寬窄融合網(wǎng)絡(luò)切片調(diào)度算法的研究與實現(xiàn)

章廣梅，王均春，胡金龍，董守玲，徐寅鑫

(1.中國電子科技集團公司第七研究所， 廣東 廣州 510310 2.國防科技大學(xué) 信息通信學(xué)院，湖北 武漢 430010 3.華南理工大學(xué) 計算機科學(xué)與工程學(xué)院， 廣東 廣州 510640)

5G 網(wǎng)絡(luò)使得網(wǎng)絡(luò)應(yīng)用類型變得更加多樣，未來必將涌現(xiàn)各種具有差異化性能需求的新型應(yīng)用，比如，有些應(yīng)用需要低時延，有些應(yīng)用需要高帶寬，而有些應(yīng)用則需要更高的可靠性要求。 然而，當(dāng)前網(wǎng)絡(luò)一方面還不夠靈活，無法充分利用網(wǎng)絡(luò)資源進行業(yè)務(wù)服務(wù)，導(dǎo)致每引入一種新業(yè)務(wù)就要單獨配備一套獨立的網(wǎng)絡(luò)結(jié)構(gòu)和資源，對網(wǎng)絡(luò)管理和運營帶來了較大不便且資源利用率低，而另一方面則是無法實現(xiàn)業(yè)務(wù)定制化的數(shù)據(jù)傳輸需求，僅能滿足已有常見的業(yè)務(wù)性能。

現(xiàn)有的網(wǎng)絡(luò)切片調(diào)度算法主要包括啟發(fā)式算法和基于軟件定義網(wǎng)絡(luò)（SDN）架構(gòu)的調(diào)度算法。 傳統(tǒng)的調(diào)度方式，比如利用遺傳算法［1］解決服務(wù)功能鏈（SFC）的部署，以此達到鏈路之間的公平分配，但是這種方法僅僅是解決單一調(diào)度周期的問題，并且現(xiàn)有的網(wǎng)絡(luò)環(huán)境是復(fù)雜多變的，傳統(tǒng)算法選擇的鏈路很有可能在某一時刻發(fā)生堵塞而無法進行流量傳輸，而其他鏈路又是處于空閑狀態(tài)，這就造成了資源的不必要浪費，因此傳統(tǒng)算法具有一定的局限性。SDN 的出現(xiàn)為數(shù)據(jù)中心網(wǎng)絡(luò)的發(fā)展提供了契機［2］，其中，基于SDN 與網(wǎng)絡(luò)功能虛擬化（NFV）融合的網(wǎng)絡(luò)切片資源分配優(yōu)化算法［3］，對不同的業(yè)務(wù)需求劃分對應(yīng)的虛擬子網(wǎng)節(jié)點集合，再根據(jù)不同SFC 的要求，對每一類網(wǎng)絡(luò)切片建模；基于最大最小蟻群的NFV 部署方法［4］，利用SFC 保留歷史隊列信息以預(yù)測網(wǎng)絡(luò)的未來狀態(tài)，根據(jù)預(yù)測結(jié)果進行NFV 的調(diào)度；基于改進式貪婪算法的5G 網(wǎng)絡(luò)切片動態(tài)資源調(diào)度策略［5］，將用戶和切片按優(yōu)先級和服務(wù)權(quán)重從大到小排列，依次組合起來，完成用戶服務(wù)；基于GA?PSO 優(yōu)化的網(wǎng)絡(luò)切片編排算法［6］，通過遺傳算法中的雜交變異思想，進行快速隨機搜索，更新并優(yōu)化網(wǎng)絡(luò)切片，然后利用粒子群追逐局部最優(yōu)解與全局最優(yōu)解，從而得到最優(yōu)的網(wǎng)絡(luò)切片。 這些方法雖然改變了切換業(yè)務(wù)與新業(yè)務(wù)的被動接受的優(yōu)先級［7］，但是使用固定的調(diào)度閾值，一旦網(wǎng)絡(luò)環(huán)境發(fā)生變化，上述方法一般需要重新進行搜索求解，且當(dāng)網(wǎng)絡(luò)環(huán)境復(fù)雜時算法收斂速度較慢，難以適應(yīng)在線或?qū)崟r的網(wǎng)絡(luò)切片調(diào)度需求。

為了動態(tài)調(diào)整切片的調(diào)度閾值以適應(yīng)網(wǎng)絡(luò)環(huán)境的變化，本文在預(yù)路徑規(guī)劃的切片構(gòu)造算法［8］的基礎(chǔ)上，提出一種基于深度強化學(xué)習(xí)的切片調(diào)度算法，為不同的業(yè)務(wù)靈活提供定制化服務(wù)，在適應(yīng)多變復(fù)雜的網(wǎng)絡(luò)環(huán)境的前提下，盡可能減少切片構(gòu)造的時間開銷，將切片構(gòu)造和切片調(diào)度算法相結(jié)合，快速高效地實現(xiàn)業(yè)務(wù)數(shù)據(jù)定制化傳輸和通信網(wǎng)絡(luò)高效靈活的可管可控。

1 面向業(yè)務(wù)需求的切片構(gòu)造方法

1.1 QoS 切片構(gòu)造

當(dāng)今網(wǎng)絡(luò)足夠復(fù)雜，網(wǎng)絡(luò)中存在多個用戶，并且每個用戶可以訪問不同類型的應(yīng)用服務(wù)器，網(wǎng)絡(luò)拓撲圖也十分龐大。 如果使用復(fù)雜的路由算法［9］，將會耗費很多時間來計算路由，增加了計算的時間開銷，因此本文根據(jù)業(yè)務(wù)QoS 需求表、網(wǎng)絡(luò)拓撲信息和業(yè)務(wù)流量信息預(yù)先構(gòu)造切片路徑，按照業(yè)務(wù)的優(yōu)先級從高到低依次執(zhí)行QoS 切片構(gòu)造算法，為每一種業(yè)務(wù)類型構(gòu)造出專屬的網(wǎng)絡(luò)鏈路并保留網(wǎng)絡(luò)切片資源，主要分為信息搜集和切片構(gòu)造的路徑劃分兩部分。

1.2 信息搜集

主要負責(zé)搜集3 類信息，分別是業(yè)務(wù)的QoS 需求表、網(wǎng)絡(luò)拓撲信息以及網(wǎng)絡(luò)流量信息，其中：

（1） 業(yè)務(wù)的QoS 需求表包括業(yè)務(wù)的類型、優(yōu)先級、帶寬需求、時延要求、可靠性要求、頻率需求等信息。

（2） 網(wǎng)絡(luò)拓撲信息即網(wǎng)絡(luò)拓撲有向圖，可以從實際的網(wǎng)絡(luò)拓撲轉(zhuǎn)換而來，有向圖中的邊代表節(jié)點之間的鏈路，邊權(quán)重代表鏈路的帶寬大小。

（3） 網(wǎng)絡(luò)流量信息即根據(jù)歷史信息得到的每種業(yè)務(wù)的帶寬需求的閾值、各個業(yè)務(wù)的發(fā)送端節(jié)點和接收端節(jié)點構(gòu)成的業(yè)務(wù)矩陣以及網(wǎng)絡(luò)中分配的頻率資源池。

1.3 路徑劃分

QoS 切片構(gòu)造的過程可以描述為：給定網(wǎng)絡(luò)的整體拓撲結(jié)構(gòu)，將業(yè)務(wù)的QoS 需求、業(yè)務(wù)矩陣和頻率資源池作為輸入，根據(jù)QoS 切片的構(gòu)造方法為該業(yè)務(wù)劃分出一組切片資源，將該切片資源分出一部分用于滿足該業(yè)務(wù)的QoS 需求，修改資源池中的有效可用資源，并從頻率資源池中選出與業(yè)務(wù)需求最貼近的頻率分配給業(yè)務(wù)，修改資源池中的剩余頻率資源，最后使用貪婪算法將所有的業(yè)務(wù)全部處理完畢。

單個的QoS 切片構(gòu)造的目標(biāo)函數(shù)及約束條件如下。

式中：E 表示邊集合；b（u，v）表示邊（u，v）是否用于傳輸流量；jQ表示業(yè)務(wù)的頻率需求；kQ表示網(wǎng)絡(luò)分配的頻率；g（u，v）表示某一流量在邊（u，v）上傳輸?shù)牧?；a（u，v）表示鏈路的總?cè)萘浚籪Q表示業(yè)務(wù)的帶寬需求。

該算法的目標(biāo)是在滿足業(yè)務(wù)QoS 需求的前提下，業(yè)務(wù)傳輸使用的鏈路條數(shù)最少，以此保證時延，并且把網(wǎng)絡(luò)中的頻率資源最貼合地分配給對應(yīng)的業(yè)務(wù)。 約束條件則依次表示某一條鏈路只能選擇傳輸或者不傳輸業(yè)務(wù)流量；業(yè)務(wù)傳輸?shù)牧髁考炔荒艹^鏈路的總?cè)萘?，也必須要滿足業(yè)務(wù)的帶寬需求；鏈路的傳輸總流量不能超過其總?cè)萘?；中間節(jié)點輸入輸出的流量需要保持一致，發(fā)送端和接收端節(jié)點的流量也要和業(yè)務(wù)流量保持一致。

使用貪婪算法完成所有QoS 切片的構(gòu)造：按優(yōu)先級高低依次處理各類業(yè)務(wù)，對每一類業(yè)務(wù)，選擇對應(yīng)的網(wǎng)絡(luò)頻率進行分配，求得切片路徑，保留路徑上的節(jié)點所要傳輸?shù)臉I(yè)務(wù)流量，修改各節(jié)點上剩余資源數(shù)量以及修改網(wǎng)絡(luò)可用頻率信息，然后處理下一個業(yè)務(wù)，直到優(yōu)先級最低的業(yè)務(wù)也被處理。

2 基于深度強化學(xué)習(xí)的調(diào)度算法

2.1 研究思路

現(xiàn)有的網(wǎng)絡(luò)切片調(diào)度算法主要采用的是啟發(fā)式算法，或者是基于精確數(shù)學(xué)模型的優(yōu)化算法，然而這些算法并沒有考慮到無線網(wǎng)絡(luò)環(huán)境的時變性，目前采用的算法規(guī)則大多是固定的、不可變化的，并不具有自我演進的功能。 此外，由于寬窄融合網(wǎng)絡(luò)拓撲十分復(fù)雜，很難在拓撲和切片的選擇以及實際效果之間推導(dǎo)出精確的關(guān)系表達式即啟發(fā)式算法的固定規(guī)則很難在復(fù)雜的網(wǎng)絡(luò)拓撲環(huán)境中推導(dǎo)出來，因此本文以切片構(gòu)造的結(jié)果為基礎(chǔ)，采用基于深度強化學(xué)習(xí)的方法，學(xué)習(xí)在不同的網(wǎng)絡(luò)環(huán)境下切片調(diào)度的最優(yōu)調(diào)度策略，即每個切片的可用帶寬閾值，切片調(diào)度時，切片可用帶寬高于閾值則繼續(xù)選擇該切片進行調(diào)度，低于閾值則選擇優(yōu)先級更高的切片進行調(diào)度，以此達到業(yè)務(wù)定制化數(shù)據(jù)傳輸?shù)男枨蟆?/p>

2.2 問題建模

圖1 表示在每個調(diào)度周期，切片調(diào)度器根據(jù)觀測到的網(wǎng)絡(luò)狀態(tài)以及感知到的業(yè)務(wù)信息，將其作為策略神經(jīng)網(wǎng)絡(luò)的輸入，并輸出此時選擇各個切片的概率向量，然后調(diào)度器選擇概率最大的切片來執(zhí)行選擇動作，并觀察獎勵函數(shù)的反饋，不斷迭代，直到在每一個調(diào)度周期，調(diào)度器都能執(zhí)行最優(yōu)的調(diào)度策略，達到定制化服務(wù)的要求。

圖1 調(diào)度周期流程圖

2.2.2 深度確定性策略梯度（DDPG）網(wǎng)絡(luò)模型

采用的DDPG 網(wǎng)絡(luò)模型有4 個網(wǎng)絡(luò)，分別是Actor 當(dāng)前網(wǎng)絡(luò)、Actor 目標(biāo)網(wǎng)絡(luò)、Critic 當(dāng)前網(wǎng)絡(luò)、Critic 目標(biāo)網(wǎng)絡(luò)，它們的功能分別如下。

Actor 當(dāng)前網(wǎng)絡(luò)：實現(xiàn)策略神經(jīng)網(wǎng)絡(luò)參數(shù)ω的更新，其根據(jù)當(dāng)前狀態(tài)st選擇動作at， 與環(huán)境交互后得到下一個狀態(tài)st＋1和環(huán)境反饋的獎勵值rt；

Actor 目標(biāo)網(wǎng)絡(luò)：從經(jīng)驗回收池中采樣下一個狀態(tài)st＋1， 選擇下一個最優(yōu)動作at＋1， 并且定期將Actor 當(dāng)前網(wǎng)絡(luò)參數(shù)ω復(fù)制給ω′；

Critic 當(dāng)前網(wǎng)絡(luò)：實現(xiàn)價值網(wǎng)絡(luò)參數(shù)θ的更新，計算當(dāng)前Q值和目標(biāo)Q值；

Critic 目標(biāo)網(wǎng)絡(luò)：負責(zé)協(xié)助計算目標(biāo)Q值，并且定期將Critic 當(dāng)前網(wǎng)絡(luò)參數(shù)θ復(fù)制給θ′。

狀態(tài)：假設(shè)在第t個調(diào)度周期時，系統(tǒng)的狀態(tài)表示為st＝（st，1，st，2，…，st，n），其中st，i（1 ≤i≤n）表示第i個切片在第t個周期的網(wǎng)絡(luò)狀態(tài)。st，i有多個狀態(tài)參數(shù)構(gòu)成，其定義為st，i＝（xt，i，wt，i，dt，i，ut，i，vt，i，ct，i），其中

xt，i：在第t個調(diào)度周期，第i個切片的可用帶寬；

wt，i：在第t個調(diào)度周期，業(yè)務(wù)請求的帶寬需求；

dt，i：在第t個調(diào)度周期，第i個切片的平均往返時延；ut，j：在第t個調(diào)度周期，業(yè)務(wù)請求的時延要求；vt，i：在第t個調(diào)度周期，第i個切片的丟包率；ct，i：在第t個調(diào)度周期，業(yè)務(wù)請求的丟包率要求；

動作：智能體觀測環(huán)境狀態(tài)后，經(jīng)過確定性策略返回一組概率向量，表示將該業(yè)務(wù)調(diào)度到某個切片的概率值，切片調(diào)度器選擇最大概率值的切片進行業(yè)務(wù)分配，此即為強化學(xué)習(xí)算法的動作at。

獎勵：智能體根據(jù)策略選擇動作后，在下一個調(diào)度周期切片調(diào)度器執(zhí)行該動作選擇業(yè)務(wù)對應(yīng)的切片，該周期結(jié)束時狀態(tài)更新為下一個狀態(tài)，同時將本次調(diào)度的獎勵值rt交給智能體。

策略：本文采用深度強化學(xué)習(xí)的DDPG 算法，是確定性策略，執(zhí)行該策略時，得到一個狀態(tài)st， 智能體就會執(zhí)行對應(yīng)的動作at＝μ（st）。 具體來說，切片調(diào)度器的調(diào)度策略的執(zhí)行過程可表示為根據(jù)當(dāng)前環(huán)境狀態(tài)的序列選擇一系列對應(yīng)的動作來執(zhí)行切片調(diào)度。 在DDPG 算法中使用人工神經(jīng)網(wǎng)絡(luò)來表示策略，網(wǎng)絡(luò)的輸入是狀態(tài)信息和業(yè)務(wù)信息，網(wǎng)絡(luò)的輸出則是調(diào)度動作。

2.2.3 獎勵函數(shù)

本文設(shè)計的獎勵函數(shù)如下

式中：0＜λ ＜1，0＜α ＜1，0＜β ＜1 表示權(quán)重，獎勵函數(shù)的第一項代表切片可用帶寬與業(yè)務(wù)的帶寬需求的貼合程度，因為本文設(shè)計的獎勵函數(shù)側(cè)重于帶寬需求，因此將二者的差值作為分母以提高其權(quán)重；獎勵函數(shù)的第二項代表業(yè)務(wù)的時延要求與切片當(dāng)前時延的貼合程度；獎勵函數(shù)的第三項代表業(yè)務(wù)的丟包要求和切片當(dāng)前丟包率的貼合程度。

2.3 算法框架及算法設(shè)計

2.3.1 基于深度強化學(xué)習(xí)的切片調(diào)度框架

本文采用人工神經(jīng)網(wǎng)絡(luò)表示調(diào)度的確定性策略和值函數(shù)的估值，將觀測到的網(wǎng)絡(luò)環(huán)境狀態(tài)和業(yè)務(wù)感知端感知到的業(yè)務(wù)信息作為神經(jīng)網(wǎng)絡(luò)的輸入，輸出則是值函數(shù)的估值信息和一個概率向量，切片調(diào)度器選擇概率最大的切片進行調(diào)度，視為調(diào)度動作。

具體的實現(xiàn)過程為：（1） 首先進行網(wǎng)絡(luò)訓(xùn)練，感知端感知業(yè)務(wù)類型，得到業(yè)務(wù)對應(yīng)的QoS 需求，切片調(diào)度器實時監(jiān)測所有切片的網(wǎng)絡(luò)狀態(tài)，將業(yè)務(wù)和切片的信息作為DDPG 神經(jīng)網(wǎng)絡(luò)的初始狀態(tài)，利用貪心策略選擇概率值最大的切片進行調(diào)度，得到當(dāng)前獎勵值并更新下一個時刻的神經(jīng)網(wǎng)絡(luò)狀態(tài)，不斷訓(xùn)練直到模型收斂，學(xué)出較好的調(diào)度策略即根據(jù)獎勵函數(shù)的反饋學(xué)到每個切片的帶寬利用閾值，切片可用帶寬高于閾值，則繼續(xù)選擇該切片傳輸業(yè)務(wù)，切片帶寬低于閾值，則選擇更高優(yōu)先級的切片傳輸業(yè)務(wù)。 （2） 然后進行切片調(diào)度，使用訓(xùn)練得到的調(diào)度策略進行切片調(diào)度，并把每次調(diào)度的信息以（st，at，rt，st＋1，t） 的形式存入經(jīng)驗回收池，經(jīng)過一定調(diào)度周期后將經(jīng)驗回收池中儲存的數(shù)據(jù)按批次取出，繼續(xù)訓(xùn)練網(wǎng)絡(luò)，得到更好的調(diào)度策略，如此反復(fù)迭代，直到獎勵函數(shù)值不再提升為止，得到最好的調(diào)度策略，整體框架如圖2 所示。

圖2 基于深度強化學(xué)習(xí)的網(wǎng)絡(luò)切片調(diào)度算法框架

圖2 的控制層實現(xiàn)切片的在線調(diào)度，切片調(diào)度器將觀測到的網(wǎng)絡(luò)狀態(tài)和業(yè)務(wù)感知端感知到的業(yè)務(wù)信息st作為神經(jīng)網(wǎng)絡(luò)的輸入，輸出層使用softmax 函數(shù)，輸出一組切片選擇的概率向量，調(diào)度器選擇最大概率的切片進行調(diào)度，輸出動作at； 然后回報函數(shù)會反饋切片調(diào)度器本次調(diào)度的獎勵值rt，同時環(huán)境狀態(tài)轉(zhuǎn)移到調(diào)度后的狀態(tài)st＋1， 這些交互信息會被經(jīng)驗采集器以（st，at，rt，st＋1，t） 的形式保存在經(jīng)驗回收池中，供訓(xùn)練層使用。

圖2 的訓(xùn)練層實現(xiàn)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，經(jīng)驗采集器按照規(guī)定好的批次大小將經(jīng)驗回收池中的調(diào)度信息取出，進行網(wǎng)絡(luò)訓(xùn)練，更新網(wǎng)絡(luò)的訓(xùn)練參數(shù)。

寬窄融合網(wǎng)絡(luò)的狀態(tài)變化時，訓(xùn)練得到的最優(yōu)調(diào)度策略也需要不斷變化。 在線調(diào)度部分將網(wǎng)絡(luò)環(huán)境的動態(tài)變化信息存入經(jīng)驗回收池，訓(xùn)練層中由于網(wǎng)絡(luò)環(huán)境的動態(tài)變化導(dǎo)致獎勵函數(shù)降低或較大波動，DDPG 網(wǎng)絡(luò)將根據(jù)最新的網(wǎng)絡(luò)狀態(tài)參數(shù)繼續(xù)訓(xùn)練，直到獎勵函數(shù)穩(wěn)定，得到新網(wǎng)絡(luò)狀態(tài)下的最優(yōu)調(diào)度策略。

2.3.2 深度強化學(xué)習(xí)算法

基于深度強化學(xué)習(xí)算法的DDPG 神經(jīng)網(wǎng)絡(luò)的輸出有3 項：一個動作a＝α（s ｜θα），一個值函數(shù)項V（s ｜ θV） 和一個優(yōu)勢函數(shù)項A（s，a ｜ θA）， 其中α（s ｜θα） 表示狀態(tài)s下的策略網(wǎng)絡(luò)，θ表示網(wǎng)絡(luò)參數(shù)。 因此神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的當(dāng)前Q值可由值函數(shù)項和優(yōu)勢函數(shù)項相加得到，優(yōu)勢函數(shù)可以參數(shù)化為一個非線性狀態(tài)特征的二次函數(shù)［10］，表達式如下

其中U（s ｜θU） 是關(guān)于狀態(tài)的正定矩陣，可進行楚列斯基分解為

其中τ是學(xué)習(xí)速率（τ?1），這種小幅度的“軟更新”使得Critic 網(wǎng)絡(luò)的訓(xùn)練更加穩(wěn)定。

具體的DDPG 網(wǎng)絡(luò)訓(xùn)練過程如圖3 所示。

圖3 DDPG 網(wǎng)絡(luò)訓(xùn)練流程圖

3 仿真實驗結(jié)果與分析

本文的深度強化學(xué)習(xí)算法的實驗環(huán)境是Python 3.6，Pytorch 1.5 配置；寬窄融合網(wǎng)絡(luò)仿真環(huán)境主要由路由器、交換機、寬帶移動鏈路、短波鏈路等組成，包括8 Mb／s、2 Mb／s、800 kb／s 和500 kp／s 等不同的寬窄無線鏈路，并在丟包率為0.5%以內(nèi)隨機丟棄報文。 實驗共分為兩步進行，第一步是切片構(gòu)造實驗，網(wǎng)絡(luò)信息搜集組件得到切片構(gòu)造所需要的基本信息，如：業(yè)務(wù)的QoS 需求信息、由實際網(wǎng)絡(luò)拓撲圖轉(zhuǎn)化的網(wǎng)絡(luò)拓撲有向圖矩陣以及業(yè)務(wù)流量矩陣。 然后通過構(gòu)造算法預(yù)劃分路徑，輸出一個切片庫，降低了實時構(gòu)造切片的時間開銷。 第二步是切片調(diào)度實驗，針對復(fù)雜多變的網(wǎng)絡(luò)環(huán)境，將業(yè)務(wù)感知端得到的業(yè)務(wù)信息和實時檢測得到的切片狀態(tài)信息作為神經(jīng)網(wǎng)絡(luò)的輸入，利用深度強化學(xué)習(xí)算法訓(xùn)練得到在不同環(huán)境狀態(tài)下的最佳調(diào)度策略，均衡網(wǎng)絡(luò)負載，提高資源利用率的同時滿足業(yè)務(wù)定制化傳輸?shù)囊蟆?/p>

3.1 切片構(gòu)造實驗結(jié)果

業(yè)務(wù)QoS 需求表包括本文研究的7 種業(yè)務(wù)的優(yōu)先級、帶寬要求、時延要求、丟包要求等，如表1 所示，其中H 表示要求較高，M 表示要求中等，L 表示要求較低。

表1 業(yè)務(wù)QoS 需求表

實施QoS 切片構(gòu)造算法后形成的切片拓撲如圖4 所示。

圖4 QoS 切片拓撲圖

根據(jù)構(gòu)造算法，可以將網(wǎng)絡(luò)拓撲圖大致劃分成4 個切片鏈路，其中第一類鏈路適用于網(wǎng)絡(luò)協(xié)議類和短信息業(yè)務(wù)，第二類鏈路適用于緊急信息業(yè)務(wù)，第三類鏈路適用于長信息業(yè)務(wù)，第四類鏈路適用于視頻文件、管理信息和郵件業(yè)務(wù)。

3.2 切片調(diào)度實驗結(jié)果與分析

本文設(shè)計如下實驗，分別從QoS 滿足率即業(yè)務(wù)是否進行定制化傳輸且沒有時間浪費、調(diào)度業(yè)務(wù)傳輸完成時間、切片帶寬平均利用率3 個方面比較本文采用的切片調(diào)度算法與對照算法的效果差異。 本文采用3 種對照算法：第一種算法是“盡力而為”調(diào)度算法，即先把業(yè)務(wù)全部調(diào)度到一個切片上去，切片負載過大后再調(diào)往另一條切片，以此類推；第二種算法是“專路專調(diào)”調(diào)度算法［8］，即每類業(yè)務(wù)一開始只能調(diào)度到其對應(yīng)的切片鏈路，鏈路堵塞則業(yè)務(wù)進行等待；第三種算法是對業(yè)務(wù)采用動態(tài)重路由［12］的方式進行調(diào)度。

首先模擬網(wǎng)絡(luò)低負載的情況，8 種業(yè)務(wù)每隔2 s傳輸3 輪，持續(xù)傳輸30 s。 然后模擬網(wǎng)絡(luò)高負載的情況，8 種業(yè)務(wù)每隔2 s 傳輸6 輪，持續(xù)傳輸30 s。最終得到的QoS 業(yè)務(wù)滿足率、切片帶寬平均利用率、業(yè)務(wù)調(diào)度完成時間分別如圖5、6、7 所示。

圖5 QoS 業(yè)務(wù)滿足率

圖6 切片帶寬平均利用率

由實驗可以得出如下結(jié)論：（1） 4 種方法除了算法一，其余的QoS 業(yè)務(wù)滿足率都很高，這是因為算法一總是盡力而為，并沒有考慮到業(yè)務(wù)的定制化傳輸需求，算法二雖然專路專調(diào)，但是鏈路堵塞時就會浪費時間資源，沒有很好地利用網(wǎng)絡(luò)資源，算法三雖然能夠動態(tài)重路由，但是低優(yōu)先級的業(yè)務(wù)必須等待高優(yōu)先級的業(yè)務(wù)探索路由后才能進行路由，因此這3 種方法的QoS 業(yè)務(wù)滿足率低于本文方法。（2） 本文設(shè)計的網(wǎng)絡(luò)切片調(diào)度算法可以使得切片間負載更加均衡，因為算法一和算法三都是先選擇一條鏈路進行業(yè)務(wù)傳輸，鏈路堵塞時才會重新選擇鏈路，因此并不能很好地均衡鏈路間的負載，算法二也是因為堵塞，造成了時間的浪費，影響了負載均衡的效果。 （3） 因為算法三需要動態(tài)劃分業(yè)務(wù)路由，而本文的網(wǎng)絡(luò)拓撲較為復(fù)雜，因此花費了更多時間在劃分路由上；算法一和算法二因為一開始只選擇一條鏈路，因此有鏈路擁塞造成的額外時間開銷，由此可見本文設(shè)計的算法可以使得業(yè)務(wù)的調(diào)度完成時間更短。

圖7 業(yè)務(wù)調(diào)度完成時間

4 結(jié)束語

本文通過對異構(gòu)網(wǎng)絡(luò)切片技術(shù)的研究，根據(jù)差異化的業(yè)務(wù)需求構(gòu)造基于人工智能構(gòu)建的網(wǎng)絡(luò)切片，結(jié)合寬窄融合無線實時網(wǎng)絡(luò)環(huán)境的狀態(tài)，提供定制的網(wǎng)絡(luò)資源對業(yè)務(wù)進行服務(wù)，實現(xiàn)了切片實例化。實驗表明，本文設(shè)計的網(wǎng)絡(luò)切片構(gòu)造和調(diào)度算法在QoS 滿足率、切片帶寬平均利用率和業(yè)務(wù)調(diào)度完成時間上均有較大提升，均衡網(wǎng)絡(luò)負載的同時提高了網(wǎng)絡(luò)資源利用率。