基于SDN/NFV的星地融合網絡切片

賀曉赫 侯繢玲 梁旭文

【摘 ?要】

低軌衛星通信與地面5G的融合是大勢所趨，網絡切片技術針對星地融合網絡中多種多樣的應用服務可以端到端地分配不同的計算資源和帶寬，提高網絡靈活性和擴展性，應用前景廣闊。針對融合網絡切片面臨的的主要問題進行探討，包括衛星地面段虛擬化、虛擬網絡嵌入、業務功能鏈和融合網絡切片等，提出了一些解決方案，并對基于SDN/NFV的星地融合網絡切片發展趨勢和前景做出展望。

【關鍵詞】SDN;NFV;星地融合;網絡切片

0 ? 引言

隨著全球互聯網服務的延伸，以及第五代移動通信系統（5G）的逐步商業化應用，低軌衛星通信與地面5G的融合具有極為廣闊的應用前景，也引發了學術界和工業界廣泛的研究興趣[1-7]。融合網絡存在各種各樣的應用場景，包括增強型移動寬帶（eMBB， enhanced Mobile Broadband）、海量機器類通信（mMTC， massive Machine Type Communications）、超可靠超低延遲通信（URLLC， Ultra-Reliable Low-Latency Communication）等，不同的應用場景對應著不同的服務質量（QoS， Quality of Service）需求，如何有效為各種不同的業務提供不同的服務是一個具有挑戰性課題。

5G網絡中的網絡切片技術允許共享同一基礎設施的運營者為切片配置網絡以及定義具體功能，每一個網絡切片都是一個端到端的網絡服務，包含網絡通信所需要的所有元素，只是對于不同的應用場景，有著不同的網絡帶寬和節點運算處理能力，并且可以根據運營者的策略靈活地動態創造以及撤銷切片。

將網絡切片技術應用到星地融合網絡切片可以在通用設備上構建出相互獨立的虛擬邏輯網絡，為多種不同的業務提供定制網絡功能，滿足用戶的服務質量需求，提高網絡的資源擴展性和組網的靈活性。對于時延要求比較高的應用采用地面5G網絡，廣播的應用信號可以通過衛星來傳播，極大地提高網絡資源的利用率。近年來，學術界和工業界也對此進行了廣泛的研究[8-13]。星地融合網絡切片由物理網絡和為不同應用提供不同服務的虛擬網絡組成，如圖1所示[8]。

本文首先介紹星地融合和網絡切片的發展現狀，然后從實現的角度，分析融合網絡切片關鍵技術和面臨的挑戰，并探索可能的解決方案。最后，對星地融合網絡的發展趨勢作出展望。

1 ? 發展現狀

星地融合切片的廣闊應用前景近年來吸引了學術界和工業界的廣泛關注，大量科研工作者對相關問題進行了廣泛的研究，取得了不少進展。

1.1 ?星地融合發展現狀

長久以來，衛星網絡和地面網絡都是獨立發展的，技術上也是各不相同。衛星網絡具有廣闊的覆蓋面，可為大規模的廣播通信提供巨大的支持，但是由于相對地面距離比較高，傳播時延相對較長，以及有限的帶寬和星上處理能力極大地限制了其使用價值。隨著星上處理能力的不斷提高，衛星網絡處理能力得到大步提升，可與地面網絡相輔相承，為各種應用提供服務。

對于星地融合方法，當前有兩種不同的融合思路：第一種是將衛星網絡吸收到5G框架之中，將其作為地面5G網絡的補充;第二種衛星通信網絡獨立發展，只在一些特殊衛星問題借鑒吸收地面移動技術。相對于第二種實現方式，第一種思路有更高的靈活性和易擴展性。

基于SDN（Software Defined Network）和NFV（Network Functions Virtualization）技術的融合方法可以滿足網絡融合的高靈活性和易擴展性，是當前的研究主流方向。

3GPP（The 3rd Generation Partnership Project）、ETSI（European Telecommunications Standards Institute）和ITU（The International Telecommunication Union Telecommunication Standardization Sector）對基于SDN/NFV的星地融合進行了大量前期的理論驗證研究[14-18]。提出了多種不同的星地融合應用場景、融合框架和接入方式等，為5G與衛星的融合發展鋪平了道路。

5G-PPP（The 5G Public Private Partnership，5G公私聯盟協會）[19]，SaT5G[20]（Satellite and Terrestrial Network for 5G）聯盟，以及SATis5[21] 項目等主要從基礎設施的解決方案、架構、技術及標準等進行研究。建立了端到端的星地融合網絡概念驗證平臺，加快了星地融合網絡的落地。

1.2 ?星地融合網絡切片發展現狀

網絡切片最早提出是5G移動通信網絡中的一個關鍵技術，是5G網絡架構的重要特征之一。與衛星通信相結合的融合網絡切片技術將切片技術運用到星地融合網絡中，可以擴展5G網絡切片的應用范圍，提高整體網絡性能。

文獻[22]中提出了一種可擴展的星地融合網絡切片框架“SATELLITE SLICE AS A SERVICE”，利用衛星設施與地面5G構建無縫隙的融合網絡。框架中，衛星子網既可以作為獨立的網絡切片對應用進行服務，也可以與地面5G向結合共同提供更為全面的支持。

文獻[23]則針對融合網絡切片中的資源配置問題進行研究。通過將資源消耗和服務需求等建模成優化問題，在滿足特定網絡需求（如端到端時延）的情況下最小化網絡的資源消耗，可以提供靈活的服務鏈，滿足各種各樣的服務需求。

此外，也有很多項目研究基于機器學習和深度學習的高效可擴展的自動星地融合網絡切片算法，加速高維度網絡圖的流管理，自動管理動態的在線網絡流等。

星地融合網絡切片示意圖如圖1所示：

2 ? 星地融合網絡切片面臨的挑戰

星地融合網絡切片在帶來很多機遇的同時，也面臨著許多新的挑戰。融合網絡切片的實現主要基于衛星地面段虛擬化、VNE（Virtual Network Embedding，虛擬網絡嵌入）、SFC（Service Function Chaining，業務功能鏈）等。

衛星通信系統由空間段、地面段和用戶段組成。地面段包括衛星地面關口站、地面衛星控制中心、跟蹤、遙測和指令站。關口站是衛星系統與地面公眾網的接口，地面用戶可通過關口站出入衛星系統形成鏈路。地面段是衛星網絡的管理段，完成衛星網絡與地面網絡的連通，分配資源并計費。

衛星地面段的虛擬化主要是將衛星地面段的設備如網關、衛星控制中心和跟蹤、測控及指令站等的功能進行虛擬化，將他們的功能在一般設備而非特定設備上實現，類似于虛擬機的概念。不同的設備上運行相同的虛擬機，實現相同的功能。衛星地面段虛擬化過程如圖2所示，衛星信號首先通過接收機模數轉換，然后通過網絡協議傳到云服務器，將功能進行虛擬化。

虛擬網絡嵌入要解決的是虛擬網絡函數到物理網絡之間的映射問題，如圖3所示。虛擬網絡節點需要的運算能力和虛擬網絡鏈接需要的帶寬需求通過一定的函數映射到物理網絡設備，如何建立滿足虛擬網絡需求并且適合的映射是一個重要的研究問題。

業務功能鏈根據應用需求，將不同的虛擬網絡函數塊進行鏈接，構建成一個完整的功能鏈路，如圖4所示。虛擬網絡中的流量和請求隨時間不斷波動，需要根據動態的虛擬網絡環境用算法去不斷優化，平衡虛擬函數鏈接的穩定性和有效性。并且，對于一些對于時延要求比較高的應用，需要根據虛擬網絡環境的預測提前進行資源的預分配。

衛星地面段虛擬化、虛擬網絡嵌入業務功能鏈等共同為融合網絡切片奠定了基礎。

3 ? 發展趨勢及改進方案

本節分別從虛擬網絡嵌入、業務功能鏈、融合網絡切片等幾個方面介紹當前的發展趨勢和一些參考的改進方法。

3.1 ?虛擬網絡嵌入

虛擬網絡嵌入主要研究如何有效地將物理資源分配給虛擬網絡，即將虛擬網絡嵌入到物理網絡中。主要分為兩個部分：一是虛擬節點嵌入，二是虛擬鏈路嵌入。嵌入性能的評價標準主要有虛擬網絡請求接受率，設備服務商收益和運動時間等。傳統的嵌入算法主要是根據節點CPU資源來進行嵌入虛擬節點，然而這卻忽視了節點周圍鏈路資源，從而影響了虛擬鏈路嵌入的成功率。當執行虛擬鏈路嵌入時，一般將物理鏈路權值設為定值，這會造成部分鏈路資源快速被耗盡，從而將開始拒絕虛擬網絡嵌入。

隨著機器學習和深度學習的發展，智能化的虛擬網絡嵌入方法方興未艾[24-28]。最新基于圖神經網絡和深度強化學習的虛擬網絡嵌入算法取得了不錯的進展[24]。但是，圖卷積網絡是一種全圖的學習方法，學習參數與圖的結構有很大關系，只能適用于相似結構的網路中，泛化性能比較差。并且，圖卷積網絡特征表示采用拉普拉斯矩陣進行表示，不容易實現給不同的相鄰節點分配不同的學習權重。可以運用圖注意力網絡逐頂點對圖進行運算（node-wise），學習參數僅與頂點特征相關，與圖結構沒有關系，可以提高學習參數對于結構差異比較大的網絡的泛化性能，推理能力也得到提升，為動態的網絡處理提供強有力的支持。并且，圖注意力網絡引入圖注意力機制，通過注意力系數對相鄰節點進行加權處理，可以對載有重要信息的節點分配更大的系數，提高信噪比。

3.2 ?業務功能鏈

業務功能鏈是一個有序的業務功能的集合，其基于分類和策略對網絡上的IP數據包、鏈路幀或者數據流進行一系列的業務處理。虛擬網絡中，一個應用需要多個虛擬節點的運算和多個鏈路的帶寬，需要將他們進行用合適的算法進行鏈接，提供端到端的服務。并且，根據網絡中的動態流量以及以往的模型，對未來一段時間內的資源進行預分配，提高網絡性能和處理效率。現有智能化方法[29-32]中還是基于圖卷積網絡對圖進行建模，擁有跟虛擬網絡嵌入問題相同的問題。可以考慮運用注意力機制，提高其對網絡動態的感知，優化相鄰節點的權重系數。

3.3 ?融合網絡切片

融合網絡存在各種各樣的應用場景，用戶接入網絡之前需要對切片類型進行區分。處理融合網絡切片問題的現行方法中基本用一些基本的機器學習方法進行少量分類，性能遠遠不夠。而且協議中，切片分類0～127為標準切片類別的取值范圍（當前協議只是用了三個值），128～255屬于運營商自定義范圍，總體類別遠遠大于現在的類別，需要更加細的分辨率。

此外，切片的管理更是一個復雜的工程問題，需要根據當前的需求，進行切片創建、銷毀和隔離。可以參考運用深度強化學習[33-34]的方法進行動態管理。

4 ? 結束語

綜上所述，星地融合的廣泛應用是不可阻擋的發展潮流。在融合網絡中，切片技術可以為不同的應用場景提供不同的網絡和計算資源，具有極大的靈活性和可擴展性。但是，星地融合網絡切片的實現面臨著很多新的挑戰，衛星地面段虛擬化、虛擬網絡嵌入、業務功能鏈以及融合網絡切片的管理等都還有很多問題需要學術界和工業界共同努力進行深入的研究。

參考文獻：

[1] Ordonez-Lucena J， Ameigeiras P， Lopez D， et al. Network slicing for 5G with SDN/NFV： Concepts， architectures， and challenges[J]. IEEECommunications Magazine， 2017，55（5）： 80-87.

[2] WANG P， ZHANG J， ZHANG X， et al. Convergence of Satellite and Terrestrial Networks： A Comprehensive Survey[J]. IEEE Access， 2019（8）： 5550-5588.

[3] YOU X H， WANG C X， HUANG J， et al. Towards 6G wireless communication networks： Vision， enabling technologies， and new paradigm shifts[J]. Sci China Inf Sci， for review， 2020.

[4] Guidotti A， Vanelli-Coralli A， Conti M， et al. Architectures and key technical challenges for 5G systems incorporating satellites[J]. IEEE Transactions on Vehicular Technology， 2019，68（3）： 2624-2639.

[5] Kodheli O， Guidotti A， Vanelli-Coralli A. Integration of Satellites in 5G through LEO Constellations[C]//GLOBECOM 2017-2017 IEEE Global Communications Conference. IEEE， 2017： 1-6.

[6] Khalili H， Khodashenas P S， Fernandez C， et al. Benefits and challenges of software defined satellite-5G communication[C]//2019 15th Annual Conference on Wireless On-demand Network Systems and Services （WONS）. IEEE， 2019： 1-4.

[7] Boero L， Bruschi R， Davoli F， et al. Satellite networking integration in the 5G ecosystem： Research trends and open challenges[J]. Ieee Network， 2018，32（5）： 9-15.

[8] Ordonez-Lucena J， Ameigeiras P， Lopez D， et al. Network slicing for 5G with SDN/NFV： Concepts， architectures， and challenges[J]. IEEE Communications Magazine， 2017，55（5）： 80-87.

[9] Ahmed T， Alleg A， Ferrus R， et al. On-demand network slicing using sdn/nfv-enabled satellite ground segment systems[C]//2018 4th IEEE Conference on Network Softwarization and Workshops （NetSoft）. IEEE， 2018： 242-246.

[10] C S Z， W J Y， H H， et al. Space Edge Cloud Enabling Network Slicing for 5G Satellite Network[C]//2019 15th International Wireless Communications & Mobile Computing Conference （IWCMC）. IEEE， 2019： 787-792.

[11] Bisio I， Lavagetto F， Verardo G， et al. Network Slicing Optimization for Integrated 5G-Satellite Networks[C]//2019 IEEE Global Communications Conference （GLOBECOM）. IEEE， 2019： 1-6.

[12] Drif Y， Chaput E， Lavinal E， et al. An Extensible Network Slicing Framework for Satellite Integration into 5G[J]. arXiv preprint arXiv： 2002.05037， 2020.

[13] ? SHEN X X， GAO J， WU W， et al. AI-assisted network-slicing based next-generation wireless networks[J]. IEEE Open Journal of Vehicular Technology， 2020（1）： 45-66.

[14] ?3GPP. 3GPP TR38.821： Solutions for NR to support Non-Terrestrial Networks （NTN）[S]. 2020.

[15] ? 3GPP. 3GPP TR22.822： Study on using Satellite Access in 5G[S]. 2018.

[16] ? 3GPP. 3GPP TR23.737： Study on architecture aspects for using satellite access in 5G[S]. 2019.

[17] ?3GPP. 3GPP TR28.808， Study on management and orchestration aspects of integrated satellite components in a 5G network[S]. 2020.

[18] ? ITU-R. ITU-R M.2460.0： Key elements for the integrated systems into Next Generation Access Technologies[R]. ?2020.

[19] 5G-PPP. The 5G Infrastructure Public Private Partnership[EB/OL]. [2020-08-07]. https：//5g-ppp.eu/.

[20] ?Sat5G. Satellite and Terrestrial Network for 5G[EB/OL]. [2020-08-07]. https：//www.sat5g-project.eu/public-deliverables/.

[21] ? SATis5. Demonstrator for Satellite-Terrestrial Integration in the 5G Context[EB/OL]. [2020-08-07]. https：//satis5.eurescom.eu/.

[22] ? Drif Y， Chaput E， Lavinal E， et al. An Extensible Network Slicing Framework for Satellite Integration into 5G[J]. arXiv preprint arXiv： 2002.05037， 2020.

[23] ? Ahmed T， Alleg A， Ferrus R， et al. On-demand network slicing using sdn/nfv-enabled satellite ground segment systems[C]//2018 4th IEEE Conference on Network Softwarization and Workshops （NetSoft）. IEEE， 2018： 242-246.

[24] ? Yan Z， Ge J， Wu Y， et al. Automatic Virtual Network Embedding： A Deep Reinforcement Learning Approach with Graph Convolutional Networks[J]. IEEE Journal on Selected Areas in Communications， 2020，38（6）： 1040-1057.

[25] ? ?Dolati M， Hassanpour S B， Ghaderi M， et al. DeepViNE： Virtual network embedding with deep reinforcement learning[C]//IEEE INFOCOM 2019-IEEE Conference on Computer Communications Workshops （INFOCOM WKSHPS）. IEEE， 2019： 879-885.

[26] ?Quang P T A， Hadjadj-Aoul Y， Outtagarts A. A deep reinforcement learning approach for VNF Forwarding Graph Embedding[J]. IEEE Transactions on Network and Service Management， 2019，16（4）： 1318-1331.

[27] ?Yao H， Chen X， Li M， et al. A novel reinforcement learning algorithm for virtual network embedding[J]. Neurocomputing， 2018（284）： 1-9.

[28] ? Blenk A， Kalmbach P， Zerwas J， et al. NeuroViNE： A neural preprocessor for your virtual network embedding algorithm[C]//IEEE INFOCOM 2018-IEEE Conference on Computer Communications. IEEE， 2018： 405-413.

[29] ? Mijumbi R， Hasija S， Davy S， et al. Topology-aware prediction of virtual network function resource requirements[J]. IEEE Transactions on Network and Service Management， 2017，14（1）： 106-120.

[30] ?Jalodia N， Henna S， Davy A. Deep Reinforcement Learning for Topology-Aware VNF Resource Prediction in NFV Environments[C]//2019 IEEE Conference on Network Function Virtualization and Software Defined Networks （NFV-SDN）. IEEE， 2019： 1-5.

[31] ? Kim H G， Jeong S Y， Lee D Y， et al. A Deep Learning Approach to VNF Resource Prediction using Correlation between VNFs[C]//2019 IEEE Conference on Network Softwarization （NetSoft）. IEEE， 2019： 444-449.

[32] ?Wang H， Wu Y， Min G， et al. Data-driven dynamic resource scheduling for network slicing： A deep reinforcement learning approach[J]. Information Sciences， 2019（498）： 106-116.

[33] ? Li R， Zhao Z， Sun Q， et al. Deep reinforcement learning for resource management in network slicing[J]. IEEE Access， 2018（6）： 74429-74441.

[34] ? Thantharate A， Paropkari R， Walunj V， et al. Deepslice： A deep learning approach towards an efficient and reliable network slicing in 5G networks[C]//2019 IEEE 10th Annual Ubiquitous Computing， Electronics & Mobile Communication Conference （UEMCON）. IEEE， 2019： 0762-0767.