基于混合群智能优化虚拟网络映射算法.docVIP

基于混合群智能优化虚拟网络映射算法 　　摘 要：网络虚拟化是突破网络发展僵局的一项重要技术，而虚拟网络映射（VNE）是网络虚拟化的一个主要问题。提高底层网络资源的利用率和收益是虚拟网络映射的主要目标。针对底层网络支持路径分裂的情况，建立了整数线性规划（ILP）模型，并提出基于混合群智能优化的虚拟网络映射算法。该算法在兼顾映射开销和映射均衡性的基础上利用粒子群优化算法（PSO）和遗传算法（GA）迭代优化映射方案。仿真实验结果表明，与现有的主流研究成果相比，该算法显著地提高了底层网络长期平均运营收益与虚拟网络请求接受率。 　　关键词：虚拟网络映射；整数线性规划；混合群智能优化；粒子群算法；遗传算法 　　0 引言 　　网络虚拟化是用于解决未来网络特征多样化的一项主要技术，它允许在同一个底层网络上共存多个异质网络体系[1-2]。在网络虚拟化环境下，多个服务提供商租用基础设施提供商的底层网络创建多个异质虚拟网络，从而为端用户提供定制的端到端服务[2-4]。同样网络虚拟化能够让研究人员在异质试验网上设计和评估新的网络协议[6]。 　　网络虚拟化中每一个虚拟网络（Virtual Network， VN）由虚拟节点和虚拟链路构成。虚拟节点可以承载在某个底层节点上，而虚拟链路则可以由底层网络路径来承载。虚拟网映射问题就是将带有节点和链路约束的虚拟网络请求映射到底层网络的特定节点和路径上。由于多个虚拟网映射在同一个底层物理资源上，因此有效的虚拟网络映射算法对于提高底层网络资源和基础设施提供商的收益十分重要。 　　在不支持路径分裂的情况下，即使所有虚拟节点已经映射，带有带宽约束的虚拟链路映射仍然是一个NP难问题。在文献[7-10]中，已经出现大量的启发式算法，大部分算法先使用贪婪算法进行节点映射，然后重点研究链路映射（使用最短路径、K最短路径和多商品流（MultiCommodity Flow，MCF）算法）。然而这些算法没有在链路映射阶段进行节点预选，没有考虑节点的地理位置需求，也限制了解空间，因此导致网络请求接受率低。文献[11]增强了节点映射阶段和链路映射阶段之间的关联，提出了DViNE和RViNE算法。该算法用候选节点建立了“元节点”，节点映射时，在“元节点”中选择与“元节点”外连接带宽多的候选节点。这种方法使得节点在映射的同时兼顾了链路的资源情况，从而建立混合整数规划模型，在节点映射结果基础上进一步根据多商品流算法求解链路映射结果。文献[12-13]将群智能算法用于虚拟网络映射问题。文献[12]利用蚁群优化算法（Ant Colony Optimization，ACO）将映射问题分为一系列子问题，通过“蚁群”一定的迭代次数来搜寻方案空间；该算法将映射问题进行分块处理，割裂了映射节点之间的联系，影响映射方案的整体选择。文献[13]利用粒子群算法（Particle Swarm Optimization，PSO），每一个粒子群体都是一个可能的映射方案，根据评估函数值进行反复迭代来改变粒子群位置，最终得到近似最优的映射方案；但该算法对资源选择的均衡性考虑不足，粒子群映射方案容易陷入局部最优。 　　针对上述不足，本文提出的基于混合群智能优化的虚拟网络节点映射算法VNEPSOGA（Virtual Network Embedding based on Particle Swarm Optimization and Genetic Algorithm），利用PSO和遗传算法（Genetic Algorithm，GA）迭代优化映射方案，同时兼顾了算法收敛性，避免局部最优问题；并提出带宽均衡分布的多商品流算法完成虚拟链路映射，该算法用多条路径均衡承载带宽，提高了资源分布的均衡性和节点之间的连接性。 　　5 结语 　　本文以降低虚拟网络映射资源开销为目标，在底层网络支持路径分裂的情况下，建立了优化虚拟网络映射的整数线性规划模型，并设计了基于混合群智能的虚拟网络映射算法。该算法根据问题的模型重新定义了遗传群体的交叉、变异算子以及粒子的位置、速度和更新操作，利用遗传算法的变异特性防止映射方案的局部最优现象，同时粒子群算法又使得映射方案向最优方案不断移动，经过一定的迭代次数达到近似最优映射方案。模拟实验结果表明该算法提高了底层网络重点关注的虚拟网络接受率、平均收益和收益开销比。 　　本文算法依靠虚拟网络的映射开销作为指标对映射方案进行评估，缺少对底层网络的感知。下一步的工作将从这个角度出发，对底层网络的节点和路径分别进行资源评估，然后进一步研究虚拟网络映射问题。 　　参考文献： 　　[1]ANDERSON T， PETERSON L， SHENKER S， et al. Overcoming the Internet impasse through virtualiz