网络功能虚拟化场景下服务功能链故障自愈合方法

技术领域

本发明属于移动通信技术领域，涉及一种网络功能虚拟化场景下服务功能链故障自愈合方法。

背景技术

虚拟化在网络中的一个丰富应用是网络功能虚拟化NFV。NFV使得网络或服务功能从底层硬件中解耦出来，在虚拟化的商品硬件上将其实现为软件设备。大量现有的网络虚拟化功能VNF部署已经显示出接近硬件性能的潜力，为网络优化和降低成本提供了充足的机会。

用户请求产生的服务可以被视为一个SFC，并被处理为一个特定的VNF序列，并部署在云和边缘。然而，由于动态的网络拓扑、多重分层和缺乏网络可见性等因素造成复杂性的增加，使得VNF比基于硬件的专用解决方案更容易发生故障。因此，为保证服务质量，对NFV系统中的故障问题进行自愈合功能的搭建至关重要。

现有技术对SFC中VNF的故障自愈合，采用对VNF重部署等方式，采用集中式机器学习对网络进行训练，且在训练过程中未考虑多用户业务链路叠加等和复杂度高的问题。

自愈是服务功能链的关键功能之一，它是通过最小化对多个服务功能链性能的影响来维持服务连续性(即确保用户的服务质量(QoS)、减少信令开销和中断)比率)当网络故障发生时，网络性能预测是实现业务高效自愈的重要环节。一种高效的网络性能预测模型不仅可以降低网络性能监控成本而且可以提高预测精度。网络性能预测模型需要在自愈的整个过程中不断工作。

一旦VNF部署在物理服务器上，处理用户的SFC请求需要花费一些时间，因此如何选择处理节点和安排VNF执行顺序以减少调度时间就成为一个问题，这就是VNF调度问题。里埃拉等人已这证明是一个经典的NP-hard问题。SFC的VNF可以看作是待加工的工件，服务器节点可以看作是加工机器，决策包括如何在机器上排序流程，优化目标是最小化总调度时间探讨了NFV支撑的用户请求场景中基于预测的业务自愈问题，因此以下将详细探讨所提出方案流程。

发明内容

有鉴于此，本发明的目的在于提供一种网络功能虚拟化场景下服务功能链故障自愈合方法，解决故障自愈合过程中由于故障在网络中的动态变化引起的差距以及多路的用户会产生大量服务请求会产生冲突的问题，同时能够提高重部署效率，有效提高故障自愈合的准确性和稳定性。

为达到上述目的，本发明提供如下技术方案：

网络功能虚拟化场景下服务功能链故障自愈合方法，该方法包括以下步骤：

S1：在网络功能虚拟化NFV(Network Function Visualization,NFV)环境中，为对包含的多个虚拟网络功能VNF(Visual Network Function,VNF)的服务功能链SFC(ServiceFunction Chain,SFC)进行自愈合，构建基于预测的多用户业务冲部署自愈合方案；

S2：提出基于生成对抗网络GAN的预测模块，将历史时间数据训练预测模型并将其输出预测数据均值作为自愈重部署方案的输入，建模网络状态；

S3：提出基于图神经网络GNNs业务重新部署自愈体系结构，利用深度图匹配算法建立愈合总开销模型，综合考虑VNF愈合时长、负载对愈合策略的影响，以优化网络请求部署方案；

S4：考虑多个服务拓扑图叠加资源消耗情况的服务映射；出现故障的服务链路在进行自愈时，涉及的多个业务图的重部署存在冲突；引入Pareto优化求解机制来感知节点运行状态与网络状态，最后进行验证。

进一步，所述S1中，当服务功能链中某个节点出现故障，在进行重部署的过程中，消耗一定的时间，利用各节点此前的历史数据特征，对未来一段时间进行预测，将预测时间内的特征数据均值作为初始化业务图，通过深度图匹配与帕累托算法模型求解最优的多用户的最佳部署方案。

进一步，所述S2中，将输入数据，即业务图和网络图，转换成可以输入为图神经网络GNN模型的格式；为完成故障的自愈，需要对网络和业务进行建模，并构建有目标的优化公式；引入几个参数来建模和分析服务部署问题；

针对延迟性能，对当前业务图中包含节点的包排队率、计算排队等待率的特征的描述；由端到端业务延迟由子任务的计算延迟CD、子任务边缘的传输延迟TD和排队延迟OD组成，其次是资源负载均衡，使用端到端业务延迟和资源负载均衡这两个指标构建有目标的优化公式；GAN预测框架包含时空生成器和鉴别器；生成器由输入

进一步，所述S3中，应用图卷积网络GCN来嵌入服务图和网络图以提取特征，其中边或节点的特征根据它们的相邻节点和边的特征来更新；图嵌入包括图内嵌入和图间嵌入；基于所获得的两个图嵌入，通过

其中S,M分别表示算法输出的矩阵向量，以获得最终最优匹配路径。

进一步，所述S4中，采用帕累托参考方向法提高解的多样性，将目标函数域划分为多个子单纯形，并估计单个解；设S

最终获得用于服务部署的节点和链接映射。

本发明的有益效果在于：本发明构建了基于预测的多用户最佳深度图匹配部署模型，实现了SFC中每个VNF能够独立快速进行故障自愈合，提高了检测准确性和稳定性，同时提升了整体虚拟网络的鲁棒性，进而增强用户体验。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明整体流程；

图2为本发明支撑环境。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

参见图1，图1是本发明基于分布式知识蒸馏框架的异常方法的整体流程，第一部分任务在教师网络用给定数据的一部分来预测未来一部分的数据。如图2所示NFV支撑的用户请求场景。

网络服务模块将输入数据(业务图和网络图)转换成可以输入GNN模型的格式，延迟性能对当前业务图中包含节点的包排队率，计算排队等待率等特征的描述。由端到端业务延迟由子任务的计算延迟(CD)、子任务边缘的传输延迟(TD)和排队延迟(OD)组成。令d

其中

且子任务需要等待，直到所有需要的依赖数据都到达：

其中

其中

节点n

其中

其中N、L上标用来区分上式对节点和链路的定义，N、E分别表示节点和边的集合，

E.对于此提出的模型，如下式所示，目标是最大化OLBD并最小化平均E2E延迟。在网络资源约束条件下，综合考虑了部署位置约束、服务图映射合法性约束和子任务执行顺序约束。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

接下来来的预测模块GAN预测框架包含时空生成器和鉴别器。如图总模型图所示，生成器包含生成的流量动态的序列被认为是假序列

网络链路数据通道：输入的网络拓扑图G

表示业务子图拓扑状态在时间间隔t内的变化动态。相对的，其中对应时间内的图中节点总延迟数据以及负载均衡历史时序数据特征使用χ

模型中图卷积门递归单元将业务网络表示为加权有向图，X

Θ

其中，*G表示图卷积运算，X表示为输入参数，Θ

r

u

C

H

其中，X

其中的外部模块业务图的重部署可能受到许多复杂的节点特征的影响，例如个节点的优先级和之前的故障率等待。因此提出外部模块来向网络中加入影响节点权重的一些外部特征。如图所示，外部模块由一个全连接层组成，它将外部特征作为输入，此处将外部特征表示为：

E＝[O

其中，O

最终的融合预测输出对于每个数据点，生成器的目标是预测网络图G

其中，X

其中G

其中S

第二模块，重部署模块，首先是参考方向构造的问题中，当超过两个原本正常传输工作的完整服务功能链被破坏时，在迭代求解过程中很难找到解之间效用的支配关系。因此，采用参考方向法来解决这一问题，提高解的多样性。参考方向是一组向量，用于将目标函数域划分为多个子单纯形，并用于估计单个解。设S

其中1＜k＜K,0＜t＜k，且q＝(i+1)mod S

令π

部署求解算法从完成拓扑图初始化策略开始。然后构造一组参考方向。在求解的第y次迭代中，通过以下步骤寻找最优的部署方案解:1)使用基于预测得到的网络图基于深度图匹配算法生成一组中间解决方案。2)参考方向构造4)执行方案的评估和选择。下面将一步一步地解释框架中实现的细节。

拓扑图构造：初始化的服务部署需要考虑服务的起止位置约束和网络资源约束，以均衡负载和最小化时延为优化目标。其中，业务图的输入特征包括起始节点和结束节点，以及所需的资源量，而网络图的输入特征包括它们是起始节点还是结束节点，以及节点和链路的各种资源的剩余量和比例。

此模块应用两个GNN分别用于嵌入服务和网络图的特征此。首先接收到来自预测模块所得的预测数据取均值作为初始化的网络图，输入的业务图和网络图均为可以输入GNN模型的格式，其中服务业务图G

G

且H

下面对于图形嵌入，应用图卷积网络(GCN)来嵌入服务图和网络图以提取它们的特征，其中边或节点的特征根据它们的相邻节点和边的特征来更新。图嵌入包括图内嵌入和图间嵌入。图内嵌入得到每个顶点的嵌入式,进而经过卷积输出实现了对自身图的嵌入方式，然而图内嵌入对两张图分开提取信息，只能算出两张图的相似性,无法找到两张图之间顶点的对应关系，因此通过图间嵌入融合图之间的特征，使得两张图在信息传递的时候也能交流信息。使用这对两个分别的图嵌入输出对比计算最终的相似性。

其中边缘特征的更新函数如下：为：

其中R'

其中g

图间嵌入被开发来建立两个图之间的关系。从第一个GNN层的输出中获得临时节点亲和矩阵A，并且使用相应的匹配概率矩阵S来建立两个图之间的关系，显示了与GNN中邻接矩阵类似的功能。

图间嵌入中的更新函数是：

其中g

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。