[发明专利]一种5G网络切片的编排算法

权利要求书

1.一种5G网络切片的编排算法，其特征在于：包括PSO算法和GA-PSO算法；

PSO算法：

1)某一代种群中,粒子适应度最高的称为pbest；

2)所有种群的粒子至今为止发现的全局最优解称为gbest；

并且将其所找到的位置保存下来；用于引导和更新粒子的位置和速度；在(t+1)时刻位置x_ij(t+1)和速度v_ij(t+1)更新方程如下：

v_ij(t+1)＝ω·v_ij(t)+c₁r₁[p_ij-x_ij(t)]+c₂r₂[g_ij-x_ij(t)] (1)

x_ij(t+1)＝x_ij(t)+v_ij(t+1) (2)

其中ij表示空间中进行搜索的变量，在w为惯性权重(取值0.729),c₁和c₂为正的学习因子(均为2.05),r₁和r₂为0到1之间均匀分布的随机数；

GA-PSO算法：利用粒子群算法追随当前最优粒子在解空间中搜索,即通过迭代找到最优子图作为最终的路由方案；

基本粒子初始化：根据3GPP提出的三种5G主要应用场景,给出如下定义：

定义1：QoS流量类：有相同或相近QoS需求的用户流量集合；设用户x的流量(flow)用f_x表示,则流量类集合F＝{f₁,f₂,f₃,...,f_n}为一QoS流量类型,其中:

1)每个流量f_i的时延(delay)要求D∈[d_l,d_h],其中d_l和d_h是根据3GPP提出的三种主要应用场景在时延需求方面的分类阈值,理想时延1ms，端到端时延5-10ms；

2)每个流量f_i的带宽要求B∈[b_l,b_h],其中b_l和b_h是根据3GPP提出的三种主要应用场景在带宽需求方面的分类阈值，理想用户体验速率100Mbps；

定义2：点到点流量矩阵：流量矩阵表示网络中源目的(Original-Destination,OD)节点之间每个流的分布情况,流量矩阵的维数等于网络中所有OD流的数目,它从全局的观点来描述整个网络的数据流动情况,是网络决策的重要依据；点到点流量矩阵(Point-to-Point Traffic Matrix)表示源节点(O)和目的节点(D)之间的流量V(O,D),它表示网络中所有OD节点对间的流量,描述了网络流量在各个OD节点对间的分布情况；

定义3：低时延网络切片：能够为某个特定的QoS流量类提供最小时延保障的一个虚拟逻辑网络,由一系列网络功能、运行这些网络功能的资源以及这些网络功能特定的配置所组成；

定义4：高带宽网络切片：能够为某个特定的QoS流量类提供最小带宽保障的一个虚拟逻辑网络；

依上述定义,根据QoS流量需求使用最短路径算法,生成两个基类NS:低时延类切片、高带宽类切片,组成杂交池,按照遗传算法描述的切片杂交和变异的方法两两随机杂交,产生N个基本粒子,构成初始化种群；一个子图粒子G是一个N*N的邻接矩阵,代表一个潜在的解,即一个可选的路由方案,也就是一个潜在的网络切片,其中N为网络拓扑中的节点的个数；

基本粒子适应度评价函数：IMT-20205G推进组将未来移动互联网和物联网的主要应用场景分为连续广域覆盖、热点大容量、低功耗大连接和低时延高可靠,各场景需要的关键能力指标:

1)高带宽的体验速率

2)超高的流量密度

3)超高的连接密度

4)低时延高可靠

综合这四种关键能力指标,本文选用时延(Delay)、带宽(Bandwidth)两个参数来刻画未来5G应用场景的性能指标；

网络切片的性能由不同的性能参数表征，但不同的参数具有不同的取值范围和单位,因此无法进行量化比较与分析,本文采用0均值归一化方法将不同的传输参数归一化(normalization),归一化公式为:

其中,

v^nor：性能参数归一化值

v：性能参数

μ：性能参数的均值

σ：性能参数的方差

评价一个粒子的适应度是根据它所代表的的切片的传输参数做出的,也就是说粒子的适应度即网络切片的适应度；基于上述性能参数归一化,使得对NS的量化分析变得可行,同时考虑到5G应用场景的分类和传输参数的选择,以及对微小变化的反映,本文以指数函数为基础设计的粒子适应度评价函数如下:

Fitness(α,β,D,B)＝-αe^D+βe^B (4)

其中,

D：为归一化后的一个子图中延迟最大的路径延迟值

B：为归一化后的一个子图中链路的最小带宽

α：为低时延需求类切片占所有切片的比例

β：为高带宽需求类切片占所有切片的比例

基本粒子更新：标准PSO算法中的粒子通过公式(1)(2)跟踪粒子本身所找到的最优解和整个种群目前找到的最优解更新自己；本文中,根据网络切片的实际问题特点对传统的方法进行改进,借鉴GA中的杂交和变异的思想,将杂交和变异的思想应用于子图优化；

1)子图杂交：

将当前的粒子所代表的子图依次与局部最优子图和全局最优子图杂交,然后对杂交后的子图进行优化；杂交步骤如下：

Step1：找出当前粒子与局部最优子图、全局最优子图相同的节点；

Step2：如果当前粒子与局部最优子图相同节点数小于4个并且与全局最优子图相同节点数也小于4个,则进入2)子图变异；

Step3：如果当前粒子与局部最优子图相同节点数大于3个,则随机在相同的节点中选择两个节点,交换这两个节点之间的路由,并保持连通性,否则进入Step4；

Step4：如果当前粒子与全局最优子图相同节点数大于3个,则随机在相同的节点中选择两个节点,交换这两个节点之间的路由,并保持连通性；

Step5：删除所有既不是源节点也不是目标节点的叶子节点；

Step6：输出这个杂交后的新子图；

2)子图变异：

根据变异概率,随机选择一个不在切片路由内的一个点,就近接入路由内；变异本身是一种局部随机搜索,与杂交算子结合在一起,保证了种群更新的有效性,增强了粒子群的局部随机搜索能力；同时使得粒子群能够保持多样性,防止局部过早收敛；因为设置的变异概率P_m非常小,所以可以避免算法退化为随机搜索；变异步骤如下：

Step1：初始化一个随机值；

Step2：比较这个值与变异概率P_m的大小,如果大于P_m,则进入Step3；否则,转入Step4；

Step3：随机选择不在路由路径中的一个点,选择适应度最高的两条路接入子图；

Step4：输出切片；

整体算法实施步骤：基于GA-PSO优化的网络切片编排算法具体步骤如下：

Step1：归一化表征网络切片性能的传输参数,归一化方法按照公式(3)；

Step2：使用最短路径算法生成两个个基类网络切片:低时延类切片和高带宽类切片,组成杂交池,池内切片按照前述的子图杂交算法随机两两杂交,初始化2n个粒子,每个粒子即为一个NS,代表一个拓扑子图G；

Step3：每类切片,选择合适的参数,按照Fitness(α,β,D,B)计算种群粒子的适应度,并进行排序,选择适应度最高的N个粒子组成初始化种群；

Step4：记录当前Step3适应度最高的切片,为局部最优粒子G_pb,同时也是全局最优粒子G_gb；

Step5：设置迭代次数m和描述最优解稳定性的最优解控制阈值threshold；

Step6：按照子图杂交和子图变异算法,根据局部最优NS和全局最优NS,采用杂交、变异的方式更新粒子群中的所有粒子；

Step7：按照Fitness(α,β,D,B)计算种群粒子的适应度,更新局部最优粒子G_pb,如果当前的局部最优粒子G_pb的适应值高于当前的全局最优粒子G_g,b,则更新全局最优粒子；否则最优解控制计数器加1；

Step8：检查迭代终止条件,如果迭代次数达到m次或者最优解控制计数器的值大于最优解控制阈值threshold,则进入Step9,否则进入返回Step6；

Step9：输出最优子图G_gb。