一种面向节能和QoS保障的VNF部署方法及系统与流程

本发明属于网络功能虚拟化(networkfunctionvirtualization，nfv)部署
技术领域：
，涉及一种面向节能和服务质量(qualityofservice，qos)保障的vnf部署方法及系统。
背景技术：
：nfv是由欧洲电信标准协会(europeantelecommunicationsstandardsassociation，etsi)推动的新概念，该技术旨在通过使用虚拟化和云计算技术简化网络服务的部署与管理。与基于硬件设备的传统服务提供模式相比，nfv网络支持在通用服务器上部署vnf，因此该技术在减小部署专用硬件设备的开销的同时，保证了网络服务的灵活性，可靠性和扩展性。此外，部署在网络中的部分vnf可以被连接成一条服务功能链(servicefunctionchain,sfc)，进而可以向用户提供更复杂的服务。在大规模电信网络中，为了满足用户的服务请求，运营商需要在不同的网络位置部署vnf，网络在处理和传输用户数据的过程中消耗量大量的电能。调查数据表明，互联网通信技术行业的相关设备在2008年的温室气体排放量占据总量的2％-2.5％，并预测在即将到来的2020年这个数字会达到两倍以上。因此，能耗已经成为vnf部署的一个重要考虑因素，所以在进行vnf部署过程中应尽量实现节能优化。为了解现有技术的发展状况，对已有的论文和专利进行了检索、比较和分析，筛选出如下与本发明相关度比较高的技术信息：技术方案1：专利号为cn108322333a的《一种基于遗传算法的虚拟网络功能的放置方法》专利，涉及一种基于遗传算法的虚拟网络功能的放置方法。包括以下步骤：s1.查询系统缓存，判断是否存在当前类型的sfc请求的部署结果，若有，转到步骤s4；若没有，转到步骤s2；s2.结合遗传算法的计算步骤，为该服务链中的vnf有序选择应放置的物理节点与实例；s3.根据s2步骤求得的vnf放置的情况，对sfc的虚拟链路进行映射，引导数据流量有序传输；s4.根据部署结果，为sfc分配所请求的物理资源。该发明中阐明了部署的vnf实例与实际运行的vnf之间的资源关系，限制了vnf实例化的次数以模拟虚拟网络运营商拥有的有限资源；用尽可能少的vnf实例实现了对sfc请求的处理，促进了整个网络底层物理资源的合理利用，节省了开支，但此类方法没有考虑业务的qos保障。技术方案2：专利号为cn108260169a的《一种基于qos保障的服务功能链动态部署方法》专利，涉及一种基于qos保障的服务功能链动态部署方法，属于移动通信
技术领域：
。该方法为：5g网络切片借助软件定义网络和网络功能虚拟化技术实现了资源的灵活配置。为了提高切片网络中通信业务的qos，建立面向可靠性需求的服务功能链部署模型，该模型以最小化端到端时延为目标，设计一种基于qos保障的服务功能链动态部署方案。该方案综合考虑了节点位置和可靠性，利用一种新颖的节点排序方法进行虚拟网络功能的部署，均衡网络的负载。在链路映射过程中，通过选择满足可靠性需求的时延最短路径提高qos。本发明在降低服务功能链端到端时延的同时保证了部署的可靠性，并且提高了请求接受率和资源利用率。但是此方法没有考虑网络设施的节能问题，易导致能耗巨大。技术方案3：专利号为cn108737261a的《一种两阶段的虚拟网络功能转发图设计方法》专利，涉及一种两阶段的虚拟网络功能转发图设计。该方案可以分为两个阶段，第一阶段首先考虑了网络服务请求中的vnf节点之间的约束关系，进而设计单条sfc结构。最小化逻辑链路带宽总消耗；第二阶段整合多条sfc，减小vnf节点数目，在映射工作中，每个逻辑链路需要映射到一条或多条底层物理链路上，并分配带宽资源；vnf节点需要映射到底层物理服务器上，并且每个vnf节点需要运行在实例化的虚拟机中。该发明在对单条sfc设计时保证了逻辑链路带宽总消耗最小，并且在多条sfc整合阶段尽可能聚合相同的vnf，进而降低了链路映射成本与虚拟机实例化成本。但该方案的应用场景仅针对离线场景下的sfc的映射。技术实现要素：为解决现有技术中的不足，本发明提供一种面向节能和qos保障的vnf部署方法及系统，首先构建nfv网络的开销模型，并在该模型的基础上将研究的问题表示为最优化问题模型。该最优化问题模型中的网络能耗包含服务器能耗和链路能耗，时延包含服务器处理时延和链路传输时延。此外，本发明利用加权求和的方式将上述两种指标转换为单一的部署开销目标，将vnf的部署过程分为虚拟节点部署(vnf放置)和虚拟链路映射两个阶段，虚拟链路映射使用遗传算法进行编码映射，在链路映射前，本发明预计算出k条备选最短路径，从中选择一条完成链路映射。为克服传统遗传算法易陷入局部最优解的问题，本发明使用局部搜索能力强的单纯形算法与之结合。为了实现上述目标，本发明采用如下技术方案：本发明的一方面，一种面向节能和qos保障的vnf部署方法，所述vnf部署包括vnf放置与虚拟链路的映射，包括以下步骤：s1：构建nfv网络的开销模型；s2：基于nfv网络的开销模型，建立时延和能耗的多目标优化模型；s3：针对时延和能耗的多目标优化模型，应用混合遗传算法求解获得vnf部署的近似最优解，完成vnf放置与虚拟链路的映射。本发明进一步包括以下优选方案：步骤s1所述nfv网络的开销模型中，nfv网络的开销为所有服务器部署开销和物理链路开销的总和；所述服务器部署开销为服务器的能耗与vnf的处理时延进行归一化后加权之和，其中，所述服务器的能耗包括服务器的开机能耗和处理能耗；所述物理链路开销为物理链路的能耗与传输时延进行归一化后加权之和，其中，所述物理链路的能耗包括物理链路的开机能耗和传输能耗。步骤s2所述多目标优化模型为所述nfv网络的开销最小，其约束条件为：在映射虚拟链路时，流量的流动方向满足流量守恒定理；任意一条sfc中的每个vnf只映射到一个服务器上；sfc中的vnf按照sfc中的处理顺序；部署在服务器上的所有vnf所需的cpu总数不超过服务器的cpu个数；物理链路消耗的带宽不超过这段链路的最大带宽。步骤s3所述混合遗传算法为传统遗传算法与单纯形算法的结合，用于克服传统遗传算法易陷入局部最优解的问题。步骤s3所述针对时延和能耗的多目标优化模型，应用混合遗传算法完成vnf放置与虚拟链路的映射，包括以下步骤：s301：初始化底层网络；s302：对没有成功映射的sfc进行vnf部署，随机产生初始种群，并设置种群最大迭代次数以及交叉概率和变异概率；s303：根据步骤s302得到的部署方案计算每个个体的适应度函数值；s304：根据步骤s303计算得到的适应度函数值选择父代个体，通过交叉和变异生成下一代种群，并对种群中的个体进行可行性检测，对交叉和变异后的个体判断是否符合多目标优化模型的约束条件，并对不满足约束条件的个体进行调整；s305：选择m个最优染色体，执行单纯形算法；s306：对执行混合遗传算法后的种群判断是否早熟或是否达到最大迭代次数，若是，则执行步骤s307，否则迭代次数加一并返回步骤s302继续执行该算法；所述迭代次数初始值为零；s307：输出vnf部署方案，输出每条sfc的vnf实例部署方案和链路映射方案；s308：终止程序。本发明的另一方面，一种面向节能和qos保障的vnf部署系统，所述vnf部署包括vnf放置与虚拟链路的映射，所述vnf部署系统包括包括构建单元、建立单元和求解单元；所述构建单元，用于构建nfv网络的开销模型；所述建立单元，用于基于nfv网络的开销模型，建立时延和能耗的多目标优化模型；所述求解单元，用于针对时延和能耗的多目标优化模型，应用混合遗传算法求解获得vnf部署的近似最优解，完成vnf放置与虚拟链路的映射。优选地，所述nfv网络的开销模型中，nfv网络的开销为所有服务器部署开销和物理链路开销的总和；所述服务器部署开销为服务器的能耗与vnf的处理时延进行归一化后加权之和，其中，所述服务器的能耗包括服务器的开机能耗和处理能耗；所述物理链路开销为物理链路的能耗与传输时延进行归一化后加权之和，其中，所述物理链路的能耗包括物理链路的开机能耗和传输能耗。优选地，所述多目标优化模型为所述nfv网络的开销最小，其约束条件为：在映射虚拟链路时，流量的流动方向满足流量守恒定理；任意一条sfc中的每个vnf只映射到一个服务器上；sfc中的vnf按照sfc中的处理顺序；部署在服务器上的所有vnf所需的cpu总数不超过服务器的cpu个数；物理链路消耗的带宽不超过这段链路的最大带宽。优选地，所述混合遗传算法为传统遗传算法与单纯形算法的结合，用于克服传统遗传算法易陷入局部最优解的问题。优选地，所述求解单元包括初始化单元、初始种群生成单元、计算单元、下一代种群生成及检测单元、执行单元、判断单元、输出单元和终止单元；所述初始化单元，用于初始化底层网络；所述初始种群生成单元，用于对没有成功映射的sfc进行vnf部署，随机产生初始种群，并设置种群最大迭代次数以及交叉概率和变异概率；所述计算单元，用于根据初始种群生成单元得到的部署方案计算每个个体的适应度函数值；所述下一代种群生成及检测单元，用于根据计算单元计算得到的适应度函数值选择父代个体，通过交叉和变异生成下一代种群，并对种群中的个体进行可行性检测，对交叉和变异后的个体判断是否符合多目标优化模型的约束条件，并对不满足约束条件的个体进行调整；所述执行单元，用于选择m个最优染色体，执行单纯形算法；所述判断单元，用于对执行混合遗传算法后的种群判断是否早熟或是否达到最大迭代次数，若是，则进入输出单元，否则迭代次数加一并返回初始种群生成单元继续执行算法；所述迭代次数初始值为零；所述输出单元，用于输出vnf部署方案，输出每条sfc的vnf实例部署方案和链路映射方案；所述终止单元，用于终止程序。本发明所达到的有益效果：1.本发明重点考虑业务的时延，并将时延最小化作为优化目标进行vnf的放置；2.本发明构建了链路和服务器能耗，并采用算法进行能耗优化；3.本发明充分照顾到业务的动态性，以更好地在线完成服务链映射。附图说明图1是本发明的一种面向节能和qos保障的vnf部署方法流程图；图2是本发明的实施例中针对时延和能耗的多目标优化模型，应用混合遗传算法完成vnf放置与虚拟链路映射的流程图；图3是本发明的一种面向节能和qos保障的vnf部署系统结构框图；图4是本发明实施例中面向qos的部署方案示意图；图5是本发明实施例中面向节能的部署方案示意图；图6是本发明的实施例中三种算法在映射不同数目的服务功能链时的网络能耗；图7是本发明的实施例中三种算法在部署不同数目的服务功能链时网络中使用的cpu的数目；图8是本发明的实施例中三种算法在部署不同数量的sfc时映射成功率；图9是本发明的实施例中三种算法在部署不同的sfc时nfv网络的总开销；图10是本发明的实施例中三种算法在映射不同数目的服务功能链时网络的带宽消耗；图11是本发明的实施例中三种算法在映射不同数目的服务功能链时sfc的平均时延。具体实施方式下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。如图1所示，一种面向节能和qos保障的vnf部署方法，所述vnf部署包括vnf放置与虚拟链路的映射，所述vnf部署方法包括以下步骤：s1：构建nfv网络的开销模型；本发明实施例中，使用无向图表示g＝(v,l)表示一个底层物理网络，v表示物理网络中的节点的集合，该节点用于放置vnf实例；l表示物理网络中链路的集合，l用于映射sfc的虚拟链路。使用表示vnf实例f是否部署到物理节点n上，若f部署成功，则该变量取值为1，反之取0；使用表示物理链路l是否映射了sfc的虚拟链路，若映射成功，则该变量取值为1，反之取值为0。所述nfv网络的开销模型中，nfv网络的开销为所有服务器部署开销和物理链路开销的总和。下面分别对服务器部署开销和物理链路开销详细说明。1.服务器部署开销：所述服务器部署开销为服务器的能耗与vnf的处理时延进行归一化后加权之和。1.1服务器能耗：所述服务器的能耗包括服务器的开机能耗和处理能耗。服务器的开机能耗取决于服务器上是否部署vnf；服务器处理能耗与服务器cpu的利用率成正比。本发明实施例使用nums表示部署在服务器n上的vnf实例f的个数：上式中表示服务功能链r中的vnf实例f是否部署在服务器n上，br表示服务功能链r的带宽，bf表示vnf实例f的吞吐量。因为vnf处理用户数据的能耗与cpu的利用率成正比，因此服务器上部署vnf实例f后cpu的利用率cp可表示为：本发明实施例使用ps表示服务器s开机时的能量消耗，pnt表示服务器n满负载运行时能耗,cf表示vnf实例f所需的cpu数目。因此部署在服务器上的vnf实例f消耗的能量可表示为：当有vnf部署在服务器上时，服务器必须开机以保证该vnf能正常提供服务，并且开机能耗无需重复计算且与vnf的个数无关。因此，此时该服务器的总能耗可表示为:1.2vnf的处理时延：vnf的处理时延与f是否部署在服务器n上有关，因此vnf的处理时延可表示为：综上所述，将服务器的能耗与vnf的处理时延进行归一化，本发明使用pmax表示网络的最大能耗，使用tmax表示某一服务功能链的最大时延，对归一化后的两种指标加权求和得到服务器部署开销。该开销可表示为：2.物理链路开销：所述物理链路开销为物理链路的能耗与传输时延进行归一化后加权之和。2.1物理链路的能耗：所述物理链路的能耗包括物理链路的开机能耗和传输能耗。本发明实施例使用bul表示链路l的带宽利用率，下式中，是二进制变量，若f部署在服务器n上，g部署在服务器m上，则该变量取值为1，反之则取值为0.，因此，链路利用率bul可表示为：所述物理链路的开机能耗取决于这段链路是否用于传输流量，传输能耗与链路的带宽利用率成正比，此外，本发明使用plt表示链路满负载运行时的能耗，pl表示物理链路的开机能耗，因此物理链路的总能耗可表示为：2.2物理链路的传输时延：物理链路传输时延与链路是否传输用户流量有关，本发明使用tl表示是用户流量在这段链路上的传输时延，物理链路的传输时延可表示为：综上所述，将物理链路的能耗与传输时延进行归一化后加权求和得到这段物理链路的总开销，该指标可表示为：本发明使用cn表示某一服务器的全部能耗，使用cl表示某段物理链路的全部能耗，将nfv网络中的所有服务器部署开销和物理链路开销值相加，得到网络的全部开销，该开销值可以表示为：因此call的值越小，nfv网络的能耗越小，该网络的时延也越少，服务质量也越好。s2：基于nfv网络的开销模型，建立时延和能耗的多目标优化模型；为简化算法设计，本发明实施例把面向节能和qos保障的vnf部署问题描述为最优化问题模型，即基于nfv网络的开销模型，建立时延和能耗的多目标优化模型，该模型的约束条件如下：首先，在映射虚拟链路时，根据流量守恒定理，假设在服务功能链r上存在两个虚拟的vnf节点：v0和v1。其中服务功能链上的流量应满足从v0流向v1.因此，链路约束关系可以用下式表示：本发明实施例假设一条sfc不能分解为两条物理链路，即任意一条sfc中的每个vnf都只能映射到个服务器上：表示服务功能链r中vnf实例f和g的相对顺序，为了保证sfc中的vnf必须按照sfc中的处理顺序，应满足下面的约束条件：此外，vnf放置时还要满足服务器和物理链路的负载能力的约束。即部署在服务器上的所有vnf所需的cpu总数不得超过服务器的cpu个数，本发明使用cv表示某一服务器中的cpu的全部个数，物理链路的消耗的带宽不得超过这段链路的最大带宽，本发明使用cl表示某一段物理链路的最大带宽。综上，本发明建立的时延和能耗的多目标优化模型为：约束条件：c1-c5(18)s3：针对时延和能耗的多目标优化模型，应用混合遗传算法求解获得vnf部署的近似最优解，完成vnf放置与虚拟链路的映射。本发明实施例中，所述混合遗传算法为传统遗传算法与单纯形算法的结合，用于克服传统遗传算法易陷入局部最优解的问题。本发明实施例针对图4和图5所示的底层网络详细说明如何得出面向节能和qos的近似最优部署方案如图2所示，所述针对时延和能耗的多目标优化模型，应用混合遗传算法完成vnf放置与虚拟链路的映射，包括以下步骤：s301：初始化底层网络；s302：对没有成功映射的sfc进行vnf部署，随机产生初始种群，并设置种群最大迭代次数以及交叉概率和变异概率；实施例中，采用实数编码，对图5所示网络，每个服务器可依次编码为1，2，3，4，5，6，7，8，9，10，11，通过随机映射将每条sfc上的vnf部署在服务器上后，本发明实施例采用k最短路径算法完成链路映射，并分别设置交叉概率为0.6，变异概率为0.01；s303：根据步骤s302得到的部署方案计算每个个体的适应度函数值；实施例中，根据步骤s302得到的部署方案利用式(11)计算种群中的每个个体的适应度函数值；s304：根据步骤s303计算得到的适应度函数值选择父代个体，通过交叉和变异生成下一代种群，并对种群中的个体进行可行性检测，对交叉和变异后的个体判断是否符合式(12)-式(16)所示的约束条件，并对不满足约束条件的个体进行调整；s305：选择m个最优染色体，执行单纯形算法；实施例中，对选出的m个最优个体首先根据适应度函数值确定最优个体，次优个体，和最差个体，计算去除最差个体后的反射中心，并对介于反射中心和最差个体之间的个体进行扩张或压缩调整；s306：对执行混合遗传算法后的种群判断是否早熟或是否达到最大迭代次数，若是，则执行步骤s307，否则迭代次数加一并返回步骤s302继续执行该算法；所述迭代次数初始值为零；s307：输出vnf部署方案，输出每条sfc的vnf实例部署方案和链路映射方案；s308：终止程序。本发明可应用于如下的应用场景，假设有三位用户需要由图4和图5所示的底层网络提供服务，且每位用户的sfc均由三种不同的vnf实例组成，其中图4所示的vnf部署方案为面向服务质量的部署方案，图5对图4所示的方案进行了调整，进而能够实现节能优化，两种方案(图4对应方案1，图5对应方案2)的对比结果如下表所示：表1方案对比方案1方案2空闲链路数目56使用cpu数目74如图3所示，一种面向节能和qos保障的vnf部署系统，所述vnf部署包括vnf放置与虚拟链路的映射，所述vnf部署系统包括包括构建单元、建立单元和求解单元；所述构建单元，用于构建nfv网络的开销模型；实施例中，所述nfv网络的开销模型中，nfv网络的开销为所有服务器部署开销和物理链路开销的总和；所述服务器部署开销为服务器的能耗与vnf的处理时延进行归一化后加权之和，其中，所述服务器的能耗包括服务器的开机能耗和处理能耗；所述物理链路开销为物理链路的能耗与传输时延进行归一化后加权之和，其中，所述物理链路的能耗包括物理链路的开机能耗和传输能耗。所述建立单元，用于基于nfv网络的开销模型，建立时延和能耗的多目标优化模型；实施例中，所述多目标优化模型为所述nfv网络的开销最小，其约束条件为：在映射虚拟链路时，流量的流动方向满足流量守恒定理；任意一条sfc中的每个vnf只映射到一个服务器上；sfc中的vnf按照sfc中的处理顺序；部署在服务器上的所有vnf所需的cpu总数不超过服务器的cpu个数；物理链路消耗的带宽不超过这段链路的最大带宽。所述求解单元，用于针对时延和能耗的多目标优化模型，应用混合遗传算法求解获得vnf部署的近似最优解，完成vnf放置与虚拟链路的映射。实施例中，所述混合遗传算法为传统遗传算法与单纯形算法的结合，用于克服传统遗传算法易陷入局部最优解的问题。所述求解单元包括初始化单元、初始种群生成单元、计算单元、下一代种群生成及检测单元、执行单元、判断单元、输出单元和终止单元；所述初始化单元，用于初始化底层网络；所述初始种群生成单元，用于对没有成功映射的sfc进行vnf部署，随机产生初始种群，并设置种群最大迭代次数以及交叉概率和变异概率；所述计算单元，用于根据初始种群生成单元得到的部署方案计算每个个体的适应度函数值；所述下一代种群生成及检测单元，用于根据计算单元计算得到的适应度函数值选择父代个体，通过交叉和变异生成下一代种群，并对种群中的个体进行可行性检测，对交叉和变异后的个体判断是否符合多目标优化模型的约束条件，并对不满足约束条件的个体进行调整；所述执行单元，用于选择m个最优染色体，执行单纯形算法；所述判断单元，用于对执行混合遗传算法后的种群判断是否早熟或是否达到最大迭代次数，若是，则进入输出单元，否则迭代次数加一并返回初始种群生成单元继续执行算法；所述迭代次数初始值为零；所述输出单元，用于输出vnf部署方案，输出每条sfc的vnf实例部署方案和链路映射方案；所述终止单元，用于终止程序。综上所述，本发明首先构建了同时优化能耗和服务质量的多目标优化模型，以最大限度地降低vnf部署的能耗；而后针对该模型，本发明提出了一种遗传算法和局部搜索能力强的混合遗传算法相结合的混合遗传算法，本发明利用该算法本发明完成了vnf放置与虚拟链路的映射。仿真结果表明，该算法比对比算法具有更好的服务质量和更好的节能表现，仿真测试实施例如下：本发明提出的算法测试在配置为intel(r)corei7-55002.40ghz,8gb内存的pc机上运行，算法程序采用matlab软件运行仿真，测试算法所用的网络拓扑结构由13个节点和21条链路组成。为方便测试，本发明实施例假设测试所需的sfc仅由三种vnf组成。本发明假设在底层物理网络中，每条物理链路的最大带宽为1000mbps，每个服务器节点的cpu内核数目为16个。除上述假设外，本发明实施例假设任一条sfc的vnf数目最多由3个vnf组成，且vnf个数服从在[1,3]的均匀分布。本发明实施例还假设所有sfc请求的带宽在[10mbps,50mbps]的范围内均匀分布。本发明实施例物理链路的时延在{1，2，3，4}中随机选择，服务器的启动能耗和满负载能耗分别设置为150w、600w，物理链路的启动能耗和满负载能耗分别设置为100w和400w。遗传算法的交叉概率pc和变异概率pm分别设置为0.6和0.01。单纯形算法中的p0设置为0.5，压缩和扩张时的步进概率设置为0.005。本发明实施例选择两种随机算法和混合遗传算法进行对比：节点-链路随机映射算法的部署原则是随机选择具有足够资源和处理能力的节点和物理链路进行映射；链路-节点映射算法的部署原则是先计算出从源端到目的端的最短路径，再在该路径上随机部署vnf。为了验证本发明设计算法的可用性，本发明实施例采取以下六个性能指标作为该算法的仿真分析对象。(1)vnf部署的总开销：包含归一化后的网络时延和网络能耗，该参数反映了上述算法求解的vnf部署方案的服务质量和能耗。(2)网络的全部能耗：该参数反映了上述算法求解的vnf部署方案的全部能耗。(3)sfc的平均时延：该参数反映了在部署sfc时，上述三种算法求解的vnf部署方案的平均时延。(4)网络运行cpu数目：该参数反映了部署sfc时，上述三种算法求解的vnf部署方案中网络中处于运行状态的cpu的个数。(5)服务功能链映射成功率：该参数反映了部署不同数目的sfc时映射的sfc条数和sfc请求总条数之比。(6)网络消耗的全部带宽：该参数反映了在部署sfc时，上述三种算法求解的vnf部署方案消耗的全部带宽。实验仿真结果如图6-11所示：图6描述了三种算法在映射不同数目的服务功能链时的网络能耗。随着sfc请求数目的增多，三种算法求解的部署方案的能耗开销都在增加，但本发明设计的算法明显优于另外两种随机算法。分析原因如下：混合遗传算法在映射sfc的虚拟链路时，按照节点之间的最短路径进行映射，相较于链路-节点映射算法，该算法能利用单纯形算法不断调整映射方案，使种群的较差个体不断向较优方向进化。因此，本发明设计的算法能有效的降低网络能耗。图7描述了三种算法在部署不同数目的服务功能链时网络中使用的cpu的数目。随着sfc请求数目的增多，网络中使用的cpu的数目也在增加，和其它两种算法相比，本发明设计的算法能有效的减小cpu的数目。分析原因如下：节点-链路随机映射算法在映射时vnf的物理位置随机确定的，而链路-节点随机映射算法在映射虚拟路径时是按照源端和目的端之间的最短路径映射。不同的sfc难以共享位于同一服务器上的vnf，而本发明使用遗传算法映射vnf，扩大了映射方案的可行解范围。因此，本发明设计算法的求解方案使网络中的cpu的利用率更高，使用的cpu的数目更少。图8描述了三种算法在部署不同数量的sfc时映射成功率。当请求映射的sfc数目较少时，nfv网络的空闲资源比较充分，因此三者的映射成功率都比较高。随着请求映射的sfc数目的增多，随机算法和混合遗传算法的请求接受率都有不同程度的降低，但混合遗传算法的接受率的下降更平缓，且在映射同样数目的sfc时，混合遗传算法的映射成功率更高，因此本发明设计的算法能够满足更多的sfc请求映射。图9描述了三种算法在部署不同的sfc时nfv网络的总开销。该参数包含时延和网络能耗。该参数的值越低表示网络的能耗越低，服务质量越好。图9表示，随着sfc请求数目的增多(节点能耗占全部能耗的比重在增加)网络的全部开销也在增加，但本发明设计的混合遗传算法求解的映射方案明显优于另外两种随机算法求解的部署方案。分析原因如下：和节点-链路映射算法相比，混合遗传算法具有更短的时延，和链路-节点映射算法相比，该算法具有更高的cpu利用率，因此本发明设计的算法的开销更小。图10和图11分别描述了三种算法在映射不同数目的服务功能链时，网络的带宽消耗和sfc的平均时延。图10和图11表示，本发明设计的算法求解的映射方案的平均时延和带宽消耗介于节点-链路映射算法和链路-节点映射算法之间。分析原因如下：为了提高vnf的共享率，本发明设计的算法在映射vnf时采用遗传算法编码映射，因此从源端到目的端的映射路径可能不是最短路径。因此本发明设计的算法在时延和带宽消耗两种指标上要稍弱于链路-节点映射算法。本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。当前第1页12