基于自適應(yīng)動態(tài)預(yù)測的網(wǎng)絡(luò)切片資源沖突優(yōu)化

趙季紅，張富，崔曌銘

（1.西安郵電大學(xué)通信與信息工程學(xué)院，陜西西安 710121；2.西安交通大學(xué)電子信息工程學(xué)院，陜西 西安 710049）

0 引言

網(wǎng)絡(luò)切片（NS）是解決5G 及B5G 網(wǎng)絡(luò)多業(yè)務(wù)場景需求的關(guān)鍵技術(shù)［1］，隨著用戶服務(wù)請求的增加和業(yè)務(wù)需求的多樣化，各個(gè)切片的資源需求呈現(xiàn)出動態(tài)特性［2］。面對有限的底層物理網(wǎng)絡(luò)資源，如何在滿足各切片需求的同時(shí)避免切片之間的資源沖突成為一個(gè)研究熱點(diǎn)。

目前，相關(guān)研究從數(shù)學(xué)模型優(yōu)化、數(shù)據(jù)預(yù)測等方面展開。文獻(xiàn)［3］基于魯棒模型提出網(wǎng)絡(luò)切片優(yōu)化方案，假設(shè)切片流量需求處在不確定集合內(nèi)并通過建模求解來主動配置切片，在未對切片流量需求進(jìn)行預(yù)測的條件下可能會導(dǎo)致資源過度供應(yīng)，從而帶來過于保守的切片配置方案。文獻(xiàn)［4］采用隨機(jī)網(wǎng)絡(luò)演算獲取網(wǎng)絡(luò)切片所需資源量，并通過啟發(fā)式算法進(jìn)行優(yōu)化部署。文獻(xiàn)［5］提出一種多領(lǐng)導(dǎo)者多追隨者（MLMF）策略以及斯塔克爾伯格博弈方法來進(jìn)行切片資源分配，但同樣缺乏預(yù)測機(jī)制。文獻(xiàn)［6］提出一種預(yù)測輔助的切片擴(kuò)展算法用于動態(tài)部署網(wǎng)絡(luò)切片。文獻(xiàn)［7-8］根據(jù)數(shù)據(jù)預(yù)測結(jié)果進(jìn)行切片重配置，但文獻(xiàn)中點(diǎn)預(yù)測的方式無法提供關(guān)于其預(yù)測準(zhǔn)確性的指標(biāo)，不適用于復(fù)雜的網(wǎng)絡(luò)場景。文獻(xiàn)［9］采用一種預(yù)測區(qū)間的方式來執(zhí)行切片重構(gòu)，改善了上述點(diǎn)預(yù)測方式的準(zhǔn)確性，但未考慮動態(tài)場景下切片流量波動性問題。

本文提出一種基于自適應(yīng)動態(tài)預(yù)測（ADP）的優(yōu)化方法，通過“自適應(yīng)動態(tài)預(yù)測-模型優(yōu)化”這一優(yōu)化方案來解決5G 動態(tài)網(wǎng)絡(luò)場景下的切片資源沖突問題。在自適應(yīng)預(yù)測模塊，收集切片歷史流量數(shù)據(jù)并對流量數(shù)據(jù)進(jìn)行波動等級劃分，根據(jù)劃分結(jié)果對不同切片或者不同配置周期的切片選擇相應(yīng)的預(yù)測算法。在模型優(yōu)化模塊，定義用戶滿意度函數(shù)［10］和切片優(yōu)化配置的開銷，根據(jù)預(yù)測結(jié)果將切片的資源沖突優(yōu)化問題轉(zhuǎn)化為最大化網(wǎng)絡(luò)收益，由于自適應(yīng)預(yù)測模塊的輸出可能含有不確定參數(shù)，采用魯棒優(yōu)化思想和基于可變粒子數(shù)量的粒子群優(yōu)化（VPSO）算法進(jìn)行求解。

1 系統(tǒng)模型與問題

1.1 底層物理網(wǎng)絡(luò)模型

如圖1 所示，本文中物理網(wǎng)絡(luò)模型基于5G 分層數(shù)據(jù)中心（DC）的物理網(wǎng)絡(luò)設(shè)施［11］，每個(gè)DC 中都有一個(gè)胖樹拓?fù)?。底層物理網(wǎng)絡(luò)上部署的切片集合為S，各個(gè)節(jié)點(diǎn)集合為V，物理鏈路集合為L。無向圖Gs(Vs,Ls)表示切片s的網(wǎng)絡(luò)拓?fù)?，其中s?S。Vs?V表示切片s在底層網(wǎng)絡(luò)中覆蓋的節(jié)點(diǎn)（數(shù)據(jù)中心）集合，其覆蓋的鏈路集合用Ls?L表示。

圖1 底層物理網(wǎng)絡(luò)及網(wǎng)絡(luò)切片F(xiàn)ig.1 Underlying physical network and network slicing

切片s的服務(wù)功能鏈（SFC）由虛擬網(wǎng)絡(luò)功能（VNF）集合Ns、入口節(jié)點(diǎn)Is以及出口節(jié)點(diǎn)Os組成［12］。Ns由有序的VNF 組成，其集合為Ns={N1,N2,…,NA}，將NA定義為切片s的虛擬節(jié)點(diǎn)，則NA和NA-1之間的鏈路為虛擬鏈路［13］。單個(gè)網(wǎng)絡(luò)切片可能覆蓋多條物理鏈路，鏈路帶寬表示為B={Bl|l?L}，在本文考慮的5G 動態(tài)網(wǎng)絡(luò)場景中，鏈路帶寬會隨時(shí)間動態(tài)變化［14］。

1.2 資源沖突問題描述

單個(gè)切片上存在多條業(yè)務(wù)流進(jìn)出，切片流量需求會隨著業(yè)務(wù)流的到達(dá)和離開動態(tài)波動［15］，用Rl,s表示切片s在物理鏈路l上的流量需求，即所需要達(dá)到的傳輸速率。由于單條物理鏈路可能被多個(gè)切片覆蓋且鏈路提供的帶寬資源有限，該鏈路上某個(gè)切片流量需求的變化很可能影響到其他切片［16］，造成切片間的資源沖突。本文提出的“自適應(yīng)動態(tài)預(yù)測-模型優(yōu)化”方案框架如圖2 所示。

圖2 “自適應(yīng)動態(tài)預(yù)測-模型優(yōu)化”方案框架Fig.2 Framework of "adaptive dynamic prediction-model optimization" scheme

首先，為表述資源沖突對網(wǎng)絡(luò)切片的影響，定義函數(shù)W來表示切片s在物理鏈路l上的服務(wù)質(zhì)量（QoS）［17］滿意度：

其中，Rl,s為鏈路l為切片s實(shí)際分配的傳輸速率。根據(jù)香農(nóng)公式，可以得到切片獲得的傳輸速率及其分配到的帶寬之間的關(guān)系：

函數(shù)W反映了切片流量情況與服務(wù)質(zhì)量滿意度之間的關(guān)系，在傳輸速率較小時(shí)提高傳輸速率能夠大幅提升業(yè)務(wù)流的服務(wù)滿意度，而在傳輸速率達(dá)到一定程度時(shí)這種增幅會減少。網(wǎng)絡(luò)切片的配置面向未來時(shí)間的業(yè)務(wù)需求，為了獲得更準(zhǔn)確的切片和鏈路信息，本文通過自適應(yīng)動態(tài)預(yù)測模塊獲取未來時(shí)間各鏈路中切片的流量需求。切片s在鏈路l的流量需求預(yù)測值用表示，根據(jù)式（2）可得出對應(yīng)帶寬需求，用表示。

為保證服務(wù)質(zhì)量滿意度，需要保證切片流量需求能夠得到滿足，即切片在鏈路獲得的實(shí)際傳輸速率能達(dá)到預(yù)測值：

同時(shí)，鏈路上的帶寬資源有：

其中，Bl表示物理鏈路l的最大可用帶寬。

設(shè)一個(gè)滿意度帶來的收益為γ，則網(wǎng)絡(luò)總收益為：

在模型優(yōu)化模塊，為更大程度上滿足各個(gè)切片的需求、降低切片資源沖突的影響，將最大化網(wǎng)絡(luò)收益作為資源沖突問題的優(yōu)化目標(biāo)：

2 自適應(yīng)動態(tài)預(yù)測

切片流量需求可以看作時(shí)間序列進(jìn)行預(yù)測［18］，并隨著業(yè)務(wù)流的到達(dá)和離開表現(xiàn)出明顯的周期性。循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）對于切片流量時(shí)間序列的預(yù)測結(jié)果通常有2 種形式，分別是點(diǎn)預(yù)測值［19］和預(yù)測區(qū)間。點(diǎn)預(yù)測的方式產(chǎn)生時(shí)序預(yù)測結(jié)果的具體值，并能夠直接用于切片資源的具體分配，但在切片流量波動較大時(shí)會出現(xiàn)明顯誤差，這將導(dǎo)致網(wǎng)絡(luò)切片的重配置不夠準(zhǔn)確。相比于上述方式，預(yù)測區(qū)間能夠提供切片流量預(yù)測值的取值范圍以及該預(yù)測范圍的準(zhǔn)確性水平，真實(shí)值存在于預(yù)測區(qū)間內(nèi)的概率通過置信區(qū)間反映，適用波動性較大的流量數(shù)據(jù)，然而產(chǎn)生的預(yù)測結(jié)果是一個(gè)區(qū)間范圍，不能直接用于切片配置。本文結(jié)合上述2 種預(yù)測方式，提出自適應(yīng)動態(tài)預(yù)測算法。

自適應(yīng)動態(tài)預(yù)測算法對收集到的切片最近一次配置周期內(nèi)的流量數(shù)據(jù)進(jìn)行波動評級，在不同配置周期根據(jù)各切片流量的波動情況選擇合適的預(yù)測方法。用集合Rl,s=表示切片s在鏈路l上的歷史流量數(shù)據(jù)，其中，T代表某一時(shí)刻，T0表示最近一次配置周期的開始時(shí)間。

鏈路l上切片s的歷史流量數(shù)據(jù)方差為：

鏈路l上切片s最近一次配置周期內(nèi)流量數(shù)據(jù)方差為為：

圖3 Att-BiGRU 結(jié)構(gòu)Fig.3 Strucute of Att-BiGRU

圖4 自舉法-BiGRU 示意圖Fig.4 Schematic diagram of bootstrap-BiGRU

殘差受預(yù)測模型采樣誤差和隨機(jī)噪聲影響，通過方差來量化：

根據(jù)文獻(xiàn)［22］，基于自舉法和BiGRU 網(wǎng)絡(luò)的預(yù)測區(qū)間為：

其中，Zα/2為置信區(qū)間對應(yīng)的標(biāo)準(zhǔn)正態(tài)分布分位數(shù)。

3 “自適應(yīng)動態(tài)預(yù)測-模型優(yōu)化”資源沖突優(yōu)化算法

自適應(yīng)動態(tài)預(yù)測的輸出是點(diǎn)預(yù)測值或者預(yù)測區(qū)間，由于預(yù)測區(qū)間本質(zhì)上是一個(gè)不確定參數(shù)，為進(jìn)行資源沖突的具體優(yōu)化，先根據(jù)魯棒優(yōu)化［23］解決不確定性，再對其進(jìn)行求解。根據(jù)式（6），切片的資源沖突優(yōu)化問題含有不確定參數(shù)，將其轉(zhuǎn)換為標(biāo)準(zhǔn)魯棒問題，不確定性參數(shù)放置在約束條件左側(cè)，如式（17）所示。在區(qū)間預(yù)測中是不確定參數(shù)，其范圍根據(jù)式（16）可得為要求的解。定義μ、λ為輔助變量，通過拉格朗日對偶變換可得到式（18）。

整個(gè)網(wǎng)絡(luò)的資源沖突問題解耦為最大化單條物理鏈路收益，在每條鏈路上求最優(yōu)解：

切片資源沖突優(yōu)化方案通過基于可變粒子數(shù)量的粒子群優(yōu)化算法進(jìn)行求解，為避免資源浪費(fèi)［24］，在可行域內(nèi)求解的最小值。適應(yīng)度函數(shù)表示為：

其中，rk是第k次迭代的懲罰因子表示約束條件。

比較本次全局最優(yōu)解與歷史全局最優(yōu)解，本次全局最優(yōu)解由各粒子的個(gè)體極值求出，其中個(gè)體極值指粒子在更新過程中的最優(yōu)解［25］。

速度更新公式如下：

其中，V表示粒子速度，h表示粒子的標(biāo)號，k表示迭代次數(shù)，ω表示慣性權(quán)重，C1為個(gè)體粒子調(diào)節(jié)加速因子，C2為全局調(diào)節(jié)加速因子，random(0,1)表示［0，1］區(qū)間內(nèi)的隨機(jī)值表示更新過程中的最優(yōu)粒子，表示全局最優(yōu)粒子表示當(dāng)前位置。

位置更新公式如下：

在迭代過程中，由于部分粒子個(gè)體極值與全局極值的適應(yīng)度差別較大，需要進(jìn)行多次優(yōu)化且不會影響其他粒子的更新，因此在每一次迭代中舍棄與全局極值的適應(yīng)度差別較大的粒子，以確?？焖俚竭_(dá)收斂。同時(shí)，為避免由于粒子數(shù)目減少而陷入局部最優(yōu)解［26］，變異各粒子的個(gè)體極值：

為確保能夠達(dá)到收斂，在達(dá)到一定迭代次數(shù)之后停止更新。基于以上表述，“自適應(yīng)動態(tài)預(yù)測-模型優(yōu)化”資源沖突優(yōu)化算法如下：

算法1自適應(yīng)動態(tài)預(yù)測-模型優(yōu)化

在優(yōu)化方案中，粒子初始化的復(fù)雜度為O(Ns?M)，其中，Ns為鏈路上切片數(shù)量最大值。網(wǎng)絡(luò)收益復(fù)雜度為O(Ns?M?K)，罰函數(shù)復(fù)雜度為O[(Ns+1)?M?K]，適應(yīng)度復(fù)雜度為O(Ns?M?K)，粒子更新復(fù)雜度為O(Ns?M?K)。計(jì)算適應(yīng)度的復(fù)雜度最高，因此算法復(fù)雜度為O[（Ns+1）?M?K?H]，其中，H表示最大物理鏈路數(shù)量。與傳統(tǒng)粒子群優(yōu)化方法相比，本文方案粒子數(shù)量會隨著迭代周期不斷減少，因此單次迭代所需的平均計(jì)算時(shí)間復(fù)雜度會逐步降低。

4 性能分析

將大時(shí)間尺度采樣的數(shù)據(jù)集［27］作為單個(gè)切片歷史流量需求的時(shí)間序列，根據(jù)過去120 個(gè)時(shí)間步長來預(yù)測未來一個(gè)時(shí)間步長。切片之間的資源沖突優(yōu)化通常在大時(shí)間尺度上進(jìn)行，設(shè)定每30 min 進(jìn)行一次優(yōu)化配置。切片流量數(shù)據(jù)集的70%進(jìn)行訓(xùn)練，其余部分用于評估和測試。

4.1 參數(shù)設(shè)置

自適應(yīng)動態(tài)預(yù)測和模型優(yōu)化的參數(shù)如表1 和表2 所示。

表1 自適應(yīng)動態(tài)預(yù)測模塊參數(shù)Table 1 Parameters of ADP module

表2 模型優(yōu)化模塊參數(shù)Table 2 Parameters of the model optimization module

4.2 仿真結(jié)果分析

4.2.1 自適應(yīng)動態(tài)預(yù)測

為驗(yàn)證自適應(yīng)動態(tài)預(yù)測模塊的預(yù)測準(zhǔn)確性，分別在點(diǎn)預(yù)測部分和區(qū)間預(yù)測部分與其他算法進(jìn)行對比。如圖5 所示：基于BiGRU 的點(diǎn)預(yù)測對切片流量需求預(yù)測的平均絕對百分比誤差（MAPE）［28］為0.025；Att-BiGRU 的預(yù)測結(jié)果更貼近真實(shí)流量數(shù)據(jù)，其MAPE 為0.019。同時(shí)可以觀察到，點(diǎn)預(yù)測方式在流量波動大時(shí)的準(zhǔn)確度仍有一定的局限性，根據(jù)所提出的自適應(yīng)動態(tài)預(yù)測方式，在圖6 中驗(yàn)證區(qū)間預(yù)測的性能。區(qū)間預(yù)測在流量波動大時(shí)將真實(shí)流量數(shù)據(jù)覆蓋在預(yù)測區(qū)間內(nèi)，比較了相同置信區(qū)間（90%）條件下自舉法和貝葉斯法的預(yù)測情況，可以看到，2 種區(qū)間預(yù)測算法在該置信水平下都覆蓋了全部真實(shí)流量，而BiGRU 和自舉法生成的平均預(yù)測區(qū)間寬度（MPIW）明顯低于對比算法，這有助于更快求出所需的解。因此，面對不同波動水平的切片流量數(shù)據(jù)，所提出的自適應(yīng)動態(tài)預(yù)測方法準(zhǔn)確度較高且更有利于后續(xù)求解。

圖5 點(diǎn)預(yù)測算法對比Fig.5 Comparison of point prediction algorithms

圖6 區(qū)間預(yù)測算法對比Fig.6 Comparison of interval prediction algorithms

4.2.2 自適應(yīng)動態(tài)預(yù)測-模型優(yōu)化

為驗(yàn)證所提出的“自適應(yīng)動態(tài)預(yù)測-模型優(yōu)化”優(yōu)化方法的性能，對比“流量不確定集-魯棒優(yōu)化”方法［29］和神經(jīng)網(wǎng)絡(luò)點(diǎn)預(yù)測算法［8］。如圖7 所示，“流量不確定集-魯棒優(yōu)化”方法采用不確定集合求解的方式配置切片，缺少對未來時(shí)間的切片流量需求的預(yù)測，因此該方法下鏈路資源利用率有限。神經(jīng)網(wǎng)絡(luò)點(diǎn)預(yù)測算法根據(jù)切片流量需求的點(diǎn)預(yù)測值來完成資源分配，得益于對未來時(shí)間切片的預(yù)測，其鏈路資源利用率高于不確定集合求解方法。本文所提算法在不同的配置周期內(nèi)鏈路資源利用率均高于其他2 種對比算法，這表明該方法針對切片資源沖突的優(yōu)化方案更為合理，避免了鏈路資源過度浪費(fèi)。

圖7 不同算法下鏈路資源利用率Fig.7 Link resource usage under different algorithms

不同算法下的網(wǎng)絡(luò)收益如圖8所示，可以看出：由于物理鏈路資源有限，隨著切片配置周期的增加，各個(gè)優(yōu)化方案的增長速度減緩。“流量不確定集-魯棒優(yōu)化”方案在求解集合覆蓋準(zhǔn)確的情況下能夠獲得較好的網(wǎng)絡(luò)收益，因此其收益曲線較為不穩(wěn)定；神經(jīng)網(wǎng)絡(luò)點(diǎn)預(yù)測算法的網(wǎng)絡(luò)收益曲線較為穩(wěn)定，這表明預(yù)測機(jī)制能夠帶來較為合理穩(wěn)定的優(yōu)化方案，但由于切片流量的波動性，該方案帶來的收益是有限的；本文所提優(yōu)化方法相比其他2 種算法擁有更高的網(wǎng)絡(luò)收益，這是由于動態(tài)預(yù)測算法提供了更精確的切片流量信息，在問題描述部分將切片資源沖突問題表示成最大化網(wǎng)絡(luò)效益，有效地優(yōu)化了資源沖突問題。

圖8 不同算法下網(wǎng)絡(luò)收益Fig.8 Network income under different algorithms

隨機(jī)部署一些流量需求固定的網(wǎng)絡(luò)切片，這些切片請求的出現(xiàn)服從泊松分布，到達(dá)率為10/配置周期。圖9 對比了不同算法下隨機(jī)到達(dá)切片在鏈路上的接入情況，可以看出，所提“自適應(yīng)動態(tài)預(yù)測-模型優(yōu)化”的方法切片請求接受率更高，反映出切片的需求得到較好保障，驗(yàn)證了所提算法的有效性。此外，自適應(yīng)動態(tài)預(yù)測中不同置信區(qū)間的選擇會影響預(yù)測結(jié)果以及優(yōu)化方案的求解，考慮到自適應(yīng)動態(tài)預(yù)測的覆蓋度以及優(yōu)化方案求解的復(fù)雜度，本次仿真實(shí)驗(yàn)中選擇90%置信區(qū)間。

圖9 不同算法下切片請求接受率Fig.9 Request acceptance rate under different algorithms

5 結(jié)束語

網(wǎng)絡(luò)切片技術(shù)在5G 網(wǎng)絡(luò)中發(fā)揮著至關(guān)重要的作用，而資源問題是切片研究中的重要一環(huán)，動態(tài)網(wǎng)絡(luò)場景下產(chǎn)生的切片間資源沖突問題不可忽視。本文提出一種基于自適應(yīng)動態(tài)預(yù)測的資源沖突優(yōu)化方案。通過“自適應(yīng)動態(tài)預(yù)測-模型優(yōu)化”框架，在預(yù)測模塊對動態(tài)切片流量進(jìn)行自適應(yīng)分類預(yù)測，保證了預(yù)測準(zhǔn)確性并考慮了后續(xù)求解問題，在模型優(yōu)化部分利用魯棒優(yōu)化和基于可變粒子數(shù)量的粒子群優(yōu)化算法對不確定參數(shù)進(jìn)行求解，完成切片資源沖突的具體優(yōu)化。未來工作將繼續(xù)研究單個(gè)切片內(nèi)部的資源沖突問題，考慮在小時(shí)間尺度上進(jìn)行優(yōu)化。