无线mesh网中弹性虚拟子网映射方法与流程

本发明属于通信技术领域，特别涉及一种虚拟网络映射方法，可用于在无线mesh网络中，对资源调度和虚拟子网映射这两个问题进行优化。

背景技术：

在无线网络技术迅速发展的今天，各种802.1x标准不断被更新，新的无线网络架构也不断出现，当无线局域网方兴未艾时，无线mesh网作为一种新兴的网络出现了，它通过组织和配置网络中的节点高效动态地为城域网提供社区宽带网络接入服务。由于无线mesh网具有覆盖范围广、安装便捷、网络带宽高、部署成本低的优点，既适合提供Internet接入，又能够支持点到点通信，所以受到了多国政府和运营商的重视。将会有越来越多的网络应用和网络架构同时运行在无线mesh网络上，向用户提供某种服务或进行网络创新实验，通过无线Mesh网络虚拟化技术就能够实现这一目标。

网络虚拟化是指在一个共享的物理网络资源之上创建多个虚拟网络VN，同时每个虚拟网络可以独立部署和管理。通过对无线mesh网进行虚拟化，可以实现：推动异构网络的融合和升级、网络环境、简化网络管理、保证服务质量这几个目标。

无线网状网技术WMN具有较低的前期成本、便于网络维护、健壮性及可靠的服务范围等优点。正是利用自身具有的这些优点，WMN成为提高各种应用，如家庭宽带、企业网络的无线技术。但无线mesh网络在实际部署中也面临着很多挑战性的问题，如难以保证用户的接入带宽、丢包率较高、移动用户通信中断等问题。R.Matos,C.Marques,and S.Sargento,Context-based connectivity and characterization of Wireless Mesh Networks:Simulation study[C],IEEE GLOBECOM Workshops(GC Wkshps),Dec.2010,pp.1118-1123.一文中研究了无线mesh网络中不同用户需求虚拟化到同一个物理网络上的映射算法，提出了一个多虚拟的结构，用来处理网状客户的环境需求的异质性，例如开销或安全性、移动模式等，但这种方法在实现过程中不能根据用户的资源请求量动态地实现资源的分配，无法满足灵活的服务质量要求。

技术实现要素：

本发明的目的在于针对上述现有技术的不足，提出一种无线mesh网中弹性虚拟子网映射方法，以根据用户的资源请求量动态地进行资源分配，满足灵活的服务质量要求。

本发明的技术思路是：建立无线mesh网络环境中的虚拟网络映射联合优化问题，并将其分解为资源分配和虚拟子网映射两个优化子问题，通过Hopfield神经网络算法求解分别得到最优的信道资源分配和虚拟网络映射方式，其实现方案包括如下：

1)构建一个无线mesh网络的系统模型：

1a)用物理节点无向图G_S＝(N_S,E_S)表示无线mesh网中物理网络的拓扑结构，其中，N_S是物理节点集合，E_S是物理链路集合，E_S中第s条物理链路用l_s表示；

1b)用虚拟节点无向图G_V＝(N_V,E_V)表示虚拟网络的请求模型，其中，N_V是虚拟节点集合，E_V是虚拟链路集合，G_V中第v个虚拟请求用g_v表示；

2)针对上述无线mesh网络的系统模型，综合考虑底层物理网络的负载均衡和虚拟请求映射成本的最小化，构建联合动态优化问题的目标函数：

式中分子表示网络的映射成本，分母的第一项表示物理网络分配的信道带宽，第二项表示虚拟网络消耗的物理网络资源，为了避免分母为0，设置α为一个正常数；N_c为物理网络的子信道集合，n_c表示第c条子信道，B_c表示子信道带宽，是物理链路l_s的功率，是物理链路l_s为虚拟链路l_v提供的带宽量，g_v(E_V)表示第v个虚拟请求子网中的虚拟链路集合，l_v表示g_v(E_V)中第v条虚拟链路；是0-1变量，表示子信道n_c在物理链路l_s上的分配情况；是0-1变量，表示物理链路l_s在虚拟链路l_v上的映射情况；

3)将步骤2)构建的联合动态优化问题分解为两个连续的静态子问题：

3a)设第一个连续的静态子问题的目标函数为：

3b)设第二个连续的静态子问题的目标函数为：

其中，i，j分别为物理链路l_s的两个物理节点，N为节点个数，是物理链路(i,j)为虚拟链路l_v提供的带宽量，b(l_s)是各个物理链路上总的带宽资源量，表示物理链路(i,j)在虚拟链路l_v上的映射情况；

4)分别设定步骤3)中两个连续的静态子问题的目标函数的约束条件：

4a)第一个连续的静态子问题的目标函数共有四条约束：

第一条约束，是每条链路的最大容量大于最小速率请求；

第二条约束，是每条子信道只能分配给一条物理链路使用；

第三条约束，是所有子信道都要分配给物理链路使用；

第四条约束，要求每条链路上至少要分得两条子信道，分别用于收发信息；

4b)第二个连续的静态子问题的目标函数共有六条约束，

第1条约束，要求所有映射到物理链路上的虚拟链路带宽需求不大于物理链路的剩余带宽；

第2条约束，要求要满足流守恒定律，即从源节点流出的量要等于进入目的节点的量；

第3条约束，排除了所选路径中包含不存在的物理链路的可能性；

第4条约束，驱动神经元收敛于连接节点组成的有效路径；

第5条约束，排除环路的可能性

第6条约束，排除路径分割的可能性；

5)在步骤4)添加约束的基础上，对步骤3)中提出的两个连续的静态子问题分别进行求解：

5a)利用Hopfield神经网络算法求解第一个连续的静态子问题，使得第一个连续的静态子问题的目标函数最大化，得到最优的信道分配矩阵X；

5b)通过步骤5a)得到的最优分配矩阵X中的元素计算各个物理链路上总的带宽资源量b(l_s)，并将其代入第二个连续的静态子问题的目标函数中，利用Hopfield神经网络算法求解第二个连续的静态子问题，最小化第二个连续的静态子问题的目标函数，得到链路映射变量矩阵Y。

本发明与现有技术相比具有以下优点：

第一，由于本发明采用了将复杂的联合动态优化问题分解为两个连续的静态子问题的方案，分别解决了物理网络的资源分配和虚拟链路映射的问题，大大降低了原问题的求解复杂度，在保证物理网络的资源利用率的前提下，提高了虚拟子网的接入率。

第二，由于本发明采用了Hopfield神经网络算法对虚拟网络进行映射，经过多次迭代，使能量函数收敛到了最优值，凸显出了神经网络快速收敛的特性，减少了求解时间，能够快速求解出分解后的两个连续的静态子问题的最优解。

附图说明

图1是本发明的实现流程图。

图2是对本发明建立的无线mesh网络中物理链路分配的最大可用带宽仿真图。

图3是用本发明求解两个连续的静态子问题时神经网络中能量函数随迭代次数变化的仿真图。

图4是用本发明进行虚拟链路映射时支持多径映射和非多径映射时映射成本的仿真图。

图5是用本发明进行虚拟链路映射时支持多径映射和非多径映射时链路平均利用率的仿真图。

具体实施方式

下面结合附图对本发明做进一步的描述:

参照图1，本发明的实现步骤如下：

步骤1，构建一个无线mesh网络的系统模型：

1a)用物理节点无向图G_S＝(N_S,E_S)表示无线mesh网中物理网络的拓扑结构，其中，N_S是物理节点集合，E_S是物理链路集合，E_S中第s条物理链路用l_s表示；

1b)用虚拟节点无向图G_V＝(N_V,E_V)表示虚拟网络的请求模型，其中，N_V是虚拟节点集合，E_V是虚拟链路集合，G_V中第v个虚拟请求用g_v表示。

步骤2，针对上述无线mesh网络的系统模型，综合考虑底层物理网络的负载均衡和虚拟请求映射成本的最小化，构建联合动态优化问题的目标函数：

式中分子表示网络的映射成本，分母的第一项表示物理网络分配的信道带宽，第二项表示虚拟网络消耗的物理网络资源，为了避免分母为0，设置α为一个正常数；N_c为物理网络的子信道集合，n_c表示第c条子信道，B_c表示子信道带宽，是物理链路l_s的功率，是物理链路l_s为虚拟链路l_v提供的带宽量，g_v(E_V)表示第v个虚拟请求子网中的虚拟链路集合，l_v表示g_v(E_V)中第v条虚拟链路；是0-1变量，表示子信道n_c在物理链路l_s上的分配情况；是0-1变量，表示物理链路l_s在虚拟链路l_v上的映射情况；

步骤3，将步骤2)构建的联合动态优化问题分解为两个连续的静态子问题：

3a)设第一个连续的静态子问题的目标函数为：

3b)设第二个连续的静态子问题的目标函数为：

其中，i，j分别为物理链路l_s的两个物理节点，N为节点个数，是物理链路(i,j)为虚拟链路l_v提供的带宽量，b(l_s)是各个物理链路上总的带宽资源量，表示物理链路(i,j)在虚拟链路l_v上的映射情况；

步骤4：分别设定步骤3)中两个连续的静态子问题的目标函数的约束条件：

4a)第一个连续的静态子问题的目标函数共有四条约束：

第一条约束，是每条链路的最大容量大于最小速率请求；

第二条约束，是每条子信道只能分配给一条物理链路使用；

第三条约束，是所有子信道都要分配给物理链路使用；

第四条约束，要求每条链路上至少要分得两条子信道，分别用于收发信息；

4b)第二个连续的静态子问题的目标函数共有六条约束，

第1条约束，要求所有映射到物理链路上的虚拟链路带宽需求不大于物理链路的剩余带宽；

第2条约束，要求要满足流守恒定律，即从源节点流出的量要等于进入目的节点的量；

第3条约束，排除了所选路径中包含不存在的物理链路的可能性；

第4条约束，驱动神经元收敛于连接节点组成的有效路径；

第5条约束，排除环路的可能性

第6条约束，排除路径分割的可能性；

步骤5，在步骤4)添加约束的基础上，对步骤3)中提出的两个连续的静态子问题分别进行求解：

5a)利用Hopfield神经网络算法求解第一个连续的静态子问题，使得第一个连续的静态子问题的目标函数最大化，得到最优的信道分配矩阵X；

5a1)根据步骤(3a)的目标函数和步骤4a)的约束条件，写出神经网络的能量函数：

其中，R(l_s)表示链路l_s的香农信道容量，为链路l_s上的最小数据带宽需求，P_c为每条子信道上的功率，为信道增益，N₀为噪声方差，|N_c|为子信道数目，λ_i为各项的系数常量，i＝1,2,3,4,5；

5a2)通过能量函数E₁对变量求偏导，得到如下动态方程：

5a3)求解上述动态方程，可得到最优的信道分配矩阵：

其中，为最优的信道分配矩阵X中的元素；

5b)通过步骤5a)得到的最优分配矩阵X中的元素计算各个物理链路上总的带宽资源量b(l_s)：

其中，B_c表示物理网络的子信道带宽，表示最优信道分配矩阵X中的元素，l_s表示物理链路集合E_S中第s条物理链路，n_c表示第c条子信道；

5c)利用Hopfield神经网络算法求解第二个连续的静态子问题：

5c1)将各个物理链路上总的带宽资源量b(l_s)代入步骤(3b)的目标函数中，根据该目标函数和步骤4b)的约束条件，写出神经网络的能量函数：

其中:

其中，M表示物理网络拓扑图的邻接矩阵，Res(i,j)为物理链路(i,j)的剩余带宽，μ_i为各项的系数常量，i＝1,2,3,4,5,6,7,8，通过能量函数E₂对变量求偏导，得到动态方程：

其中，和I_ij均为中间变量，表示如下：

其中，s和d为虚拟链路的源节点和目的节点；

(5c2)设置时间初始值t＝0，时间间隔Δt＝10^-2，电平初始值U(0)＝0，迭代次数i＝0；

(5c3)根据动态方程计算神经元的电平值对时间的导数值，把导数值和t时刻神经元电平值U(t)带入一阶欧拉公式，计算出t+Δt时刻的电平值U(t+Δt)；

(5c4)根据电平值U(t)和电平初始值U(0)计算链路映射变量Y_ijⁿ，再把链路映射变量Y_ijⁿ代入步骤5c1)中的能量函数公式，计算出能量函数值；

(5c5)判断t+Δt时刻的电平值U(t+Δt)是否等于t时刻的电平值U(t)，若是，则得到链路映射变量矩阵Y，迭代终止，否则，对迭代次数i的值加1，并对时刻t加Δt，返回步骤(5c3)。

本发明的效果可通过仿真进一步的说明

1.仿真条件：

本发明的仿真在单个小区的无线通信场景中进行，设子载波带宽间隔为15kHz,每12条子载波为一个子信道，共有50个子信道，可用子载波数是600个，每条子信道带宽为180kHz,每条子信道的最大发送功率为P_c＝1W,每条子信道上的最小数据带宽要求为180kbps，采用BPSK调制，假定所有物理链路的单位带宽资源成本为1个单位。

2.仿真内容与结果分析

仿真1，按照上述仿真条件，对本发明建立的无线mesh网络中物理链路分配的最大可用带宽进行仿真，结果如图2。

从图2可以看出，无线mesh网络的拓扑结构中的8个物理节点构成了10条物理链路，根据各个链路上的资源请求量进行分配，得到了各个链路上的最大可用带宽。

仿真2，按照上述的仿真条件，对本发明求解两个连续的静态子问题时神经网络中能量函数随迭代次数的变化进行仿真，结果如图3。

其中，图3(a)是本发明求解第一个连续的静态子问题时神经网络中的能量函数随迭代次数的变化仿真图。

图3(b)是本发明求解第二个连续的静态子问题时神经网络中的能量函数随迭代次数的变化仿真图。

从图3可以看出：在求解两个连续的静态子问题时神经网络中的能量函数随迭代次数的变化趋势是基本一致，在前面十几次迭代中，能量函数急剧降低，在后面的迭代中趋于稳定，凸显出了神经网络快速收敛的特性，同时证明了利用Hopfield神经网络算法可以收敛到最优解。

仿真3，按照上述的仿真条件，对用本发明进行虚拟链路映射时支持多径映射和非多径映射时的映射成本进行仿真，结果如图4。

从图4可以看出：当物理网络允许多径映射时，虚拟链路的映射成本要大于映射成单条物理路径的映射成本，这是由于对多条路径进行映射时的路径消耗较大，产生的映射成本就比较大。

仿真4，按照上述的仿真条件，对用本发明进行虚拟链路映射时支持多径映射和非多径映射时的链路平均利用率进行仿真，结果如图5。

从图5可以看出，当物理网络允许多径映射时，虚拟链路的链路平均利用率要小于映射成单条物理路径的链路平均利用率，这是由于多径映射虽然可以避免瓶颈链路的出现，但是其就不能保证映射的每条物理路径都是最优路径，降低了整个网络的链路平均利用率。