虚拟网络功能部署方法、装置、电子设备及存储介质与流程

本技术涉及通信，尤其涉及一种虚拟网络功能部署方法、装置、电子设备及存储介质。

背景技术：

1、目前，移动互联网的飞速发展促使数据流量空前增长，5g多样化和动态化的网络服务对移动通信网络提出超可靠低延迟(ultra-reliable low-latency communications，urllc)的需求。多接入边缘计算(multiaccess edge computing，mec)作为5g通信网络的重要支撑技术，目的是将计算能力、存储能力“下沉”到移动边缘节点，降低延迟并提升带宽速率，为更多用户提供高可靠、低时延的网络服务。实际部署中，网络功能虚拟化(networkfunction virtualization，nfv)为多接入边缘计算的实现提供了网络架构及解决方案。欧洲电信标准协会(european telecommunications standards institute，etsi)提出在多接入边缘计算架构中部署虚拟网络功能(virtual network function，vnf)实例来实现网络功能虚拟化。网络功能虚拟化技术通过将硬件和软件解耦，使得防火墙、入侵检测等网络功能(network function，nf)以软件的形式运行在通用硬件平台上，避免了专用硬件的维护成本，进而解决了系统可扩展性问题。在nfv架构中，这些软件化的网络功能被称为虚拟网络功能。

2、在实际应用中，一个复杂、个性化的网络应用往往需要调用多个不同的vnf以完成数据处理。这种通过调用不同的vnf完成数据处理的方式在学术界称为服务功能链接(service function chaining，sfc)。数据流按照预定义的顺序依次通过若干个vnf，实现安全检测、流量监控、预处理等系列操作。为满足该网络应用的性能需求，一个sfc请求中的每个vnf均需要配置一定的计算与网络资源，然而如何部署各vnf以保证服务质量并尽可能减少资源占用是sfc部署的关键。由于互联网的开放性和动态性，节点或网络故障普遍存在，在保障sfc性能的同时，sfc的可靠运行也是必须纳入考虑的因素。

3、在现有的虚拟网络功能部署策略研究中，大多数方法仅考虑了全局网络资源中的单一网络资源约束来实现vnf的部署，因此存在得不到可靠性保障的技术问题。

技术实现思路

1、本技术提供了一种虚拟网络功能部署方法、装置、电子设备及存储介质，用以解决现有技术仅基于网络资源进行虚拟网络功能部署，考虑因素单一，进而导致虚拟网络功能可靠性差的技术问题。

2、根据本技术的第一方面，提供了一种虚拟网络功能部署方法，包括：

3、获取预设时隙内的服务功能链请求流；其中，所述服务功能链请求流中携带所述服务功能链，所述服务功能链包括多个虚拟化网络功能；

4、基于预设物理网络拓扑的约束模型，确定所述服务功能链中各虚拟化网络功能在所述物理网络拓扑中的部署位置；其中，所述约束模型为所述预设物理网络拓扑中各节点的多因素约束的集合；

5、基于所述物理网络拓扑中的部署位置进行路径寻优，得到时延最短的服务功能链的部署路径；

6、按照所述时延最短的服务功能链的部署路径，将所述服务功能链中各虚拟化网络功能部署到对应的部署位置。

7、可选地，在所述获取预设时隙内的服务功能链请求流之后，方法包括：

8、根据预设的排序规则，确定与所述排序规则对应的优先级数值计算公式；其中，所述预设的排序规则包括服务功能链的时延需求、用户等级和/或业务类型；

9、基于优先级数值计算公式，对所述服务功能链请求流中携带的所有所述服务功能链进行优先级数值计算，得到所有所述服务功能链的优先级数值；

10、按照优先级数值从大到小的顺序，对所述服务功能链请求流中携带的所有所述服务功能链进行优先级排序，得到排序后的服务功能链请求流。

11、可选地，构建所述预设物理网络拓扑的约束模型，包括：

12、从预设因素约束库中选择出多个因素约束，并将所述多个因素约束确定为所述预设物理网络拓扑中每个节点的多因素约束；所述多个因素约束包括以下约束中的至少两种：负载约束、网络流量处理速度约束、计算资源约束、部署虚拟化网络功能的能力约束、故障率约束、可用带宽约束，以及与相邻节点之间的传输时延约束；

13、将所述预设物理网络拓扑中所有节点的多因素约束的集合确定为所述预设物理网络拓扑的约束模型。

14、可选地，所述基于预设物理网络拓扑的约束模型，确定所述服务功能链中各虚拟化网络功能在所述物理网络拓扑中的部署位置，包括：

15、获取所述物理网络拓扑的当前网络状态，并将所述物理网络拓扑的当前网络状态和所述服务功能链中所有待部署的所述虚拟化网络功能作为预先训练好的深度强化学习神经网络的状态空间；

16、定义所述深度强化学习神经网络的动作空间和状态动作值函数；

17、将所述状态空间输入所述深度强化学习神经网络进行观测，并在观测过程中，根据所述预设物理网络拓扑的约束模型对所述动作空间中的动作进行约束，以使所述深度强化学习神经网络输出状态动作值函数值最大的部署动作；

18、将所述状态动作值函数值最大的部署动作对应的最优策略，确定为所述服务功能链中各虚拟化网络功能在所述物理网络拓扑中的部署位置。

19、可选地，训练所述深度强化学习神经网络，包括：

20、获取训练数据集，并根据所述训练数据集、预先构建的双重经验回放池架构和预设梯度下降算法，对预设深度强化学习神经网络进行迭代训练，直至收敛，得到预先训练好的深度强化学习神经网络。

21、可选地，所述双重经验回放池架构包括具有第一采样概率的第一经验回放池和具有第二采样概率的第二经验回放池；其中，所述第一采样概率和所述第二采样概率的相加结果为预设值；

22、在对预设深度强化学习神经网络进行迭代训练过程中，方法还包括：

23、根据所述第一采样概率，确定从所述第一经验回放池中提取的数据数量，并根据所述第二采样概率，确定从所述第二经验回放池中提取的数据数量；

24、将从所述第一经验回放池中提取到的数据和从所述第二经验回放池中提取到的数据作为训练数据，对所述预设深度强化学习神经网络进行训练。

25、可选地，所述基于所述物理网络拓扑中的部署位置进行路径寻优，得到时延最短的服务功能链的部署路径，包括：

26、采用图神经网络中的转换函数，将所述服务功能链请求流的信息进行矢量化，得到矢量形式的服务功能链请求流编码结果；

27、对所述矢量形式的服务功能链请求流编码结果进行解码，得到时延最短的服务功能链的部署路径。

28、根据本技术的第二方面，提供了一种虚拟网络功能部署装置，包括：

29、获取模块，用于获取预设时隙内的服务功能链请求流；其中，所述服务功能链请求流中携带所述服务功能链，所述服务功能链包括多个虚拟化网络功能；

30、确定模块，用于基于预设物理网络拓扑的约束模型，确定所述服务功能链中各虚拟化网络功能在所述物理网络拓扑中的部署位置；其中，所述约束模型为所述预设物理网络拓扑中各节点的多因素约束的集合；

31、寻优模块，用于基于所述物理网络拓扑中的部署位置进行路径寻优，得到时延最短的服务功能链的部署路径；

32、部署模块，用于按照所述时延最短的服务功能链的部署路径，将所述服务功能链中各虚拟化网络功能部署到对应的部署位置。

33、根据本技术的第三方面，提供了一种电子设备，包括：至少一个处理器和存储器；

34、所述存储器存储计算机执行指令；

35、所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面所述的虚拟网络功能部署方法。

36、根据本技术的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上第一方面所述的虚拟网络功能部署方法。

37、根据本技术的第五方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所述的虚拟网络功能部署方法。

38、本技术提供的一种虚拟网络功能部署方法，包括：获取预设时隙内的服务功能链请求流；其中，所述服务功能链请求流中携带所述服务功能链，所述服务功能链包括多个虚拟化网络功能；基于预设物理网络拓扑的约束模型，确定所述服务功能链中各虚拟化网络功能在所述物理网络拓扑中的部署位置；其中，所述约束模型为所述预设物理网络拓扑中各节点的多因素约束的集合；基于所述物理网络拓扑中的部署位置进行路径寻优，得到时延最短的服务功能链的部署路径；按照所述时延最短的服务功能链的部署路径，将所述服务功能链中各虚拟化网络功能部署到对应的部署位置。

39、本技术实施例引入了物理网络拓扑的约束模型，该约束模型有能力表达出该物理网络拓扑内各节点的多约束约束，进而针对预设时隙内的服务功能链请求流，能够在将其携带的服务功能链中各虚拟化网络功能部署到最佳部署位置的同时，保持部署路径时延最小，提高虚拟网络功能在最佳部署位置上的可靠运行。

40、应当理解，本部分所描述的内容并非旨在标识本技术的实施例的关键或重要特征，也不用于限制本技术的范围。本技术的其它特征将通过以下的说明书而变得容易理解。