基于虛擬化技術的5G核心網資源配置算法

姜洪超

（中國移動通信集團河北有限公司，河北 石家莊 050035）

0 引言

5G 核心網資源分配其實就是將各種虛擬的服務功能鏈SFC 解耦成多個虛擬網絡功能VNF 后，將其映射到滿足物理條件的虛擬化的基礎設備上，通過對虛擬網絡功能的編排和調度，實現物理資源的最佳配置，以提高網絡系統的負載均衡和網絡資源的利用率[1]。虛擬化技術增強了網絡的靈活性和可擴展性，通過設計不同的資源分配方案有效滿足5G 服務差異化需求，在很大程度上提升網絡資源的利用率，因此得到很多學者的青睞。相關的研究包括：Kamel 等人[2]基于公平理論選擇切片資源，并將切片中具有最佳信道響應的物理資源分配給用戶；Caballero 等人[3]基于共享約束比例分配機制，以用戶共享級別為準則分配資源量，并通過用戶自身分配影響其他用戶的分配比例，從而使得自身分配達到最大化；Hu 等人[4]采用輪詢的方法將資源分配給切片，結合業務中所需要目標速率和切片的平均速率來調節切片的資源數量；Jiang 等人[5]提出一種基于拍賣博弈的切片資源分配方法，將無線帶寬、計算資源和存儲資源作為切片分配的影響因素，以用戶需求作為價格計算，最后采用競爭的方式實現資源分配。

上述學者大多數采用線性規劃、非線性規劃或者博弈的方式構建資源分配模型，實現單目標資源分配的優化，很少采用多目標的方法進行切片資源分配。除此之外，上述的算法很少考慮到策略的落地，也就是在用戶提出資源請求的過程中，采用貪婪的方式來獲得最優解是不現實的。鑒于此，本文提出一種基于虛擬化技術的5G 核心網資源分配算法，該方法對系統負載均衡和系統利用率兩個目標進行折中優化；根據業務需求約束項（節點的可靠性和節點之間鏈路可靠性）篩選候選服務器集；然后采用改進粒子群算法快速實現服務器資源的映射，實現全局學習的最優。

1 基于虛擬化技術的5G核心網資源分配方案

1.1 網絡環境描述

在5G 核心網中，利用NFV（網絡功能虛擬化）技術將網絡功能實現軟硬件解耦，用戶的業務請求將會抽象成多個NFVs，然后基于抽象出來的NFVs 與底層的服務器進行映射，最終實現資源的分配?；诜栈W絡架構的核心網資源映射過程如圖1 所示。

基于SDN 和NFV 服務網絡架構有效應對每個場景對于時延、可靠性和功耗的需求，對網絡資功能進行構建、組合和調整，從而定制不同的網絡切片。而虛擬網絡功能（VNFs,Virtual Network Features）和物理層網絡資源都包含在切片中，然后結合用戶需求定制不同虛擬功能組合，并調用相關的接口申請底層物理網絡資源實現虛擬網絡功能的實例化和編排，最終形成服務功能鏈的部署。圖1 展現了網絡功能的實例化和編排后，實現服務功能鏈的部署過程。每一個切片請求對應一條服務功能鏈，7個VNF 組成某一條服務功能鏈，然后將功能鏈中所對應的VNF 實例化到低層物理網絡資源中，在滿足用戶QoS需求下，實現資源配置的高效部署。

圖1 基于服務化網絡架構的核心網資源映射過程

1.2 虛擬網絡功能部署思路

虛擬網絡功能部署一般分為兩個階段：VNF 部署和鏈路映射。在VNF 部署階段主要對收集的SFC 按照一定的原則（業務優先級別、時延、速率等）進行排序并將其部署到底層物理服務器節點中；在鏈路映射階段是實現VNF 與底層服務器的鏈路映射。本文僅對VNF 部署過程進行詳細解釋。

VNF 部署階段不僅將VNF 部署到底層服務服務節點上，還需要選擇合適的調度策略，以便提高網絡資源利用率。SCF 多目標優化調度策略通常采用Max-Min 和Min-Min 算法將資源需求部署到對應等級的節點上，本文把負載不均衡度和系統利用率考慮在內，在最小化負載不均衡度的基礎上最大化系統利用率。在資源部署前，本文將節點可靠性和鏈路可靠性納入到候選服務器節點選取的考慮因素，如此，在用戶服務請求時結合用戶QoS 需求快速篩選滿足節點可靠性和鏈路可靠性的服務器節點，縮小系統服務器的選擇范圍，增加虛擬網絡功能映射成功的可能性。為了快速實現調度策略的選取，提出一種基于改進離散粒子群的底層物理資源選取策略，通過迭代快速搜索全局最優解，提升算法的收斂性。流程如圖2 所示。

圖2 流程圖

1.3 資源配置的目標

假設5G核心網中服務器的集合為A。A={pmi|0 ≤i≤n}，其中i表示5G 核心網中可用服務器的數量。服務器的資源（CPU、內存、帶寬等）集合為B。B={pmir|0 ≤r≤m}，其中r表示服務器資源的種類。

由于5G 網絡時動態變化的，假設當前時刻已經被分配的資源為總的資源總量為那么服務器i在資源r上的平均利用率為：

那么整個系統的資源平均利用率可表示為：

基于物理服務器的資源平均利用率，找出整個系統的負載不均衡度μ為：

那么，雙目標優化適應度公式可以表示為：

其中μ為系統的負載不均衡度，該問題是一個NP-Hard問題，需要對負載均衡和利用率之間進行均衡。為了降低計算復雜度，本文將基于虛擬網絡功能QoS 的最低要求選取滿足需求的服務器候選集，然后，在獲取候選服務器集的基礎上采用改進離散粒子群實現底層物理資源的快速搜索。

1.4 基于節點和鏈路可用性的候選服務器選取

假設服務器的可用性其實就是衡量服務器的剩余資源平均可用性。已知服務器i在資源r上的平均利用率為那么在資源r的平均可用性表示為

鏈路可用性可用鏈路失效率表示。由于鏈路的時效性滿足指數分布，也就是節點i到達下一個物理節點j的傳輸時間tij內，鏈路的失效率可用表示為：

多個虛擬網絡功能的最低資源需求可以簡化為節點可靠性和鏈路可靠性。為了獲取可用的候選服務器集合，結合節點可靠性和鏈路可靠性需求遍歷系統中所有的服務器節點，篩選滿足最低資源要求的服務器節點。篩選的規則可表示為：

公式(8) 的第一部分是指服務器某一種資源的可用性大于虛擬網絡功能對某一種資源的最低需求。這里的資源一般包含CPU、內存以及帶寬。通過對CPU、內存以及帶寬進行一一比較，篩選出滿足要求的服務器節點；第二部分是指5G 核心網內連接服務器之間的鏈路可用性要大于虛擬網絡功能之間數據傳輸最低需求，如此才能保證選取服務器節點在處理完數據之后，順利地傳到下一個服務器節點中。

1.5 基于改進離散粒子群算法的核心網資源搜索

基于上一步獲得了候選服務器集合，采用改進離散粒子群算法結合用戶業務需求來實現資源配置方案的搜索。

改進離散粒子群算法不僅需要加快粒子搜索的速度，還要避免粒子陷入局部優化。因此，通過對自我學習因子和全局學習因子進行改進，隨著算法的搜索的推進，自我學習因子逐漸變大，全局學習因子逐漸變小，如此，在搜索初期不僅能夠提升粒子的全局搜索能力，避免算法早熟過早收斂的問題，也能在搜索后期提高算法的收斂能力，提升搜索速度。本文將改進離散粒子群算法運用到核心資源搜索中。

假設現在有一個用戶請求，系統該用戶請求抽象出來D個虛擬網絡功能，那么，我們將D個虛擬網絡功能最終搜索方案用粒子i的位置xi=(xi1,xi2,…,xiD) 來表示。其中，xiD表示第D個VFN 放置在編號為xiD的服務器中。vi=(vi1,vi2,…,viD) 代表粒子速度。那么該問題就可以歸結為離散二進制粒子群算法，粒子的更新速度表示為：

其中c1表示一個自我學習因子，取值在0～1 之間，通常取常數；c2表示一個全局學習因子，取值在0～1 之間，通常取常數；w是一個慣性系數，c1、c2、w通常設置為常數。在粒子搜索初期，粒子由于缺乏與其他粒子交互的信息，自我學習因子越大越好，全局學習因子越小越好，如此才能使粒子盡量發散到搜索空間，增加全局搜索的能力，避免算法早熟收斂問題。隨著迭代次數的增加，粒子之間的交互信息越來越充分，全局學習因子越大越好，自我學習因子越小越好，如此更好地引導粒子進行局部優化搜索，提高算法的收斂能力?；谏鲜龅南敕?，本文采用始終時間衰減系數的思想來修正自我學習因子和全局學習因子。

其中n表示總的迭代次數，t表示算法的迭代次數，cmax是學習因子上限值，cmin是學習因子下限值。公式(10) 考慮學習因子的自適應問題，滿足算法迭代過程中學習因子的自我調整，形成初期依賴自我學習的經驗，后期依賴全局學習的經驗的自適應學習規則，避免算法陷入局部優化的局面。

由于位置是一個離散變量，那么采用sigmoid 函數將速度進行轉換，將其映射到0～1 之間。

式(12) 表示粒子對位置所對應取值0/1 的可行解。

基于上述改進離散粒子算法，以公式(4)即適應度公式的最大值作為全局最優解，基于當前最大的迭代次數找到一組可行解xi=(xi1,xi2,…,xiD)滿足最大利用率和最小負載不均衡率，實現虛擬網絡功能到服務器節點的映射。

2 實驗分析

本文仿真平臺是基于16 個服務器節點搭建的服務器集群，每個服務器的CPU 頻率為3.6 GHz，內存為128 G，硬盤大小為2 T?；谔摂M化技術的5G 核心網資源配置算法的性能仿真參照文獻[6]-[9]，利用Matlab 工具驗證算法的性能，相關的仿真參數如表1 所示。

表1 核心網資源配置仿真實驗的參數設置

仿真時間一共持續6 周，其中粒子群參數學習周期為500 周期，測試周期為200 周期。較長的學習時間能夠更好地調整參數，包括學習因子的上限值、學習因子的下限值以及時間衰減系數。在學習期間，通過不斷更新參數得到一個最佳的參數值，在測試階段則采用確定的參數值和樣本值來驗證算法的擴展性。圖3 顯示當γ=0.6 時，在學習周期和測試周期內樣本fmax(Uavg,u) 的真實值和改進離散粒子群擬合值之間的關系。如圖3 所示，周期迭代到500 次以后測試階段的樣本真實值與適應函數值基本重合。

從圖3 可知，樣本的適應性函數經過多次迭代，在490 次迭代之后達到穩定，適應性函數值收斂到0.889。在后面的近200 次測試中，適應性函數值一直保持穩定的狀態，算法收斂。

圖3 學習周期和測試周期適應性函數值與樣本真實值比較

為了驗證本文算法的可用性，本文將隨機資源分配算法與本文算法在不同服務功能鏈內存資源總量的分配條件下服務用戶數量的區別。

圖4 是服務功能鏈內存資源總量在4G、8G、12G、16G、20G、24G 時的用戶服務數量比較。隨著服務功能鏈內存資源總量的增加，服務用戶數量差距逐漸增加。這是因為隨著資源分配量的增加，本文算法在設備資源分配上選取了全局最優的方法，能夠有效協同服務器設備之間的資源，因此比隨機資源分配算法的方案更加合理。

圖4 不同服務功能鏈內存資源總量的分配條件下服務用戶數量比較

3 結束語

本文研究如何在服務質量和負載均衡前提下，有效提升資源利用率的問題，提出了以負載不均衡度最小和系統利用率最大為核心網資源分配算法的目標，通過改進離散粒子群算法實現虛擬網絡功能到服務器節點的快速映射，以適應實時動態變化的服務器負載和用戶服務多變的功能需求。實驗表明，在服務功能鏈內存資源總量較大的情況下，該方法能夠有效增加服務用戶的數量，提高系統性能。