59、软件化 5G 网络中服务功能链映射的启发式方法

软件化 5G 网络中服务功能链映射的启发式方法

1. 引言

当前，移动网络中用户交换的数据流量持续增长。5G 网络为各类需要新服务的应用提供了有力支持，例如超可靠低延迟通信（URLLC）和大规模机器类型通信（eMBB）。URLLC 流量要求极其可靠且低延迟的无线传输，单程无线传输延迟需控制在 1 毫秒以内；eMBB 流量则为物联网的各种应用提供了大规模连接解决方案。

为了管理这样的网络，需要掌握所有可能的网络技术、多样的协议栈以及各种网络应用。软件定义网络（SDN）和服务功能链（SFC）这两项新技术能够应对这些挑战。SDN 可成功应用于 5G 网络，而 SFC 则能克服 5G 网络传统硬件的限制。

SFC 由 Quinn 和 Medhat 提出，它将提供服务的功能（如防火墙、负载均衡器等）按线性链排列。在虚拟化和分层的网络结构中，端到端服务决定了整个系统的处理特性。SFC 由通过逻辑链路连接的一组虚拟网络功能（VNF）组成，不同客户端的多个 SFC 可以共享相同的计算和网络资源，以提高资源利用率。

为了最小化资源计算和传输成本，需要在软件定义网络中对 SFC 进行最优排列。然而，找到 SFC 放置的最优解是一个 NP 难题，精确求解需要大量的计算时间，在实际应用中并不实用。因此，许多方法被用于解决这个问题，其中最重要的是启发式方法。

2. 系统模型

系统模型包括一个底层网络，用无向物理图 $G = (V, E)$ 表示，其中 $V$ 是 $N$ 个边缘（云）物理节点的集合，$E$ 是节点之间 $L$ 条物理链路的集合。物理节点 $v$ 具有处理能力、内存大小等特征。

服务链集合用 $S$ 表示，单个服务链由一系列 VNF 组成，用有向图 $SF = (F, M)$ 表示，其中 $F$ 是虚拟功能集合，$M$ 是虚拟链路集合。虚拟功能集合包含对处理能力、内存大小等的请求，每个虚拟链路 $m$ 包含带宽请求、数据速率等。

有序的 VNF 集合可以构建通过 VNF 链路连接的 SFC。映射规则如下：
- 服务链 $s$ 的所有请求必须分配一个或多个 VNF $f$，每个 VNF $f$ 只能放置在满足定义约束的一个物理节点 $v$ 上。
- 每个虚拟链路 $l$ 只能映射到满足约束的一个物理路径上。
- 必须考虑某些可靠性和可用性值等请求。

不同类型的服务请求有不同的具体要求，如高数据速率、带宽需求、允许延迟、可靠性和可用性等。每个服务请求 $s$ 必须映射到一个 VNF 以满足其所有要求，同时还应考虑是否应用 VNF 冗余，这会显著影响映射的 SFC 值。此外，SFC 中的虚拟链路会映射到网络功能虚拟化（NFV）的物理路径上。

2.1 网络可靠性和可用性

网络可靠性定义为系统在给定时间段内成功执行其预期功能的概率。如果网络在时间 $t_0$ 成功运行，那么网络可靠性就是在 0 到 $t_0$ 区间内没有发生故障的概率。源节点和目标节点之间成功通信的概率被定义为 k 终端可靠性，即网络中存在连接 $k$ 个节点的路径的概率。

k 终端可靠性可以用以下公式表示：
$R_{n_1,\cdots,n_k}^C(G, p) = \sum_{i = w_{n_1,\cdots,n_k}}^{\omega} T_{n_1,\cdots,n_k}^i(G)p^{\omega - i}(1 - p)^i$
其中，$\omega = |E(G)|$ 是图的大小，$T_{n_1,\cdots,n_k}^i(G)$ 表示连接节点 $n_1, \cdots, n_k$ 且具有 $i$ 条边的子图数量，$w_{n_1, \cdots, w_{n_k}}$ 是连接节点 $n_1, \cdots, n_k$ 的最小割集的大小。

也可以表示为：
$R_{n_1,\cdots,n_k}^C(G, p) = 1 - \sum_{i = \beta(G)}^{\omega} C_{n_1,\cdots,n_k}^i(G)p^i(1 - p)^{\omega - 1}$

假设网络处于稳态（$t \to \infty$），稳态可用性可以表示为：
$A = \frac{MTBF}{MTBF + MTTR}$
其中，$MTBF$ 是平均无故障时间，$MTTR$ 是平均修复时间。

如果网络中的链路在故障后可以修复，可以使用两阶段马尔可夫图。链路正常（$p_{up}$）或故障（$p_{down}$）时，稳态下的状态概率如下：
$p_{up} = \frac{\mu}{\mu + \lambda}$
$p_{down} = \frac{\lambda}{\mu + \lambda}$

网络可以表示为随机图 $G$，其中有 $k - 1$ 个不同的节点 $d_i \in D$，还有一个根节点 $r$。如果根节点 $r$ 与网络中的其他每个节点之间都存在一条正常运行的路径，则网络完全正常运行。此时，$k$ 个节点的可用性可以表示为 k 终端可用性：
$A_{r,d_1,\cdots,d_{k - 1}}^C(G, p_{down}) = 1 - \sum_{i = \beta(G)}^{\omega} C_{r,d_1,\cdots,d_{k - 1}}^i p_{down}^i(1 - p_{down})^{\omega - i}$
其中，$C_{r,d_1,\cdots,d_{k - 1}}^i(G, p_{down})$ 表示基数为 $i$ 的边割集的数量。

2.2 处理成本

5G 系统中的总处理成本由资源成本 $\theta(r)$、物理节点成本 $\theta(w)$ 和通信成本 $\theta(c)$ 组成：
$\Theta(r, w, c) = \theta(r) + \theta(w) + \theta(c)$

资源成本 $\theta(r)$ 计算公式为：
$\theta(r) = \sum_{s \in S} \sum_{v \in V} \sum_{w \in F} (cost_{vCPU}^{sf} + cost_{vmem}^{sf} + cost_{vsto}^{sf})X_{v}^{sf}$
其中，$cost_{vCPU}^{sf}$ 是物理节点 $v$ 中 VNF $f$ 使用的 CPU 成本，$cost_{vmem}^{sf}$ 是物理节点 $v$ 中 VNF $f$ 使用的内存成本，$cost_{vsto}^{sf}$ 是物理节点 $v$ 中 VNF $f$ 使用的外部内存成本。二进制变量 $X_{v}^{sf}$ 表示如果字符串 $s$ 中的 VNF $f$ 放置在物理节点 $v$ 中，则 $X_{v}^{sf} = 1$，否则 $X_{v}^{sf} = 0$。

物理节点成本 $\theta(w)$ 与节点使用的电力成本相关，计算公式为：
$\theta(w) = \sum_{v \in V} (p_{max}^v + (p_{max}^v - p_{min}^v) \frac{1}{cap_{v}^{CPU}} \sum_{f \in F} d_{v}^{CPU,f}X_{v}^{f}) \cdot Z_{v}$
其中，$p_{min}^v$ 和 $p_{max}^v$ 分别是节点 $v$ 能耗的最小值和最大值，$cap_{v}^{CPU}$ 是节点 $v$ 的平均 CPU 处理速度，$d_{v}^{CPU,f}$ 是节点 $v$ 中属于 VNF $f$ 所需的 CPU 服务时间。二进制变量 $Z_{v}$ 表示如果物理节点 $v$ 处于活动状态，则 $Z_{v} = 1$，否则 $Z_{v} = 0$。

通信成本 $\theta(c)$ 是虚拟链路部署所在物理路径的带宽成本之和，计算公式为：
$\theta(c) = \sum_{s \in S} \sum_{v \in V} \sum_{m \in M} (cost_{eband}^{sm} \cdot Q_{e}^{sm})$
其中，$cost_{eband}^{sm}$ 是虚拟链路 $m$ 使用的物理路径的带宽成本。二进制变量 $Q_{e}^{sm}$ 表示如果链 $s$ 分布在物理链路 $e$ 上，则 $Q_{e}^{sm} = 1$，否则 $Q_{e}^{sm} = 0$。

3. 服务功能链映射的启发式算法

无论 5G 网络的物理拓扑如何，该算法确保在请求共享时，网络的所有元素都可用。它考虑了网络中各个元素（包括链路和节点）的冗余性，还处理具有数据时间约束和数据速率要求的数据服务请求。

算法的伪代码如下：

Algorithm 1 Algorithm for SFC mapping
1: procedure Radio resource alocation
2: Require: Rcon, Dcon, Θcon;
3:  [buffer] ← ∅;
4:  for ∀f ∈ VNF do
5:      sort paths(f);
6:      put bufor[sorted paths];
7:  end for
8:  for ∀s ∈ S do
9:      for ∀f ∈ VNF do
10:         compute Rf, Af and Θ(r, w, c) for k - terminal
11:         while (Rf > Rcon ∧ Af > Acon ∧ Θ(r, w, c) < Θcon) do
12:             compute end to end delayf
13:             if end to end delayf < Dcon then
14:                 map s in buffer(sorted paths)
15:             else
16:                 find redundant path(s )
17:             end if
18:             map s and s in buffer(sorted paths)
19:         end while
20:      end for
21:  end for
22: end procedure

该算法的目的是在给定的物理拓扑中为 5G 网络提供现有根节点和树叶子节点之间的最短路径。考虑时间约束，部分路径满足可靠性和处理成本的要求。每个 VNF 的可用性在 [0.9, 0.98] 范围内随机分布，使用 k 终端可靠性和处理成本的值。当缺少满足要求的路径时，检查各个元素的冗余可能性，通过元素的冗余性找到满足期望参数的路径，并将这些路径映射到 SFC 请求数据。

4. 仿真结果

假设物理 5G 网络具有由三个节点组成的两层架构，每个网络节点都有一个容量为 2000 单位的数据中心。网络中有两种类型的流量：URLLC 和 eMBB。URLLC 流量要求可靠且低延迟的无线传输，允许延迟为 1 毫秒；eMBB 流量为物联网提供非常高的传输能力。每个数据中心提供六到八个虚拟网络功能，模型中允许的数据包错误率为 $10^{-3}$。

该模型假设网络中只有 4 个 VNF 可以处理服务链请求，每个 VNF 需要两种资源（功率容量和内存大小），每个虚拟链路以相等的概率需要 200、300、400 Gb/s 的带宽。VNF 处理延迟选择为 60 - 120 μs。

使用专门编写的仿真程序对提出的算法进行性能评估：
- 传输服务可靠性与接纳率 $\rho$ 的关系 ：接纳率是具有所需可靠性的接受传输请求数与所有传输请求数的商。结果表明，该算法可以显著提高传输的可靠性。
- 传输服务可靠性与链路故障概率的关系 ：使用冗余路径时，两种流量类别的数据流可靠性都有所提高。
- 可用性与备用 VNF 平均数量的关系 ：对于相同的接纳率 $\rho = 0.95$，eMBB 流量比 URLLC 流量需要更多的备用 VNF。
- 处理成本与 eMBB 流量 VNF 备份平均数量的关系 ：随着 VNF 备份数量的增加，处理成本增加，在高数据速率时尤为明显。

5. 结论

本文提出了一种用于 5G 软件网络中 SFC 链映射的启发式算法，该算法考虑了网络的可靠性、可用性以及处理成本。通过仿真测试了该算法的有效性，发现通过包含冗余 VNF 可以显著提高 eMBB 流量速率。该算法有助于更好地管理虚拟化 5G 网络中的 SFC 链。

软件化 5G 网络中服务功能链映射的启发式方法

算法优势总结

该启发式算法在 5G 软件网络 SFC 链映射中具有显著优势，我们可以通过以下表格进行总结：
|优势|具体说明|
| ---- | ---- |
|资源利用高效|考虑了网络元素的冗余性，不同客户端的多个 SFC 可共享资源，提高了资源利用率，降低了资源计算和传输成本。|
|满足多方面要求|能处理具有数据时间约束、数据速率要求的数据服务请求，同时考虑了可靠性、可用性和处理成本等多方面因素。|
|提高传输可靠性|仿真结果表明，该算法可显著提高传输的可靠性，使用冗余路径还能进一步增强数据流的可靠性。|
|灵活适应网络|无论 5G 网络的物理拓扑如何，算法都能确保网络元素在共享请求时可用，适应性强。|

算法流程可视化

为了更直观地理解算法的执行过程，我们可以使用 mermaid 格式的流程图来展示：

graph TD;
    A[开始] --> B[初始化缓冲区];
    B --> C[对每个 VNF 排序路径并放入缓冲区];
    C --> D[遍历每个服务链 s];
    D --> E[遍历每个 VNF f];
    E --> F[计算 k - 终端的 Rf, Af 和 Θ(r, w, c)];
    F --> G{是否满足条件 Rf > Rcon ∧ Af > Acon ∧ Θ(r, w, c) < Θcon};
    G -- 是 --> H[计算端到端延迟 end to end delayf];
    H --> I{end to end delayf < Dcon};
    I -- 是 --> J[将 s 映射到缓冲区的排序路径];
    I -- 否 --> K[查找冗余路径];
    J --> L[将 s 和冗余路径映射到缓冲区的排序路径];
    K --> L;
    L --> M{是否遍历完所有 VNF};
    M -- 否 --> E;
    M -- 是 --> N{是否遍历完所有服务链};
    N -- 否 --> D;
    N -- 是 --> O[结束];
    G -- 否 --> E;

实际应用场景分析

该算法在实际的 5G 网络中有广泛的应用场景，下面为你详细分析：
- 工业物联网 ：在工业生产环境中，大量的设备需要进行实时数据传输和处理。URLLC 流量可以确保关键设备之间的通信具有极低的延迟和极高的可靠性，而 eMBB 流量则可以满足大量设备的数据上传和下载需求。该算法可以根据不同设备的需求，合理地映射 SFC 链，提高网络资源的利用效率，保障工业生产的稳定运行。
- 智能交通系统 ：智能交通系统涉及到车辆与车辆、车辆与基础设施之间的大量通信。例如，自动驾驶车辆需要实时获取周围环境信息，这就对通信的可靠性和延迟提出了极高的要求。该算法可以优化 SFC 链的映射，确保自动驾驶车辆能够及时、准确地获取所需信息，提高交通安全性和效率。
- 远程医疗 ：远程医疗需要实时传输患者的医疗数据，如心电图、影像等，对数据传输的可靠性和带宽要求较高。同时，医生与患者之间的实时沟通也需要低延迟的通信支持。该算法可以根据医疗应用的特点，合理分配网络资源，保障远程医疗服务的质量。

未来发展展望

随着 5G 技术的不断发展和应用场景的不断拓展，该算法也有进一步优化和发展的空间：
- 与新兴技术融合 ：可以将该算法与人工智能、机器学习等新兴技术相结合，通过对网络数据的实时分析和学习，动态调整 SFC 链的映射策略，进一步提高网络的性能和资源利用率。
- 支持更多应用场景 ：随着新的 5G 应用不断涌现，如虚拟现实、增强现实等，算法需要进一步优化以满足这些应用对网络的特殊要求，如更高的带宽、更低的延迟等。
- 跨网络协同 ：未来的 5G 网络可能会与其他网络（如卫星网络、Wi-Fi 网络等）进行协同工作。该算法可以进一步扩展，实现跨网络的 SFC 链映射，提高整个网络生态系统的性能。

总之，该启发式算法为 5G 软件网络中 SFC 链的映射提供了一种有效的解决方案，在当前的 5G 网络应用中具有重要的价值，并且在未来也有着广阔的发展前景。通过不断的优化和改进，它将能够更好地满足日益增长的 5G 应用需求，推动 5G 技术的广泛应用和发展。