基于流量感知的网络切片资源智能分配方法

【摘  要】针对当前网络切片资源仅考虑时间域请求所导致切片资源分配不合理的问题，采用基于残差-预测框架的流量感知算法来预测网络流量，结合神经网络预测未来的网络负载状态；基于网络负载预测结果，利用VNF技术实现网络切片资源智能分配。实验表明，该方法能够提升虚拟服务功能链数据包调度的端到端时延和CPU利用率。

【关键词】流量感知；网络切片；神经网络；资源分配

0   引言

未来5G业务的多样化发展将存在信道、流量需求、业务场景等很多不确定因素。5G核心网云化、网络切片等资源灵活分配手段，是当前运营商提高用户服务质量、增加网络性能的法宝。很多学者在该领域进行相关的研究。Falahatraftar等人[1]在5G应用场景下提出一种基于条件生成对抗网络的异构车辆网络切片方法；及翠婷等人[2]在农业网监控传输领域提出一种多元化信息的5G切片传输方案；Barakabitze等人[3]提出基于SDN和NFV的5G切片方案并提供开源代码编程器；Abidi等人[4]提出一种基于机器学习和深度学习的5G切片方案，基于深度学习实现最优加权特征提取并提出一个有效的网络切片混合学习算法；高亮等人[5]提出一种基于SDN的网络资源管理方法，其仿真结果显示带宽资源利用率明显提高。上述研究大多数从业务请求的动态变化来实现网络资源的分配，却没有结合当前业务流量的感知角度，即仅仅采用简单方法预测的网络未来负载状态来分配资源。上述方法有可能出现VNF（Virtual Network Feature，虚拟网络功能）频繁迁移问题，即系统一旦出现网络流量过载，为了保证业务可靠性，系统开始启动数据重定向，从而实现数据快速迁移。而VNF频繁迁移必然占用大量计算资源和存储资源，降低系统性能，