IoT-MEC網絡中服務功能鏈主動重構方法

摘 要：在移動邊緣計算的物聯網（Ｍｏｂｉｌｅ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇｅｎａｂｌｅｄ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ Ｎｅｔｗｏｒｋｓ，ＩｏＴ-ＭＥＣ） 中，物聯終端的高移動性、服務請求的隨機到達性以及網絡流量的實時變化，導致原有應用場景下的資源配置與服務部署不再完全匹配。如何有效利用網絡提供的資源以實現服務功能鏈（Ｓｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ Ｃｈａｉｎ，ＳＦＣ） 的實時部署和重構是一個重要的挑戰。針對用戶的高移動性和網絡流量的實時變化造成的ＳＦＣ 性能需求和已分配資源不匹配的問題，提出ＩｏＴ-ＭＥＣ 網絡中基于用戶移動和資源需求預測的ＳＦＣ 重構策略。建立以ＳＦＣ 的端到端時延和重構成本最小化為目標的整數線性規劃模型；設計基于注意力機制的Ｅｎｃｏｄｅｒ-Ｄｅｃｏｄｅｒ 移動用戶軌跡預測模型和基于長短期記憶（Ｌｏｎｇ Ｓｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ） 網絡的虛擬網絡功能（Ｖｉｒｔｕａｌ Ｎｅｔｗｏｒｋ Ｆｕｎｃｔｉｏｎ，ＶＮＦ） 實例資源需求預測模型，分別準確預測用戶移動軌跡和節點負載；基于預測結果提出ＳＦＣ 主動重構（Ｐｒｅｄｉｃｔ-ｂａｓｅｄ ＳＦＣ Ａｃｔｉｖｅ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ，ＰＳＡＲ） 啟發式算法，確保在服務質量（Ｑｕａｌｉｔｙ ｏｆ Ｓｅｒｖｉｃｅ，ＱｏＳ） 下降之前，提前完成ＶＮＦ 遷移和路由更新，實現ＳＦＣ 的主動重構和無縫遷移，保證網絡的一致性高質量服務。仿真結果表明，所提算法有效降低了ＳＦＣ 端到端時延和重構成本。

關鍵詞：移動邊緣計算；物聯網；服務功能鏈；重構；注意力機制

中圖分類號：ＴＮ９２９． ５ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）０６－１５４３－１０

０ 引言

物聯網（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ，ＩｏＴ）設備的迅速普及造成ＩｏＴ 終端（如工業傳感器、智能攝像頭等）產生了越來越多異構的計算密集型和時延敏感型業務請求［１］。為了滿足這些請求流的安全性和時敏性等要求，互聯網服務提供商（Ｉｎｔｅｒｎｅｔ Ｓｅｒｖｉｃｅ Ｐｒｏｖｉｄｅｒ，ＩＳＰ）可利用移動邊緣計算（Ｍｏｂｉｌｅ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ，ＭＥＣ）技術［２］和網絡功能虛擬化（Ｎｅｔｗｏｒｋ ＦｕｎｃｔｉｏｎＶｉｒｔｕａｌｉｚａｔｉｏｎ，ＮＦＶ）技術，在網絡邊緣側部署由多個虛擬網絡功能（Ｖｉｒｔｕａｌ Ｎｅｔｗｏｒｋ Ｆｕｎｃｔｉｏｎ，ＶＮＦ）依序組成的服務功能鏈（Ｓｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ Ｃｈａｉｎ，ＳＦＣ）為請求流提供低時延且高質量的網絡服務［３］。然而，在支持移動邊緣計算的物聯網（ＭｏｂｉｌｅＥｄｇｅ Ｃｏｍｐｕｔｉｎｇ-ｅｎａｂｌｅｄ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ Ｎｅｔｗｏｒｋｓ，ＩｏＴ-ＭＥＣ）中，由于用戶的高移動性可能會造成用戶邊緣接入位置切換，從而導致之前已部署的ＳＦＣ 違反端到端時延約束［４］。同時，越來越多的ＩｏＴ 設備試圖隨時隨地訪問邊緣服務，會導致網絡流量實時變化［５］，可能造成已部署ＳＦＣ 對底層網絡的資源需求發生變化，從而超出部署節點的資源使用閾值。因此，為了減少網絡狀態變化對網絡服務質量（Ｑｕａｌｉｔｙ ｏｆ Ｓｅｒｖｉｃｅ，ＱｏＳ）的不利影響，確保為用戶提供一致性的高質量服務，ＩＳＰ 需要對部分已部署的ＳＦＣ 進行重構或無縫遷移。

目前，ＳＦＣ 重構的相關研究工作可按重構動機分為２ 類：被動重構［６－９］ 和主動重構［１０－１１］。文獻［６］研究了移動邊緣網絡中ＳＦＣ 的被動重構方案，以支持移動用戶跨基站移動時其業務的無縫遷移。該文獻假設用戶的移動軌跡是已知的，而實際中，移動用戶的移動軌跡具有一定的隨機性，用假設位置已知的方式進行業務遷移會造成部分業務遷移失敗。文獻［７］提出了一種在線惰性遷移自適應干擾感知算法，用于實時部署ＶＮＦ 和５Ｇ 網絡切片中的ＶＮＦ 遷移。文獻［８］引入了啟發式算法和基于強化學習的算法來解決ＮＦＶ 網絡中的ＳＦＣ 放置和遷移問題。但文獻［７－８］忽略了網絡流量的實時動態變化對服務器負載的影響，可能造成資源碎片化或資源浪費。文獻［９］以最小化所有受影響業務的端到端延遲并同時保證遷移后的網絡負載均衡為目標，確定ＶＮＦ 實例并發遷移的最優位置分配。但該文獻沒有考慮ＶＮＦ 的遷移成本以及遷移后重路由路徑的選擇。上述ＳＦＣ 重構機制都是基于網絡中的某個條件被觸發時進行的被動重構，該機制往往存在滯后性，可能導致服務中斷［１２］，且由于網絡狀態的迅速變化可能會頻繁觸發重構條件，導致ＳＦＣ頻繁地重構，造成網絡整體性能下降。

與被動重構策略不同，主動重構通過實時監控ＳＦＣ 性能，預測用戶移動軌跡和節點負載變化等情況，對當前已部署的ＳＦＣ 進行重構，不僅可以降低網絡狀態變化對ＱｏＳ 的影響，還可以實現ＳＦＣ 的無縫遷移。具體來講，文獻［１０］提出了一種基于節點計算負載和ＳＦＣ 資源需求預測的ＳＦＣ 主動重構機制，與被動重構相比，有一定的優勢，但其未考慮ＩｏＴ 終端用戶的高移動性對網絡狀態帶來的影響。文獻［１１］提出一種基于在線訓練的雙向門控循環單元算法預測ＶＮＦ 的資源需求，并基于資源預測結果采用分布式近端策略優化的遷移算法，提前制定ＶＮＦ 遷移策略。但該文獻僅依據單條ＳＦＣ 上ＶＮＦ的資源信息進行部署節點負載預測，沒有考慮現實環境中單個ＶＮＦ 實例通常是被多個ＳＦＣ 共享的情況［１３］，會造成節點負載預測不準確，從而影響ＳＦＣ的重構性能。

綜上所述，目前還沒有相關工作聯合考慮基于用戶移動軌跡和節點負載進行預測的方式，實現ＩｏＴ-ＭＥＣ 中ＳＦＣ 的主動重構和無縫遷移。在已有研究基礎上，設計了一個基于用戶移動和資源需求預測的ＳＦＣ 主動重構方案來解決ＩｏＴ-ＭＥＣ 網絡環境動態變化造成的已分配網絡資源和服務需求不匹配的問題，在網絡ＱｏＳ 下降之前，提前完成ＳＦＣ 的遷移和路由更新，為用戶提供一致性的高質量服務。具體內容為：① 定義ＩｏＴ-ＭＥＣ 網絡中的ＳＦＣ 主動重構問題，并將其刻畫為一個以端到端時延和重構成本最小化為目標的整數線性規劃（Ｉｎｔｅｇｅｒ Ｌｉｎｅａｒ Ｐｒｏ-ｇｒａｍｍｉｎｇ，ＩＬＰ）模型；② 設計基于注意力機制的移動用戶軌跡預測模型和一種基于長短期記憶（ＬｏｎｇＳｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）網絡的算法分別對用戶移動位置和節點負載進行預測，并基于預測結果提出ＳＦＣ 主動重構（Ｐｒｅｄｉｃｔ-ｂａｓｅｄ ＳＦＣ Ａｃｔｉｖｅ Ｒｅｃｏｎｆｉｇ-ｕｒａｔｉｏｎ，ＰＳＡＲ）算法；③ 將提出的ＰＳＡＲ 算法與現有算法進行性能對比，結果表明ＰＳＡＲ 能有效降低ＳＦＣ 端到端時延和重構成本。

１ 系統建模與問題定義

１． １ 物理網絡

將移動邊緣云網絡建模為一個無向圖Ｇ ＝ （Ｃ∪Ｂ，Ｌ），其中，Ｂ 表示基站，Ｃ 表示微云，Ｌ 表示物理鏈路。如圖１ 所示，ＩＳＰ 運行這些微云為用戶提供服務，時間間隔Ｔ 被分成許多大小相同的小周期間隔，稱為時隙。在每個時隙ｔ 的開始，ＩｏＴ 移動用戶都會通過基站接入邊緣云網絡，并向ＩＳＰ 發送服務請求，也就是說，每個基站作為ＭＥＣ 網絡中移動用戶的中繼點，位于網絡中的不同區域，只起到服務接入和轉發的作用，微云和基站處于同一位置。

微云上的資源類型一般有ＣＰＵ、內存和存儲，假設每個微云上的存儲資源是充足的，而ＣＰＵ 資源和內存資源有限，對ＭＥＣ 網絡中的每個微云ｃ∈Ｃ，其ＣＰＵ 資源容量為Ｃｃ，內存資源容量為Ｍｃ，計算資源利用率的范圍為μ⌒ｃ ≤μｃ ≤μ⌒ｃ，內存資源利用率的范圍為μ⌒ｍ ≤μｍ ≤μ⌒ｍ 。連接基站ｕ 和基站ｖ 之間的物理鏈路上的帶寬容量為Ｂｕｖ?；竞臀⒃浦g是高速鏈路，不考慮它們之間的時延。

１． ２ ＳＦＣ 模型

用Ｒ 表示ＩｏＴ-ＭＥＣ 網絡中所有請求流的集合。如圖１ 所示，將移動用戶發出的請求流建模為ＳＦＣ，并將其轉化為有向圖Ｇｉ ＝ （Ｆｉ，Ｌｉ），其中，Ｆｉ 表示ＩｏＴ請求流ｉ 所需的ＶＮＦ 的集合，對任意的ＶＮＦ ｍ∈Ｆｉ，其所需的計算資源為ｆｃｐｕｉ，ｍ ，所需的內存資源為ｆｍｅｍｉ，ｍ 。Ｌｉ 表示ＳＦＣ ｉ 上的虛擬鏈路的集合。ＩｏＴ 網請求流ｉ的最大可容忍端到端時延為Ｒｄｅｌａｙｉ ，帶寬資源需求為Ｒｂｗｉ ，用于ＳＦＣ 無縫遷移的最大可容忍時延為Ｔｉ。

按照一定的時間間隔獲取連續的一段時間內的移動用戶的歷史軌跡信息，歷史軌跡由地理坐標點的空間信息和到達該區域的時間信息組成，表示為Ｘ ＝ （ｌ１ ，ｌ２ ，…，ｌＴｏｂｓ），其中Ｔｏｂｓ 表示觀測序列的長度，ｌｔ ＝ （ｌｎｇｔ，ｌａｔｔ）表示在ｔ 時刻的軌跡點，ｌｎｇｔ 和ｌａｔｔ 分別表示ｔ 時刻移動用戶所處位置的經度坐標和緯度坐標。通常，移動終端的時空活動軌跡與基站之間存在大量的誤差和噪聲數據，要想得到有效的移動終端歷史軌跡數據，必須將這些誤差和噪聲數據消除。為了處理由于用戶在某些地點的長時間停留產生的大量重復數據，對軌跡序列中相鄰的且在同一位置的數據，進行合并，僅保留第一次出現的重復數據。由于移動用戶位于２ 個基站的覆蓋范圍重合處時，會導致移動終端信令在２ 個基站之間來回快速切換產生乒乓現象，采取直接刪除的方式對乒乓數據進行過濾處理。

為了得到細粒度的預測結果，采用位置信息網格化法對去除噪聲后的軌跡數據進行網格化預處理。具體來說，將移動邊緣云網絡進行網格化，每一格是一個半徑為ｒ 米的正六邊形蜂窩網絡。記錄第ｊ 個網格的中心經緯度坐標ｇｊｌｎｇ，ｇｊｌａｔ。軌跡序列中每一個軌跡點所映射的網格編號的計算為：

網格化處理后軌跡點中的ｌｔ 映射到的網格編號為ｆｔ，然后使用獨熱編碼將網格編號轉換為網格索引號ｉｄｘｔ。進而可以得到以網格索引號表示的移動用戶軌跡序列Ｘ ＝ （ｉｄｘ１ ，ｉｄｘ２ ，…，ｉｄｘＴｏｂｓ）。

２． １． ２ 基于注意力機制的編解碼器預測模型

由于Ｅｎｃｏｄｅｒ-Ｄｅｃｏｄｅｒ 模型可以將特征提取和預測兩部分解耦，因此其天然具有序列預測能力，提出一種基于Ｅｎｃｏｄｅｒ-Ｄｅｃｏｄｅｒ 的移動用戶軌跡預測模型，如圖２ 所示。主要由３ 個網絡結構組成：由雙向ＬＳＴＭ（Ｂｉｄｉｒｅｃｔｉｏｎａｌ ＬＳＴＭ，Ｂｉ-ＬＳＴＭ）網絡構成的編碼器用以提取歷史軌跡中的隱含時序特征、由ＬＳＴＭ 網絡和全連接層組成的解碼器和注意力層（Ａｔｔｅｎｔｉｏｎ Ｌａｙｅｒ）。

考慮到移動用戶軌跡數據具有時間序列數據的特點，且時間序列預測數據的結果會受到未來數據的影響，因此，選擇Ｂｉ-ＬＳＴＭ 作為編碼器。Ｂｉ-ＬＳＴＭ神經網絡結構模型包含了２ 個獨立的ＬＳＴＭ，輸入序列分別以正序和逆序輸入至２ 個ＬＳＴＭ 神經網絡進行特征提取得到２ 個輸出向量，Ｂｉ-ＬＳＴＭ 的輸出將由這２ 個輸出向量共同決定。

由于移動用戶的軌跡序列中每個時刻的軌跡點的重要程度是不同的，而Ｂｉ-ＬＳＴＭ 對這些輸入的長時間軌跡序列沒有區分。故將上面輸出的最終的隱藏層變量輸入至注意力層，使得注意力層對隱藏層向量賦予不同的權重大小進行加權求和，權重為不同時間點上提取到的特征的重要程度，權重越大代表特征的貢獻程度更大，使用獲取到的權重值與隱藏層輸出加權求和得到新的隱藏層的輸出特征值，即上下文向量Ｃｉ。

解碼器第一層的ＬＳＴＭ 接收上一時間的預測結果、上一時間的隱藏狀態和上下文向量生成該時刻的隱藏狀態向量，然后查看上下文向量和當前時隙的隱藏狀態向量生成當前時隙的預測輸出值。在模型中，全連接神經網絡處理編碼器端ＬＳＴＭ 隱層的輸出。在全連接神經網絡的輸出層使用ｓｏｆｔｍａｘ 函數，輸出移動用戶停留在每一個網格的概率，取概率最大的索引對應的網格作為移動用戶在下一時刻最可能出現的位置。

使用反向傳播訓練預測模型，對網絡參數進行迭代更新，交叉熵損失函數為：

式中：ｙＴｏｂｓ＋ｉ，ｊ 表示在Ｔｏｂｓ ＋ｉ 時隙的真實的位置標簽，ｙ′Ｔｏｂｓ＋ｉ，ｊ 表示模型認為在時隙Ｔｏｂｓ ＋ｉ 處于網格ｊ 的概率。

２． ２ 節點負載預測模型

在預測ＶＮＦ 實例資源需求時，要同時考慮時間和空間信息，不能僅依據單個ＶＮＦ 的歷史數據去預測，而是要同時考慮ＳＦＣ 中其他ＶＮＦ 的特征信息來實現較為準確的資源需求預測。由于ＶＮＦ 是可以被多條ＳＦＣ 共享的，因此還需考慮當前ＳＦＣ 和其他ＳＦＣ 中的其他ＶＮＦ 資源使用信息來作為訓練數據。這是因為，ＶＮＦ 會接收來自其他ＶＮＦ 的流量，當目標ＶＮＦ 的前２ 個ＶＮＦ 資源不充足時，可能會產生垃圾流量或與目標ＶＮＦ 中斷連接，使用其他ＶＮＦ的資源使用數據做訓練數據可以大大提高預測精度。

當ｘ ＝ ｃｐｕ 時，表示ＶＮＦ ｍ 的ＣＰＵ 計算資源使用歷史數據；當ｘ ＝ ｍｅｍ 時，表示ＶＮＦ ｍ 的內存資源使用歷史數據。對不同類型的資源訓練不同的模型以完成資源需求預測。ＶＮＦ ｍ 的資源使用歷史數據為：

ｒｍ，ｘ ＝ ｛ｒ１ｍ，ｘ ，ｒ２ｍ，ｘ ，…，ｒｔｍ，ｘ ｝， （２０）

式中：ｒｔｍ，ｘ 表示ｔ 時隙ＶＮＦ ｍ 的ＣＰＵ 或內存資源使用歷史數據。

如圖３ 所示，ＶＮＦ 實例資源需求預測模型由ＬＳＴＭ、注意力機制和全連接層組成。首先，將與目標ＶＮＦ 相關的ＶＮＦ 的資源使用歷史信息ｒｉ 輸入至ＬＳＴＭ 網絡；然后，因每個ＶＮＦ 的資源使用歷史信息對目標ＶＮＦ 的資源需求預測影響程度不同，將ＬＳＴＭ 學習到的信息輸入至注意力機制，以對每個ＶＮＦ 分配不同的權重；最后，由訓練好的多層神經網絡得到下一時刻的ＶＮＦ 資源需求。

２． ３ 服務功能鏈重構算法

本節將詳細說明當ＶＮＦ 對底層物理網絡資源需求超出節點的資源使用范圍，或由于用戶移動導致端到端時延約束被違反時，如何確定待遷入邊緣服務器，及當ＶＮＦ 完成遷移后，如何實現重路由路徑的選擇。ＳＦＣ 重構觸發算法實現流程如算法１ 所示。

算法１ 的觸發條件為用戶移動導致ＳＦＣ 端到端時延約束被違反或ＶＮＦ 實例資源需求超出節點負載范圍，第２ 行中，集合Ｎｉ 中存儲ＳＦＣ ｉ 中的過載節點。在第３ ～ ８ 行，預測ＳＦＣ ｉ 中的每一個ＶＮＦ 的資源需求，根據預測結果計算物理節點ＣＰＵ 資源利用率和內存資源利用率，如果大于資源利用率上限或小于資源利用率下限，則將其添加至ＳＦＣ ｉ 的過載節點集合Ｎｉ。在第９ ～ １２ 行將由于ＶＮＦ 資源需求超出節點資源利用率范圍觸發ＳＦＣ 重構的ＳＦＣ 添加至Ｓ１ ，并添加Ｎｉ 至Ｎ。第１４ ～ １６ 行，將違反端到端時延約束的請求流添加至Ｓ１ 和Ｓ２ ，那么僅違反端到端時延約束但節點未過載的ＳＦＣ 集合為Ｓ２ ，僅ＶＮＦ 實例資源需求超出節點資源利用率范圍但端到端時延要求滿足的ＳＦＣ 存儲在Ｓ１ 和Ｓ２ 的差集中。當得到需要重構的ＳＦＣ 時，要確定待遷移ＶＮＦ 以及待遷入的邊緣服務器以實現無縫遷移，ＶＮＦ 遷移算法如算法２所示。

第３ ～ １４ 行對僅由端到端時延不滿足觸發重構的ＳＦＣ 完成ＶＮＦ 的遷移，一條ＳＦＣ 中遷移ＶＮＦ 的順序按照其節點上的資源利用率大小排序，即節點負載最高的其上的ＶＮＦ 最先遷出。第６ ～ ７ 行在滿足資源約束、無縫遷移和端到端時延的候選節點集中選擇遷移成本和端到端時延最小的節點作為待遷入節點，調用算法３ 獲得重路由路徑。第１５ ～ ２０ 行將ＳＦＣ 中所有ＶＮＦ 實例資源需求超出節點負載范圍的ＶＮＦ 從過載節點上遷出。

由于ＳＦＣ 的遷移實際上可以看作是待遷移ＶＮＦ 上未完成處理的數據的遷移。在給出遷移的源邊緣節點和目標邊緣節點后，可以使用多條路由路徑同時遷移數據包，以高效地傳輸業務數據。算法３ 詳細說明了重路由路徑的選擇，其中，第５ 行為獲取最短路徑ｐ 上的所有鏈路的最小帶寬值。

３ 性能評估

３． １ 仿真設置

３． １． １ 數據集

選擇微軟亞洲研究院提供的一個公開的數據集ＧｅｏＬｉｆｅ［１５］訓練移動用戶軌跡預測模型，本文只使用了來自北京的軌跡，選取其中２ ０００ ｍ × ２ ０００ ｍ 的郊區，?。玻罚?條用戶的軌跡記錄，對每一條軌跡記錄，只使用其經度、緯度和時間戳信息。軌跡采樣時間間隔為３０ ｓ。隨機選擇８０％ 的數據作為訓練集，剩下２０％ 的數據作為測試集，軌跡預測模型準確度達到了９５％ 。另外在真實的數據集Ｍａｔｅｒｎａ Ｔｒａｃｅｓ（ＢｉｔＢｒａｉｎ）［１６］上評估負載預測模型，該數據集收集了分布式云數據中心３ 個月內的１ ７５０ 個虛擬機數據，數據包含虛擬機的１２ 個特征指標，包括ＣＰＵ 利用率、內存利用率等。同樣隨機選擇８０％ 的數據作為訓練集，剩下２０％ 的數據作為測試集，利用負載預測模型，預測準確度達到９６％ 。

３． １． ２ 網絡拓撲與ＳＦＣ

構造一個由１５０ 個邊緣服務器組成的ＭＥＣ 系統。

正六邊形蜂窩網絡的半徑為２００ ｍ，單個邊緣服務器的ＣＰＵ 容量設置為２０ ～２５ ＧＨｚ，內存容量為３０ ～ ４０ ＧＢ，每條鏈路的帶寬容量設置為５００ ～ １ ０００ Ｍｂ ／ ｓ，傳輸成本設置為１０ ～ ３０，μ⌒ｃ 和μ⌒ｍ 設為０． ２，μ⌒ｃ 和μ⌒ｍ 設為０． ８［１７］。

每條ＳＦＣ 由３ ～ ６ 個ＶＮＦ 組成，最大可容忍端到端延遲設為５０ ～ １００ ｍｓ，無縫遷移的延遲閾值為１５ ｍｓ，帶寬資源需求設為２０ ～ １２０ Ｍｂ ／ ｓ。每個ＶＮＦ 的ＣＰＵ 資源需求為１ ～ ３ ＧＨｚ，內存資源需求為２ ～ ４ ＧＢ。

３． １． ３ 對比算法

① 基于動態規劃的ＳＦＣ 遷移（Ｄｙｎａｍｉｃ Ｐｒｏｇｒａｍ-ｍｉｎｇ ｂａｓｅｄ ＳＦＣ Ｍｉｇｒａｔｉｏｎ，ＤＰＳＭ）算法［６］：ＤＰＳＭ 算法中，當用戶跨基站移動導致延遲不滿足時觸發基于動態規劃的遷移，但其假設用戶的移動軌跡是已知的；

② 強化動態規劃Ｑ 學習算法（Ｄｅｅｐ ＤｙｎａｍｉｃＰｒｏｇｒａｍｍｉｎｇ-Ｑ，ＤＤＱ）［１７］：ＤＤＱ 基于圖神經網絡（Ｇｒａｐｈ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＧＮＮ）預測ＶＮＦ 實例的資源需求，然后利用ＤｙｎａＱ 算法完成ＳＦＣ 重構；

③ 基于禁忌搜索重構的模糊Ｃ 均值算法（ＴａｂｕＳｅａｒｃｈ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ ｂａｓｅｄ Ｆｕｚｚｙ Ｃ-Ｍｅａｎｓ，ＴＳＲＦＣＭ）［１８］：ＴＳＲＦＣＭ 在原有禁忌算法基礎上引入模糊Ｃ 均值算法得到最優的ＳＦＣ 重構策略；

④ 最優調度算法（Ｏｐｔｉｍａｌ Ｓｃｈｅｄｕｌｉｎｇ Ａｌｇｏｒｉｔｈｍ，ＯＳＡ）［１９］：ＯＳＡ 在最優停止時間重新調度ＶＮＦ 的放置。

３． ２ 仿真結果分析

圖４ 展示了所述ＰＳＡＲ 算法與對比算法在ＳＦＣ數量變化時的平均ＳＦＣ 時延。由圖可知，ＰＳＡＲ 和其他對比算法的平均時延都隨著ＳＦＣ 數量的增加而增大。盡管ＤＰＳＭ 將用戶的移動性納入考慮，但其假設用戶的移動軌跡是已知的，無法處理用戶動態變化的情況，故其平均時延高于ＰＳＡＲ，但低于其他３ 種算法。ＤＤＱ 和ＴＳＲＦＣＭ 算法的時延性能差于ＯＳＡ，因為這２ 個算法未考慮優化ＳＦＣ 時延。

圖５ 比較了不同算法在ＳＦＣ 數量變化時的重構成本?？梢钥闯鲋貥嫵杀九cＳＦＣ 數量成正比。原因是ＳＦＣ 數量越大，由于用戶高移動性導致延遲約束不滿足的概率越高，節點出現資源過載的可能性也越大，容易觸發ＳＦＣ 重構，被需要遷移的ＶＮＦ影響的ＳＦＣ 數量也就越多，從而導致重構成本越來越高。此外，本文提出的ＰＳＡＲ 算法基于用戶移動性和ＶＮＦ 資源需求預測進行ＳＦＣ 遷移，因此，重構成本最低。ＤＤＱ 采用ＧＮＮ 預測ＶＮＦ 資源需求，可以確保ＶＮＦ 實例提前遷移到資源可用性較高的節點，故ＤＤＱ 的遷移成本低于其他３ 個對比算法。

圖６ 比較了不同重構算法在ＳＦＣ 數量變化時的邊緣服務器各維度資源平均利用率。已激活邊緣服務器各維度資源利用率均值，為所有已激活服務器上內存和ＣＰＵ 資源利用率的加權和與已激活服務器的數量之比。可以看出當ＳＦＣ 數量較少時，ＰＳＡＲ 與其他幾個對比算法的邊緣服務器資源利用率差距較小?？傮w來看，ＰＳＡＲ 的物理節點資源利用率最高，因為其通過節點負載預測和移動用戶軌跡預測可以為未來流量有效保留資源，對負載較低和較高的服務器都將觸發ＳＦＣ 重構機制，從而提高資源利用率。

圖７ 顯示了在ＳＦＣ 數量為５０ 時，ＰＳＡＲ 與僅基于節點負載預測的重構算法（ＤＤＱ）和僅基于用戶移動性預測的重構算法（Ｍｏｂｉｌｉｔｙ Ｂａｓｅｄ Ｐｒｅｄｉｃｔ ＳＦＣ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ，ＭＰＳＲ）的遷移次數做對比。ＰＳＡＲ根據用戶移動軌跡預測和ＶＮＦ 實例資源需求預測的結果來預估下一時刻的ＱｏＳ，進而判斷是否啟動重構機制，故遷移次數較少。雖然ＤＤＱ 的遷移觸發條件為節點負載超出范圍或違反延遲約束，但其未預測用戶在下一時隙的位置，容易造成頻繁遷移。

圖８ 顯示了加權系數對ＰＳＡＲ 算法的平均時延和重構成本的影響。當α 值越大時，ＰＳＡＲ 算法越注重平均ＳＦＣ 時延，因此，由圖可知平均ＳＦＣ 時延隨著α 的增大而減少，重構成本隨著α 的增大而增大。

４ 結束語

本文在一個由用戶高移動性和網絡流量實時變化導致的動態復雜的ＩｏＴ-ＭＥＣ 場景中，研究ＳＦＣ 的主動重構策略。首先以最小化端到端時延和重構成本為目標，對ＩｏＴ-ＭＥＣ 網絡中的ＳＦＣ 重構問題進行定義，并將其刻畫為ＩＬＰ 模型。其次，利用基于注意力機制的編解碼器模型預測用戶的移動軌跡。然后，在ＶＮＦ 可被多條ＳＦＣ 共享的場景下設計了一種ＶＮＦ 實例資源需求預測模型。最后，根據２ 個預測模型得到的預測結果預估下一時隙用戶的ＱｏＳ，并提出一種啟發式算法ＰＳＡＲ 實現ＳＦＣ 的主動重構。仿真結果表明所提算法在端到端時延和重構成本方面，比現有算法具有更好的性能，為考慮用戶高移動性和節點負載變化的動態場景下的ＳＦＣ 主動重構提供了有價值的參考。

參考文獻

［１］ ＸＵ Ｚ Ｃ，ＬＩＡＮＧ Ｗ Ｆ，ＪＩＡ Ｍ Ｋ，ｅｔ ａｌ． Ｔａｓｋ Ｏｆｆｌｏａｄｉｎｇｗｉｔｈ Ｎｅｔｗｏｒｋ Ｆｕｎｃｔｉｏｎ Ｒｅｑｕｉｒｅｍｅｎｔｓ ｉｎ ａ Ｍｏｂｉｌｅ Ｅｄｇｅｃｌｏｕｄ Ｎｅｔｗｏｒｋ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｏｂｉｌｅ Ｃｏｍｐｕｔｉｎｇ，２０１８，１８（１１）：２６７２－２６８５．

［２］ ＬＩＵ Ｈ，ＥＬＤＡＲＲＡＴ Ｆ，ＡＬＱＡＨＴＡＮＩ Ｈ，ｅｔ ａｌ． Ｍｏｂｉｌｅ ＥｄｇｅＣｌｏｕｄ Ｓｙｓｔｅｍ：Ａｒｃｈｉｔｅｃｔｕｒｅｓ，Ｃｈａｌｌｅｎｇｅｓ，ａｎｄ Ａｐｐｒｏａｃｈｅｓ［Ｊ］． ＩＥＥＥ Ｓｙｓｔｅｍｓ Ｊｏｕｒｎａｌ，２０１８，１２（３）：２４９５－２５０８．

［３］ ＢＨＡＭＡＲＥ Ｄ，ＪＡＩＮ Ｒ，ＳＡＭＡＫＡ Ｍ，ｅｔ ａｌ． Ａ Ｓｕｒｖｅｙ ｏｎＳｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ Ｃｈａｉｎｉｎｇ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｎｅｔｗｏｒｋ ａｎｄＣｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ，２０１６，７５：１３８－１５５．

［４］ ＣＡＯ Ｋ，ＸＵ Ｇ，ＺＨＯＵ Ｊ Ｌ，ｅｔ ａｌ． ＱｏＳａｄａｐｔｉｖｅ ＡｐｐｒｏｘｉｍａｔｅＲｅａｌｔｉｍｅ Ｃｏｍｐｕｔａｔｉｏｎ ｆｏｒ Ｍｏｂｉｌｉｔｙａｗａｒｅ ＩｏＴ Ｌｉｆｅｔｉｍｅ Ｏｐｔｉｍｉｚａｔｉｏｎ ［Ｊ ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＣｏｍｐｕｔｅｒＡｉｄｅｄＤｅｓｉｇｎ ｏｆ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔｓ ａｎｄ Ｓｙｓｔｅｍｓ，２０１８，３８（１０）：１７９９－１８１０．

［５］ ＨＡＩＢＥＨ Ｌ Ａ，ＹＡＧＯＵＢ Ｍ Ｃ Ｅ，ＪＡＲＲＡＹ Ａ． Ａ Ｓｕｒｖｅｙ ｏｎＭｏｂｉｌｅ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ Ｉｎｆｒａｓｔｒｕｃｔｕｒｅ：Ｄｅｓｉｇｎ，ＲｅｓｏｕｒｃｅＭａｎａｇｅｍｅｎｔ，ａｎｄ Ｏｐｔｉｍｉｚａｔｉｏｎ Ａｐｐｒｏａｃｈｅｓ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２２，１０：２７５９１－２７６１０．

［６］ ＬＩ Ｂ Ｙ，ＣＨＥＮＧ Ｂ，ＣＨＥＮ Ｊ Ｌ． Ａｎ Ｅｆｆｉｃｉｅｎｔ Ａｌｇｏｒｉｔｈｍ ｆｏｒＳｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ Ｃｈａｉｎｓ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ ｉｎ Ｍｏｂｉｌｅ ＥｄｇｅＣｌｏｕｄ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０２１ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅｓ． Ｃｈｉｃａｇｏ：ＩＥＥＥ，２０２１：４２６－４３５．

［７］ ＺＨＡＮＧ Ｑ Ｘ，ＬＩＵ Ｆ Ｍ，ＺＥＮＧ Ｃ Ｂ． Ｏｎｌｉｎｅ Ａｄａｐｔｉｖｅ Ｉｎｔｅｒｆｅｒｅｎｃｅａｗａｒｅ ＶＮＦ Ｄｅｐｌｏｙｍｅｎｔ ａｎｄ Ｍｉｇｒａｔｉｏｎ ｆｏｒ ５ＧＮｅｔｗｏｒｋ Ｓｌｉｃｅ［Ｊ］． ＩＥＥＥ／ ＡＣＭ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｔｗｏｒｋｉｎｇ，２０２１，２９（５）：２１１５－２１２８．

［８］ ＰＨＡＭ Ｔ Ｍ． Ｏｐｔｉｍｉｚｉｎｇ Ｓｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ Ｃｈａｉｎｉｎｇ Ｍｉｇｒａｔｉｏｎ ｗｉｔｈ Ｅｘｐｌｉｃｉｔ Ｄｙｎａｍｉｃ Ｐａｔｈ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２２，１０：１６９９２－１７００２．

［９］ ＬＩ Ｂ Ｙ，ＣＨＥＮＧ Ｂ，ＬＩＵ Ｘ，ｅｔ ａｌ． Ｊｏｉｎｔ Ｒｅｓｏｕｒｃｅ Ｏｐｔｉｍｉｚａｔｉｏｎ ａｎｄ Ｄｅｌａｙａｗａｒｅ Ｖｉｒｔｕａｌ Ｎｅｔｗｏｒｋ Ｆｕｎｃｔｉｏｎ Ｍｉｇｒａｔｉｏｎ ｉｎＤａｔａ Ｃｅｎｔｅｒ Ｎｅｔｗｏｒｋｓ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｔｗｏｒｋａｎｄ Ｓｅｒｖｉｃｅ Ｍａｎａｇｅｍｅｎｔ，２０２１，１８（３）：２９６０－２９７４．

［１０］ ＣＡＩ Ｊ，ＱＩＡＮ Ｋ Ｌ，ＬＵＯ Ｊ Ｚ，ｅｔ ａｌ． ＳＡＲＭ：ＳｅｒｖｉｃｅＦｕｎｃｔｉｏｎ Ｃｈａｉｎ Ａｃｔｉｖｅ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ Ｍｅｃｈａｎｉｓｍ Ｂａｓｅｄｏｎ Ｌｏａｄ ａｎｄ Ｄｅｍａｎｄ Ｐｒｅｄｉｃｔｉｏｎ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ，２０２２，３７（９）：６３８８－６４１４．

［１１］ 唐倫，吳婷，周鑫隆，等． 一種基于聯邦學習資源需求預測的虛擬網絡功能遷移算法［Ｊ］． 電子與信息學報，２０２２，４４（１０）：１－１０．

［１２］ ＷＥＩ Ｆ Ｓ，ＱＩＮ Ｓ，ＦＥＮＧ Ｇ，ｅｔ ａｌ． Ｈｙｂｒｉｄ ＭｏｄｅｌｄａｔａＤｒｉｖｅｎ Ｎｅｔｗｏｒｋ Ｓｌｉｃｅ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ ｂｙ Ｅｘｐｌｏｉｔｉｎｇ Ｐｒｅｄｉｃｔｉｏｎ Ｉｎｔｅｒｖａｌ ａｎｄ Ｒｏｂｕｓｔ Ｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｔｗｏｒｋ ａｎｄ Ｓｅｒｖｉｃｅ Ｍａｎａｇｅｍｅｎｔ，２０２２，１９（２）：１４２６－１４４１．

［１３］ ＣＨＯ Ｙ Ｙ，ＪＡＮＧ Ｓ Ｋ，ＬＥＥ Ｊ Ｗ，ｅｔ ａｌ． ＤｅｅｐＳｐａｔｉｏｔｅｍｐｏｒａｌ Ｃｏｒｒｅｌａｔｉｏｎ Ｎｅｔｗｏｒｋ Ｍｏｄｅｌ ｆｏｒ Ｌｏａｄ Ｐｒｅｄｉｃｔｉｏｎ ｉｎ Ｓｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ Ｃｈａｉｎｉｎｇ ［Ｊ ］． ＩＥＥＥＮｅｔｗｏｒｋｉｎｇ Ｌｅｔｔｅｒｓ，２０２１，３（３）：１５２－１５５．

［１４］ ＬＩＵ Ｊ Ｊ，ＬＵ Ｗ，ＺＨＯＵ Ｆ，ｅｔ ａｌ． Ｏｎ Ｄｙｎａｍｉｃ Ｓｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ Ｃｈａｉｎ Ｄｅｐｌｏｙｍｅｎｔ ａｎｄ Ｒｅａｄｊｕｓｔｍｅｎｔ ［Ｊ ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｔｗｏｒｋ ａｎｄ Ｓｅｒｖｉｃｅ Ｍａｎａｇｅｍｅｎｔ，２０１７，１４（３）：５４３－５５３．

［１５］ ＬＩＵ Ｙ Ｑ，ＳＯＯＮ Ｓ Ｈ． Ｐｏｉｎｔｓ ｏｆ Ｉｎｔｅｒｅｓｔ Ｒｅｃｏｍｍｅｎｄａｔｉｏｎｆｒｏｍ ＧＰＳ Ｔｒａｊｅｃｔｏｒｉｅｓ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏｇｒａｐｈｉｃａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ，２０１５，２９（６）：９５３－９７９．

［１６］ Ｍａｔｅｒｎａ Ｄａｔａｓｅｔ ［ＥＢ ／ ＯＬ］． ［２０２３ － ０９ － １５ ］． ｈｔｔｐ：∥ｇｗａ． ｅｗｉ． ｔｕｄｅｌｆｔ． ｎｌ ／ ｄａｔａｓｅｔｓ ／ ｇｗａｔ１２ｂｉｔｂｒａｉｎｓ．［１７］ ＬＩＵ Ｙ Ｃ，ＬＵ Ｙ，ＬＩ Ｘ，ｅｔ ａｌ． Ｏｎ Ｄｙｎａｍｉｃ Ｓｅｒｖｉｃｅ ＦｕｎｃｔｉｏｎＣｈａｉｎ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ ｉｎ ＩｏＴ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｉｎｔｅｒｎｅｔｏｆ Ｔｈｉｎｇｓ Ｊｏｕｒｎａｌ，２０２０，７（１１）：１０９６９－１０９８４．

［１８］ ＬＩＵ Ｙ Ｃ，ＬＵ Ｈ，ＬＩ Ｘ，ｅｔ ａｌ． Ａｎ Ａｐｐｒｏａｃｈ ｆｏｒ ＳｅｒｖｉｃｅＦｕｎｃｔｉｏｎ Ｃｈａｉｎ Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ ｉｎ Ｎｅｔｗｏｒｋ Ｆｕｎｃｔｉｏｎ Ｖｉｒｔｕａｌｉｚａｔｉｏｎ Ａｒｃｈｉｔｅｃｔｕｒｅｓ ［Ｊ ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０１９，７：１４７２２４－１４７２３７．

［１９］ ＣＺＩＶＡ Ｒ，ＡＮＡＧＮＯＳＴＯＰＯＵＬＯＳ Ｃ，ＰＥＺＡＲＯＳ Ｄ Ｐ． Ｄｙｎａｍｉｃ，Ｌａｔｅｎｃｙｏｐｔｉｍａｌ ＶＮＦ Ｐｌａｃｅｍｅｎｔ ａｔ ｔｈｅ ＮｅｔｗｏｒｋＥｄｇｅ［Ｃ］∥ ＩＥＥＥ ＩＮＦＯＣＯＭ ２０１８ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎＣｏｍｐｕｔｅｒ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ． Ｈｏｎｏｌｕｌｕ：ＩＥＥＥ，２０１８：６９３－７０１．

作者簡介

王 寧 女，（１９８７—），碩士，副教授。主要研究方向：網絡安全、人工智能。

（*通信作者）杜婭榮 女，（１９９８—），碩士，助理研究員。主要研究方向：網絡功能虛擬化、邊緣智能計算。

劉 亮 男，（１９７９—），博士，副教授。主要研究方向：端邊云協同計算、網絡安全。

基金項目：重慶市教育科學“十四五”規劃２０２３ 年度重點課題（Ｋ２３ＹＤ２０６００９１）