一种基于资源碎片避免的服务功能链部署算法的制作方法

本发明涉及一种sfc部署算法，具体涉及一种基于资源碎片避免的服务功能链部署算法。

背景技术：

随着网络和计算技术的快速发展，各种新颖的硬件设备和应用软件层出不穷，用户对更加多样化和高数据率的服务需求持续增加，网络运营商必须扩大提供服务的数量和种类以应对网络用户规模的不断增大。因此，电信运营商必须持续地购买，存储和操作新的物理设备来满足服务需求，这不仅要求操作和管理该设备的技术人员具有娴熟的技能和快速的适应能力，而且通过不断增加新的设备来部署新的网络功能大大增加了运营商的资金支出(capitalexpenditure,capex)和运营成本支出(operatingexpenditure,opex)。

网络服务(networkservice,ns)的传统部署需要根据中间件编排引导数据流量通过一组固定的专用设备，每个中间件设备根据自己提供的功能类型来对数据进行相应的处理。然而，传统的服务部署仍然存在着灵活性和扩展性较差等缺陷，当某些设备发生故障时无法将当前的网络功能迁移到其它设备上，随着时间的推移在不断变化的网络条件下改变这些硬件的位置变得非常昂贵且不切实际。此外，尽管需要更多新的网络功能但很难引入新服务，因为每个服务都嵌入在特定的路由器或交换机中。如果要实现一系列服务功能，就必须重新设计一个用于分配路由器和交换机的系统。更糟糕的是，为每个特定功能部署特定硬件是昂贵且不灵活的。

网络功能虚拟化是一种将网络功能的软件实现与底层硬件分离的新型网络体系架构。欧洲电信标准协会(europeantelecommunicationsstandardsinstitute,etsi)正在联合37个全球主要服务提供商将其标准化。在nfv中，利用标准it虚拟化技术将所有当前的网络功能整合到可位于网络任何位置的大容量服务器，交换机和存储设备中，这意味着可以将网络功能如防火墙作为普通软件的实例发送到电信运营商。这样，给定的服务可以分解为一组虚拟网络功能，然后可以在一个或多个行业标准物理服务器上运行的软件中实现，也可以在不同的网络位置重新定位和实例化vnf(例如，旨在引入针对给定地理位置的客户的服务)，而且不一定需要购买和安装新硬件。总之，使用nfv技术提供网络服务主要存在以下三方面的优势：

(1)软硬件解耦：通过虚拟化技术实现网络功能使软硬件得以分离，软件与硬件不再相互依赖彼此可独立发展,这允许两者的开发与维护可以保持不同的时间周期。

(2)网络功能的灵活部署：由于软件与硬件不再紧耦合，传统专用的硬件设备被通用服务器所取代，因此当需要部署新的服务时只需要在服务器上部署新的虚拟网络功能即可。此外，当物理节点发生故障时，可以将网络功能迁移部署到其它物理节点上，并且重新设置网络功能之间的连接。这种方式使得服务部署更加灵活，更加动态。

(3)动态扩展：将网络功能解耦为为可实例化的软件组件，可以以更灵活、更动态的方式扩展实际的vnf性能，并且可以实现更细粒度的流量控制。

在nfv生态系统中，网络服务通过定义以下因素来构建和部署在nfv中：vnf的数量，它们在链中的各自顺序以及网络功能拟化基础设施(networkfunctionvirtulizationinfrastructure,nfvi)中的服务功能链的分配。部署nfv的主要挑战之一是实现网络服务的快速可扩展、动态组合和分配。然而，由于服务提供需要一组vnf，所以在nfv中实现有效的服务协调和管理便遇到了两个挑战：1)如何为确定的服务需求组合vnf；2)如何有效地将服务中的vnf分配和调度到底层网络(substratenetwork,sn)上。因此，寻找一种高效的sfc构建和映射的策略，将能够显著降低运营商的资金投入，并且能够根据实际需求部署特殊的服务实例，根据实时请求动态迁移、复制和删除，提高网络的灵活性和可扩展性以及提高底层物理网络资源的利用率。

服务功能链的编排实质上是nfv资源分配(networkfunctionvirtualizationresourceallocation,nfv-ra)。编排器进行资源分配主要包括三个阶段：服务功能链的构建、服务功能链的映射和虚拟网络功能调度。服务功能链的映射阶段主要考虑节点和链路的虚拟资源分配，它是一种优化问题并且已经被证明是np-hard问题。在完成服务功能链的映射之后，一些剩余的物理资源可能会碎片化，导致底层网络中一部分物理节点和链路过载而其余部分却是空闲状态，甚至产生即使有足够的物理资源但是一些sfc请求仍然会被拒绝的现象。

经典的遗传算法是模拟达尔文的自然选择学说和自然界生物进化过程的一种计算模型，它将要解决的问题模拟成一个生物进化的过程。它采用简单的编码技术来表示各种复杂的结构，并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向。遗传算法中的每一个染色体都对应问题的一个解，一组染色体则构成一个种群。从初始种群出发，采用相应的选择策略在当前种群中选择个体，使用杂交和变异来产生下一代种群，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。这样进化n代后就很有可能会进化出适应度函数值很高，直到满足期望的终止条件为止。

遗传算法是一种自适应全局优化概率搜索算法，能够有效地解决组合优化问题。但是遗传算法的杂交和遗传算子都是在一定概率的条件下，随机地、没有指导地迭代搜索；因此它们在为群体中的个体提供进化机会的同时，也不可避免地产生了退化的可能。由于不能保持群体的多样性，而容易出现早熟收敛的现象。

技术实现要素：

本发明的目的在于提供一种基于资源碎片避免的服务功能链部署算法。

为实现上述目的，本发明采用如下的技术方案：

一种基于资源碎片避免的服务功能链部署算法，包括如下步骤：

1)采用资源碎片度度量底层网络物理节点和链路的资源碎片状态，并将资源碎片度最小化作为优化目标；

2)将遗传算法中个体染色体的适应度函数值作为空间解好坏的标准，使用融合模拟退火的遗传算法完成虚拟网络功能的映射；

3)采用改进的迪杰斯特拉算法完成虚拟链路的映射。

本发明进一步的改进在于，步骤1)中，优化目标的目标函数通过以下过程得到：

1.1)底层网络用带权无向图gs(ns,es)来表示，其中ns代表底层网络物理节点的集合，es代表物理链路的集合；如果物理节点n∈ns与m∈ns之间存在端到端的连接则说明存在物理链路e^nm∈es；用cs(n)表示物理节点n可用的计算资源也即部署在节点n上的虚拟机可用资源之和，bs(e^nm)表示物理链路e^nm可用的带宽资源；用|ns|和|es|分别表示物理节点和物理链路的数目；

1.2)服务功能链请求用有向图gv(nv,ev)来表示，其中nv表示服务功能链的vnf节点集合，ev表示服务功能链的虚拟链路集合；e^nm∈ev表示vnfn∈nv到vnfm∈nv的一条虚拟链路；用cv(n)表示虚拟节点n的计算资源需求，bv(e^nm)表示虚拟链路e^nm的带宽资源需求；用|nv|和|ev|分别用来表示虚拟节点和虚拟链路的数目；

定义表示物理节点ni∈ns的cpu计算资源剩余率，表示物理链路ej∈es的带宽资源剩余率，分别用来表示vnfn'∈nv是否已经被映射到物理节点ni∈ns和虚拟链路e'∈ev是否已经被映射到物理链路ej∈es：

定义表示物理节点ni∈ns的相邻节点数，表示物理链路e'∈ev的相邻链路数，表示两物理节点ni和nj之间链路的剩余带宽资源率，表示两物理链路ei与ej相交节点的剩余计算资源率；

定义物理节点的连通性影响矢量λⁿ如下：

定义邻接矩阵m^e表示链路与相邻节点的连通能力，邻接矩阵m^e如(4)式所示；由(3)式和(4)式得到物理节点的连通矢量kⁿ，如(5)式所示；

kⁿ＝λⁿ*m^e(5)

(5)式中物理节点的连通矢量定义mⁿ表示物理节点与相邻链路的连通能力：

进一步得到物理链路的连通矢量k^e表达式如下：

k^e＝λ^e*mⁿ(7)

上式中定义物理节点的连通矢量kⁿ、物理链路的连通矢量k^e表示物理节点和链路的rfd矢量，由物理节点ni的资源碎片度和物理链路ei的资源碎片度得物理节点ni和链路ei的rfd表达式如下；

1.3)在满足部署约束的条件下，使底层网络产生的资源碎片最小化，由资源碎片度得到目标函数如(10)式所示，式中rs(ni)、rs(ej)分别为物理节点ni的剩余计算资源、物理链路ej的剩余带宽资源：

约束条件：

底层网络需要满足虚拟节点的计算资源以及虚拟链路的带宽资源需求：

服务功能链中的每个vnf只能被映射一次：

为了满足流量守恒约束以确保服务功能链的连续性，得到链路映射约束条件：

本发明进一步的改进在于，步骤1.3)中，对于某一物理节点ni∈ns，当其相邻节点和链路的剩余资源率都为0时，该节点的连通值将达到最低值为0。

本发明进一步的改进在于，步骤2)的具体过程如下：

(1)初始化进化代数g，初始温度t0，温度衰减参数α，每个温度t值的迭代次数l，随机选择初始种群中的个体染色体作为初始节点，同时映射相邻节点之间的虚拟链路，将初始解按目标函数进行适应度函数值计算，得到父代种群的适应度函数值fold；

(2)通过交叉操作和变异操作生成子代种群，并得到子代种群的适应度函数值fnew；

(3)将子代种群与父代种群中的个体进行比较，计算增量δf＝fnew-fold；

(4)根据模拟退火算法的metropolis准则，若δf＜0则接受子代种群的个体，并以子代种群的个体替代父代种群中对应的旧个体，否则以概率exp(-δf/t)接受子代种群的个体；

(5)进化代数g＝g+1，若达到最大迭代次数l，则进行步骤(6)，若没有则返回到步骤(2)；

(6)若温度t值未达到最低温度tmin，则令t＝αt，重置迭代数并返回到步骤(2)；若温度t值达到最低温度tmin，则输出最优解，根据最优解完成虚拟网络功能的映射。

本发明进一步的改进在于，步骤(1)中，染色体x＝{x1，x2，...xj，...xn}表示服务功能链请求当中共包含n个vnf，基因xi表示第j个vnf部署在第xj个物理节点上，该物理节点需要满足vnf计算资源需求。

本发明进一步的改进在于，步骤(2)中，交叉操作的过程如下：

采用自适应的交叉概率公式，设fmax表示最差个体的适应度值，代表所有个体的平均适应度值，k1＜k2且都为常数，即交叉概率pc：

根据交叉概率pc进行单点交叉算子操作，随机选择两个sfc的部署序列，在部署序列中随机选择某个物理节点的位置作为交叉点，根据交叉点的位置交换两个部署序列的第一部分或者第二部分构造新的部署方案，若新的部署方案满足节点映射约束则接受，否则抛弃重新选择个体进行交叉操作。

本发明进一步的改进在于，步骤(2)中，变异操作的过程如下：

采用多点变异的方式作为变异算子，在已经存在的sfc部署序列中随机选择若干位置作为变异点，每个变异点根据变异概率pm决定是否用vnf待选物理节点集合中的其他物理节点进行替换，从而产生新的部署方案。

本发明进一步的改进在于，变异概率pm同样采用自适应的计算方式，计算公式如下：

上式中f′为变异个体的适应度值，k3＜k4且都为常数。

本发明进一步的改进在于，步骤3)的具体过程为：将物理链路剩余带宽资源的倒数作为权值计算，对于倒数和相同的物理路径，则选择跳数最小的物理路径进行虚拟链路映射。

与现有技术相比，本发明具有的有益效果：

传统的遗传算法容易出现早熟收敛现象，因此本发明使用模拟退火算法对遗传算法进行改进，扩大遗传算法的搜索领域，避免其陷入局部最优。模拟退火算法思想来源于固体退火原理，虽然它也是一种贪心策略，但是在搜索的过程中引入了随机因素，当得到的新解的适应度值更优时则接受，如果新解的适应度值更差时则以一定的概率接受，因此有可能跳出局部最优而获得全局最优解。仿真结果表明，与现有的部署算法相比，本发明所提算法可以有效的减少底层网络资源碎片的产生，并提高服务功能链的请求接受率以及物理资源的利用率，同时提高sfc的映射成功率，更能适应大规模网络场景。

进一步的，针对现有的多数服务功能链部署方案没有考虑底层网络会产生资源碎片的问题，本发明使用资源碎片度的概念去度量物理节点和链路的资源碎片状态，并以资源碎片度最小化为优化目标，设计了一种基于遗传模拟退火算法的启发式服务功能链部署方案，以达到有效的减少底层网络资源碎片产生的效果，实现资源的高效利用并提高服务功能链的请求接受率。

进一步的，服务功能链的部署已经被证明是np-hard问题，通过线性规划求解时间复杂度过高，不能应用于实际网络规模较大的场景，多数情况下是通过启发式或元启发式方案求解。由于传统的遗传算法容易出现早熟收敛现象，因此发明提出基于遗传模拟退火的启发式服务功能链部署方案，使用模拟退火算法对遗传算法进行改进，扩大遗传算法的搜索领域，避免其陷入局部最优。

附图说明

图1为基于资源碎片避免的sfc部署算法流程图。

图2为不同服务请求强度下三种算法的请求接受率对比曲线。

图3为不同服务请求强度下三种算法的物理节点rfd值对比曲线。

图4为不同服务请求强度下三种算法的物理链路rfd值对比曲线。

具体实施方式

下面结合附图及实施例对本发明做进一步详细描述。

参见图1，本发明基于资源碎片避免的sfc部署算法步骤：

1)使用资源碎片度度量底层网络物理节点和链路的资源碎片状态，并将资源碎片度最小化作为优化目标；

2)将遗传算法中个体染色体的适应度函数值作为空间解好坏的标准，适应度函数值越高(或越低)解向量越好，在迭代后适应度值最高(或最低)代表该个体为全局最优解。同时引入模拟退火算法改进传统遗传算法容易陷入局部最优的缺陷，使用融合模拟退火的遗传算法完成虚拟网络功能的映射；

3)使用改进的迪杰斯特拉算法完成虚拟链路的映射，将物理链路剩余带宽资源的倒数作为权值计算，对于倒数和相同的物理路径，则选择跳数最小的进行虚拟链路映射。

本发明具体的步骤如下：

(1)底层网络

底层网络用带权无向图gs(ns,es)来表示，其中ns代表底层网络物理节点的集合，es代表物理链路的集合。每个物理节点可以部署多个不同类型的虚拟机，不同类型的虚拟机支持不同类型的vnf部署。如果物理节点n∈ns与m∈ns之间存在端到端的连接则说明存在物理链路e^nm∈es。用cs(n)表示物理节点n可用的计算资源也即部署在节点n上的虚拟机可用资源之和，bs(e^nm)表示物理链路e^nm可用的带宽资源。同时用|ns|和|es|分别表示物理节点和物理链路的数目。

(2)服务功能链请求

服务功能链请求用有向图gv(nv,ev)来表示，其中nv表示服务功能链的vnf节点集合，ev表示服务功能链的虚拟链路集合。e^nm∈ev表示vnfn∈nv到vnfm∈nv的一条虚拟链路。用cv(n)表示虚拟节点n的计算资源需求，bv(e^nm)表示虚拟链路e^nm的带宽资源需求。同时用|nv|和|ev|分别用来表示虚拟节点和虚拟链路的数目。

(3)定义资源碎片度

本发明使用资源碎片度的概念去度量物理节点和链路的资源碎片状态，对于某一物理节点(或链路)的连通性由相邻节点或链路的剩余资源率决定。通过对节点和链路连通性的进一步分析可以得到相应的rfd表达式。

1)定义表示物理节点ni∈ns的cpu计算资源剩余率，表示物理链路ej∈es的带宽资源剩余率，分别用来表示vnfn'∈nv是否已经被映射到物理节点ni∈ns和虚拟链路e'∈ev是否已经被映射到物理链路ej∈es：

2)定义表示物理节点ni∈ns的相邻节点数，表示物理链路e'∈ev的相邻链路数，表示两物理节点ni和nj之间链路的剩余带宽资源率，表示两物理链路ei与ej相交节点的剩余计算资源率。

定义物理节点的连通性影响矢量λⁿ如下：

定义邻接矩阵m^e表示链路与相邻节点的连通能力，邻接矩阵m^e如(4)式所示。由(3)式和(4)式可以得到物理节点的连通矢量kⁿ如(5)式所示。对于某一物理节点ni∈ns当其相邻节点和链路的剩余资源率都为0时，该节点的连通值将达到最低值为0。

kⁿ＝λⁿ*m^e(5)

(5)式中类似情况可定义mⁿ表示物理节点与相邻链路的连通能力：

进一步可得物理链路的连通矢量k^e表达式如下：

k^e＝λ^e*mⁿ(7)

上式中定义物理节点的连通矢量kⁿ、物理链路的连通矢量k^e表示物理节点和链路的rfd矢量，由节点的资源碎片度rⁿ和链路的资源碎片度r^e可得物理节点ni和链路ei的rfd表达式如下；

由物理节点和链路的rfd的表达式可以发现当随着相邻节点或者链路的剩余资源率的降低，物理节点或者链路的rfd逐渐增大，其取值范围为0到1。

(4)确定目标函数及条件约束

1)目标函数：算法优化的主要目标是在满足部署约束的条件下，使底层网络产生的资源碎片最小化。由资源碎片度的定义可以得到目标函数如(10)式所示，式中rs(ni)、rs(ej)分别为物理节点ni的剩余计算资源、物理链路ej的剩余带宽资源：

2)约束条件：

底层网络需要满足虚拟节点的计算资源以及虚拟链路的带宽资源需求：

服务功能链中的每个vnf只能被映射一次：

为了满足流量守恒约束以确保服务功能链的连续性，可得到链路映射约束条件：

(5)遗传参数设计

1)染色体编码与初始种群：采用自然数编码，染色体x＝{x1,x2,...xj,...xn}表示服务功能链请求当中共包含n个vnf，基因xj表示第j个vnf部署在第xj个物理节点上，该物理节点需要满足vnf计算资源需求。

例如当某次服务功能链请求当中包含5个vnf，物理节点数量为10，编码将产生一个长度为5的序列。设序列为{1,2,2,5,8}，服务功能链中的vnf在满足依赖性的情况下依次部署在编码序列对应的物理节点上。初始种群通过随机的方式产生，对于每一个vnf使用广度优先搜索遍历底层网络产生待选物理节点集合，集合中的物理节点需要满足vnf的计算资源需求，再随机选择集合中的物理节点构造初始种群。

2)选择：采用比例选择算子的方式，每个个体的生存概率由该个体的适应度值占种群所有个体适应度值之和的比例来确定。由于本发明的适应度函数值是要求越小越优，因此可以得到选择概率计算公式：

上式中fi表示个体i对应的选择概率，fi表示个体i对应的适应度函数值，m为种群规模的大小。适应度函数值越小表示vnf的部署方案越优。

3)交叉：本发明选用单点交叉的策略。交叉概率pc的合理选择对遗传算法的收敛性有着重要的影响。采用自适应的交叉概率公式，设fmax表示最差个体的适应度值，代表所有个体的平均适应度值，k1＜k2且都为常数，即：

根据交叉概率pc进行单点交叉算子操作，随机选择两个sfc的部署序列，在部署序列中随机选择某个物理节点的位置作为交叉点，根据交叉点的位置交换两个部署序列的第一部分或者第二部分构造新的部署方案，若新的部署方案满足节点映射约束则接受否则抛弃重新选择个体进行交叉操作。

4)变异：采用多点变异的方式作为变异算子，在已经存在的sfc部署序列中随机选择若干位置作为变异点，每个变异点根据变异概率pm决定是否用vnf待选物理节点集合中的其他物理节点进行替换，从而产生新的部署方案。变异概率pm的合理选择对遗传算法的收敛性影响与交叉概率类似，取值过小不易产生新的个体而过大则变成纯粹的随机搜索。因此变异概率pm同样采用自适应的计算方式，计算公式如下：

上式中f'为变异个体的适应度值，k3＜k4且都为常数。

(6)模拟退火参数设计

1)初始温度及退温：初始温度t0一般设置的足够大，避免算法陷入局部最优，退温函数通常以tk＝αtk-1的指数形式衰减，其中系数α为略小于1的值，通过调节α可以控制降温的快慢，每个温度下最大循环次数为gmax。

2)状态接收规则：将新种群的个体与父代中的个体进行比较，并由metropolis接受准则确定是否接受新的个体，接受概率p表达式如下所示：

上式中δf＝fnew-fold，exp为自然指数，t为温度参数值，判断子代种群个体适应度值是否低于父代种群个体的适应度值，若低于则接受子代个体并替换对应的父代个体；否则产生一个[0,1]之间的随机数，随机数值小于exp(-δf/t)则接受新个体否则拒绝。

(7)虚拟链路映射

种群中的个体代表了vnf的部署结果。对于虚拟链路的映射，构建满足带宽约束和流量守恒约束的物理路径集合，在集合中使用改进的迪杰斯特拉算法(dijkstra)选择资源充足并且物理节点跳数较小的路径。如果用物理链路的剩余带宽资源作为权值计算，将会导致算法选择剩余带宽资源较低而不是资源充足的路径，这种选择机制会破坏底层网络带宽资源的均衡性，加重资源碎片的产生。因此将物理链路剩余带宽资源的倒数作为权值计算，对于倒数和相同的物理路径，则选择跳数最小的进行虚拟链路映射。

具体的，确定目标函数和约束条件后，参见图1，进行如下步骤：

(1)初始化进化代数g，初始温度t0，温度衰减参数α，每个温度t值的迭代次数l，随机选择初始种群中的个体染色体作为初始节点部署方案，同时映射相邻节点之间的虚拟链路，将初始解按目标函数进行适应度函数值计算，得到父代种群的适应度函数值fold；

(2)通过交叉操作和变异操作生成子代种群，并得到子代种群的适应度函数值fnew；

(3)将子代种群与父代种群中的个体进行比较，计算增量δf＝fnew-fold；

(4)根据模拟退火算法的metropolis准则，若δf＜0则接受子代种群的个体，并以子代种群的个体替代父代种群中对应的旧个体，否则以概率exp(-δf/t)接受子代种群的个体；

(5)进化代数g＝g+1，若达到最大迭代次数l，则进行步骤(6)，若没有则返回到步骤(2)；

(6)若温度t值未达到最低温度tmin，则令t＝αt，重置迭代数并返回到步骤(2)；若温度t值达到最低温度tmin，则输出最优解，根据最优解完成虚拟网络功能的映射。

使用改进的迪杰斯特拉算法完成虚拟链路的映射：将物理链路剩余带宽资源的倒数作为权值计算，对于倒数和相同的物理路径，则选择跳数最小的物理路径进行虚拟链路映射。从而完成最优的服务功能链部署。

下面为仿真实施例：

本发明主要采用服务请求接受率，物理节点和链路的rfd值及算法执行时间作为验证算法的性能评价指标，并与传统的遗传算法(ga)和viterbi算法进行比较分析。

参见图2，表示固定sfc请求大小为5的情况下，服务请求接受率随着请求强度增大的变化情况。由图可知当服务请求强度大于100时，本发明算法的请求接受率分别比ga算法和viterbi算法平均要高10％和20％以上。三种算法都是基于启发式的部署策略，能够应对大规模的网络场景，但是随着服务请求强度的逐渐增大底层物理资源逐渐减少，算法请求接受率都呈下降趋势。由于在仿真实验中将本发明算法与ga算法的优化目标都设为最小化rfd值，相比于viterbi算法资源利用效率更高，而本发明提出的改进遗传算法能够更加有效的减少底层物理资源碎片的产生，资源利用率进一步得到提高，因此请求接受率高于其他两种算法

参见图3和图4，表示固定sfc请求大小为5的情况下，rfd值随着服务请求强度增大的变化情况。由于基于viterbi算法的部署方案并没有考虑到底层物理资源碎片产生的情况，因此随着请求到达强度增加产生的资源碎片最多。传统的遗传算法具有容易陷入早熟收敛的缺陷，因此本发明提出融合模拟退火的遗传算法，根据metropolis接受准则以一定的概率接受较差的解，避免算法陷入局部最优，并且利用改进的迪杰斯特拉算法选择虚拟链路的映射路径，即使两种算法都以最小化资源碎片为优化目标，本发明的算法也能够更加有效的降低sfc部署时底层网络产生的资源碎片。

本发明主要用来求解当前网络功能虚拟化(networkfunctionvirtualization,nfv)环境下服务功能链(servicefunctionchain,sfc)的构建和映射问题。nfv通过将传统的网络功能以软件的形式实现，使得网络功能的部署与传统的专用硬件分离。服务的提供要求数据流量由一组有序的网络功能序列来处理，而这样的一组网络功能序列也被成为服务功能链。因此，寻找一种高效的sfc构建和映射的策略，是nfv的一个研究热点。针对现有的多数服务功能链部署方案没有考虑底层网络会产生资源碎片的问题，本发明使用资源碎片度的概念去度量物理节点和链路的资源碎片状态，并以资源碎片度最小化为优化目标，设计了一种基于遗传模拟退火算法的启发式服务功能链部署方案，以达到有效的减少底层网络资源碎片产生的效果，实现资源的高效利用并提高服务功能链的请求接受率。

服务功能链的部署已经被证明是np-hard问题，通过线性规划求解时间复杂度过高，不能应用于实际网络规模较大的场景，多数情况下是通过启发式或元启发式方案求解。由于传统的遗传算法容易出现早熟收敛现象，因此发明提出基于遗传模拟退火的启发式服务功能链部署方案，使用模拟退火算法对遗传算法进行改进，扩大遗传算法的搜索领域，避免其陷入局部最优。

本发明针对现有的多数服务功能链部署方案没有考虑底层网络会产生资源碎片的情况，以经典的遗传算法为基础，提出了资源碎片度的概念去度量物理节点和链路的资源碎片状态，并以资源碎片度最小化为优化目标，对传统遗传算法的染色体编码、交叉、变异操作进行了重新定义，设计了一种改进遗传模拟退火算法的启发式服务功能链部署方案，该方案基于资源碎片避免的算法来求解nfv环境中服务功能链的部署问题，可以有效的减少底层网络资源碎片的产生，并提高服务功能链的请求接受率。