一种数据与模型联合驱动的网络切片间智能重配置方法

技术领域

本发明涉及移动通信网络领域，具体地，涉及一种数据与模型联合驱动的网络切片间智能重配置方法。

背景技术

网络切片是支持5G/B5及以未来移动通信网络多样化业务需求的关键技术。在网络切片中，用户的流量需求通常是不确定的，并且会随着时间的推移而波动，仅考虑历史平均流量需求或高峰时段需求而不考虑未来流量需求变化的切片方案可能会导致资源供给和流量需求的不匹配。因此，为了满足用户不断变化的流量需求，自适应地重配置网络切片是必不可少的。基于SDN和NFV的支持，网络切片具备灵活的自配置能力和可伸缩性，这为切片间重配置提供了重要的支撑。网络切片的重配置可分为切片内重配置和切片间重配置。切片内重配置是在小时间尺度上执行的，它调整切片内的每条流的路径和VNF到物理节点的映射关系，而切片间重配置是在大时间尺度上执行的，涉及到网络切片之间的资源重分配(即切片呼吸)和VNF迁移(即切片移动性)等操作。

在现有的移动通信网络系统中，提出了通过重配置网络切片以满足用户的瞬时流量需求。然而，由于缺乏预测机制，这些方法属于响应式或被动式的解决方案，即它们是在切片的流量需求发生变化后才启动重配置操作。由于切片间重配置涉及VNF的迁移等重量级操作，加之迁移过程中耗时的数据迁移，此类方案可能会导致QoS以及服务中断，从而违反切片服务级别协议(Service Level Agreement,SLA)。为此，根据流量需求事先进行主动式的重配置是至关重要的。为了处理用户需求的不确定性，许多研究人员提出了模型驱动的解决方案，这些解决方案利用鲁棒优化(Robust Optimization,RO)来执行切片间重配置。具体来说，这些研究假设未来的流量需求位于一个区间内(称为“不确集”)，在此基础上创建网络切片重配置问题的RO模型后对其进行了求解。这些RO模型的解足够“鲁棒”，以至于可以满足不确定集中的任意参数定义的约束。然而，由于这些研究中使用的不确定集不是通过预测生成的，它们的宽度通常太大，其宽度不能根据流量波动程度进行自适应地调整，因此即使在流量需求较为平稳的情况下，这些模型也会提供超额的资源，导致了资源的严重浪费。随着机器学习的发发展，许多研究人员试图通过利用各种机器学习算法来设计数据驱动的方法来进行切片间的重配置。这些方法通常利用“预测并优化”的方式，即先预测流量需求，然后根据预测结果建立切片重配置问题的优化模型。然而，这些研究中使用的预测器都是点预测器，它们仅生成对未来流需求的一个标量预测值，不提供任何关于预测结果准确度信息。由于流量需求通常受到各种随机事件的影响，因此点预测器在流量需求预测中通常存在一定程度的不准确性。基于不准确的预测结果构建的优化模型也往往是不准确的，最终会导致此类解决方案无法准确匹配未来的流量需求，导致资源过度配置或违反SLA。

与仅生成预测结果而不提供任何准确性信息的点预测器不同，区间预测器可以输出一个区间，该区间以事先指定的概率(1-α)包含未来的流量需求。这里的置信度可以根据预测精度需求灵活设置。此外，由于网络切片的流量需求受随机事件(如最终用户的移动性和服务用户数量的变化)的影响而存在有规律的随机波动，切片的聚合流量表现出一定的周期性和随机性，这非常适于用预测区间进行预测。网络切片中所有用户的聚合流量需求是一个时间序列，呈现出明显的长期趋势，且具有很强的周期性。因此，它可以通过循环神经网络(Recurrent Neural Network，RNN)进行预测，例如LSTM、GRU等。

尽管RNN在流量需求预测中很有效，但它们存在以下两个缺点。首先，基于RNN的预测器在流量需求波动较大的情况下，产生的预测结果往往精度较差，这是由于一些不可预测的随机事件造成流量需求的较大波动。其次，RNN生成的点预测不提供任何关于预测结果准确度的信息。这些缺点使得基于RNN的预测器无法为后续的切片重配置决策提供可靠的依据。有的HMD的优化器设计中，盒式优化器用来求解用于执行切片间的重配置RO模型。盒式优化器是基于盒式不确定集构建的，该不确定集的形状是一个高维空间的盒子，它是所有切片的预测区间与无线链路的波动区间在高维空间中形成的一个盒式区间。盒式优化器虽然求解简单，但是它存在最优性较差的问题，这是因为盒式不确定集本身对于对流量需求的估计过于保守。

发明内容

有鉴于此，本发明实施例的目的在于提供一个数据与模型联合驱动的智能重配置方案，该方案包含一个预测器和一个优化器，其中预测器可以对切片内用户的聚合流量进行预测，并输出一个以事先指定的概率包含真实流量需求的预测区间；基于此预测区间，本实施例利用鲁棒优化设计了相应的优化器，以实现核心网切片间资源的最优分配。

本发明的第一方面提供了一种数据与模型联合驱动的网络切片间智能重配置方法，应用于5G网络，所述方法包括：

S1，为5G网络建立网络切片模型；其中，所述网络切片模型主要包括网络切片和底层网络；

S2，为每个网络切片设计一个区间预测器PIP，通过各切片中的历史流量数据训练相应的预测器，以产生对未来流量需求的预测区间；所述区间预测器PIP结合bootstrap方法和GRU来产生关于网络切片流需求的预测区间；

S3，基于该预测区间建立切片间重配置问题的模型，并执行所述重配置问题的模型求解，从而对网络切片做出主动式的重配置。

进一步，所述S2，为每个网络切片设计一个区间预测器PIP，通过各切片中的历史流量数据训练相应的预测器，以产生对未来流量需求的预测区间，包括：

设置预测目标

其中，

在bootstrap方法中，构建

其中

通过预测区间量化了真实流量需求

和/>

其中

从(3)和(4)可知，噪声的方差(即

通过训练另一个具有相同结构的GRU本实施例称其为残差GRU来预测输入值的残差：

根据(7)，一个新的训练数据集

现在，

其中z

优选的，所述S1，为5G网络建立网络切片模型；其中，所述网络切片模型主要包括网络切片和底层网络，包括：

底层网络是一个基于分层数据中心(DC)结构的5G基础设施，它被建模为由G＝(V,E)表示的有向图，其中V和E是底层节点和物理链路，节点i的可用计算资源记为C

系统中网络切片的集合定义为

进一步，使用二进制变量

其中

限制每个VNF都被映射到一个物理节点，所以有：

和/>

其中变量

假设单位速率的数据流消耗了β

此外，链路(i,j)∈E分配给所有切片的带宽不应超过其可用带宽，因此各物理链路需要满足以下容量约束：

假设单位流速的数据流会消耗β

其中

为了消除问题中的非线性性，这里引入二进制变量

和/>

其中∈是一个足够小的正数，使得

这两个常数的值设置为：

通过引入变量

从而保证所有切片映射到物理网络后，能被各物理结点以切片的SFC中规定的VNF依次处理，且各物理节点之间是连通的。

进一步，对于物理节点i∈V，其功耗来源于三个方面：VNFI的功耗、网卡转发数据包的功耗、保持服务器$i$处于激活状态所需的功耗，表示为：

首先，服务器i上的VNFI消耗的功耗即

其中

其次，节点i(即

其中

最后，保持节点i处于开机状态所需的功率即

其中γ

因此，服务器i的开关状态由变量

其中ζ和D分别是足够小和足够大的正数；约束(23)中的ζ和D的值可按照约束(16)中的∈和L做类似的设置。

进一步，所述S3，基于该预测区间建立切片间重配置问题的模型，并执行模型求解，从而对网络切片做出主动式的重配置，包括：

对所述切片间重配置问题建模；其中，给定流量预测区间和以上的网络切片模型，切片间重配置问题可以建模为如下的问题：

s.t.(10)-(17),(23)(24-1)

/>

由于

其中，矩阵

其中

进一步，所述执行模型求解，包括：

将问题(24)转化为标准的鲁棒优化问题；基于盒式不确定集，问题(25)将被转化为一个MIP进行求解，从而基于盒式不确定集执行求解；最后，通过构造椭球不确定集，并给基于椭球不确定集执行求解；

其中，将问题(25-1)、(25-2)、(25-3)转化为标准的鲁棒优化RO问题，包括：

RC是与鲁棒优化问题等价的确定性问题；为了推导问题(24)的RC，需要先将问题(24)转化为鲁棒问题的标准形式：

其中h＝(0,1,0)

所述基于盒式不确定集执行求解，包括：

盒式不确定集是通过直接组合预测区间和链路带宽的变化区间来构造的，该不确定集是一个高维空间中的盒式区间

其中

基于不确定集(27)的鲁棒优化问题(25)的鲁棒等价问题RC最终可以转化为：

其中μ＝{μ

进一步，所述基于椭球不确定集执行求解，包括：

将

此外，本发明的第二方面提供了一种存储介质，所述存储介质存储有计算机程序；所述程序由处理器加载并执行以实现如上所述的数据与模型联合驱动的网络切片间智能重配置方法步骤。

此外，本发明的第三方面提供了一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行如上所述的方法。

本发明的方案中，通过为5G网络建立网络切片模型；其中，所述网络切片模型主要包括网络切片和底层网络；为每个网络切片设计一个区间预测器PIP，通过各切片中的历史流量数据训练相应的预测器，以产生对未来流量需求的预测区间；所述区间预测器PIP结合bootstrap方法和GRU来产生关于网络切片流需求的预测区间；基于该预测区间建立切片间重配置问题的模型，并执行所述重配置问题的模型求解，从而对网络切片做出主动式的重配置。通过各切片中的历史流量数据训练相应的预测器，以产生对未来流量需求的预测区间，随后，基于该预测区间建立切片间重配置问题的鲁棒优化模型，从而对切片做出主动式的重配置。提出的区间预测器使用在时间序列预测中具有较高的稳定性bootstrap方法，可以产生对未来流量需求的一个预测区间，使之能以指定的概率包含未来真实的流量需求，它不仅能预测结果，还可以提供关于预测结果的准确度，这使得建立在这一预测区间上的切片重配置模型更有意义且更可靠。基于椭球不确定集的椭球优化器，所有切片的未来可能的流量需求并非均匀地分布在一个高维的盒式集合中，而是集中分布在一个高维椭球中，因为网络切片内的聚合流量速率遵循正态分布；因此，内切于盒式不确定集中的一个椭球不确定集与盒式不确定集具有几乎相同的覆盖概率，与盒式优化器相比，椭球优化器可以在几乎相同的鲁棒性的前提下，进一步降低系统功耗。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是本发明实施例一公开的数据与模型联合驱动的网络切片间智能重配置方法流程示意图；

图2是本发明实施例一公开的PIP的结构；

图3是本发明实施例一公开的PIP中的第100个神经网络的学习曲线；

图4是本发明实施例一公开的预测区间NMPIW的性能曲线；

图5是本发明实施例一公开的预测区间覆盖概率的性能曲线；

图6是本发明实施例一公开的PIP和MVE的预测区间对比，NMPIW分别为0.41和0.64；

图7是本发明实施例一公开的PIP和RNN-bootstrap的预测区间对比图；

图8是本发明实施例一公开的核心网切片间重配置问题的系统模型与底层网络架构；

图9a-9b是本发明实施例一公开的不同链路波动水平下的功耗随置信度的变化曲线；

图10是本发明实施例一公开的系统功耗随切片数量的变化曲线；

图11是本发明实施例一公开的满载场景下切片请求的接受率随时间变化曲线。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

以下对本申请实施例的技术方案的实现细节进行详细阐述：

本发明采用区间预测与鲁棒优化相结合的方式，设计了一个数据与模型联合驱动的智能重配置方案。该方案包含一个预测器和一个优化器，其中预测器可以对切片内用户的聚合流量进行预测，并输出一个以事先指定的概率包含真实流量需求的预测区间；基于此预测区间，本实施例利用鲁棒优化设计了相应的优化器，以实现核心网切片间资源的最优分配。该方案结合了数据驱动与模型驱动两种方法的优点，既能利用预测信息对切片进行主动式重配置，又可以克服数据驱动方法需要大量训练样本的缺点。本实施例设计的切片间重配置算法可以有效降低核心网的功耗，并可以根据流量需求波动的程度自适应地改变预测区间的宽度，从而在系统功耗和策略鲁棒性之间实现灵活的折衷。

在所考虑的场景中，假设有若干不同服务类型的网络切片已部署在底层物理网络上。在这些切片的生命周期中，由于不断变化的需求和用户的移动性，它们的聚合流量需求呈现动态性，因此需要在大时间尺度上自适应地对切片做重配置以匹配不断变化的需求。为此，本实施例将为每个切片设计一个区间预测器(即PIP)，通过各切片中的历史流量数据训练相应的预测器，以产生对未来流量需求的预测区间。随后，基于该预测区间建立切片间重配置问题的鲁棒优化模型，从而对切片做出主动式的重配置。

本发明提出的区间预测器使用在时间序列预测中具有较高的稳定性bootstrap方法，可以产生对未来流量需求的一个预测区间，使之能以指定的概率包含未来真实的流量需求，它不仅能预测结果，还可以提供关于预测结果的准确度，这使得建立在这一预测区间上的切片重配置模型更有意义且更可靠。

本发明设计了一个基于椭球不确定集的椭球优化器。所有切片的未来可能的流量需求并非均匀地分布在一个高维的盒式集合中，而是集中分布在一个高维椭球中，因为网络切片内的聚合流量速率遵循正态分布。因此，内切于盒式不确定集中的一个椭球不确定集与盒式不确定集具有几乎相同的覆盖概率。与盒式优化器相比，椭球优化器可以在几乎相同的鲁棒性的前提下，进一步降低系统功耗。

实施例一

请参阅图1，图1是本发明实施例公开的一种数据与模型联合驱动的网络切片间智能重配置方法流程示意图。如图1所示，本发明实施例的一种数据与模型联合驱动的网络切片间智能重配置方法，应用于5G网络，所述方法包括：

S1，为5G网络建立网络切片模型；其中，所述网络切片模型主要包括网络切片和底层网络。

S2，为每个网络切片设计一个区间预测器PIP，通过各切片中的历史流量数据训练相应的预测器，以产生对未来流量需求的预测区间；所述区间预测器PIP结合bootstrap方法和GRU来产生关于网络切片流需求的预测区间。

具体地，本实施例，本实施例所提出的PIP的框架如图1所示，它结合了bootstrap方法和GRU来产生关于网络切片流需求的预测区间。与其他基于单个神经网络的方法(如MVE和贝叶斯方法)相比，bootstrap方法利用多个神经网络(NN)来生成预测区间，它能更好地解决模型和数据的不确定性。其次，与LSTM相比，GRU结构简单，且收敛更快，这是因为GRU内部的门结构比LSTM少。因此，PIP的设计结合了bootstrap方法和GRUs的优势，使之可以在流量需求预测的中获得高质量的预测区间。PIP生成预测区间的原理如下。

理论上，可以设置预测目标

其中，

在bootstrap方法中，构建

其中

本质上，预测区间量化了真实流量需求

和/>

其中

从(3)和(4)可知，噪声的方差(即

通过训练另一个具有相同结构的GRU本实施例称其为残差GRU来预测输入值的残差：

根据(7)，一个新的训练数据集

现在，

其中z

在本实施例所提出的网络切片模型中，同一个网络切片的VNF可以分布在不同数据中心。这种部署方式可以获得网络边缘的低时延和无线电位置感知能力，以及核心网络的大容量优势。

优选的，所述S1，为5G网络建立网络切片模型；其中，所述网络切片模型主要包括网络切片和底层网络，包括：

底层网络是一个基于分层数据中心(DC)结构的5G基础设施，它被建模为由G＝(V,E)表示的有向图，其中V和E是底层节点和物理链路，节点i的可用计算资源记为C

系统中网络切片的集合定义为

进一步，使用二进制变量

其中

限制每个VNF都被映射到一个物理节点，所以有：

/>

和/>

其中变量

假设单位速率的数据流消耗了β

此外，链路(i,j)∈E分配给所有切片的带宽不应超过其可用带宽，因此各物理链路需要满足以下容量约束：

假设单位流速的数据流会消耗β

其中

为了消除问题中的非线性性，这里引入二进制变量

和/>

其中∈是一个足够小的正数，使得

这两个常数的值设置为：

通过引入变量

从而保证所有切片映射到物理网络后，能被各物理结点以切片的SFC中规定的VNF依次处理，且各物理节点之间是连通的。

HMD框架模型的优化目标：本实施例提出的HMD框架模型的优化目标为最小化系统的功耗。对于其他的优化目标，如资源消耗成本、激活的物理节点等同样有效，只需要对相应的约束条件做必要的修改即可。对于物理节点i∈V，其功耗来源于三个方面：VNFI的功耗、网卡转发数据包的功耗、保持服务器i处于激活状态所需的功耗，即

首先，服务器i上的VNFI消耗的功耗即

其中

其次，节点i(即

其中

最后，保持节点i处于开机状态所需的功率即

其中γ

因此，服务器i的开关状态由变量

其中ζ和D分别是足够小和足够大的正数；约束(23)中的ζ和D的值可按照约束(16)中的∈和L做类似的设置。

S3，基于该预测区间建立切片间重配置问题的模型，并执行所述重配置问题的模型求解，从而对网络切片做出主动式的重配置。

进一步，所述S3，基于该预测区间建立切片间重配置问题的模型，并执行模型求解，从而对网络切片做出主动式的重配置，包括：

对所述切片间重配置问题建模；其中，给定流量预测区间和以上的网络切片模型，切片间重配置问题可以建模为如下的问题：

s.t.(10)-(17),(23) (24-1)

由于

其中，矩阵

其中

进一步，所述执行模型求解，包括：

将问题(24)转化为标准的鲁棒优化问题；基于盒式不确定集，问题(25)将被转化为一个MIP进行求解，从而基于盒式不确定集执行求解；最后，通过构造椭球不确定集，并给基于椭球不确定集执行求解。具体地，本实施例，基于盒式不确定集，问题(25)将被转化为一个MIP进行求解，从而设计了盒式优化器；最后，通过构造椭球不确定集，设计出了相应的椭球优化器。

RC是与鲁棒优化问题等价的确定性问题；为了推导问题(24)的RC，需要先将问题(24)转化为鲁棒问题的标准形式：

其中h＝(0,1,0)

所述基于盒式不确定集执行求解，包括：

盒式不确定集是通过直接组合预测区间和链路带宽的变化区间来构造的，该不确定集是一个高维空间中的盒式区间

其中

基于不确定集(27)的鲁棒优化问题(25)的鲁棒等价问题RC最终可以转化为：

其中μ＝{μ

进一步，所述基于椭球不确定集执行求解，包括：

由于盒式不确定集的保守性，使得盒式优化器得到的解仍具有改进空间。因此，本实施例设计了一种基于椭球不确定集的椭球优化器用于实现切片间的重配置。一方面，由于网络流量需求的正态性，椭球不确定集可以提供与盒式不确定集几乎相同的覆盖概率，因此基于椭球不确定集的解决方案与盒式优化器具有相同的的鲁棒性。另一方面，由于椭球不确定集是内接于盒式不确定集的高维椭球，因此椭球优化器可以进一步降低系统的功耗。

将

/>

实施例二

本实施例，进一步，对PIP的性能执行验证以及HMD框架的性能执行评估。

PIP的性能验证：

对于每个切片，这里使用TensorFlow为其创建一个PIP。每个PIP由201个点预测器组成，其中的前200个点预测器用于降低模型误差，最后一个点预测器用于估计残差的方差。所有这201个点预测器的结构都是相同的，都是一个两层的GRU网络，其结构如图2所示。每个GRU的内部隐藏状态大小为10。仿真中使用均方误差(MSE)作为损失函数来训练神经网络minibatch大小设置为64。此外，学习率设置为0.01。

本实施例使用真实流量数据集A5M和B5M用于训练神经网络。这些数据集是在骨干网络中每隔5分钟收集的历史流量数据集。由于片间重配置是在大时间尺度上执行的，因此在仿真中，PIP设置为每隔一小时输出一个预测区间。因此，这里对这些数据集以f＝12的频率进行了重新采样。每个PIP由数据集中的70％数据训练，剩余的数据被分为两组，分别作为测试集和验证集。每个点预测器的训练时间步设为10000。这里使用过去的80个时间步来预测未来的一个时间步的流量需求，通过对PIP、MVE方法和“RNN-bootstrap”方法的对比，来验证PIP在所生成的预测区间的质量。

(1)PIP的收敛性分析

图3显示了PIP和RNN-bootstrap方法的学习曲线。该图绘制了第100个GRU和RNN网络随着学习时间的损失函数。可以观察到，这两种方法都可以在4000个训练步骤内收敛。而且可以看到基于GRU的方法具有稍快的收敛速度。这是因为RNN存在梯度消失问题，该问题会减慢其训练过程。相比之下，GRU利用了内部门结构来克服这个缺陷，因此它具有更快的收敛速度。该结果表明，PIP只需要少量历史数据进行训练就能实现快速收敛。

(2)PIP的有效性分析

本实验比较了MVE、RNN-bootstrap和PIP的预测区间的NMPIW在不同置信度下的变化曲线，结果如图4所示。可以看到对它们的NMPIW随着置信度呈现指数增长，这是因为根据式(3-9)可知，预测区间的宽度与1-α成指数关系。

为了验证椭球不确定集与盒状不确定集是否具有几乎相同的覆盖概率，在图5中，对比了这两个不确定集在不同的置信度下对真实需求的覆盖率。这里的覆盖率定义为：

其中，c

其中，r

数值结果分析：

(1)PIP的收敛预测结果对比分析

本实验比较了PIP、MVE和RNN-bootstrap的方法产生的预测区间，该实验中将置信度设置为90％，结果分别如图6和图7所示。这里对比了它们所产生的预测区间的归一化平均预测区间宽度(Normalized Mean Prediction Interval Width,NMPIW)，其定义为：

其中n

(2)PIP的有效预测结果对比分析

可以看到，盒式不确定集的覆盖概率与椭球不确定集的覆盖概率几乎相同，这是由于流量需求近似满足正态分布。此外，可以看到覆盖概率远大于置信水平1-α，尤其是在1-α＝0.1时这种现象更明显。另外还可以观察到覆盖概率随着切片数量的增加而降低，这是由于系统中的随机事件发生的概率随着切片数量的增加而增加，而这些事件理论上是无法预测的。

HMD框架的性能评估：

如图8所示，仿真中使用的底层网络是一个基于分层数据中心(Data Center,DC)的5G核心网，由核心DC、聚合DC、边缘DC和微云组成。底层网络共有57个节点和111个有向链路。为了模拟无线回程带宽的变化，链路(i,j)∈E的带宽设置为均匀分布的随机变量

通过对比以下三种算法被用作对比算法来验证HMD的性能：

Model-based-Std:该算法也使用鲁棒优化理论对切片间重配置问题建模和求解。与HMD不同之处在于，该算法中的不确定集合不是由预测产生的，而是由历史需求的均值和标准差构造出来的；

Model-based-PH:在算法中，未来的流量需求信息是已知的，基于此流量信息，该算法利用确定性优化方法求解切片间重配置问题。因此，该算法对应的是理想情况；

HMD-Point:该算法也是基于确定性优化的算法，与Model-based-PH算法不同的是，该算法对流量需求信息并非未知的，而是根据点预测得到的。

(1)HMD框架在不同场景下的性能分析

通过比较分析HMD框架在不同置信水平和链接扰动水平下的性能。对于这两种不确定性场景，链路扰动参数ω分别设置为0.25和0.65。另外，仿真中随机生成了20个网络切片，仿真结果如图9a、图9b所示。可以看到，除了Model-based-PH算法外，所有算法在ω＝0.25$时的功耗都ω＝0.65$时比高约4％左右。此外，还可以看到盒式优化器和椭圆优化器的功耗随着置信度的增加而增加，这与图4中曲线的趋势相吻合。这是因为在鲁棒优化中，目标函数的最优值随着不确定集的宽度而增加。出于同样的原因，可以观察到椭球优化器的功耗比盒式优化器低约5％左右，而且值得一提的是Model-based-Std的功耗明显大于这二者。

(2)不同切片数下HMD的性能分析

设置无线链路扰动参数为ω＝0.25，置信度设置为90％，结果如图10所示。由于Model-based-Std的功耗远大于其他算法，如果将该算法的结果一同绘制在图中，将会使得其他算法的曲线将被“挤压”，导致它们之间的差别难以比较。因此，图10中省略了Model-based-Std算法的曲线。

可以看到，系统功耗随着网络切片的数量近似线性增加，且盒式优化器和椭球优化器的功耗分别比HMD-Point-Prediction的结果10％和3％。虽然HMD-point-prediction的曲线比本实施例所提算法的曲线要低，但是该结果并不提供任何鲁棒性，因为点预测不提供任何准确性信息，因此HMD-point-prediction无法为切片重配置提供可靠的结果，尤其是在需求的高波动场景中更是如此。相比之下本实施例所提出的HMD框架能够以接近100％的概率覆盖未来的流量需求，而只需额外消耗3％功率。

(3)满载场景下HMD的性能分析

无线链路带宽的波动率和置信度分别设置为ω＝0.25$和1-α＝90％。为了仿真满载场景，本实验在底层网络中部署了20个永久切片，在此之上会随机产生临时切片，这些临时切片具有固定流量需求，请求的到达过程为泊松过程，其到达率为10个小时，临时切片的平均生命周期服从参数为10分钟的指数分布。另外，这里假设临时切片的流量需求均匀分布在[0.5,2.0]Gbps内。请求的接受率绘制在图11中。

观察到椭球优化器的接受率比盒式优化器的接受率高约10％。因此，在小规模网络中，可以应用椭球优化器以实现最小化功耗目的。而在规模稍大的网络中，当椭球优化器的求解时间较长时，可以使用盒式优化器实现求解时间和系统功耗的折衷。

此外，本申请实施例还公开了一种电子装置，所述电子装置包括：一个或多个处理器，存储器，所述存储器用于存储一个或多个计算机程序；其特征在于，所述计算机程序被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的数据与模型联合驱动的网络切片间智能重配置方法步骤。

此外，本申请实施例还提供了一种存储介质，所述存储介质存储有计算机程序；所述程序由处理器加载并执行以实现如上所述的数据与模型联合驱动的网络切片间智能重配置方法步骤。

本领域普通技术人员可以意识到，结合本实施例中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

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。例如，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的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、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显本领域普通技术人员可以意识到，结合本实施例中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是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，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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，或者网格设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、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。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。