网络虚拟化背景下资源分配建模与算法研究.pdf

摘要

近年来，传统互联网架构在扩展、服务能力和安全等方面的问题日益突出，

现有的互联网络框架很难让互联网服务提供商在实施新技术创新方面达成共识，

传统互联网络框架变得逐渐僵化。网络虚拟化技术是解决这一僵化问题的有效技

术，它允许多个虚拟网络同时运行在同一个网络基础设施上，并提供更高的灵活

性与可维护性。网络功能虚拟化使得传统的网络功能设备以软件的形式在这些虚

拟网络中运行，这样可以提高网络服务部署的灵活性以及降低网络运营成本。然

而，网络虚拟化使得虚拟网络的实现和应用具有很大的灵活性的同时也带来了许

多挑战，如：虚拟网络映射问题的资源分配、虚拟网络服务功能链部署等问题。

本文主要针对网络虚拟化背景下资源分配问题进行了研究，创新性主要体现在以

下两个方面：

（1）针对传统启发式虚拟网络映射求解方法并未考虑虚拟网络对底层物理

资源请求的动态性，导致次优映射策略和鲁棒性较差的问题，提出了一种基于

图卷积网络的虚拟网络映射算法。首先将虚拟网络映射问题建模为马尔可夫决策

过程，然后采用图卷积网络代替传统的卷积神经网络对具有拓扑结构的网络特征

进行提取，并将图卷积网络与深度强化学习中的优势演员-评论家算法结合来解决

此问题。仿真结果表明，所提算法在请求接受率方面相比于两个对比算法分别提

高11.47%、30.52%，在平均节点资源利用率和平均链路资源利用率方面分别提高

了8.33%、24.56%；10.91%、21.02%。

（2）为降低通信网络服务器能量消耗以及改善通信网络服务质量，提出了一

种基于改进双深度Q网络的动态服务功能链部署算法。首先将服务功能链部署问

题建模为马尔可夫决策过程。通过对双深度Q网络进行在线训练，得到最优深度

神经网络模型，从而确定最优的服务功能链部署策略。为解决传统深度强化学习

从经验回放池中采用均匀抽取经验样本而导致神经网络学习效率低的问题，设计

一种基于重要性采样的优先级经验回放方法以抽取经验样本，从而有效地避免训

练样本之间的高度相关性，进一步提高离线学习神经网络的学习效率。仿真结果

表明所提出的基于改进双深度Q网络的服务功能链部署算法能够提高奖励值，与

传统的双深度Q网络算法相比，在能量消耗与阻塞率方面分别降低19.89%~36.9

9%、9.52%~16.37%。

关键词：网络虚拟化；服务功能链；深度强化学习；图卷积网络；双深度Q

网络

Abstract

Inrecentyears,theproblemsoftraditionalInternetarchitectureintermsof

expansion,servicecapabilityandsecurityhavebecomeincreasinglyprominent.The

existingInternetframeworkisdifficultforInternetserviceproviderstoreachconsensus

inimplementingnewtechnologicalinnovation,andthetraditionalInternetframework

hasbecomeincreasinglyrigid.Networkvirtualizationtechnologyisaneffectivesolution

tothisrigidityproblem,allowingmultiplevirtualnetworkstorunsimultaneouslyonthe

samenetworkinfrastructureandprovidinghigherflexibilityandmaintainability.The

virtualizationofnetworkfunctionsenablestraditionalnetworkfunctionaldevicestorun

intheformofsoftwarewithinthesevirtualnetworks,whichcanimprovetheflex