[发明专利]一种基于种群增量学习算法的虚拟网络功能放置方法

摘要

本发明公开了一种基于种群增量学习算法的虚拟网络功能放置方法。在给定网络拓扑上通过运用基于种群的增量学习算法，以最小化服务时延为优化目标，计算出一种满足实际部署要求的虚拟网络功能放置方案。本发明的主要特征包括二级编码方式、对非法个体进行修复操作、求个体适应度时采用弗洛伊德算法、通过保存全局精英集合指导概率向量的更新以及变异操作改变概率向量等。本发明在解决VNF‑P问题上应用了PBIL算法，仿真实验与数据分析表明，相比于遗传算法，本发明的方法在算法性能上和效率上都具有显著优势，能获得使服务时延更小的解，证明了本发明的可行性和高效性。

主权项

1.一种基于种群增量学习算法的虚拟网络功能放置方法，在网络服务请求到达时，找到一种虚拟网络功能的放置位置，使获得的服务功能链在进行服务时所产生的链路时延与节点处理时延之和最小；其特征在于，包括：步骤1：读取原始拓扑G＝(V，E)，V表示拓扑中节点集合，每个节点包含相应的坐标信息，V中任意两个直接连通的节点间存在一条链路，E表示链路集合；通过V中节点的坐标信息计算E中任一链路的链路时延；以链路时延和节点处理时延作为算法的输入参数；步骤2：根据网络服务请求，获得待求的服务功能链中所有虚拟网络功能的顺序；每一个服务功能都可以部署在拓扑中满足约束条件的节点上；步骤3：初始化基于种群的增量学习算法的相关参数，包括设置种群规模为N，种群中每个个体为一长度为K的二进制串；设置算法的最大迭代次数MaxGen；初始化大小均为M的精英集合B和全局精英集合GE；全局精英集合GE中用于更新概率向量P的个体数为Q；其中，N、K、M、Q、MaxGen均为正整数；设迭代次数τ＝0；步骤4：初始化概率向量P＝{p_i|i＝1,2,…,K}，p_i为0到1之间的实数，表示个体中第i位取1的概率；步骤5：对概率向量P进行取样，生成一个种群，并对种群中非法个体进行修复操作；所述种群中有N个个体，每个个体代表虚拟网络功能放置问题的一个解，每个解表示一种服务功能链在网络中的可行放置位置；步骤6：计算所述种群中N个个体的适应度值集合F，F＝{f_i|i＝1,2,…,N}，f_i为第i个个体的适应度值；每个个体的适应度值为该个体指定的所有链路时延与所有节点处理时延之和；如果该个体中存在指定的两个节点之间未直接连接，则求得这两个未直接连接节点的最短路径，并以该最短路径中所有链路时延之和，加上该个体中其它链路时延与节点处理时延，作为该个体的适应度值；步骤7：根据适应度值，找到所述种群中最优的M个个体，0<M<N，作为当前种群的精英集合Β，记作Β＝{β₁，β₂，…，β_M}；用精英集合Β指导更新全局精英集合GE，记作GE＝{ge₁，ge₂，…，ge_M}；更新后的全局精英集合GE为当前最优的M个个体的集合；步骤8：随机选取全局精英集合GE中的Q个个体，1<Q<M，用于更新概率向量P；步骤9：以变异概率P_mutation对概率向量P的每一位p_i进行变异操作；设置τ＝τ+1；步骤10：若迭代次数τ<MaxGen，则转到步骤5；否则输出当前适应度值最优的个体为最优解。