基于特征权重感知的VNF资源需求预测方法.pdf
《基于特征权重感知的VNF资源需求预测方法.pdf》由会员分享,可在线阅读,更多相关《基于特征权重感知的VNF资源需求预测方法.pdf(6页珍藏版)》请在咨信网上搜索。
1、h t t p:/ww wj s j k x c o mD O I:/j s j k x 到稿日期:返修日期:基金项目:国家自然科学基金()T h i sw o r kw a ss u p p o r t e db yt h eN a t i o n a lN a t u r a lS c i e n c eF o u n d a t i o no fC h i n a()通信作者:王海艳(w a n g h y n j u p t e d u)基于特征权重感知的V N F资源需求预测方法王怀芹骆健,王海艳,南京邮电大学计算机学院南京 南京邮电大学江苏省大数据安全与智能处理重点实验室南京 (n
2、 j u p t e d u c n)摘要虚拟网络功能(V i r t u a lN e t w o r kF u n c t i o n,VN F)以服务功能链(S e r v i c eF u n c t i o nC h a i n,S F C)的形式提供服务,能够满足不同服务的性能需求.由于网络具有动态性,为VN F实例分配固定资源会导致VN F实例的资源过多或者不足的问题.以往的研究对于VN F配置文件相关网络负载特征的重要性未做区分,因此,提出了一种基于特征权重感知的动态VN F资源需求预测方法.首先,使用E C AN e t学习VN F特征的权重值,以此来减少无用特征对模型预测结
3、果的消极影响.其次,由于VN F配置文件数据集具有结构化特性,构建V N F资源预测模型时需要考虑以加强特征交互的方式来挖掘特征间深层的相互关系,提出使用深度特征交互网络(D e e pF e a t u r e I n t e r a c t i v eN e t w o r k,D I N)增强网络负载特征与V N F性能特征之间的交互能力,提高模型预测精度.最后,在基准数据集上将所提方法与同类方法进行对比实验,发现其在预测的有效性与精确性上更具优势.关键词:资源预测;服务功能链;虚拟网络功能;高效通道注意力网络;特征交互中图法分类号T P F e a t u r eW e i g h t
4、P e r c e p t i o n b a s e dP r e d i c t i o no fV i r t u a lN e t w o r kF u n c t i o nR e s o u r c eD e m a n d sWANG H u a i q i n,L UOJ i a n,a n dWAN G H a i y a n,S c h o o l o fC o m p u t e rS c i e n c e,N a n j i n gU n i v e r s i t yo fP o s t a n dT e l e c o mm u n i c a t i o n s
5、,N a n j i n g ,C h i n aJ i a n g s uH i g hT e c h n o l o g yR e s e a r c hK e yL a b o r a t o r y f o rW i r e l e s sS e n s o rN e t w o r k s,N a n j i n gU n i v e r s i t yo f P o s t a n dT e l e c o mm u n i c a t i o n s,N a n j i n g ,C h i n aA b s t r a c t V i r t u a ln e t w o r
6、kf u n c t i o n(VN F)p r o v i d e s s e r v i c e s i nt h e f o r mo f s e r v i c e f u n c t i o nc h a i n(S F C)t om e e t t h ep e r f o r m a n c er e q u i r e m e n t so fd i f f e r e n t s e r v i c e s D u e t o t h ed y n a m i cn a t u r e o f t h en e t w o r k,a l l o c a t i n g f
7、 i x e dr e s o u r c e s t oVN F i n s t a n c e sw i l l l e a dt oe x c e s s i v eo r i n s u f f i c i e n t r e s o u r c e s f o rVN Fi n s t a n c e s P r e v i o u ss t u d i e sh a v en o td i s t i n g u i s h e dt h e i m p o r t a n c eo fn e t w o r kl o a dc h a r a c t e r i s t i c
8、sr e l a t e dt oVN Fp r o f i l e s T h e r e f o r e,ad y n a m i cVN Fr e s o u r c ed e m a n dp r e d i c t i o nm e t h o db a s e do nf e a t u r ew e i g h tp e r c e p t i o n i sp r o p o s e d F i r s t l y,E C AN e t i su s e dt o l e a r nt h ew e i g h t v a l u e so fVN Ff e a t u r e
9、 s,t or e d u c e t h en e g a t i v e i m p a c t o fu s e l e s s f e a t u r e so nt h em o d e lp r e d i c t i o nr e s u l t s S e c o n d l y,b e c a u s et h eVN Fp r o f i l ed a t as e th a ss t r u c t u r a lc h a r a c t e r i s t i c s,w h e nb u i l d i n gt h eVN Fr e s o u r c ep r
10、e d i c t i o nm o d e l,i t i sn e c e s s a r yt oc o n s i d e rm i n i n gt h ed e e pi n t e r r e l a t i o n s h i pb e t w e e nf e a t u r e sb ys t r e n g t h e n i n gf e a t u r e i n t e r a c t i o n I t i sp r o p o s e dt ou s e t h ed e e pf e a t u r e i n t e r a c t i v en e t w
11、 o r k(D I N)t oe n h a n c et h e i n t e r a c t i o nb e t w e e nn e t w o r kl o a df e a t u r e sa n dVN Fp e r f o r m a n c e f e a t u r e s,s oa s t o i m p r o v e t h ep r e d i c t i o na c c u r a c yo f t h em o d e l F i n a l l y,c o m p a r e dw i t hs i m i l a rm e t h o d so nt
12、 h eb e n c h m a r kd a t a s e t,i t i s f o u n dt h a t t h ep r o p o s e dm e t h o dh a sm o r ea d v a n t a g e s i nt h ee f f e c t i v e n e s sa n da c c u r a c yo fp r e d i c t i o n K e y w o r d s R e s o u r c ep r e d i c t i o n,S e r v i c e f u n c t i o nc h a i n,V i r t u a
13、 l n e t w o r kf u n c t i o n,E f f i c i e n t c h a n n e l a t t e n t i o nn e t w o r k,F e a t u r e i n t e r a c t i o n引言软件定义网络(S o f t w a r eD e fin e dN e t w o r k,S D N)和网络功能虚拟化(N e t w o r kF u n c t i o nV i r t u a l i z a t i o n,N F V)的虚拟网络技术正受到越来越多人的关注.网络功能虚拟化使传统网络功能从专用硬件设备中抽象出
14、软件化的虚拟网络功能(VN F),推动了网络服务部署由僵化的“网元”部署模式转向相对灵活的切片部署模式.该方法使得网络资源分配更加灵活,能够实现网络实时业务、应用智能的快速响应,提高服务质量.传统的VN F资源分配方法是用固定大小的网络资源对VN F实例进行实例化,但是这会导致各种网络资源分配不足或过度分配,从而造成资源的浪费.研究一种有效的VN F资源需求分配方法,是一项巨大的挑战.已经有研究者对VN F动态资源分配方法进行研究,其中的一些方法对S F C数据进行分析或特征提取,通过统计学或者传统机器学习的模型来预测VN F资源需求.主流的方法是依据流经每个VN F的网络流量随时间的变化或从
15、VN F网络拓扑结构中构建预测VN F资源需求的模型.但是,使用机器学习方法预测的准确度往往受研究者特征工程构建的影响,而且特征工程的步骤十分繁琐.为了降低特征工程构造的繁琐性和主观性带来的影响,研究者们使用深度学习技术对VN F资源进行预测.文献 根据VN F配置文件对VN F网络负载特征进行选择,但是没有考虑到输入不同特征会有不同权重,权重越大对预测结果的影响越大.由于VN F配置文件数据集包含执行环境信息、VN F处理信息等具有结构化特性的数据特征,因此显式地建模VN F特征之间的交互关系,充分捕获不同VN F特征之间的非线性关系,有助于提高VN F资源需求预测的准确性.文献 依据VN
16、F组件的拓扑结构,使用图神经网络构建预测VN F资源需求的模型.文献仅利用VN F配置历史数据,没有考虑VN F特征之间的交互对预测结果的影响.然而,这类方法仍然存在一些问题:)以往的研究对于VN F配置文件相关网络负载特征的权重未做区别,将所有VN F相关特征对预测结果的影响都看作相同;)由于VN F配置文件数据集具有结构化特性,构建VN F资源预测方法时未考虑特征交互.为解决以上问题,本文提出了基于特征权重感知的VN F资源需 求 预 测 方 法(F e a t u r e W e i g h tP e r c e p t i o nw i t hE C A N e t,FWP E C A
17、N e t).FWP E C AN e t方 法 中,使 用E C AN e t模块学习VN F特征向量的权重.E C AN e t是一种拥有轻量级通道注意力机制的卷积神经网络,进行局部跨通道交互且自适应确定卷积核大小,能够降低模型复杂度并且提高性能.将通过E C AN e t网络得到的VN F特征向量权重与原始的VN F特征向量进行乘积操作,以此来减少无用特征对模型预测结果的消极影响.另外,由于VN F配置文件数据集具有结构化特性,构建VN F资源预测的重点就是以加强特征交互的方式挖掘特征间深层的相互关系,增强网络负载特征与VN F性能特征之间的交互能力,提高模型预测精度,从而提高VN F动
18、态预测资源分配的准确度.本文的工作如下:)使用E C AN e t网络动态学习嵌入特征的权重,得到带有权重的VN F特征嵌入向量.)提出深度特征交互网络(D e e p F e a t u r e I n t e r a c t i o nN e t w o r k,D I N)挖掘网络负载特征与VN F性能特征之间的特征交互,丰富原有特征的表达内容,并提出了一种新的VN F动态资源预测方法.)在两个真实数据集N g i n xVN F和S q u i dVN F上将所提方法与基线对比,并对结果进行分析,验证了所提方法的有效性与精确性.相关工作 传统的V N F资源分配方法以往的VN F部署算
19、法大多使用固定的资源对每个VN F进行实例化 .当网络流量变化时,传统方法利用函数对VN F性能和资源之间的关系进行简单建模.在文献 中,将VN F性能和资源之间的关系建模为简单的线性函数关系.为了描述VN F性能和所需资源之间的非线性关系,文献 中使用了分段线性函数.但是对于高度非线性的函数,使用分段线性函数来近似代替会变得非常不准确.文献 使用数据包长度、流量数据率和流量状态(假设周期固定流量)来建模VN F性能和资源需求的关系,但需要预先知道网络状态等先验知识.以上方法表明VN F性能和资源需求的非线性关系并不能用函数建模,因此有学者提出使用机器学习方法来预测VN F实例所需资源.基于机
20、器学习的V N F资源预测文献 使用L S TM和A t t e n t i o n机制对S F C序列数据建模,预测VN F资源需求.文献 中使用机器学习方法构建VN F资源需求预测模型,预测的准确度往往受研究者的特征工程构建的影响,而且特征工程的步骤十分繁琐.为了降低特征工程构造的繁琐性和主观性带来的影响,研究者们使用深度学习技术对VN F资源进行预测.文献 通过考虑预算约束或容量约束,解决了VN F节点部署和容量分配问题.在机器学习或者统计学的方法中,特征工程的构建和算法模型的选取非常重要,而特征工程的构建又非常繁琐.文献 使用机器学习对流量特征建模,得到VN F的C P U消耗特征,以
21、此来预测VN F资源需求.文献 使用S e q u e n c e t o S e q u e n c e范例以及卷积长短期记忆,来解决网络边缘多种流量特征复杂的问题.以上方法表明,在VN F的特征提取和表示上,基于机器学习的方法比传统学习的方法更加简便和灵活.E C A N e t模块受人类视觉注意力运行机制的影响,一些研究者提出了注意力机制.注意力机制在多个领域都有应用,但一般以权重的形式存在.例如在机器翻译、语音识别智能应用中,通过给不同的词赋予不同的权重,使得语言处理更富有针对性.E C AN e t 是一种具有轻量级通道注意力机制的卷积神经网络,它在S E N e t 网络的基础上避
22、免了降维并实现了跨通道交互,并利用E C AN e t模块进行局部跨通道交互且自适应确定卷积核大小,能够降低模型复杂度并提高性能.文献 将注意力机制E C AN e t嵌入到U N e t的编码阶段,以提高模型的语义特征能力,从而提高绝缘子检测的准确性.文献 使用自注意模块学习深度融合特征各时间步的权重,为不同子区域的特征赋予不同的权重.文献 基于高度递归注意、宽度递归注意以及通道递归注意力个方面计算特征权重,最后使用权重融合注意的方法,提高了模型的预测精度.上述工作使用E C AN e t,通过局部跨通道连接,在不压缩特征通道维度的前提下,降低了模型的复杂度,在相应的特征权重学习任务中达到了
23、良好的效果.FWP E C A N e t方法本文利用机器学习建模和预测VN F资源需求,并提出了FWP E C AN e t方法.FWP E C AN e t框架如图所示,主要包括VN F特征表示模块、E C AN e t特征权重感知模块、特征交互融合模块以及预测输出模块.C o m p u t e rS c i e n c e计算机科学V o l ,N o ,S e p 图FWP E C AN e t资源预测模型图F i g O v e r v i e wa r c h i t e c t u r eo f t h ep r o p o s e dFWP E C AN e tm o d e
24、 l 特征表示模块嵌入层:由于独热编码在数据量比较大、特征比较多的情况下得到的VN F特征过于稀疏,不利于神经网络学习,因此我们使用嵌入向量层,将独热编码得到的高维稀疏向量变成低维稠密向量.用一个低维稠密向量来表示VN F特征,公式如下:eiWixi()其中,Wi是特征i的嵌入矩阵,xi是独热编码的特征向量,ei是低维稠密向量,构成了FWP E C AN e t模型的嵌入层.最终将低维稠密向量表示成:E(e,e,e,em)()E C A N e t特征权重感知模块受到计算机视觉领域中E C AN e t网络的影响,FWP E C AN e t方法中使用了E C AN e t特征权重表示模块,该
25、模块可以使VN F资源预测模型对不同特征重要程度进行区分.使用E C AN e t网络层得到VN F特征嵌入向量的权重大小,以此来区分VN F不同特征的重要性,削弱对VN F资源预测任务影响较小的特征影响,从而对VN F特征重要性做出区分.FWP E C AN e t框架图中的E C AN e t网络层的结构如图中间部分所示.首先,采用平均值方法将式()得到的VN F特征嵌入向量层的向量进行池化.它的嵌入向量ei表示为ei,ei,ei,ei k,则其平均值池化方法计算公式如下:eiT(ei)kkdei d()其中,i,t,ei表示第i个特征域的VN F特征嵌入向量,k表示VN F特征嵌入向量的
- 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 特征 权重 感知 VNF 资源 需求预测 方法
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。