一种服务功能链重配置方法、装置及计算机设备与流程

本技术涉及可编程网络领域，特别是涉及一种服务功能链重配置方法、装置及计算机设备。

背景技术：

1、网络功能(network function，nf)诸如防火墙和负载均衡器，在提高网络安全和确保网络性能等方面起着重要作用。通常情况下，流量在到达接收端之前需要依次经过若干个有序的网络功能的处理。有若干个有序的网络功能组成的链就被称为服务功能链(service function chain，sfc)。若一条流量需要依次经过网络地址转换(networkaddress translation，nat)、负载均衡器(load balancer，lb)和防火墙(firewall，fw)的处理，则其sfc要求为nat-lb-fw。在可编程交换机出现之前，运营商和云服务提供商普遍采用网络功能虚拟化(network function virtualization，nfv)技术，将网络功能以软件的形式在通用服务器上实现。然而，nfv使用的虚拟化技术会引入200us-1ms的额外处理延迟。此外，通用服务器不是专用转发设备，仅能实现10gbps左右的转发速度。因此，基于nfv技术实现的网络功能难以满足延迟敏感业务的需求，且难以应对当前日益增长的流量。

2、在可编程交换机出现后，国内外研究机构，如微软研究院、卡内基梅隆大学、清华大学、复旦大学等，提出使用可编程交换机实现网络功能以解决nfv技术的不足。相较于转发逻辑固化的传统交换机，可编程交换机采用全流水线可编程架构，网络管理员可使用p4语言自定义数据包的解析、修改与转发行为，将网络功能实现在可编程交换机的匹配动作单元(match-action unit，mau)。转发性能方面，可编程交换机的包处理延迟小于1us，转发速度高达6.4tbps，远优于通用服务器。因此，将网络功能部署在可编程数据平面可显著降低转发延迟，并提高流量处理的吞吐量。

3、虽然可编程交换机吞吐量高，但其处理的流量大，流量的动态性仍会使网络功能发生过载，所以在完成了网络功能部署后，还需对其动态调整。然而，可编程交换机上网络功能的重配置延迟高达数分钟，严重降低延迟敏感应用的服务质量，如何降低重配置延迟对sfc服务质量的影响至关重要。因此亟需针对可编程交换机重配置慢这一问题，提出高效的服务功能链重配置方法。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种服务功能链重配置方法、装置及计算机设备。

2、第一方面，本技术提供了一种服务功能链重配置方法。所述方法包括：

3、获取可编程网络的数据平面中的历史流量信息，以及至少两个可编程交换机的历史负载信息和资源信息；

4、从所述历史流量信息中提取流量特征，从所述历史负载信息和所述资源信息中提取交换机特征；

5、将所述流量特征和所述交换机特征输入至已训练的深度神经网络进行网络预测处理，并输出网络预测结果；

6、基于所述网络预测结果，利用所述可编程交换机在所述可编程网络的数据平面部署服务功能链。

7、在其中一个实施例中，从所述历史流量信息中提取流量特征，包括：

8、从所述历史流量信息中提取历史请求流量、服务功能链请求队列长度和服务功能链活跃请求；

9、分别对所述历史请求流量、所述服务功能链请求队列长度和所述服务功能链活跃请求进行特征提取处理，获得历史流量特征、队列长度特征和活跃请求特征；

10、根据所述历史流量特征、所述队列长度特征和所述活跃请求特征，获得流量特征。

11、在其中一个实施例中，所述方法还包括：

12、对所述历史请求流量进行特征提取处理，得到初始流量特征；对所述初始流量特征进行归一化处理，得到归一化特征；将所述初始流量特征和所述归一化特征对齐，得到所述历史流量特征；和/或，

13、对所述服务功能链请求队列长度进行分桶、独热编码，最终映射到预设长度的向量，获得队列长度特征；

14、对所述服务功能链活跃请求进行分桶、独热编码，最终映射到所述预设长度的向量，获得活跃请求特征。

15、在其中一个实施例中，从所述历史负载信息和所述资源信息中提取交换机特征，包括：

16、从所述历史负载信息中提取网络功能信息，对所述网络功能信息进行特征提取处理，获得网络功能特征；

17、从所述资源信息中获取容量信息和带宽信息，分别对所述容量信息和所述带宽信息进行特征提取处理，获得容量消耗特征和带宽消耗特征；

18、根据所述网络功能特征、所述容量消耗特征和所述带宽消耗特征，获得交换机特征。

19、在其中一个实施例中，所述方法还包括：

20、对所述网络功能信息进行特征提取处理，得到第一初始网络特征和第二初始网络特征；

21、对所述第一初始网络特征进行线性整形处理，得到线性整形特征；对所述第二初始网络特征进行归一化指数处理，得到归一化指数特征；将所述线性整形特征和所述归一化指数特征对齐，得到所述注意力网络特征；

22、将所述注意力网络特征沿预设维度进行聚合，获得网络功能特征。

23、在其中一个实施例中，所述网络预测结果包括部署决策和每个所述可编码变换机的部署概率分数；所述基于所述网络预测结果，利用所述可编程交换机在所述可编程网络的数据平面部署服务功能链，包括：

24、在所述部署决策指示部署的情况下，根据每个所述可编程交换机的部署概率分数，在所述可编程网络的数据平面部署服务功能链。

25、在其中一个实施例中，所述流量特征，包括服务功能链请求嵌入和历史流量特征；所述将所述流量特征和所述交换机特征输入至已训练的深度神经网络进行网络预测处理，并输出网络预测结果，包括：

26、将所述服务功能链请求嵌入、所述历史流量特征和所述交换机特征输入至所述已训练的深度神经网络；

27、基于所述已训练的深度神经网络，根据所述服务功能链请求嵌入，输出部署决策；根据所述历史流量特征，输出流量预测信息；根据所述交换机特征，输出每个所述可编程交换机的部署概率分数；其中，所述流量预测信息，用于所述已训练的深度神经网络的自回归监督学习。

28、在其中一个实施例中，所述方法还包括：

29、统计所述可编程网络的数据平面重配置网络功能的次数；

30、统计提前部署网络功能实际处理的流量，获取网络总吞吐量；

31、利用所述重配置网络功能的次数和所述网络总吞吐量，对所述已训练的深度神经网络进行优化；

32、利用所述优化后的深度神经网络，接收所述流量特征和所述交换机特征，输出网络预测结果，完成服务功能链的部署。

33、第二方面，本技术还提供了一种服务功能链重配置装置。所述装置包括：

34、网络数据采集模块，用于获取可编程网络的数据平面中的历史流量信息，以及至少两个可编程交换机的历史负载信息和资源信息；

35、特征提取模块，用于从所述历史流量信息中提取流量特征，从所述历史负载信息和所述资源信息中提取交换机特征；

36、深度神经网络模块，用于将所述流量特征和所述交换机特征输入至已训练的深度神经网络进行网络预测处理，并输出网络预测结果；

37、部署模块，用于基于所述网络预测结果，利用所述可编程交换机在所述可编程网络的数据平面部署服务功能链。

38、第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

39、获取可编程网络的数据平面中的历史流量信息，以及至少两个可编程交换机的历史负载信息和资源信息；

40、从所述历史流量信息中提取流量特征，从所述历史负载信息和所述资源信息中提取交换机特征；

41、将所述流量特征和所述交换机特征输入至已训练的深度神经网络进行网络预测处理，并输出网络预测结果；

42、基于所述网络预测结果，利用所述可编程交换机在所述可编程网络的数据平面部署服务功能链。

43、上述服务功能链重配置方法、装置及计算机设备，通过从所述历史流量信息中提取流量特征，从所述历史负载信息和所述资源信息中提取交换机特征，针对不同类别的信息，设计多级特征提取模型，提高了特征提取的有效性与准确性；基于所述网络预测结果，利用所述可编程交换机在所述可编程网络的数据平面部署服务功能链，提前部署网络功能以满足服务链功能要求，降低可编程交换机重配置延迟，避免高延迟带来的对网络服务质量的影响，提升重配置速率。