基于5G技術的化工智能園區(qū)虛擬網絡功能仿真實驗研究

王穎 張龍龍

摘 要：為降低化工智能園區(qū)虛擬網絡功能部署成本問題，以最小化虛擬網絡功能部署代價為目標函數(shù)，考慮容量、延遲等約束條件，提出化工智能園區(qū)虛擬網絡功能部署方案。采用長短期記憶神經網絡（LSTM）預測化工園中網絡用戶未來可能的位置，并利用基于模型預測控制（MPC）的算法求解最小部署總代價，以使得虛擬網絡功能部署成本最小。仿真結果表明：相對于Heuristic和Heuristic With Predict的求解方法，遷移部署虛擬網絡功能的總代價最小，為13 628。所提方案具有一定的有效性，可節(jié)約化工智能工業(yè)園區(qū)的虛擬網絡功能部署成本。

關鍵詞：虛擬網絡功能部署；5G網絡切片；LSTM網絡；MPC算法

中圖分類號：TP399

文獻標志碼：A

文章編號：1001-5922（2023）07-0132-05

Research on virtual network function simulation in intelligent chemical industrial parks based on 5G technology

WANG Ying1，ZHANG Longlong2

（1.CNOOC? Energy Logistics Co.，Ltd.，Tianjin 300452，China；

2.CNOOC （Huizhou） Logistics? Co.，Ltd.，Huizhou 516000，Guangdong China

）

Abstract：To reduce the high cost of virtual network function deployment caused by the dynamic change of user location in the chemical logistics park， a virtual network function deployment scheme for the chemical logistics park was designed with the objective function of minimizing the cost of virtual network function deployment， considering the constraints such as capacity and delay.Long Short Term Memory （LSTM） neural network was used to predict the future location of users， and the algorithm based on Model Predictive Control （MPC） was used to solve the minimum total deployment cost， saving the cost of virtual network function deployment.The simulation results showed that.Compared with the Heuristic algorithm and Heuristic With Predict algorithm，the migration-based deployment of virtual network functions had the lowest total cost， which was 13 628.This proposed approach proves to be effective in reducing the virtual network function deployment costs in intelligent chemical industrial parks..

Key words：virtual network function deployment;5G network slice;LSTM network;MPC algorithm

伴隨化工智能園區(qū)工業(yè)生產和運輸?shù)男枨?，對網絡功能要求也越來越高。為提高化工智能園區(qū)的網絡，工程中往往采用網絡功能虛擬化的方式，這種虛擬化部署方式可解決成本，所以備受關注。目前，針對虛擬網絡功能部署問題，眾多學者進行了大量研究，如對VNF服務鏈性能問題，提出一種支持硬件加速的VNF部署模型，有效提高了網絡中加速硬件的資源利用率［1］；提出一種基于預測的虛擬網絡功能動態(tài)部署算法，具體通過LSTM感知網絡流量，然后通過按需分配的方式最大化計算資源利用率，實現(xiàn)了網絡的在線監(jiān)測，同時也降低了整體VNF調度產生的平均端到端時延［2］；提出一種DAP（Deadline-Aware VNF Placement）算法來部署實時應用的虛擬網絡功能，有效地減少實時網絡應用的時間期限丟失率，減少網絡應用的部署成本［3］。上述研究結果表明，現(xiàn)有虛擬網絡功能部署已取得一定的成果，但有學者認為現(xiàn)有部署方案忽略了用戶位置隨時間變化帶來的影響，存在5G網絡切片場景下部署成本高的問題［4］。針對該問題，本研究以化工智能園區(qū)虛擬網絡功能部署為研究對象，考慮用戶位置動態(tài)變化，通過利用LSTM預測用戶未來位置，并采用MPC算法進行求解的虛擬網絡功能部署方案。

1 系統(tǒng)模型

1.1 場景描述

本研究在圖1所示小型區(qū)域內中進行。該系統(tǒng)為某化工智能園區(qū)網絡系統(tǒng)模型，包括多名用戶及2個5G網絡切片服務請求［5］。根據不同的服務請求，接入對應不同5G網絡切片，即如圖1中左側的2個5G網絡切片。

若t時刻用戶1位于位置a，則t+1時刻其位置可能位于區(qū)域b、c、d。因此，則需要根據該信息部署用戶1在t+1時刻的虛擬網絡功能s。所以在部署虛擬網絡功能時，應考慮用戶未來位置信息，同時使系統(tǒng)花費的代價最小。

根據上述分析，研究設計了5G網絡切片場景中化工智能園區(qū)虛擬網絡功能部署的目標函數(shù)和約束條件。

2 5G網絡切片場景中智能園區(qū)虛擬網絡功能部署

2.1 基于LSTM的用戶位置預測設計

當系統(tǒng)向用戶提供5G切片服務是部署虛擬網絡功能s時，用戶位置的變化會對部署結果造成一定影響。因此，為使化工物流園區(qū)虛擬網絡功能的部署方案最佳，需同時保證方案部署總代價最小，且滿足用戶的5G切片服務需求［9］。

考慮到用戶位置變化的影響，研究首先對用戶位置進行了預測。LSTM網絡是一種時間遞歸神經網絡，具有可學習長期依賴性的特點，常用于預測和處理時間序列中延遲長等重要問題［10-11］。

忘記門負責對上一時刻單元狀態(tài)通過sigmoid激活函數(shù)進行選擇忘記，并將保留部分信息作為當前時刻單元狀態(tài)傳輸?shù)捷斎腴T。輸入門則負責對輸入的當前時刻單元狀態(tài)進行舍棄無用信息以及添加新信息的處理，以將處理后的信息傳輸?shù)捷敵鲩T。輸出門則是對需要的信息進行輸出。重復上述操作，即可實現(xiàn)對時間序列信息的處理。

根據5G網絡切片場景中化工智能園區(qū)虛擬網絡功能部署過程中，對用戶位置預測是一個復雜且隨時間變化的過程［11］。因此，研究設計了一層LSTM網絡和2層全連接層的神經網絡結構，如圖2所示。其中，LSTM網絡層負責對用戶位置時間序列進行記憶。整個神經網絡選用relu函數(shù)作為激活函數(shù)。圖中，X、Y為用戶位置歷史K個和未來K個時刻的經緯度位置坐標。

2.2 基于MPC的虛擬網絡功能部署算法設計

利用LSTM網絡對用戶位置進行預測后，考慮用戶位置隨時間變化，采用MPC算法求解虛擬網絡功能總代價目標函數(shù)，即可實現(xiàn)5G網絡切片場景中化工物流園區(qū)虛擬網絡功能部署［12］。

具體步驟為：

（1）根據化工智能園區(qū)用戶位置前K時刻經緯度坐標信息，利用LSTM預測未來K時刻用戶位置的經緯度坐標nvtl，'t∈t+1，…，t+K；

（2）根據LSTM預測結果，構建t～t+K時間內的部署虛擬網絡功能位置的問題P，是系統(tǒng)總代價最??；

（3）利用MPC算法求解t時刻構建的P問題，得到t～t+K每個時刻虛擬網絡功能的部署方案；

（4）記錄求解的t時刻部署方案，并將其作為整個t時刻得到的解；

（5）繼續(xù)采用MPC算法求解t+1時刻的P問題，以此類推直到進行到T時刻；

（6）計算出每個時間點的虛擬網絡功能遷移部署情況；

（7）根據最小化系統(tǒng)總代價目標函數(shù)，求解得到系統(tǒng)運行總成本。

通過上述處理，即可實現(xiàn)每個時刻部署虛擬網絡功能的代價，進而選擇出最低代價的部署方案，即實現(xiàn)了對5G網絡切片場景中物流園區(qū)虛擬網絡功能部署。

3 仿真實驗

3.1 實驗環(huán)境搭建

本次實驗基于tensorflow深度學習框架搭建所提模型，通過python語言實現(xiàn)，并在Emacs軟件上運行。系統(tǒng)配置Intel Core i5 CPU，NVIDA GeForce RTX 960M GPU，2G顯存，12 GB內存和1 TB磁盤容量［13］。

3.2 數(shù)據來源及預處理

本次實驗數(shù)據來自GPS軌跡數(shù)據集［14］。該數(shù)據集通過定位每個用戶所在點的經緯度形成的軌跡，并根據用戶所在位置的經緯度進行定位。

3.3 參數(shù)設置

本次實驗根據神經網絡的結構，即一層LSTM和兩層全連接層，設置第一層LSTM層的神經元數(shù)量為200，激活函數(shù)為relu函數(shù)，第1層全連接層神經元數(shù)量為100，激活函數(shù)為relu函數(shù)，第2層全連接層神經元數(shù)量為輸出層的K個節(jié)點數(shù)量。

損失函數(shù)選擇均方差（MSE）函數(shù)，優(yōu)化器為adam優(yōu)化器。訓練過程中的具體參數(shù)設置為：批量大小為20，代數(shù)為200，每層神經網絡規(guī)格為［200，100，5］。

3.4 實驗方案設計

為檢驗所提模型在5G切片場景中對化工智能園區(qū)虛擬網絡功能部署的情況，提出以下假設：

假設1：整個仿真系統(tǒng)中共包含加速器、入侵檢測系統(tǒng)（IDS）、深度數(shù)據包檢測（DPI）、代理、編碼解碼器5種類型的虛擬網絡功能，其處理時延均服從（1，2）均勻分布，分別對應編號0～4，對應處理能力為100、60、90、200、100;

假設2：系統(tǒng)中共包括游戲服務和視頻服務2種類型的5G切片。游戲服務類和視頻類5G切片所需虛擬網絡功能s的SFC分別由標號0、1、2和0、3、4組成，最高允許時延分別為30 ms和100 ms;

假設3：系統(tǒng)中共包括3名游戲用戶和2名視頻用戶，分別對應接入5G切片中的帶寬為30 M和100 M，所容忍的最大時延為30 ms和100 ms;

假設4：若存在X、Y、Z 3點的經緯度分別為（X，X′）和（Y，Y′）、（Z，Z′），則計算X、Y距離時，會進行以下轉換：若東經則將經度值設置為正值表示為Z，若西經則將經度值設置為負值-Z若北緯則將緯度值設置為90-Z，若南緯則將緯度值設置為90+Z′。因此，X、Y 2點的經緯度通過M轉換后的經緯度可標記為（ZX，ZX′）和（ZY，ZY′）。

然后根據式（8）～式（9）三角公式即可計算X、Y2點的距離［15］：

C=sin（ZX′）×sin（ZY′）×cos（ZX-ZY）+cos（ZX′）×cos（ZY′）（8）

Distance=R×arccos（C）×π/180（9）

式中;R為地球半徑。根據上述公式，即可得到系統(tǒng)中5名用戶的位置分布情況以及兩兩用戶間的距離。最后，根據經緯度最大差值，可將用戶劃分到一個經緯度組成的二維平面內。

考慮到實際5G基站的覆蓋半徑為400 m，為確保基站可為用戶提供服務，實驗根據離散思想對用戶所在位置進行來網格劃分，并設置網格長度為800 m，即在每800×800的網格區(qū)域內需一個5G基站。如圖3為5名用戶在15個時間步長內在網格中的軌跡分布。假設單跳網格時延為5 ms，單位CPU資源代價為100。

由圖3可知，時間線長度為15，共12個節(jié)點，含5種類型的虛擬網絡功能，每種類型虛擬網絡功能遷移代價服從（20，25）均勻分布，處理時延服從（1，2）均勻分布。

3.5 結果與分析

3.5.1 LSTM預測結果分析

設置訓練周期為200。為分析LSTM的收斂性，實驗通過設置不同K值進行觀察，結果如圖4所示。

由圖4可知，不同K值下，模型的loss損失均隨著迭代進行逐漸減小并趨于穩(wěn)定；當K=2時，loss損失下降速度最快，達到穩(wěn)定時的loss損失最小，即利用過去3個時刻位置預測未來3個時刻位置效果最好。

為進一步分析不同K值對LSTM預測用戶位置的效果，實驗分別統(tǒng)計了不同K值下LSTM預測用戶位置與真實位置的差距，結果如圖5所示。圖5（a）表示預測值與真實值的MSE，圖5（b）為預測值與真實值的平均距離誤差，圖5（c）為預測值與真實值的平均網格誤差。

由圖5（a）可知，當K=2時，MSE最小，取值范圍為（0，0.001 5），說明LSTM模型的預測準確率較高。由圖5（b）可知，當K=2時，預測值與真實值的平均距離誤差最小。由圖5（c）可知，平均每組的預測網格誤差在1個網格之內，當K=2時誤差最小。

3.5.2 MPC結果分析

為檢驗所提MPC模型的性能，實驗設置不同K值檢驗了模型的性能，并將其與Optimum算法和Heuristic算法以及Heuristic With Predict算法性能進行對比。不同算法對5G網絡切片場景中化工物流園區(qū)虛擬網絡功能部署及遷移虛擬網絡功能的總代價如圖6所示。

由圖6可知，當K=2時，所提MPC算法的遷移部署虛擬網絡功能的總代價為13 892；當K=3時，所提MPC算法的遷移部署虛擬網絡功能的總代價為13 628；當K=4時，所提MPC算法的遷移部署虛擬網絡功能的總代價為14 717；Optimum算法遷移部署虛擬網絡功能的總代價為13 541；Heuristic算法遷移部署虛擬網絡功能的總代價為16 855。對比不同K值下所提MPC算法總代價結果可知，當K=3時算法的總代價最小，最接近全局最優(yōu)解。對比所提MPC算法和Optimum算法和Heuristic算法可知，所提算法的總代價最小，與Optimum算法結果最接近。由此說明，當K=3時，所提MPC算法的性能良好，優(yōu)于Heuristic算法，與Optimum算法接近。

圖7為所提不同K值的MPC算法與對比算法求解平均每個節(jié)點的資源利用率結果。

由圖7可知，相較于Heuristic算法，所提不同K值MPC算法的資源利用率更高，其中，當K=3時MPC算法的資源利用率最高，與Optimum算法接近，即接近最優(yōu)解。分析其原因是，所提MPC算法考慮了未來用戶請求信息，使系統(tǒng)在滿足用戶請求條件下可重復使用存在的虛擬網絡功能，進而使每個節(jié)點的資源利用率接近最優(yōu)解。

4 結語

綜上所述，所提的5G網絡切片場景中智能園區(qū)虛擬網絡功能部署方法，通過利用基于LSTM網絡預測用戶移動性，并考慮計算資源和時延，以最小化系統(tǒng)成本為目標，采用MPC算法進行求解，實現(xiàn)了化工智能園區(qū)用戶位置動態(tài)變化時的虛擬網絡功能部署，節(jié)約了系統(tǒng)成本。相較于Heuristic算法和Heuristic With Predict算法，所提的結合LSTM網絡和MPC算法的部署方法，具有一定的有效性，遷移部署虛擬網絡功能的總代價以及平均基尼指數(shù)更小，平均每個節(jié)點的資源利用率更高。

【參考文獻】

［1］ 胡宇翔，范宏偉，蘭巨龍，等.一種支持硬件加速的虛擬網絡功能部署模型［J］.電子與信息學報，2019，41（8）：1893-1901.

［2］ 唐倫，周鈺，楊友超，等.5G網絡切片場景中基于預測的虛擬網絡功能動態(tài)部署算法［J］.電子與信息學報，2019，41（9）：2071-2078.

［3］ 王俊超，龐建民，隋然，等.面向實時網絡應用的虛擬網絡功能部署［J］.信息工程大學學報，2020，21（2）：189-195.

［4］ 馬悅，張玉梅.面向多接入邊緣計算的VNFM分布式部署方案［J］.西安電子科技大學學報，2021，48（4）：20-26.

［5］ 趙東成，謝景昭，孫罡.面向時延敏感業(yè)務的服務功能鏈部署［J］.電子科技大學學報，2021，50（6）：852-860.

［6］ 徐澤汐，莊雷，張坤麗，等.基于知識圖譜的服務功能鏈在線部署算法［J］.通信學報，2022，43（8）：41-51.

［7］ 袁泉，湯紅波，黃開枝，等.基于Q-learning算法的vEPC虛擬網絡功能部署方法［J］.通信學報，2017，38（8）：172-182.

［8］ 李凌書，鄔江興.面向云網融合SaaS安全的虛擬網絡功能映射方法［J］.計算機工程，2021，47（12）：30-39.

［9］ 王澤南，李佳浩，檀朝紅，等.面向網絡安全資源池的智能服務鏈系統(tǒng)設計與分析［J］.網絡與信息安全學報，2022，8（4）：175-181.

［10］ 蔣卓伽，王瑾偉，徐煒，等.云數(shù)據中心環(huán)境下NFV虛擬資源計算算法研究［J］.信息技術，2022（8）：53-58.

［11］ 韓昆良，孔令剛，楊桂芹.中心環(huán)境下時延感知的DAO-GA服務功能鏈部署方法［J］.信息技術與信息化，2022（7）：110-114.

［12］ 朱富麗，楊磊，姬波.一種面向大規(guī)模物聯(lián)設備通信的移動5G-RAN連接方法［J］.計算機應用與軟件，2022，39（8）：119-124.

［13］ 胡致遠，游梓霖，徐鑫，等.電力5G通信網絡可靠性組網及部署技術［J］.高電壓技術，2022，48（8）：3048-3058.

［14］ 傅妍芳，宋新美，張趙晨子，等.基于Mininet的LRMC QoS路由算法仿真研究［J］.計算機仿真，2022，39（8）：212-217.

［15］ 趙尚維康，孫君.工業(yè)物聯(lián)網中基于SMDP的協(xié)同卸載方案［J］.計算機技術與發(fā)展，2022，32（9）：76-81.