面向云边协同物联网场景的SFC映射仿真系统的设计与实现

这是一篇关于物联网,网络功能虚拟化,服务质量,服务功能链,网络仿真的论文, 主要内容为近些年来,随着物联网技术的快速发展,物联网业务的规模正在不断扩增,业务的服务需求也愈发复杂和多样化。将新兴的网络功能虚拟化与云计算、边缘计算相结合,构建一种云边协同的物联网架构,可以灵活的利用云和边缘的资源,为物联网业务以服务链的形式提供端到端的网络服务。然而与其他通用的网络场景相比,云边协同物联网场景下的服务功能链映射不仅需要考虑多性能指标的均衡优化,还需要满足不同物联网业务差异化的服务需求,使得问题的复杂度大大提高。而现有的映射算法大多存在着优化目标单一和在复杂场景下求解效率底下的缺陷。因此,需要找到一种能够满足云边协同场景下多目标优化需求的服务链映射算法。针对以上问题,本课题设计了一种能耗和资源消耗均衡的服务链智能映射算法(Deep Q-Learning Based Service Function Chain Mapping and Energy Based Topology Adjustment,DQLBM+EBTA)。首先,针对云边物联网场景下的服务链映射问题,建立了基于能耗、资源消耗和时延的服务链映射模型。进而,提出了基于深度强化学习的服务链映射算法DQLBM来求解服务链的部署方案,减少部署引入的能量消耗和资源消耗。最后,设计了基于能耗的网络拓扑动态调整算法EBTA,通过对节点进行实时的状态调整,来减少节点的空闲运行能耗和状态转换能耗。仿真结果表明,与其他对比算法相比,DQLBM+EBTA在降低网络总开销方面具有更好的性能。进而,本课题基于Spring框架等技术设计并实现了基于人工智能的云边协同物联网服务链映射仿真系统。首先,本课题分析了系统的功能需求,并基于此设计了系统的架构和总体工作流程。然后,本课题对系统的网络配置、算法配置、服务链请求配置、仿真执行与配置和仿真结果展示等功能进行了设计与实现,并针对各个功能进行了详细的单元测试。测试结果表明,本课题设计的服务链映射仿真系统能够提高服务链映射仿真的方便性,为云边协同物联网场景下虚拟资源的高效管理提供仿真可视化支持。

面向工业物联网的服务功能链编排与迁移研究

这是一篇关于工业物联网,网络功能虚拟化,边缘计算,深度强化学习的论文, 主要内容为工业物联网(Industrial Internet of Things,IIoT)将物联网与工业进行融合。它促进了传感器、生产线现代工业生产和自动化环境中各种智能设备的互连。在IIoT环境中,各种设备将会产生大量的数据流,如何处理这些数据流的转发,降低网络延迟成为了 IIoT面临的一大挑战。同时,IIoT中的设备通常会频繁移动,例如移动机器人、智能机械臂、无人驾驶卡车和工人携带的移动通信设备,这对工业物联网服务提供的灵活性也提出了新的要求。为了解决工业物联网中实时性、资源多样性、安全性等需求,诸多研究将网络功能虚拟化(Network Function Virtualization,NFV)与移动边缘计算(Mobile Edge Computing,MEC)引入,将服务功能链(Service Function Chain,SFC)有序的编排在边缘网络中,可以使工业物联网中的数据转发更加灵活,满足用户QoS要求,大大提高了工业物联网的可管理和性灵活性。然而,目前的服务功能链编排研究中大多没有考虑边缘-中心环境中,不同厂商共享网络资源可能造成的编排结果不可信的情况,同时服务编排的效率还有待进一步提高。在IIoT中设备频繁移动的场景下,固定的服务功能链部署会带来较长的服务延迟,然而目前大多数研究没有考虑到设备移动性的影响,只考虑到了由于节点过载导致的被动迁移场景。针对当前服务功能链编排和迁移算法的不足,本文进行了以下三个方面的研究:(1)为了进一步提高编排的效率,同时提高服务编排的可靠性,本文提出了一种基于能耗时延联合优化的联邦服务功能链编排算法。文中算法首先将联邦学习与传统强化学习结合起来,加速了模型的收敛,增强了模型的鲁棒性。同时,本文引入了信誉理论,评估不同编排模型的可靠度,提高了联邦学习的抗干扰能力,提高了编排结果的准确度,满足工业物联网对可靠性的要求。本文的仿真结果表明,提出的算法可以满足加速收敛和优化能耗与时延的效果。(2)为了更好的适应在工业物联网中设备动态移动的场景,本文提出了基于设备移动性和网络状态的服务功能链迁移策略。本文提出的迁移算法中,首先对GPS采集到的位置数据进行校准,利用LTSM模型预测设备下一时刻的位置,并利用预测结果结合李亚普诺夫优化算法对SFC的迁移进行决策。仿真表明,算法在降低服务中断概率,降低时延,控制迁移开销上取得了一定的效果。(3)本文基于前两节所设计的算法,设计并实现了一个服务功能编排和迁移仿真平台。本文首先对该平台的功能进行了设计与梳理,搭建基本框架和底层数据库。之后,本文进一步设计了服务链编排模块、服务功能链迁移模块和拓扑展示模块。在技术上整体采用MVC架构,利用Spring对各个框架进行整合,其中,前端界面采用layUI框架实现,并使用Vis.js进行拓扑绘图,后台开发采用了 Spring Boot框架,利用其反转控制和依赖注入等特性简化开发过程。数据库使用了 MySql。最后,对系统进行了测试,测试结果表明,本文可以完成预期功能,帮助运维人员进行服务功能链编排和仿真的操作。

面向工业物联网的服务功能链编排与迁移研究

这是一篇关于工业物联网,网络功能虚拟化,边缘计算,深度强化学习的论文, 主要内容为工业物联网(Industrial Internet of Things,IIoT)将物联网与工业进行融合。它促进了传感器、生产线现代工业生产和自动化环境中各种智能设备的互连。在IIoT环境中,各种设备将会产生大量的数据流,如何处理这些数据流的转发,降低网络延迟成为了 IIoT面临的一大挑战。同时,IIoT中的设备通常会频繁移动,例如移动机器人、智能机械臂、无人驾驶卡车和工人携带的移动通信设备,这对工业物联网服务提供的灵活性也提出了新的要求。为了解决工业物联网中实时性、资源多样性、安全性等需求,诸多研究将网络功能虚拟化(Network Function Virtualization,NFV)与移动边缘计算(Mobile Edge Computing,MEC)引入,将服务功能链(Service Function Chain,SFC)有序的编排在边缘网络中,可以使工业物联网中的数据转发更加灵活,满足用户QoS要求,大大提高了工业物联网的可管理和性灵活性。然而,目前的服务功能链编排研究中大多没有考虑边缘-中心环境中,不同厂商共享网络资源可能造成的编排结果不可信的情况,同时服务编排的效率还有待进一步提高。在IIoT中设备频繁移动的场景下,固定的服务功能链部署会带来较长的服务延迟,然而目前大多数研究没有考虑到设备移动性的影响,只考虑到了由于节点过载导致的被动迁移场景。针对当前服务功能链编排和迁移算法的不足,本文进行了以下三个方面的研究:(1)为了进一步提高编排的效率,同时提高服务编排的可靠性,本文提出了一种基于能耗时延联合优化的联邦服务功能链编排算法。文中算法首先将联邦学习与传统强化学习结合起来,加速了模型的收敛,增强了模型的鲁棒性。同时,本文引入了信誉理论,评估不同编排模型的可靠度,提高了联邦学习的抗干扰能力,提高了编排结果的准确度,满足工业物联网对可靠性的要求。本文的仿真结果表明,提出的算法可以满足加速收敛和优化能耗与时延的效果。(2)为了更好的适应在工业物联网中设备动态移动的场景,本文提出了基于设备移动性和网络状态的服务功能链迁移策略。本文提出的迁移算法中,首先对GPS采集到的位置数据进行校准,利用LTSM模型预测设备下一时刻的位置,并利用预测结果结合李亚普诺夫优化算法对SFC的迁移进行决策。仿真表明,算法在降低服务中断概率,降低时延,控制迁移开销上取得了一定的效果。(3)本文基于前两节所设计的算法,设计并实现了一个服务功能编排和迁移仿真平台。本文首先对该平台的功能进行了设计与梳理,搭建基本框架和底层数据库。之后,本文进一步设计了服务链编排模块、服务功能链迁移模块和拓扑展示模块。在技术上整体采用MVC架构,利用Spring对各个框架进行整合,其中,前端界面采用layUI框架实现,并使用Vis.js进行拓扑绘图,后台开发采用了 Spring Boot框架,利用其反转控制和依赖注入等特性简化开发过程。数据库使用了 MySql。最后,对系统进行了测试,测试结果表明,本文可以完成预期功能,帮助运维人员进行服务功能链编排和仿真的操作。

面向工业物联网的服务功能链编排与迁移研究

这是一篇关于工业物联网,网络功能虚拟化,边缘计算,深度强化学习的论文, 主要内容为工业物联网(Industrial Internet of Things,IIoT)将物联网与工业进行融合。它促进了传感器、生产线现代工业生产和自动化环境中各种智能设备的互连。在IIoT环境中,各种设备将会产生大量的数据流,如何处理这些数据流的转发,降低网络延迟成为了 IIoT面临的一大挑战。同时,IIoT中的设备通常会频繁移动,例如移动机器人、智能机械臂、无人驾驶卡车和工人携带的移动通信设备,这对工业物联网服务提供的灵活性也提出了新的要求。为了解决工业物联网中实时性、资源多样性、安全性等需求,诸多研究将网络功能虚拟化(Network Function Virtualization,NFV)与移动边缘计算(Mobile Edge Computing,MEC)引入,将服务功能链(Service Function Chain,SFC)有序的编排在边缘网络中,可以使工业物联网中的数据转发更加灵活,满足用户QoS要求,大大提高了工业物联网的可管理和性灵活性。然而,目前的服务功能链编排研究中大多没有考虑边缘-中心环境中,不同厂商共享网络资源可能造成的编排结果不可信的情况,同时服务编排的效率还有待进一步提高。在IIoT中设备频繁移动的场景下,固定的服务功能链部署会带来较长的服务延迟,然而目前大多数研究没有考虑到设备移动性的影响,只考虑到了由于节点过载导致的被动迁移场景。针对当前服务功能链编排和迁移算法的不足,本文进行了以下三个方面的研究:(1)为了进一步提高编排的效率,同时提高服务编排的可靠性,本文提出了一种基于能耗时延联合优化的联邦服务功能链编排算法。文中算法首先将联邦学习与传统强化学习结合起来,加速了模型的收敛,增强了模型的鲁棒性。同时,本文引入了信誉理论,评估不同编排模型的可靠度,提高了联邦学习的抗干扰能力,提高了编排结果的准确度,满足工业物联网对可靠性的要求。本文的仿真结果表明,提出的算法可以满足加速收敛和优化能耗与时延的效果。(2)为了更好的适应在工业物联网中设备动态移动的场景,本文提出了基于设备移动性和网络状态的服务功能链迁移策略。本文提出的迁移算法中,首先对GPS采集到的位置数据进行校准,利用LTSM模型预测设备下一时刻的位置,并利用预测结果结合李亚普诺夫优化算法对SFC的迁移进行决策。仿真表明,算法在降低服务中断概率,降低时延,控制迁移开销上取得了一定的效果。(3)本文基于前两节所设计的算法,设计并实现了一个服务功能编排和迁移仿真平台。本文首先对该平台的功能进行了设计与梳理,搭建基本框架和底层数据库。之后,本文进一步设计了服务链编排模块、服务功能链迁移模块和拓扑展示模块。在技术上整体采用MVC架构,利用Spring对各个框架进行整合,其中,前端界面采用layUI框架实现,并使用Vis.js进行拓扑绘图,后台开发采用了 Spring Boot框架,利用其反转控制和依赖注入等特性简化开发过程。数据库使用了 MySql。最后,对系统进行了测试,测试结果表明,本文可以完成预期功能,帮助运维人员进行服务功能链编排和仿真的操作。

面向微服务架构的虚拟网络功能服务链的构建与优化问题研究

这是一篇关于网络功能虚拟化,服务功能链,虚拟网络功能,微服务,服务链部署的论文, 主要内容为随着网络的快速发展以及业务规模的不断扩大,传统的网络模式已经远远不能满足日益多样化的用户需求。网络功能虚拟化(Network Function Virtualization,NFV)的出现推动了网络技术的变革。然而通常大部分NFV技术只是用单片的虚拟网络功能(Virtual Network Function,VNF)代替单片的硬件。许多的VNFs都会有常见的通用功能(例如报头解析,包分类等),在处理这些重复的通用功能时,会造成不必要的资源消耗和操作开销。微服务具有可解耦的特性,通过把单片VNF分解成可独立部署的微服务组件,可以实现VNF的灵活拆分和部署。针对网络功能重复以及底层网络节点负载过大的问题,本文提出了一种基于微服务的VNF动态拆分合并算法。该算法可以根据当前网络状况以及服务需求,进行动态的拆分合并,缓解底层物理节点负载过大的情况。由实验结果得知,本算法可以根据负载的变化减少34%的延迟和提升服务链43%的最大处理带宽。数据流通过节点的跳数是决定网络延迟的重要因素。故本文在拆分合并的基础上,针对延迟和带宽的进一步优化问题,提出了一种面向最短路径的功能服务链部署算法。通过寻找最短路径的方法,使数据流经过较少的物理节点,从而对延迟进行进一步的优化,同时结合丢包率和延迟情况,对流表进行重新排序,减轻服务链的负担以及缓解链路拥堵情况。由实验结果得知,本算法可以将延迟大幅度减少31%-21%。在带宽利用率方面,在丢包率为7%-15%的环境下,大约可以增加3%-6%的带宽利用率。

基于负载预测的5G VNF资源弹性伸缩研究

这是一篇关于5G,网络功能虚拟化,负载预测,弹性伸缩的论文, 主要内容为随着移动应用程序数量爆发式增长,人们使用手机的频率逐渐提高,对无线网络高带宽、低时延等需求也越来越强烈。为了满足用户需求,国内外通信运营商纷纷加快5G网络建设。如何在网络更新换代过程中有效利用现有设备资源,节约硬件成本,是运营商面临的主要挑战。基于NFV架构进行5G网络开发能有效应对上述挑战。NFV架构能够标准化各项网络功能,使其摆脱专用软硬件束缚,实现与底层设备分离,同时可进行编排与管理。NFV研究内容包括5G仿真平台构建和弹性伸缩技术应用等。5G仿真平台可实现网络测试与编排,有助于运营商完成网络管理与运维的自动化和智能化。国外学者开发了Free5GC等仿真软件及OSM等MANO平台,但两者功能独立,无法实现统一的网络功能编排与管理。弹性伸缩技术可用于网络功能模块扩缩容,平衡业务量与网络承载能力,但目前应用广泛的响应式弹性伸缩策略对突发情况应变能力薄弱,且功能较为单一。针对上述问题,本文提出了基于负载预测的VNF弹性伸缩系统,主要研究内容包括:(1)设计TCN-Attention负载预测模型。该模型结合TCN模型并行运算速度优势与注意力机制提取有效信息能力,能够依据历史负载数据,准确预测未来基站负载状况,为基站VNF扩缩容提供参考。与基准模型相比,TCN-Attention模型拥有更短训练时间,更高预测精度。(2)设计VNF扩缩容算法,将TCN-Attention负载预测模型与VNF扩缩容算法结合形成预测式弹性伸缩策略。该策略能够实现VNF提前扩缩容,解决了响应式伸缩突发状况应对能力不足的问题。(3)将OSM平台与5G仿真软件融合,建立NFV架构下从接入网到核心网的仿真平台,实现网络功能的上线与维护、网络流量的管理与控制、用户设备的接入与连接、平台负载的监控与采集等内容。并对平台上下行带宽等性能指标进行了测试。(4)实现基于负载预测的VNF弹性伸缩系统。该系统主要包括负载监控、负载预测及弹性伸缩模块,通过集成弹性伸缩、5G网络仿真与NFV架构,实现基站VNF动态扩缩容功能。与OSM默认弹性伸缩功能相比,具有更高的响应准确率与带宽利用率。

面向云边协同物联网场景的SFC映射仿真系统的设计与实现

这是一篇关于物联网,网络功能虚拟化,服务质量,服务功能链,网络仿真的论文, 主要内容为近些年来,随着物联网技术的快速发展,物联网业务的规模正在不断扩增,业务的服务需求也愈发复杂和多样化。将新兴的网络功能虚拟化与云计算、边缘计算相结合,构建一种云边协同的物联网架构,可以灵活的利用云和边缘的资源,为物联网业务以服务链的形式提供端到端的网络服务。然而与其他通用的网络场景相比,云边协同物联网场景下的服务功能链映射不仅需要考虑多性能指标的均衡优化,还需要满足不同物联网业务差异化的服务需求,使得问题的复杂度大大提高。而现有的映射算法大多存在着优化目标单一和在复杂场景下求解效率底下的缺陷。因此,需要找到一种能够满足云边协同场景下多目标优化需求的服务链映射算法。针对以上问题,本课题设计了一种能耗和资源消耗均衡的服务链智能映射算法(Deep Q-Learning Based Service Function Chain Mapping and Energy Based Topology Adjustment,DQLBM+EBTA)。首先,针对云边物联网场景下的服务链映射问题,建立了基于能耗、资源消耗和时延的服务链映射模型。进而,提出了基于深度强化学习的服务链映射算法DQLBM来求解服务链的部署方案,减少部署引入的能量消耗和资源消耗。最后,设计了基于能耗的网络拓扑动态调整算法EBTA,通过对节点进行实时的状态调整,来减少节点的空闲运行能耗和状态转换能耗。仿真结果表明,与其他对比算法相比,DQLBM+EBTA在降低网络总开销方面具有更好的性能。进而,本课题基于Spring框架等技术设计并实现了基于人工智能的云边协同物联网服务链映射仿真系统。首先,本课题分析了系统的功能需求,并基于此设计了系统的架构和总体工作流程。然后,本课题对系统的网络配置、算法配置、服务链请求配置、仿真执行与配置和仿真结果展示等功能进行了设计与实现,并针对各个功能进行了详细的单元测试。测试结果表明,本课题设计的服务链映射仿真系统能够提高服务链映射仿真的方便性,为云边协同物联网场景下虚拟资源的高效管理提供仿真可视化支持。

面向工业物联网的服务功能链编排与迁移研究

这是一篇关于工业物联网,网络功能虚拟化,边缘计算,深度强化学习的论文, 主要内容为工业物联网(Industrial Internet of Things,IIoT)将物联网与工业进行融合。它促进了传感器、生产线现代工业生产和自动化环境中各种智能设备的互连。在IIoT环境中,各种设备将会产生大量的数据流,如何处理这些数据流的转发,降低网络延迟成为了 IIoT面临的一大挑战。同时,IIoT中的设备通常会频繁移动,例如移动机器人、智能机械臂、无人驾驶卡车和工人携带的移动通信设备,这对工业物联网服务提供的灵活性也提出了新的要求。为了解决工业物联网中实时性、资源多样性、安全性等需求,诸多研究将网络功能虚拟化(Network Function Virtualization,NFV)与移动边缘计算(Mobile Edge Computing,MEC)引入,将服务功能链(Service Function Chain,SFC)有序的编排在边缘网络中,可以使工业物联网中的数据转发更加灵活,满足用户QoS要求,大大提高了工业物联网的可管理和性灵活性。然而,目前的服务功能链编排研究中大多没有考虑边缘-中心环境中,不同厂商共享网络资源可能造成的编排结果不可信的情况,同时服务编排的效率还有待进一步提高。在IIoT中设备频繁移动的场景下,固定的服务功能链部署会带来较长的服务延迟,然而目前大多数研究没有考虑到设备移动性的影响,只考虑到了由于节点过载导致的被动迁移场景。针对当前服务功能链编排和迁移算法的不足,本文进行了以下三个方面的研究:(1)为了进一步提高编排的效率,同时提高服务编排的可靠性,本文提出了一种基于能耗时延联合优化的联邦服务功能链编排算法。文中算法首先将联邦学习与传统强化学习结合起来,加速了模型的收敛,增强了模型的鲁棒性。同时,本文引入了信誉理论,评估不同编排模型的可靠度,提高了联邦学习的抗干扰能力,提高了编排结果的准确度,满足工业物联网对可靠性的要求。本文的仿真结果表明,提出的算法可以满足加速收敛和优化能耗与时延的效果。(2)为了更好的适应在工业物联网中设备动态移动的场景,本文提出了基于设备移动性和网络状态的服务功能链迁移策略。本文提出的迁移算法中,首先对GPS采集到的位置数据进行校准,利用LTSM模型预测设备下一时刻的位置,并利用预测结果结合李亚普诺夫优化算法对SFC的迁移进行决策。仿真表明,算法在降低服务中断概率,降低时延,控制迁移开销上取得了一定的效果。(3)本文基于前两节所设计的算法,设计并实现了一个服务功能编排和迁移仿真平台。本文首先对该平台的功能进行了设计与梳理,搭建基本框架和底层数据库。之后,本文进一步设计了服务链编排模块、服务功能链迁移模块和拓扑展示模块。在技术上整体采用MVC架构,利用Spring对各个框架进行整合,其中,前端界面采用layUI框架实现,并使用Vis.js进行拓扑绘图,后台开发采用了 Spring Boot框架,利用其反转控制和依赖注入等特性简化开发过程。数据库使用了 MySql。最后,对系统进行了测试,测试结果表明,本文可以完成预期功能,帮助运维人员进行服务功能链编排和仿真的操作。

基于负载预测的5G VNF资源弹性伸缩研究

这是一篇关于5G,网络功能虚拟化,负载预测,弹性伸缩的论文, 主要内容为随着移动应用程序数量爆发式增长,人们使用手机的频率逐渐提高,对无线网络高带宽、低时延等需求也越来越强烈。为了满足用户需求,国内外通信运营商纷纷加快5G网络建设。如何在网络更新换代过程中有效利用现有设备资源,节约硬件成本,是运营商面临的主要挑战。基于NFV架构进行5G网络开发能有效应对上述挑战。NFV架构能够标准化各项网络功能,使其摆脱专用软硬件束缚,实现与底层设备分离,同时可进行编排与管理。NFV研究内容包括5G仿真平台构建和弹性伸缩技术应用等。5G仿真平台可实现网络测试与编排,有助于运营商完成网络管理与运维的自动化和智能化。国外学者开发了Free5GC等仿真软件及OSM等MANO平台,但两者功能独立,无法实现统一的网络功能编排与管理。弹性伸缩技术可用于网络功能模块扩缩容,平衡业务量与网络承载能力,但目前应用广泛的响应式弹性伸缩策略对突发情况应变能力薄弱,且功能较为单一。针对上述问题,本文提出了基于负载预测的VNF弹性伸缩系统,主要研究内容包括:(1)设计TCN-Attention负载预测模型。该模型结合TCN模型并行运算速度优势与注意力机制提取有效信息能力,能够依据历史负载数据,准确预测未来基站负载状况,为基站VNF扩缩容提供参考。与基准模型相比,TCN-Attention模型拥有更短训练时间,更高预测精度。(2)设计VNF扩缩容算法,将TCN-Attention负载预测模型与VNF扩缩容算法结合形成预测式弹性伸缩策略。该策略能够实现VNF提前扩缩容,解决了响应式伸缩突发状况应对能力不足的问题。(3)将OSM平台与5G仿真软件融合,建立NFV架构下从接入网到核心网的仿真平台,实现网络功能的上线与维护、网络流量的管理与控制、用户设备的接入与连接、平台负载的监控与采集等内容。并对平台上下行带宽等性能指标进行了测试。(4)实现基于负载预测的VNF弹性伸缩系统。该系统主要包括负载监控、负载预测及弹性伸缩模块,通过集成弹性伸缩、5G网络仿真与NFV架构,实现基站VNF动态扩缩容功能。与OSM默认弹性伸缩功能相比,具有更高的响应准确率与带宽利用率。