基于服务功能链的网络功能资源调度机制设计与实现_陶思言.pdf
《基于服务功能链的网络功能资源调度机制设计与实现_陶思言.pdf》由会员分享,可在线阅读,更多相关《基于服务功能链的网络功能资源调度机制设计与实现_陶思言.pdf(9页珍藏版)》请在咨信网上搜索。
1、收稿日期:2022-03-14修回日期:2022-05-16基金项目:2021 年度四川省智慧旅游研究基地规划资助项目(ZHYJ21-02)作者简介:陶思言(1981),女,四川自贡人,硕士,讲师。研究方向:电子信息。*摘要:针对于邻居网络功能节点对资源调度的影响,提出了基于服务功能链的网络功能资源调度机制 GSDM。基于服务功能链,GSDM 将邻居节点运行状态信息加入到调度策略中,有效刻画了网络功能连接关系对资源调度的影响。实验结果表明:GSDM 有效地提高了资源调度的召回率以及精准率,并有效提高了网络功能虚拟化系统性能。关键词:网络功能虚拟化;服务功能链;资源调度;网络功能资源中图分类号:
2、TN919.3文献标识码:ADOI:10.3969/j.issn.1002-0640.2023.05.020引用格式:陶思言,陈光建.基于服务功能链的网络功能资源调度机制设计与实现 J.火力与指挥控制,2023,48(5):138-145.基于服务功能链的网络功能资源调度机制设计与实现*陶思言1,陈光建2(1.四川轻化工大学物理与电子工程学院,四川自贡643000;2.四川轻化工大学计算机科学与工程学院,四川自贡643000)Design and Implementation of Network Function Resource SchedulingMechanism Based on S
3、ervice Function ChainTAO Siyan1,CHEN Guangjian2(1.School of Physical and Electronic Engineering,Sichuan University of Science&Engineering,Zigong 643000,China;2.School of Computer Science and Engineering,Sichuan University of Science&Engineering,Zigong 643000,China)Abstract:Aiming at the influence of
4、 neighboring network function nodes on resource scheduling,anetwork function resource scheduling mechanism GSDM based on service function chain is proposed.Based on the service function chain,GSDM adds the operating status information of neighboring nodesto the scheduling strategy,which effectively
5、characterizes the influence of the network functionconnection relationship on resource scheduling.The experimental results show that GSDM caneffectively improve the recall rate and precision rate of resource scheduling,and can effectively improvethe performance of the network function virtualization
6、 system.Key words:network function virtualization;service function chain;resource scheduling;networkfunction resourcesCitation format:TAO S Y,CHEN G J.Design and implementation of network function resourcescheduling mechanism based on service function chain J.Fire Control&Command Control,2023,48(5):
7、138-145.0引言传统的硬件中间件设备往往高度定制化,其容量固定且有限,只能够处理固定量的网络负载。然而,在现实部署中,入口流量需求会随着波峰、波谷时间以及特殊网络时间产生大规模的波动。传统硬件设备不支持动态启动新的硬件设备以应对突发增长的流量需求。网络功能虚拟化(network function virtualization,NFV)技术的核心优势之一是支持灵活资源调度,根据在线实时变化的流量负载按需分配底层资源,在保障系统性能的同时实现底层资源利用率最大化。文章编号:1002-0640(2023)05-0138-08Vol.48,No.5May,2023火 力 与 指 挥 控 制Fir
8、e Control&Command Control第 48 卷第 5 期2023 年 5 月138(总第 48-)对于每个网络功能,NFV 通过弹性扩展网络功能实例实现底层资源的动态调度。目前已经有大量的资源调度机制被提出,主要分为两类:基于流量速率的资源调度机制以及基于网络功能状态的资源调度机制。然而,上述机制均将每个网络功能视为独立个体,忽略了邻居网络功能节点对资源调度的影响。本文提出了一种基于服务功能链的网络功能资源调度机制(graph-based scaling detection mecha-nism,GSDM),将邻居节点的状态信息加入到控制策略中,通过刻画网络功能连接关系有效地提
9、高资源调度性能。本文的创新性工作主要有以下 4 个方面:1)将流量速率信息以及网络功能实时运行信息结合在一起实现资源调度。流量速率信息难以直接对网络功能运行状态信息进行刻画,并且容易受到流量多样性的影响,包括数据包大小以及类型等。网络功能实时运行状态信息则包含许多不可避免的噪音信息,干扰资源调度结果。流量速率信息以及网络功能实时运行信息可以互补结合在一起,有效提高资源调度机制的性能。2)将综合特征序列信息作为资源调度策略的输入信息。相比于单一时间点的特征信息,特征序列有利于准确过滤噪音信息,以及实现扩展行为的提前预测。通常情况下,网络功能实例启动需要若干秒,基于序列的提前预测能够有效缓解实例启
10、动过程中的性能下降。GSDM 基于长短时记忆网络(longshort-term memory,LSTM)模型进行设计。LSTM能够有效捕捉序列信息之间的关系。3)考虑到网络功能连接关系对资源调度策略的影响,将邻居网络功能的特征序列加入到控制策略中。将邻居节点信息也加入到控制策略中,有效刻画网络功能连接信息,提高资源调度及时性。4)考虑到不同邻居节点对最终检测结果的不同影响,设计了网络功能级的注意力机制,为不同邻居节点设置不同的权重。注意力机制能够使得关键邻居节点对最终结果有更大的影响力,并且忽略不重要的邻居节点。1关键技术GSDM 基于时间序列信息进行扩展动作预测。目前,人工智能领域已经有大量
11、的模型用于刻画时间序列信息,例如:RNN,LSTM 等。注意力机制在人工智能领域也得到了广泛应用,能够对序列信息进行处理,抓取其中的关键信息并赋予更高的权重。本章将对时间序列神经网络模型以及注意力机制进行具体介绍。1.1时间序列神经网络模型LSTM 是一种特殊的 RNN 网络模型,通过引入输入门、遗忘门以及输出门,能够解决 RNN 模型存在的长期依赖问题并对长序列信息进行处理。目前,LSTM 模型已经成功应用到各类人工智能问题中,并取得了显著的效果,例如:计算机视觉1、人类活动行为分析2-3以及自然语言处理4等。图 1LSTM 神经网络模型Fig.1LSTM neural network mo
12、del图 1 展示了 LSTM 神经网络模型状态转换过程,其具体计算过程如下公式所示。(1)(2)(3)(4)(5)(6)其中,表示 sigmoid 激活函数;代表两个向量的点积。l 层状态信息由 l-1 层的状态信息与当前状态信息 g 通过输入门 i,以及遗忘门 f 共同计算而成。输入门 i 控制当前状态信息对于状态更新的影响。遗忘门 f 决定了上一时刻的状态信息对状态更新的影响。输出门 o 决定更新后的状态信息对输出信息的影响。输出状态信息;根据 l 层状态信息以及输出门 o 共同计算出来。在计算过程中包含大量的参数,包括:,以及表示神经网络中的权重矩阵;代表偏差矩阵,dl表示 l 层的隐
13、含状态维度大小。输入特征向量作为 0 层的状态信息,也就是说。1.2注意力机制在 GSDM 模型设计中,将邻居节点的特征序列陶思言等:基于服务功能链的网络功能资源调度机制设计与实现1390901(总第 48-)火 力 与 指 挥 控 制2023 年第 5 期信息作为输入信息加入到控制策略中,有效提高资源调度的及时性。然而,观察到不同的网络功能对于最终的扩展动作影响力是不同的。因此,采用注意力机制为不同的邻居节点设置不同的权重,更加有效地扩大重要邻居节点的影响力以及避免不重要邻居节点的干扰,有效提高模型性能。目前,注意力机制已经大量应用到分类任务中,并取得了显著的性能提升效果5-8。注意力机制首
14、先计算各个输入向量与输出向量的匹配程度,匹配程度高的节点得到高权重,反之,匹配程度低的节点得到低权重。具体来讲,基于输入序列的隐含层表示向量,注意力机制聚合输出一个序列向量 s。在最终向量 s 中,每个节点的内部状态信息 ht被赋予不同的权重。注意力机制的计算过程如下所示:1)根据 ht得到注意力层的隐含状态向量 ut;2)每个节点的影响力表示向量 at根据 ut与 uw之间的相似度利用 softmax 计算得到,其中,uw作为整个序列信息的上下文查询表示向量,起初被随机设定,并在训练过程中不断得到更新;3)最终输出向量 s 根据 H 向量矩阵的加权平均获得。具体计算过程如下公式所示:(7)(
15、8)(9)2GSDM 设计为了实现资源调度,GSDM 包括两个部分:1)特征采集模块:在数据层实时采集所有网络功能的综合状态信息;2)GSDM 模型:根据采集得到的状态信息,在控制层利用神经网络模型计算每个网络功能对应的扩展动作。下文将分别对这两方面内容进行具体介绍。2.1特征采集模块特征采集模块安装在数据层,用于全面测试所有网络功能的运行特征数据。本文采用综合特征作为输入,包括以下 3 个方面的特征:流量速率特征,硬件层特征和应用层特征。以下部分将对 3 种类型特征的采集方式进行具体描述。1)流量速率特征:包括入口流量速率和出口流量速率。目前,大部分的 NFV 系统(例如:Open-NetV
16、M),提供了成熟的接口用于准确获取入口以及出口的流量速率。在原型系统实现中,利用 NFV 系统提供的接口对流量速率信息进行采集。2)硬件层特征:GSDM 包含 CPU 利用率和内存利用率两个特征。现有的 NFV 系统在虚拟机或者容器中对网络功能进行实现。虚拟机或者容器技术使得每个网络功能占用单独的 CPU 以及内存区域,不会被其他的系统进程所调用。因此,在原型系统实现中,特征采集模块以 privileged 模式运行可以准确地获取这些硬件层资源利用率信息。3)应用层特征:将数据包处理时延作为代表有效地反映当前网络功能的运行状态。设计了一种轻量级的时延测量方法。特征采集模块自动生成样本流量并发送
17、到各个网络功能进行时延测量。对于网络功能而言,它们负责接收样本数据包,并执行与其他数据包一样的处理操作,最后默认转发到特征采集模块。网络功能的时延由发送时间和接收时间之间的时间差值计算得到。样本流量的速率可以由用户自主地进行控制,并只占所有处理数据包的很小部分,并不会影响整体系统运行。在设计的原型系统中,样本数据包采用具有特殊端口的 UDP 数据包。对于 IPv4 数据包而言,8 bit 的 ToS 字段用于存储被测量的网络功能的“Service ID”,从而方便地对每个网络功能的时延进行计算。在时间计算精度方面,采用 CPU 硬件时间戳的方法进行测量。在原型系统实现中,采用的 CPU 时钟频
18、率是 1 200 MHz。因此,计算的时延精度在纳秒级别。2.2GSDM 模型资源调度任务是指:对于每一个网络功能而言,基于其自身的特征序列,上流网络功能的特征序列以及下流网络功能的特征序列,其中,xt表示在时间节点 t 的特征,fj以及 bk分别表示某个上流或者下流网络功能节点的特征序列,资源调度模型计算出需要采取的扩展动作,其中,1 是指增加一个网络功能实例,0 指实例数目保持不变,-1表示减少一个网络功能实例。GSDM 模型的整体结构主要由 4 层组成:特征表示层、LSTM 层、邻居网络功能节点层以及输出层。以下部分将对每一层进行具体介绍。2.2.1特征表示层对于每一个网络功能,将其连续
19、 n 个时间点特征组成的特征序列 S 作为输入信息。每一个特征向量 xt由五维特征组成:入口流量速率、出口流量速率、CPU 利用率、内存利用率以及数据包处理时延。特征序列信息能够有效地展示网络功能1400902(总第 48-)状态信息随时间的变化,帮助更好地预测扩展动作以及过滤噪音信息。2.2.2LSTM 层利用 LSTM 模型对每个网络功能的特征序列 S进行计算,并得到每个网络功能的表示向量。LSTM 模型可以有效地捕捉序列信息之间的关系,并将其映射到低维向量空间。假设采用了 L 层进行训练,将经过 L 层 LSTM 模型计算输出的隐含状态信息为赋值给,从而得到网络功能表示向量。LSTM 模
20、型具体计算过程已经在 1.1 节进行了具体介绍。最后,LSTM 层将所有网络功能的表示向量反馈到邻居网络功能节点层作进一步处理。2.2.3邻居网络功能节点层考虑到邻居网络功能节点状态信息对资源调度结果的影响,加入了邻居网络功能节点层。将邻居网络功能节点集分为两个部分,分别是上流网络功能节点集 F以及下流网络功能节点集 B。对于每一个在 F 或者 B 中的邻居网络功能节点,通过上述LSTM 层获取到其网络功能级别的表示或者。考虑到多种不同邻居节点对资源调度结果的不同影响,采用了网络功能级注意力机制来刻画影响力大小。最终,上流网络功能节点集表示 sF和下流网络功能节点集表示 sB通过以下的公式计算
21、得到。其中,以及全部是注意力机制的参数。(10)(11)(12)(13)(14)(15)2.2.4输出层最终输出层通过以下两个步骤共同完成:1)向量聚合:将上流网络功能节点集表示 sF,下流网络功能节点集表示 sB以及当前网络功能节点表示 sR集合得到了最终的表示向量 m。2)扩展动作概率计算:m 向量被反馈到 softmax层得到所有扩展动作的可能性分布。这个过程通过下面公式计算得到。其中,是指所有可能扩展动作的概率分布,C 表示扩展动作空间大小,以及分别是权重矩阵以及偏差矩阵。在本文中,设置 C=3,用于表示所有可能扩展动作的数目,包括扩容、缩容、保持不变 3 种类型。(16)(17)2.
22、3GSDM 训练方法为了训练 GSDM 模型,应该对模型内的所有参数进行优化,包括:LSTM 参数,注意力机制参数,softmax 参 数。式(18)展示了目标函数,由交叉熵以及正则项两个部分共同组成,最终目的是最小化损失函数。其中,控制 L2 正则项的影响力大小。采用了随机梯度下降(SGD)计算和更新训练参数,并采用了 dropout方法避免训练过拟合。(18)3原型系统实现本章对 GSDM 模型训练过程以及原型系统实现进行了具体介绍,并对其他对比资源调度方案进行了具体说明。3.1GSDM 模型训练采用深度学习框架 TensorFlow 对 GSDM 模型进行训练。为了实现模型训练,构建了一
23、个数据集,并按照以下结果对超参数进行了设置。1)数据集:为了实现模型训练,生成了多种不同类型的流量并将其应用到 NFV 系统中,获取了大量的网络功能运行状态信息。对于每一个网络功能,标注了 35 000 组数据,其中,80%用作训练集,20%用作测试集。对于每一个标注的数据,为其标注了对应的扩展动作“-1”“0”或者“1”,分别表示“扩容”“保持不变”以及“缩容”。2)超参数设置:GSDM 模型的超参数设置如下所示:输入特征序列长度 n=20,LSTM 层数 L=2,隐含层维度大小 d=200,最大上流网络功能集大小,最大下流网络功能集大小,学习率,正则项系数以及 dropout 率 0.5。
24、3.2系统实现在 OpenNetVM 18.05 版本以及 dpdk 17.08 版本的基础上实现了 GSDM 原型系统。该原型系统搭建陶思言等:基于服务功能链的网络功能资源调度机制设计与实现1410903(总第 48-)火 力 与 指 挥 控 制2023 年第 5 期在若干服务器上,每一个服务器配备有两个 CPU(Intel(R)Xeon(R)E5-2620 V3)以及两块 10 G 网卡,运行在 Linux 操作系统,其内核版本为 3.10.0。在数据层,实现了特征采集模块,周期性地对所有网络功能的特征信息进行采集,周期为 1 s。在控制层,将训练完成的 GSDM 模型进行部署,并将采集得
25、到的特征序列信息输入到训练完成的 GSDM 模型计算对应的扩展动作,周期为 1 s。3.2.1流量生成采用开源流量生成器 MoonGen9,自动生成多种类型流量进行性能验证。MoonGen 安装在一个单独的服务器上,并且与安装原型系统的服务器进行直接连接。发包服务器发送以及接收数据包,并在时延和吞吐量两方面对 GSDM 系统性能进行测量。总结了真实网络中常见的需要扩展动作的流量类型,包括缓慢增长型、快速短时型以及快速长时型 3种。图 2(a)图 2(c)分别对以上 3 种类型流量进行了展示。(c)快速长时型图 23 种不同的流量类型Fig.2Three different traffic ty
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 服务 功能 网络 资源 调度 机制 设计 实现 陶思言
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。