面向多接入邊緣計(jì)算的VNFM分布式部署方案

馬 悅，張玉梅

(1.陜西中醫(yī)藥大學(xué) 信息化建設(shè)管理處，陜西 咸陽 712046；2.陜西師范大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院，陜西 西安 710119)

移動互聯(lián)網(wǎng)的飛速發(fā)展促使數(shù)據(jù)流量空前增長，5G多樣化和動態(tài)化的網(wǎng)絡(luò)服務(wù)對移動通信網(wǎng)絡(luò)提出超可靠低延遲(Ultra-Reliable Low-Latency Communications，URLLC)的需求。移動多接入邊緣計(jì)算(Multi-access Edge Computing，MEC)作為5G通信網(wǎng)絡(luò)的重要支撐技術(shù)，將計(jì)算能力、存儲能力“下沉”到移動邊緣節(jié)點(diǎn)，降低延遲并提升帶寬速率，為更多用戶提供高可靠、低時(shí)延的網(wǎng)絡(luò)服務(wù)。實(shí)際部署中，網(wǎng)絡(luò)功能虛擬化(Virtual Network Functions，NFV)為多接入邊緣計(jì)算的實(shí)現(xiàn)提供了網(wǎng)絡(luò)架構(gòu)級解決方案。歐洲電信標(biāo)準(zhǔn)協(xié)會(European Telecommunications Standards Institute，ETSI)提出在多接入邊緣計(jì)算架構(gòu)中部署虛擬網(wǎng)絡(luò)功能(Virtual Network Function，VNF)實(shí)例來實(shí)現(xiàn)網(wǎng)絡(luò)功能虛擬化[1]。在不改造底層物理網(wǎng)絡(luò)的基礎(chǔ)上分層解耦部署VNF，將各個(gè)物理資源池劃分為不同的管理域，并通過在管理域上部署獨(dú)立的虛擬化網(wǎng)絡(luò)功能管理器(Virtual Network Function Manager，VNFM)實(shí)現(xiàn)對虛擬網(wǎng)絡(luò)功能實(shí)例的分布式管理。

可見，虛擬化網(wǎng)絡(luò)功能管理器實(shí)例的部署將直接影響網(wǎng)絡(luò)性能。近年來，虛擬網(wǎng)絡(luò)功能部署問題得到廣泛研究，但是關(guān)于虛擬化網(wǎng)絡(luò)功能管理器部署的文獻(xiàn)相對匱乏。典型的虛擬化網(wǎng)絡(luò)功能管理器部署算法通常以合理配置所需的計(jì)算和通信資源為目標(biāo)[2]進(jìn)行研究。文獻(xiàn)[3-4]在能耗、網(wǎng)絡(luò)流量等約束條件的限制下最大化計(jì)算和通信資源利用率。文獻(xiàn)[5-6]聚焦于降低部署成本，設(shè)計(jì)了面向用戶服務(wù)質(zhì)量(Quality of Service，QoS)優(yōu)化的虛擬化網(wǎng)絡(luò)功能管理器部署方案。針對混合云架構(gòu)下的虛擬化網(wǎng)絡(luò)功能管理器部署方案，文獻(xiàn)[7-8]研究了不同基礎(chǔ)架構(gòu)組合起來的混合云環(huán)境虛擬化網(wǎng)絡(luò)功能管理器部署問題，但并不涉及邊緣部署。在此基礎(chǔ)上，文獻(xiàn)[9]提出了一種虛擬化網(wǎng)絡(luò)功能管理器部署解決方案。該方案實(shí)現(xiàn)了多云環(huán)境中成本效率與用戶服務(wù)質(zhì)量之間的折衷。上述文獻(xiàn)聚焦于如何提高虛擬化網(wǎng)絡(luò)功能管理器部署過程中的資源利用率和用戶服務(wù)質(zhì)量等。由于多接入邊緣計(jì)算邊緣托管的網(wǎng)絡(luò)服務(wù)對傳輸時(shí)延較為敏感，而上述算法沒有考慮傳輸時(shí)延的優(yōu)化問題，因此難以滿足多接入邊緣計(jì)算的實(shí)際應(yīng)用需求。

在多接入邊緣計(jì)算架構(gòu)中，為了向用戶提供低時(shí)延的網(wǎng)絡(luò)服務(wù)，運(yùn)營商將部分時(shí)延敏感的網(wǎng)絡(luò)功能“下沉”到了網(wǎng)絡(luò)邊緣，在業(yè)務(wù)面形成了分布式的虛擬網(wǎng)絡(luò)功能部署架構(gòu)。然而，傳統(tǒng)的虛擬化網(wǎng)絡(luò)功能管理器部署方案僅考慮了同一管理域內(nèi)的時(shí)延優(yōu)化問題，因此虛擬化網(wǎng)絡(luò)功能管理器主要部署在網(wǎng)絡(luò)中心。在多接入邊緣計(jì)算場景下，上述方案無法保證邊緣虛擬網(wǎng)絡(luò)功能的管理面時(shí)延。為了解決上述問題，筆者聚焦于研究分布式云平臺環(huán)境下的虛擬化網(wǎng)絡(luò)功能管理器部署問題，旨在設(shè)計(jì)分布式的虛擬化網(wǎng)絡(luò)功能管理器部署算法，保證多接入邊緣計(jì)算架構(gòu)下的管理面時(shí)延。目前，多接入邊緣計(jì)算場景下的虛擬網(wǎng)絡(luò)功能部署問題已經(jīng)出現(xiàn)了一些研究成果，但是相應(yīng)的虛擬化網(wǎng)絡(luò)功能管理器部署問題并未得到深入研究。文獻(xiàn)[10-12]提出邊緣云架構(gòu)下的虛擬化網(wǎng)絡(luò)功能管理器部署問題應(yīng)考慮相關(guān)VNFC組件在中心云基礎(chǔ)架構(gòu)物理機(jī)和多接入邊緣計(jì)算服務(wù)器上的協(xié)同部署。針對邊緣云和中心云的混合環(huán)境中的虛擬網(wǎng)絡(luò)功能部署問題，文獻(xiàn)[13]考慮到最小帶寬和最大端到端延遲的要求，在邊緣和中心云基礎(chǔ)架構(gòu)上引入虛擬網(wǎng)絡(luò)功能部署算法和優(yōu)化策略。文獻(xiàn)[14]通過在傳統(tǒng)云中部署更多的虛擬網(wǎng)絡(luò)功能從而增加邊緣云的最大利用率。文獻(xiàn)[15]將計(jì)算資源分配給虛擬實(shí)例，并將其部署在傳統(tǒng)云基礎(chǔ)架構(gòu)上，提高了服務(wù)可用性并降低了管理成本。在此基礎(chǔ)上，文獻(xiàn)[16]提出了邊緣云混合架構(gòu)中虛擬網(wǎng)絡(luò)功能部署的最小延遲算法。文獻(xiàn)[17]針對高可靠低延遲的需求，設(shè)計(jì)了一種基于遺傳算法的虛擬網(wǎng)絡(luò)功能方案，得到虛擬網(wǎng)絡(luò)功能實(shí)例部署最小通信開銷的思路。

上述研究全面地考慮了分布式云架構(gòu)下虛擬網(wǎng)絡(luò)功能部署的用戶服務(wù)質(zhì)量優(yōu)化問題。但是虛擬化網(wǎng)絡(luò)功能管理器功能作為NFV管理編排(MANagement and Orchestration，MANO)模塊中的基礎(chǔ)組件，需要周期性的采集所有邊緣服務(wù)器的個(gè)體狀態(tài)信息，形成網(wǎng)絡(luò)全局視圖。上述研究沒有考慮如何優(yōu)化多接入邊緣計(jì)算架構(gòu)下業(yè)務(wù)面VNF實(shí)例與VNFM之間的傳輸時(shí)延，因此難以保證NFV管理平面的實(shí)時(shí)性。

基于此，以多接入邊緣計(jì)算架構(gòu)下的超可靠低延遲應(yīng)用場景為導(dǎo)向，提出了一種面向多接入邊緣計(jì)算的VNFM功能分布式部署方案。首先，利用混合整數(shù)規(guī)劃模型對VNFM部署問題進(jìn)行建模，提出基于整數(shù)線性規(guī)劃的VNFM部署模型；然后，在所提整數(shù)線性規(guī)劃模型的基礎(chǔ)上，設(shè)計(jì)了一種基于免疫優(yōu)化算法的部署方案。算法綜合考慮個(gè)體的抗體親和度和抗原親和度，通過引入更全面的個(gè)體評價(jià)機(jī)制對VNFM部署策略的多樣性進(jìn)行評價(jià)，并加入了相應(yīng)的免疫機(jī)制，從而得出最佳VNFM實(shí)例部署方案。免疫算法在保留智能算法優(yōu)良特性的前提下，有目的地利用多樣性特征信息來抑制其優(yōu)化過程中出現(xiàn)的退化現(xiàn)象，能夠更加全面地評價(jià)個(gè)體，同時(shí)能夠有效避免算法在部署過程中陷入局部最優(yōu)解，提高算法性能?？梢姡庖邇?yōu)化算法適用于解決多接入邊緣計(jì)算中的VNFM部署問題。仿真結(jié)果證明，相比于量子遺傳算法，免疫優(yōu)化算法的個(gè)體評價(jià)機(jī)制能夠更有效地描述VNFM部署問題中個(gè)體的適應(yīng)度和個(gè)體間的相似度，減少算法在局部反復(fù)迭代的次數(shù)，提高算法的收斂效率和性能。

1 VNFM部署問題與模型描述

1.1 基于MEC架構(gòu)的VNFM分布式部署

為了降低MEC架構(gòu)下遠(yuǎn)端VNF實(shí)例與NFV管理平面之間的傳輸時(shí)延，筆者采用了分布式VNFM部署方法，其邏輯示意圖如圖1所示。其中，網(wǎng)絡(luò)的基礎(chǔ)設(shè)施包含多個(gè)地理上呈分布式部署的物理資源池，各個(gè)物理資源池由多個(gè)功能邊緣服務(wù)器和網(wǎng)絡(luò)轉(zhuǎn)發(fā)設(shè)備組成，負(fù)責(zé)為邊緣云VNF實(shí)例提供業(yè)務(wù)處理所需的計(jì)算、存儲和網(wǎng)絡(luò)資源。為了提高分布式NFV 平臺的管理效率，將MANO模塊中的VNFM功能抽象為分布式部署的多個(gè)邏輯模塊。在VNFM功能部署的過程中，首先將各個(gè)資源池劃分為不同的管理域，并通過在各個(gè)管理域部署獨(dú)立的VNFM管理實(shí)例以實(shí)現(xiàn)系統(tǒng)的分布式管理，各個(gè)域的VNFM實(shí)例通過統(tǒng)一的服務(wù)化接口互聯(lián)互通，在邏輯上形成集中的管理平面對地理上呈分布式部署的VNF實(shí)例進(jìn)行集中管理。文中關(guān)注的問題是如何設(shè)計(jì)合理的部署算法，劃分各個(gè)管理域并選擇合適的節(jié)點(diǎn)部署VNFM實(shí)例，使得管理平面的傳輸時(shí)延最小，提高M(jìn)EC架構(gòu)下NFV MANO管理平面的通信效率。

1.2 基于整數(shù)線性規(guī)劃的部署模型

在VNFM部署模型中，設(shè)物理網(wǎng)絡(luò)為無向賦權(quán)圖GS=(NS，LS)，其中，NS代表物理服務(wù)器節(jié)點(diǎn)組成的集合，LS代表服務(wù)器節(jié)點(diǎn)間鏈路組成的集合。VNFM部署請求為無向賦權(quán)圖GV=(NV，LV)，其中，NV為請求的VNFM功能實(shí)例組成的集合，LV為實(shí)例間鏈路組成的集合。設(shè)定物理服務(wù)器的數(shù)量為n，VNFM實(shí)例的數(shù)量為m。定義n維列向量W，其中的任一元素wi表示服務(wù)器i上需要管理的VNF實(shí)例數(shù)量。定義n×m維矩陣D，其中任一元素dij表示服務(wù)器i與VNFM實(shí)例j之間的時(shí)延，同時(shí)根據(jù)服務(wù)水平協(xié)議(Service Level Agreement，SLA)中的QoS需求，設(shè)定最大時(shí)延閾值為s。最后，定義二值化n維列向量X，其中任一元素xi=1，表示在服務(wù)器i上部署VNFM實(shí)例，反之xi=0。設(shè)二值化n×m維矩陣Z，其中任一元素zij=1表示服務(wù)器i上的VNF實(shí)例由VNFM實(shí)例j負(fù)責(zé)管理。綜合上述定義，VNFM部署問題可以規(guī)約為如下0-1規(guī)劃模型。

優(yōu)化目標(biāo)：

(1)

約束條件：

(2)

zij≤xj， ?i∈NS，j∈NV，

(3)

(4)

dij≤s， ?i∈NS，j∈NV，

(5)

zij∈{0，1}，xi∈{0，1}， ?i∈NS，j∈NV。

(6)

2 基于免疫優(yōu)化算法的VNFM部署方案

為了獲取VNFM實(shí)例部署的最小通信開銷，部署方案需要確定需要部署的VNFM實(shí)例的數(shù)量、各個(gè)VNFM部署的物理服務(wù)器位置，以及每個(gè)VNFM實(shí)例的管理范圍。相比于現(xiàn)有的智能算法[18-19](如遺傳算法、粒子群算法和蟻群算法等)以種群中個(gè)體適應(yīng)度為導(dǎo)向的尋優(yōu)策略，免疫優(yōu)化算法借鑒了免疫系統(tǒng)的多樣性特征，引入了個(gè)體親和度，能夠更加全面地評價(jià)個(gè)體。筆者提出了一種基于免疫優(yōu)化算法的VNFM部署方案，加入了對VNFM部署策略的多樣性評價(jià)和相應(yīng)的免疫機(jī)制，并用其求解上述0-1規(guī)劃模型，從而得出最佳VNFM實(shí)例部署方案。

2.1 抗體群初始化

免疫優(yōu)化算法是根據(jù)抗體與抗原間以及抗體之間親和度的尋優(yōu)的智能算法。針對VNFM部署問題，采用直接編碼方式對抗體進(jìn)行編碼。編碼后抗體為[α1，…，αm]，其中，任意碼字αi=ni表示VNFM實(shí)例i部署在序號為ni的服務(wù)器上，m為預(yù)設(shè)的VNFM實(shí)例數(shù)量。針對有30個(gè)服務(wù)器的邊緣云，預(yù)設(shè)請求的VNFM數(shù)量為4個(gè)，若編碼為[2，7，9，14]，則表示在序號為2，7，9，14的4個(gè)服務(wù)器上部署VNFM實(shí)例。此種編碼方式可以保證部署決策滿足式(4)和式(6)的約束條件。

2.2 多樣化評價(jià)

抗體與抗原親和度：抗體與抗原之間的親和度用于表示抗體對抗原的識別程度，在VNFM部署問題中表示求解的部署策略與優(yōu)化目標(biāo)之間的接近程度。針對第二節(jié)中提出的0-1規(guī)劃模型，本節(jié)設(shè)計(jì)了抗原與抗體v間親和度計(jì)算公式：

(7)

抗體間親和度：抗體間的親和度用于表示抗體之間的相似程度，此處采用R位連續(xù)匹配方案計(jì)算抗體間親和度的值，即

(8)

其中，kv，s表示抗體v和抗體s中連續(xù)相同的位數(shù)，m表示抗體編碼長度。在VNFM部署問題中抗體間親和度能夠有效地識別相似的部署策略，從而避免算法過早陷入局部最優(yōu)，優(yōu)化求解性能。

抗體濃度：抗體濃度表示種群中與抗體v相似的抗體所占的比例，即

(9)

其中，N表示種群數(shù)量，ε(·)表示階躍函數(shù)，δ表示適應(yīng)度閾值，即超過該閾值則認(rèn)為抗體間表現(xiàn)出過高的相似性。

期望繁殖概率：在種群中，任一抗體v的繁殖概率由抗體與抗原間親和度Av以及抗體濃度μv共同決定，即

(10)

抗體的抗原親和度越高，期望繁殖概率越大，同時(shí)抗體濃度機(jī)制會抑制相似的抗體不斷繁殖；當(dāng)抗體濃度增加時(shí)，期望繁殖概率會下降。

2.3 基于免疫優(yōu)化算法的VNFM部署

基于免疫優(yōu)化算法的VNFM部署方案如算法1所示，算法輸入?yún)?shù)為云平臺的物理拓?fù)浜蜁r(shí)延矩陣，輸出參數(shù)為最優(yōu)的VNFM部署決策矩陣。其中，第①、②行對免疫優(yōu)化算法所需的基本參數(shù)進(jìn)行了初始化，第③～⑨行實(shí)現(xiàn)免疫優(yōu)化算法的迭代進(jìn)化。第⑤行中算法隨機(jī)從種群中選擇兩個(gè)抗體進(jìn)行配對，并隨機(jī)設(shè)置任意單點(diǎn)碼位作為交叉點(diǎn)，根據(jù)預(yù)設(shè)的交叉概率交換兩個(gè)抗體交叉點(diǎn)處的編碼字段，從而產(chǎn)生出兩個(gè)新的抗體。為了防止算法快速陷入局部最優(yōu)，第⑥行采用了輪盤賭法選擇進(jìn)行變異操作的碼位。輪盤賭選擇機(jī)制是一種放回式隨機(jī)采樣方法。利用期望繁殖概率表示其變異概率，個(gè)體期望繁殖概率越高，其發(fā)生變異的可能性越大。

算法1基于免疫優(yōu)化算法的VNFM部署。

輸入：云平臺物理拓?fù)?，時(shí)延矩陣D。

輸出：最優(yōu)VNFM部署決策矩陣X*和Z*。

① 初始化免疫優(yōu)化參數(shù)：種群規(guī)模NIND，最大進(jìn)化代數(shù)MAXGEN，懲罰因子η和適應(yīng)度閾值δ等。

② 初始化編碼種群中的全部抗體。

③ for gen=1∶MAXGEN

④ 計(jì)算各個(gè)抗體的期望繁殖概率。

⑤ 采用隨機(jī)交叉法執(zhí)行抗體編碼字段交叉操作。

⑥ 采用輪盤賭法在抗體上選擇碼位執(zhí)行變異操作。

⑦ 計(jì)算新生成抗體的期望繁殖概率。

⑧ 用子代中適應(yīng)度高的染色體替換父代中適應(yīng)度低的染色體，形成新的種群。

⑨ end for

⑩ 保留最終代中最優(yōu)染色體，返回其對應(yīng)的VNFM部署決策變量X*和管理關(guān)系Z*。

圖2 物理網(wǎng)絡(luò)拓?fù)鋱D

3 性能評估及分析

3.1 仿真環(huán)境

在Intel(R) Pentium(R) 3.40 GHz CPU，4 GB內(nèi)存的PC機(jī)上仿真，使用GT-ITM生成物理網(wǎng)絡(luò)，拓?fù)浣Y(jié)構(gòu)如圖2所示。圖中物理拓?fù)涔舶?1個(gè)物理節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)表示一個(gè)邊緣高性能服務(wù)器配置參數(shù)選用華為2 288H V5型服務(wù)器，28核 2.2 GHzCPU，64 GB內(nèi)存，2 TB硬盤，實(shí)驗(yàn)所用物理拓?fù)淙鐖D2所示。免疫優(yōu)化算法參數(shù)設(shè)置如下：種群規(guī)模設(shè)為50，記憶庫容量為10，最大迭代次數(shù)為100，交叉概率為0.5，變異概率為0.4。

3.2 結(jié)果分析

將VNFM數(shù)量設(shè)置為6個(gè)，分別為經(jīng)過免疫優(yōu)化算法和量子遺傳算法計(jì)算后得到如圖3和圖4所示的VNFM部署示意圖。從拓?fù)涔芾淼慕嵌确治?，?dāng)節(jié)點(diǎn)位置符合“域內(nèi)聚合、域間離散”時(shí)，對網(wǎng)絡(luò)拓?fù)溥M(jìn)行管理的效果最佳。對比圖3和圖4，可知圖3所示免疫優(yōu)化算法的部署結(jié)果能夠更好地實(shí)現(xiàn)網(wǎng)絡(luò)拓?fù)涞墓芾碛騽澐帧?/p>

圖3 免疫優(yōu)化算法部署示意圖

圖4 量子遺傳算法部署示意圖

圖5給出了當(dāng)前狀態(tài)下免疫優(yōu)化算法、量子遺傳算法以及蟻群算法的通信開銷和收斂性對比圖，其中通信開銷由式(1)定義，表示VNFM管理面的總體通信時(shí)延。通過對比可以得出，文中所提基于免疫優(yōu)化的VNFM部署方案能夠在量子遺傳算法和蟻群算法的基礎(chǔ)上降低VNFM實(shí)例間通信的總體時(shí)延。此外，所提免疫優(yōu)化算法能夠提高收斂效率，更快地獲取VNFM部署的最優(yōu)解。仿真結(jié)果證明，相比于量子遺傳算法和蟻群算法，免疫優(yōu)化算法的個(gè)體評價(jià)機(jī)制能夠更全面和有效地描述VNFM部署問題中個(gè)體的適應(yīng)度和個(gè)體間的相似度，減少算法在局部反復(fù)迭代的次數(shù)，提高算法的收斂效率和性能。

圖6給出在部署不同數(shù)量VNFM實(shí)例的場景下，免疫優(yōu)化算法、量子遺傳算法和蟻群算法的通信開銷對比情況。如圖6所示，隨著VNFM數(shù)量的上升，3種算法的通信開銷都呈現(xiàn)出先下降后上升的趨勢，這是由于初始狀態(tài)VNFM實(shí)例的增多降低了遠(yuǎn)端節(jié)點(diǎn)與管理平面之間的通信時(shí)延，從而實(shí)現(xiàn)系統(tǒng)通信開銷的下降；而隨著VNFM實(shí)例的持續(xù)增加，管理平面內(nèi)部通信時(shí)延顯著增加，而此時(shí)VNFM節(jié)點(diǎn)的增加僅能少量地降低管理平面與遠(yuǎn)端節(jié)點(diǎn)之間的通信時(shí)延，因此系統(tǒng)的總體通信開銷反而呈上升趨勢。比較3種算法，可見免疫優(yōu)化算法的通信開銷較量子遺傳算法和蟻群算法更低。且相比于其他兩種算法，免疫優(yōu)化算法引入了更全面的個(gè)體評價(jià)機(jī)制，綜合考慮了個(gè)體的抗體親和度和抗原親和度，有效地避免算法過早陷入局部最優(yōu)解，從而在全局的角度更加逼近最優(yōu)解。

圖5 算法收斂對比

圖6 網(wǎng)絡(luò)通信開銷對比

對比量子遺傳算法與免疫優(yōu)化算法的進(jìn)化過程，量子遺傳算法采用了單一的適應(yīng)度函數(shù)描述VNFM部署問題的優(yōu)化目標(biāo)，且采用了編碼長度較長的量子編碼方法描述VNFM的部署結(jié)果。相比之下，免疫優(yōu)化算法采用了抗原-抗體適應(yīng)度相結(jié)合的復(fù)合方法描述該問題的優(yōu)化目標(biāo)，同時(shí)采用了編碼長度較短的整數(shù)編碼方式表示部署結(jié)果。通過綜合對比兩種算法在收斂曲線和通信開銷方面的性能可以得出結(jié)論，本文提出的免疫優(yōu)化算法更適合分布式VNFM部署問題的求解。

圖7 算法執(zhí)行CPU時(shí)間

圖7給出了7種算法執(zhí)行的CPU時(shí)間對比，對比實(shí)驗(yàn)中3種算法的最大進(jìn)化代數(shù)都固定為50代。由圖7所示，本文所提免疫優(yōu)化算法的CPU運(yùn)行時(shí)間較其他兩種算法更低。相比于量子遺傳算法，免疫優(yōu)化算法不需要進(jìn)行量子旋轉(zhuǎn)門和個(gè)體之間的矩陣內(nèi)積運(yùn)算，降低了算法的復(fù)雜度，因此提高了算法的運(yùn)行效率。與蟻群算法相比，在VNFM節(jié)點(diǎn)較少的場景中，因?yàn)槊庖邇?yōu)化算法的適應(yīng)度評價(jià)指標(biāo)更加復(fù)雜，其消耗的CPU時(shí)間相對更長，但是隨著VNFM節(jié)點(diǎn)的增多，文中提出的免疫優(yōu)化算法占用了更少的CPU時(shí)間。其主要原因在于免疫優(yōu)化算法的評價(jià)方式更加全面，算法不易陷入局部最優(yōu)，能夠更快地收斂到最優(yōu)解。

4 結(jié)束語

針對MEC架構(gòu)下的VNFM功能部署問題，筆者提出一種基于免疫優(yōu)化算法的VNFM部署方案。首先，利用混合整數(shù)規(guī)劃模型對VNFM的部署問題進(jìn)行建模，給出基于整數(shù)線性規(guī)劃的VNFM部署模型；然后，在所提整數(shù)線性規(guī)劃模型的基礎(chǔ)上，設(shè)計(jì)了一種基于免疫優(yōu)化算法的部署方案。所提免疫優(yōu)化算法在保留智能算法優(yōu)良特性的前提下，借鑒免疫系統(tǒng)的多樣性特征，引入了個(gè)體親和度，同時(shí)關(guān)注系統(tǒng)整體及單個(gè)VNFM性能。通過引入更全面的個(gè)體評價(jià)機(jī)制對VNFM部署策略的多樣性進(jìn)行評價(jià)，并加入了相應(yīng)的免疫機(jī)制，從而得出最佳VNFM實(shí)例部署方案。仿真結(jié)果表明相比于量子遺傳算法，免疫優(yōu)化算法的個(gè)體評價(jià)機(jī)制能夠更有效地描述VNFM部署問題中個(gè)體的適應(yīng)度和個(gè)體間的相似度；算法能夠有效避免算法在部署過程中陷入局部最優(yōu)解，提高算法性能；并且能夠加速算法收斂效率，降低算法執(zhí)行的CPU時(shí)間。但是本文方案不能智能化地確定所需的VNFM實(shí)例數(shù)量。后續(xù)工作中將針對該問題進(jìn)行改進(jìn)。