其中,所述服务功能节点集合携带有每一服务功能节点所对应的执行时长和各所述服务功能节点之间的传输效率;所述物理节点集合携带有每一物理节点所对应的剩余资源量和各所述物理节点之间的剩余带宽;
基于每一所述服务功能节点所对应的执行时长和各所述服务功能节点之间的传输效率,确定所述服务功能节点集合所对应的第一加权图;
基于每一所述物理节点所对应的剩余资源量和各所述物理节点之间的剩余带宽,确定所述物理节点集合所对应的第二加权图;
基于所述第一加权图和所述第二加权图,确定各所述服务功能节点与各所述物理节点之间的映射关系;其中,所述映射关系用于将各所述服务功能节点部署至对应的物理节点。
2.根据权利要求1所述的方法,其特征在于,所述服务功能节点集合保证至少两条服务功能链;所述基于每一所述服务功能节点所对应的执行时长和各所述服务功能节点之间的传输效率,确定所述服务功能节点集合所对应的第一加权图,包括:
确定每一条所述服务功能链中的服务功能节点的执行功能;
基于所述执行功能和每一所述服务功能节点所对应的执行时长,对所有所述服务功能链进行融合,得到每一所述服务功能节点融合后的执行时长;
基于每一所述服务功能节点融合后的执行时长和各所述服务功能节点之间的传输效率,确定所述服务功能节点集合所对应的第一加权图。
3.根据权利要求1所述的方法,其特征在于,所述基于所述第一加权图和所述第二加权图,确定各所述服务功能节点与各所述物理节点之间的映射关系,包括:
确定所述第一加权图所对应的第一邻接矩阵,以及确定所述第二加权图所对应的第二邻接矩阵;
基于所述第一邻接矩阵,确定每一所述服务功能节点的向量表征;
基于所述第二邻接矩阵,确定每一所述物理节点的向量表征;
基于每一所述服务功能节点的向量表征和每一所述物理节点的向量表征,确定各所述服务功能节点与各所述物理节点之间的映射关系。
4.根据权利要求3所述的方法,其特征在于,所述确定所述第一加权图所对应的第一邻接矩阵,以及确定所述第二加权图所对应的第二邻接矩阵,包括:
将各所述服务功能节点之间的传输时延确定为所述第一邻接矩阵中非对角线元素的元素值,以及将每一所述服务功能节点所对应的执行时长确定为所述第一邻接矩阵中对角线元素的元素值;其中,所述传输时延是基于所述传输效率和预设的待传输数据量确定的;
将各所述物理节点之间的剩余带宽确定为所述第二邻接矩阵中非对角线元素的元素值,以及将每一所述物理节点所对应的剩余资源量确定为所述第二邻接矩阵中对角线元素的元素值。
5.根据权利要求3所述的方法,其特征在于,所述基于所述第一邻接矩阵,确定每一所述服务功能节点的向量表征,包括:
对所述第一邻接矩阵中每一元素的元素值进行归一化处理,得到归一化后的第一邻接矩阵;
利用预设的长短期记忆网络对所述归一化后的第一邻接矩阵进行特征提取,得到每一所述服务功能节点的初始表征;
确定每一所述服务功能节点所对应的入度节点集合和出度节点集合;
对所述入度节点集合中入度节点的初始表征进行聚合处理,得到对应的服务功能节点的入度向量表征;
对所述出度节点集合中出度节点的初始表征进行聚合处理,得到对应的服务功能节点的出度向量表征;
基于每一所述服务功能节点的入度向量表征和出度向量表征,确定对应的服务功能节点的向量表征。
6.根据权利要求3所述的方法,其特征在于,所述基于所述第二邻接矩阵,确定每一所述物理节点的向量表征,包括:
对所述第二邻接矩阵中每一元素的元素值进行归一化处理,得到归一化后的第二邻接矩阵;
利用预设的长短期记忆网络对所述归一化后的第二邻接矩阵进行特征提取,得到每一所述物理节点的初始表征;
确定每一所述物理节点所对应的相邻节点集合;
对每一所述物理节点的初始表征和对应的相邻节点集合中相邻节点的初始表征进行迭代聚合处理,得到对应的物理节点的向量表征。
7.根据权利要求3所述的方法,其特征在于,所述基于每一所述服务功能节点的向量表征和每一所述物理节点的向量表征,确定各所述服务功能节点与各所述物理节点之间的映射关系,包括:
对所述服务功能节点的向量表征进行特征提取,得到每一所述服务功能节点的高阶表征;
对所述物理节点的向量表征进行特征提取,得到每一所述物理节点的高阶表征;
基于每一所述服务功能节点的高阶表征和每一所述物理节点的高阶表征,确定每一所述服务功能节点部署对应的物理节点的映射概率;
基于所有所述映射概率,确定各所述服务功能节点与各所述物理节点之间的映射关系。
8.根据权利要求7所述的方法,其特征在于,所述对所述服务功能节点的向量表征进行特征提取,得到每一所述服务功能节点的高阶表征,包括:
确定每一所述服务功能节点与对应的相邻节点之间的第一元路径;
对每一所述第一元路径所对应的服务功能节点的向量表征进行线性变换,得到对应的服务功能节点的语义表征;
对每一所述服务功能节点的语义表征进行归一化处理,得到对应的服务功能节点的高阶表征。
9.根据权利要求7所述的方法,其特征在于,所述对所述物理节点的向量表征进行特征提取,得到每一所述物理节点的高阶表征,包括:
确定每一所述物理节点与对应的相邻节点之间的第二元路径;
对每一所述第二元路径所对应的物理节点的向量表征进行线性变换,得到对应的物理节点的语义表征;
对每一所述物理节点的语义表征进行归一化处理,得到对应的物理节点的高阶表征。
10.根据权利要求7所述的方法,其特征在于,所述映射概率包括第一概率和第二概率;所述基于每一所述服务功能节点的高阶表征和每一所述物理节点的高阶表征,确定每一所述服务功能节点部署对应的物理节点的映射概率,包括:
从所述服务功能节点集合中确定当前服务功能节点,以及从所述物理节点集合中确定与所述前服务功能节点匹配的至少两个候选物理节点;
对所述当前服务功能节点的高阶表征和每一所述候选物理节点的高阶表征进行逻辑回归处理,得到所述当前服务功能节点部署至每一所述候选物理节点的第一概率;
基于所述第一概率,从至少两个所述候选物理节点中确定当前候选节点;
获取下一服务功能节点以及所述下一服务功能节点所对应的下一候选节点;
对所述当前服务功能节点的高阶表征、所述当前候选节点的高阶表征、所述下一服务功能节点的高阶表征和所述下一候选节点的高阶表征进行逻辑回归处理,得到所述当前服务功能节点至所述下一服务功能节点的链路映射至所述当前候选节点至所述下一候选节点的链路的第二概率;
所述基于所有所述映射概率,确定各所述服务功能节点与各所述物理节点之间的映射关系,包括:
基于所述第二概率,确定各所述服务功能节点与各所述物理节点之间的映射关系。
11.根据权利要求1所述的方法,其特征在于,所述基于所述第一加权图和所述第二加权图,确定各所述服务功能节点与各所述物理节点之间的映射关系,包括:
获取已训练的部署模型;其中,所述部署模型至少包括第一表征学习网络、第二表征学习网络、高阶学习网络、概率预测网络;
利用所述第一表征学习网络,对所述第一加权图进行处理,得到每一所述服务功能节点的向量表征;
利用所述第二表征学习网络,对所述第二加权图进行处理,得到每一所述物理节点的向量表征;
利用所述高阶学习网络,分别对每一所述服务功能节点的向量表征和每一所述物理节点的向量表征进行处理,得到每一所述服务功能节点的高阶表征和每一所述物理节点的高阶表征;
利用所述概率预测网络,对每一所述服务功能节点的高阶表征和每一所述物理节点的高阶表征进行预测,得到每一所述服务功能节点部署对应的物理节点的映射概率;其中,所述映射概率包括第一概率和第二概率,所述第一概率和所述第二概率用于构造优化函数;在使得所述优化函数的函数值最小的情况下,更新未训练的部署模型的参数,得到所述已训练的部署模型;
基于所有所述映射概率,确定各所述服务功能节点与各所述物理节点之间的映射关系。
12.一种节点部署装置,其特征在于,包括:
获取模块,用于获取待部署的服务功能节点集合和物理节点集合;其中,所述服务功能节点集合携带有每一服务功能节点所对应的执行时长和各所述服务功能节点之间的传输效率;所述物理节点集合携带有每一物理节点所对应的剩余资源量和各所述物理节点之间的剩余带宽;
第一确定模块,用于基于每一所述服务功能节点所对应的执行时长和各所述服务功能节点之间的传输效率,确定所述服务功能节点集合所对应的第一加权图;
第二确定模块,用于基于每一所述物理节点所对应的剩余资源量和各所述物理节点之间的剩余带宽,确定所述物理节点集合所对应的第二加权图;
第三确定模块,用于基于所述第一加权图和所述第二加权图,确定各所述服务功能节点与各所述物理节点之间的映射关系;其中,所述映射关系用于将各所述服务功能节点部署至对应的物理节点。
13.一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至11任一项所述方法中的步骤。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至11任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310140237.9A CN115842744B (zh) | 2023-02-21 | 2023-02-21 | 节点部署方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310140237.9A CN115842744B (zh) | 2023-02-21 | 2023-02-21 | 节点部署方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115842744A true CN115842744A (zh) | 2023-03-24 |
CN115842744B CN115842744B (zh) | 2023-07-14 |
Family
ID=85579963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310140237.9A Active CN115842744B (zh) | 2023-02-21 | 2023-02-21 | 节点部署方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115842744B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108259238A (zh) * | 2018-01-10 | 2018-07-06 | 重庆邮电大学 | 数据中心中网络功能服务链映射的方法 |
US20180227244A1 (en) * | 2017-02-03 | 2018-08-09 | Fujitsu Limited | Efficient message forwarding for distributed resource orchestration |
CN110134493A (zh) * | 2019-05-05 | 2019-08-16 | 西安邮电大学 | 一种基于资源碎片避免的服务功能链部署算法 |
CN113708972A (zh) * | 2021-08-31 | 2021-11-26 | 广东工业大学 | 一种服务功能链部署方法、装置、电子设备及存储介质 |
CN113904923A (zh) * | 2021-09-27 | 2022-01-07 | 重庆电子工程职业学院 | 一种基于软件定义网络的服务功能链联合优化方法 |
CN114205317A (zh) * | 2021-10-21 | 2022-03-18 | 北京邮电大学 | 基于sdn与nfv的服务功能链sfc资源分配方法及电子设备 |
-
2023
- 2023-02-21 CN CN202310140237.9A patent/CN115842744B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180227244A1 (en) * | 2017-02-03 | 2018-08-09 | Fujitsu Limited | Efficient message forwarding for distributed resource orchestration |
CN108259238A (zh) * | 2018-01-10 | 2018-07-06 | 重庆邮电大学 | 数据中心中网络功能服务链映射的方法 |
CN110134493A (zh) * | 2019-05-05 | 2019-08-16 | 西安邮电大学 | 一种基于资源碎片避免的服务功能链部署算法 |
CN113708972A (zh) * | 2021-08-31 | 2021-11-26 | 广东工业大学 | 一种服务功能链部署方法、装置、电子设备及存储介质 |
CN113904923A (zh) * | 2021-09-27 | 2022-01-07 | 重庆电子工程职业学院 | 一种基于软件定义网络的服务功能链联合优化方法 |
CN114205317A (zh) * | 2021-10-21 | 2022-03-18 | 北京邮电大学 | 基于sdn与nfv的服务功能链sfc资源分配方法及电子设备 |
Non-Patent Citations (1)
Title |
---|
李丹 等: "基于最优加权图匹配的服务功能链部署方法" * |
Also Published As
Publication number | Publication date |
---|---|
CN115842744B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alaiz-Moreton et al. | Multiclass Classification Procedure for Detecting Attacks on MQTT‐IoT Protocol | |
CN109919316B (zh) | 获取网络表示学习向量的方法、装置和设备及存储介质 | |
WO2019090954A1 (zh) | 一种预测方法及终端、服务器 | |
Kondratenko et al. | Multi-criteria decision making for selecting a rational IoT platform | |
WO2022171066A1 (zh) | 基于物联网设备的任务分配方法、网络训练方法及装置 | |
US11928583B2 (en) | Adaptation of deep learning models to resource constrained edge devices | |
Bahutair et al. | Multi-perspective trust management framework for crowdsourced IoT services | |
Zhang et al. | [Retracted] Network Traffic Prediction via Deep Graph‐Sequence Spatiotemporal Modeling Based on Mobile Virtual Reality Technology | |
CN115034379A (zh) | 一种因果关系确定方法及相关设备 | |
Putrada et al. | Edgesl: Edge-computing architecture on smart lighting control with distilled knn for optimum processing time | |
US20240095529A1 (en) | Neural Network Optimization Method and Apparatus | |
CN112486784A (zh) | 诊断和优化数据分析***的方法、设备和介质 | |
CN116090504A (zh) | 图神经网络模型训练方法及装置、分类方法、计算设备 | |
Mahapatra et al. | Next generation task offloading techniques in evolving computing paradigms: Comparative analysis, current challenges, and future research perspectives | |
Afrasiabi et al. | Reinforcement learning-based optimization framework for application component migration in NFV cloud-fog environments | |
WO2023143570A1 (zh) | 一种连接关系预测方法及相关设备 | |
CN116668351A (zh) | 服务质量预测方法、装置、计算机设备及存储介质 | |
Sountharrajan et al. | On-the-go network establishment of iot devices to meet the need of processing big data using machine learning algorithms | |
CN115842744B (zh) | 节点部署方法、装置、设备及存储介质 | |
CN115759183A (zh) | 一种多结构文本图神经网络的相关方法和相关装置 | |
CN115618065A (zh) | 一种数据处理方法及相关设备 | |
CN114866438A (zh) | 一种云架构下的异常隐患预测方法及*** | |
Chen et al. | ASTPPO: A proximal policy optimization algorithm based on the attention mechanism and spatio–temporal correlation for routing optimization in software-defined networking | |
Lin et al. | Applying a Deep-Learning Approach to Predict the Quality of Web Services | |
US20230214720A1 (en) | Temporal co-graph machine learning networks |
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 | ||
GR01 | Patent grant |