基于預(yù)測的5G網(wǎng)絡(luò)切片算法

張佳庚，祝敏，杜豐，王齊，劉俊，鎖志海，王力

（1. 西安交通大學(xué)網(wǎng)絡(luò)信息中心，陜西 西安 710054；2. 西安交通大學(xué)電子與信息學(xué)部，陜西 西安 710054）

1 引言

3GPP在5G網(wǎng)絡(luò)組網(wǎng)協(xié)議中明確了5G網(wǎng)絡(luò)架構(gòu)，其最大的特點是采用基于服務(wù)的架構(gòu)（service based architecture，SBA）架構(gòu)，對應(yīng)不同應(yīng)用場景由網(wǎng)絡(luò)切片選擇功能（network slice selection function，NSSF）創(chuàng)建網(wǎng)絡(luò)切片[1]，如圖1所示。網(wǎng)絡(luò)切片中包括虛擬網(wǎng)元和虛擬鏈路，由虛擬鏈路負責將虛擬網(wǎng)元按照一定的拓撲連接，映射到實際的物理節(jié)點和物理鏈路上，完成網(wǎng)絡(luò)切片的實例化，動態(tài)創(chuàng)建網(wǎng)絡(luò)切片[2]，網(wǎng)絡(luò)切片不僅提升了5G網(wǎng)絡(luò)資源分配的靈活性，同時也為網(wǎng)絡(luò)的管理、控制提供了更大的空間。

圖1 5G網(wǎng)絡(luò)的SBA架構(gòu)

5G網(wǎng)絡(luò)切片的建立過程需要經(jīng)歷決策、資源隔離、虛擬網(wǎng)元拉起等過程，在決策階段以資源分配算法，最優(yōu)化網(wǎng)絡(luò)切片到物理網(wǎng)絡(luò)資源的映射，提升網(wǎng)絡(luò)切片的接納成功率和物理網(wǎng)絡(luò)的資源利用率[3]。對應(yīng)到5G網(wǎng)絡(luò)的SBA架構(gòu)，決策功能由NSSF根據(jù)當前實時的資源分布和網(wǎng)絡(luò)切片的資源需求確定在哪些物理節(jié)點和物理鏈路上承載對應(yīng)的虛擬網(wǎng)元和虛擬鏈路，資源隔離則由對應(yīng)的物理節(jié)點和物理鏈路隔離出給定資源量的容器和虛擬路徑，最后將虛擬網(wǎng)元的鏡像裝載進隔離出的容器內(nèi)，拉起容器即完成了網(wǎng)絡(luò)切片的創(chuàng)建。在上述過程中，資源隔離占用的時間最長，對于5G網(wǎng)絡(luò)中要支持的實時應(yīng)用場景來說，其要求的端到端時延小于1 ms。根據(jù)實時的資源需求動態(tài)創(chuàng)建網(wǎng)絡(luò)切片帶來的時延難以滿足5G中的實時類業(yè)務(wù)應(yīng)用場景。因此，基于預(yù)測的5G網(wǎng)絡(luò)切片算法被提出，通過在網(wǎng)絡(luò)中預(yù)留資源，提前完成資源隔離來減少動態(tài)創(chuàng)建網(wǎng)絡(luò)切片的時間。

文獻[4]提出使用最大相關(guān)熵準則（maximum correntropy criterion，MCC）作為代價函數(shù)預(yù)測微服務(wù)請求占用的資源，由于MCC需要計算真實值與預(yù)測值之間的相關(guān)熵，造成其計算復(fù)雜度過高。文獻[5]提出使用核方法將互相關(guān)熵的計算過程從歐幾里得空間等變換到再生核希爾伯特空間（reproducing kernel Hilbert space，RHKS），將高維乘法變換為低維加法，其采用的核函數(shù)為高斯核函數(shù)。核函數(shù)的選擇將關(guān)系到預(yù)測算法的精度，而核函數(shù)又與實際的問題解空間分布強相關(guān)，使得核函數(shù)的選擇成為預(yù)測算法的超參數(shù)，降低了算法的適用范圍。

采用MCC作為代價函數(shù)的原因是MCC能夠刻畫數(shù)據(jù)的高維特征，具有較高的魯棒性，不受非高斯、非線性噪聲的影響。5G網(wǎng)絡(luò)在實時場景下的資源請求和其應(yīng)用場景強相關(guān)，在給定的無人駕駛、工業(yè)控制的場景下，其噪聲雖然有高維特征，但是可以使用高階矩來濾除，沒有必要使用無限高維特征描述。在5G網(wǎng)絡(luò)實時場景的資源請求樣本中，幾乎不會出現(xiàn)高于4階的噪聲，代價函數(shù)中包括過高的階數(shù)，不僅對預(yù)測精度沒有促進作用，反而會增加算法的復(fù)雜度。因此，本文提出5G網(wǎng)絡(luò)中基于預(yù)測的微服務(wù)實例化算法，使用四階矩作為預(yù)測算法的代價函數(shù)，消除高階噪聲的影響。以較低的算法復(fù)雜度提供可接受的預(yù)測精度，提前在網(wǎng)絡(luò)中隔離對應(yīng)的資源，降低網(wǎng)絡(luò)切片實例化的時間。

2 四階矩代價函數(shù)

高階矩一般被使用在AFA（adaptive filtering algorithm）[6-7]、回聲消除[8-9]、主動噪聲抑制[10-11]等領(lǐng)域。在高階矩中，典型的有歸一化NLMS（normalized least mean square）、歸一化LMF（normalized least mean fourth）。相對于歸一化LMS，歸一化LMF能夠處理非高斯噪聲[12-13]，因此，各種變種的歸一化LMF被提出，如稀疏LMF[14-15]、擴散LMF[16-17]等。近年來，比例歸一化LMF（proportionate normalized LMF，PNLMF）在文獻[18-19]中被提出，用于在迭代訓(xùn)練的過程中成比例地修改訓(xùn)練誤差，獨立更新系統(tǒng)的各個參數(shù)[20]。

以上文獻中提出的以四階矩為代價函數(shù)的算法要求訓(xùn)練樣本的噪聲服從同一分布。但5G網(wǎng)絡(luò)實時場景下的資源請求訓(xùn)練樣本中的噪聲不服從同一分布，使得上述算法性能大大下降。因此，基于非偏估計的殘差補償AFA算法被提出，如基于殘差補償?shù)臍w一化LMS（bias-compensated NLMS）[21-22]、仿射投影算法（affine projection algorithm，APA）[23]、基于非偏估計的APA算法[24]、殘差補償歸一化子帶濾波算法[25]、基于殘差補償?shù)臍w一化LMF（bias-compensated NLMF）算法[26]等，文獻[27]在文獻[21-22]的基礎(chǔ)上，在代價函數(shù)中加入l0正則化項，提升預(yù)測算法的泛化能力。

2.1 預(yù)測問題的輸入和輸出

由于5G網(wǎng)絡(luò)實時場景下的資源請求與人的行為強相關(guān)，而人的行為存在非常大的不確定性，不能使用上述文獻提出的算法進行處理，因此本文將殘差補償和非偏估計用于PNLMF算法中，解決5G網(wǎng)絡(luò)實時場景下資源請求的預(yù)測問題。

將每個網(wǎng)絡(luò)切片請求的資源作為回歸預(yù)測的值。此時，每個網(wǎng)絡(luò)切片請求的資源定義如下：

其中，α、β、γ分別表示CPU、內(nèi)存、帶寬資源的等效權(quán)重，I表示網(wǎng)絡(luò)切片請求中的虛擬網(wǎng)元個數(shù)、J表示請求中的鏈路條數(shù)。此時，網(wǎng)絡(luò)切片請求的等效資源就是回歸問題的輸出。

對于任意一個網(wǎng)絡(luò)切片請求i，根據(jù)其包含的L個特征，文獻[5]中將回歸問題的輸入定義如下：

d(i)作為輸出值，定義為網(wǎng)絡(luò)切片請求中包括的總資源量。表示如下：

此時，系統(tǒng)的預(yù)測誤差為：

w(i)=[w1(i),w2(i),…,wL(i)]T表示對應(yīng)任意一個網(wǎng)絡(luò)切片的資源請求樣本，訓(xùn)練完回歸模型后對應(yīng)的模型參數(shù)。

回歸模型的更新過程如下：

其中，μ表示步長；η>0為正則化參數(shù)；為每次更新過程中更新步長過程中使用的對角陣。在上述對角陣中

ρ和ξ的典型取值為ρ=5/L，ξ=0.01，且都大于0。ξ用于wl(i)的初始化，保證其能夠得到快速更新，ρ用于保證任意wl(i)在進化時如果其值遠遠小于wl(i)的最大值時，能夠得到更新。

不失一般性，系統(tǒng)的輸出信號包括實際輸出信號和噪聲，定義如下：

n(i)=為實際輸出信號，其中nl(i)(l∈[1,L])是均值為0、方差為的高斯噪聲。此時，將輸出信號記為：

結(jié)合文獻[6]和上述計算式，對系統(tǒng)的輸出做有偏估計，并將式（3）定義為B(i)，使用和更新u(i)和e(i)并代入式（7），得到：

在此基礎(chǔ)上，定義權(quán)重誤差為：

為了保證B(i)可解，提出以下假設(shè)。

假設(shè)1誤差信號n(i)和輸入信號u(i)相互獨立。

假設(shè)2n(i)和u(i)不相關(guān)。

假設(shè)3權(quán)重序列(i)中的權(quán)重相互之間獨立。

假設(shè)4(i)和(i)相互獨立。

代入式（7）、式（8），得到式（10）：

為了計算B(i)，根據(jù)文獻[23]，當時，得到所提代價函數(shù)的無偏估計，如下：

根據(jù)式（11）和式（12），得到如下結(jié)果：

將式（6）和式（7）代入式（13），得到如下結(jié)果：

在假設(shè)1和假設(shè)2的條件下，修改式（13），得到：

由于采用了四階矩作為代價函數(shù)，文獻[12-13]中使用歸一化LMF處理高斯噪聲的方式，定義噪聲的誤差為，得到其平方，并將其代入式（15）～式（17），得到如下結(jié)果：

利用文獻[23]中的統(tǒng)計近似方法，得到：

將式（19）代入式（10），得到將四階矩作為代價函數(shù)時的權(quán)重更新公式如下：

2.2 噪聲信號的均方誤差估計

文獻[21-23,25-27]提出了很多針對噪聲信號的均方誤差評估方法，而在解決實際問題時，需要根據(jù)樣本的特征選擇不同的噪聲估計方法，保證較高的噪聲估計精度。如果噪聲誤差估計過高，會減弱小于請求資源量期望的樣本的作用；反之，如果噪聲誤差估計過低，則預(yù)測模型的精度受噪聲的影響較大。

由于5G網(wǎng)絡(luò)實時應(yīng)用場景的資源請求中噪聲與用戶的行為強相關(guān)，表現(xiàn)為用戶的某些隨機申請5G網(wǎng)絡(luò)資源的行為，這會影響網(wǎng)絡(luò)切片請求的資源量的統(tǒng)計規(guī)律，無法進行準確的描述。

文獻[27]中的噪聲信號均方誤差評估方法考慮了輸入輸出噪聲的相關(guān)性，在應(yīng)用于解決本節(jié)所提持久型微服務(wù)請求資源量的預(yù)測問題時，可以抵消噪聲誤差在輸入和輸出上的作用；同時，遺忘因子的引入，也給調(diào)整噪聲估計結(jié)果提供了超參，通過設(shè)置合適的遺忘因子，縮小噪聲信號均方誤差的評估結(jié)果。因此，本節(jié)采用文獻[27]提出的方法對噪聲的均方誤差進行估計。

文獻[27]中定義的噪聲均方誤差如下：

在式（20）和式（21）中，參數(shù)δ為遺忘因子，κ為輸入輸出噪聲相關(guān)參數(shù)。此時，式（20）可以改寫為：

此時，基于四階矩的代價函數(shù)進行權(quán)重估計時，采用算法1進行更新。

算法1

初始化w(0)=0

定義的參數(shù)包括：μ,,ερ,ξ,δ,κ

針對任意一次迭代i：

3 基于四階矩預(yù)測的網(wǎng)絡(luò)切片算法

3.1 基于預(yù)測的網(wǎng)絡(luò)切片算法

基于預(yù)測的網(wǎng)絡(luò)切片算法流程如圖2所示。

圖2 基于預(yù)測的網(wǎng)絡(luò)切片算法流程

步驟1采集歷史樣本，包括一個星期內(nèi)所有5G實時應(yīng)用場景下的網(wǎng)絡(luò)切片請求資源量。

步驟2根據(jù)歷史樣本訓(xùn)練，其代價函數(shù)為本文定義的四階矩，訓(xùn)練算法采用BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練后得到預(yù)測模型。

步驟3將5G網(wǎng)絡(luò)實時應(yīng)用場景下的請求資源量看作時間序列，預(yù)測下一時刻的網(wǎng)絡(luò)切片請求資源量。

步驟4使用文獻[28]提出的虛擬網(wǎng)絡(luò)映射算法，確定承載下一時刻網(wǎng)絡(luò)切片請求資源量的物理節(jié)點和物理鏈路。

步驟5在確定的物理節(jié)點和物理鏈路上預(yù)留給定的資源，完成虛擬節(jié)點和虛擬鏈路隔離。

3.2 算法復(fù)雜度分析

由于本文使用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練預(yù)測模型，預(yù)測算法的時間復(fù)雜度與每次訓(xùn)練的樣本個數(shù)、計算梯度時的復(fù)雜度、迭代次數(shù)相關(guān)。在預(yù)測算法使用了mini-batch方法進行訓(xùn)練，每次mini-batch訓(xùn)練時使用的樣本個數(shù)為樣本總數(shù)的一部分。

使用BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，每次更新進行權(quán)重更新時的復(fù)雜度分析如下：

假設(shè)神經(jīng)網(wǎng)絡(luò)有d個輸入神經(jīng)元，l個輸出神經(jīng)元，J個隱藏層，每個隱藏層中包括qj個神經(jīng)元，第j個隱藏層中第h個神經(jīng)元的閾值為γjh。其中，輸出層中第j個神經(jīng)元的閾值為jθ，輸入層第i個神經(jīng)元與第一個隱藏層中第h個神經(jīng)元的連接權(quán)重為vih，最后一個隱藏層中第h個神經(jīng)元與輸出層第j個神經(jīng)元之間的連接權(quán)重為whj。

記最后一個隱藏層中第h個神經(jīng)元接收到的輸入為，輸出層第j個神經(jīng)元接收到的輸入為，并且記第i個隱藏層的第h個神經(jīng)元與第i+1個隱藏層中的第j個神經(jīng)元之間的連接權(quán)重為。

除了上述權(quán)重外，還需要確定每個隱藏層和輸出層的閾值，其個數(shù)為：。因此，總的參數(shù)個數(shù)為

在計算每個需要迭代計算的權(quán)重的時間復(fù)雜度時，記每個訓(xùn)練樣本(xk,yk)的輸出為則四階矩代價函數(shù)為：使用梯度下降法進行權(quán)杖更新，以η為學(xué)習(xí)率，則：

將每次權(quán)重更新時的代價定義為C，

其中，l表示輸出層包括的神經(jīng)元個數(shù)；d表示輸入層包括的神經(jīng)元個數(shù)；qj表示第j個隱藏層中包括的神經(jīng)元個數(shù)。

每次權(quán)重更新時的代價定義為C可以改寫為：即整個網(wǎng)絡(luò)中包括的神經(jīng)元的個數(shù)。

整個預(yù)測算法的時間復(fù)雜度與迭代次數(shù)、訓(xùn)練時使用的樣本個數(shù)、使用梯度下降法更新權(quán)重時的計算復(fù)雜度相關(guān)，因此，基于四階矩的預(yù)測算法的時間復(fù)雜度為O(I×n×C)，其中，I表示神經(jīng)網(wǎng)絡(luò)訓(xùn)練時的最大迭代次數(shù)；n表示每次輸入神經(jīng)網(wǎng)絡(luò)中進行mini-batch訓(xùn)練時的樣本個數(shù)；C表示使用梯度下降法進行權(quán)重更新時的計算復(fù)雜度。

由于在訓(xùn)練過程中每次迭代后都需要保存樣本、權(quán)重，因此預(yù)測算法的空間復(fù)雜度為：其中，K表示樣本的維度，為自變量的維度和因變量的維度之和；N表示樣本的個數(shù)；in表示每層神經(jīng)網(wǎng)絡(luò)的節(jié)點個數(shù)，由于每個節(jié)點需要保存ω和b兩個參數(shù)，則每個節(jié)點的空間復(fù)雜度為2×in；n^則是每層神經(jīng)網(wǎng)絡(luò)的平均節(jié)點個數(shù)；l為神經(jīng)網(wǎng)絡(luò)的層數(shù)。

4 實驗結(jié)果與分析

4.1 預(yù)測算法的性能分析

為了分析所提算法的預(yù)測準確度和穩(wěn)定性，以30天的5G網(wǎng)絡(luò)實時應(yīng)用場景下資源請求數(shù)據(jù)作為訓(xùn)練樣本，并且在所提算法和對比算法中，設(shè)置規(guī)則化參數(shù)η=0.0001、ξ=0.01、κ=0.0001、δ=0.7。為了分析所提算法的性能，將其與對比算法進行性能分析，對比算法包括：文獻[10]提出的NLMS算法、文獻[11]提出的NLMF算法、文獻[18]提出的PNLMS算法、文獻[19]提出的PNLMF算法、文獻[26]提出的BCNLMF算法，本文所提算法被標記為BCPNLMF算法，即使用殘差補償和非偏估計的PNLMF算法。

在實驗過程中，將所采集的樣本中70%作為訓(xùn)練集，其余30%作為測試集。在測試集中對所提算法和對比算法的效果進行分析和比較。

4.1.1 MSD分析

為了分析所提算法，使用均方誤差（mean square deviation，MSD）對所提算法與對比算法在給定的樣本集下進行訓(xùn)練并分析其性能。所提算法和對比算法具有相同的四階矩代價函數(shù)，對比算法包括NLMS、PNLMS、NLMF、PNLMF和BCNLMF。文獻[25]中對MSD的定義如下：

訓(xùn)練后得到的系統(tǒng)模型的稀疏度定義如下：

其中，Nnon-zero是訓(xùn)練所得系統(tǒng)模型中非零的系數(shù)，仿真過程中，將其設(shè)置為4/50。

本文所提算法與對比算法在相同收斂速度下的MSD分析如圖3所示。從圖中可以看出，所提算法與對比算法相比，其MSD最小，在預(yù)測時相比較于其他算法誤差最小。

圖3 相同收斂速度下本文所提算法與對比算法的MSD分析

在獲得給定MSD條件下，本文所提算法與對比算法的收斂速度分析如圖4所示。從圖4中可以看出，所提算法的收斂速度更快，這是因為在訓(xùn)練過程中使用得分矩陣進行了參數(shù)更新。

圖4 獲得相同MSD時本文所提算法與對比算法的收斂速度分析

4.1.2 SR對MSD的影響

在所提算法和對比算法中對SR進行調(diào)整，隨著算法迭代將其從2/50調(diào)整到5/50，觀察SR隨著迭代變化時對算法MSD參數(shù)的影響。圖5所示為不同SR值隨迭代變化對MSD的影響。

圖5 不同SR值隨迭代變化時對MSD的影響

從圖5中可以看出，SR隨著迭代次數(shù)進行變化時，本文所提算法與對比算法相比，其MSD仍然是最小的，說明所提算法更加穩(wěn)定，能夠獲得更小的預(yù)測誤差。

通過上述實驗結(jié)果分析，本文所提算法與對比算法相比，能夠獲得更好的預(yù)測精度，保證預(yù)測結(jié)果與測試集的對應(yīng)樣本的誤差的標準方差最小，并且本文所提算法能夠獲得最快的收斂速度和最佳的穩(wěn)定性。

4.2 基于預(yù)測的5G網(wǎng)絡(luò)切片算法分析

4.2.1 網(wǎng)絡(luò)環(huán)境設(shè)計

物理節(jié)點屬性包括CPU核數(shù)、內(nèi)存大小，鏈路屬性包括帶寬。仿真實驗中的物理節(jié)點數(shù)量服從（100，1 000）之間的均勻分布，每個物理節(jié)點上的CPU核數(shù)為集合（16，32，64）上隨機選擇的數(shù)值，選擇的每個數(shù)值的概率服從均勻分布。每個物理節(jié)點上的內(nèi)存為集合（128，256，512）上隨機選擇的數(shù)值，選擇每個數(shù)值的概率服從均勻分布，內(nèi)存的單位是MB。物理鏈路均為10 GE帶寬，提供10 Gbit/s的傳輸能力，物理節(jié)點之間是否連接的概率服從參數(shù)為0.1的負指數(shù)分布。

網(wǎng)絡(luò)切片的資源請求包括虛擬網(wǎng)元個數(shù)、每個虛擬網(wǎng)元包括的CPU核數(shù)和內(nèi)存請求，連接每個網(wǎng)元的傳輸帶寬，其表現(xiàn)形式為物理承載環(huán)境的一個子網(wǎng)。其中，虛擬網(wǎng)元的個數(shù)服從（5，10）之間的均勻分布，每個網(wǎng)元請求的CPU核數(shù)服從（2，5）之間的均勻分布，每個網(wǎng)元請求的內(nèi)存數(shù)從集合（8，16，32）中選擇，選擇的每個數(shù)值的概率服從均勻分布，單位為MB。微服務(wù)請求中每個網(wǎng)元之間連接的概率服從參數(shù)為0.1的負指數(shù)分布，且請求的帶寬服從（10，100）之間的均勻分布，單位為Mbit/s。

網(wǎng)絡(luò)切片請求的時間間隔服從參數(shù)為μ的均勻分布，如果網(wǎng)絡(luò)切片被成功接納并實例化，其存在的時間服從參數(shù)為β的負指數(shù)分布；如果被拒絕，則直接丟棄不排隊。此時，物理承載環(huán)境中的負載近似為

在文獻[28]的基礎(chǔ)上使用本文所提預(yù)測算法，完成網(wǎng)絡(luò)切片的資源預(yù)留，考查所提算法與文獻[28]的阻塞率、剩余資源分布、收益和網(wǎng)絡(luò)切片的實例化時間。文獻記為“粒子群算法”，本文所提預(yù)測算法與文獻[28]中所提網(wǎng)絡(luò)切片實例化算法記為“粒子群+預(yù)測”。

4.2.2 實驗結(jié)果分析

（1）阻塞率分析

本文所提算法與對比算法的阻塞率分析如圖6所示，在增加了所提的基于預(yù)測的網(wǎng)絡(luò)切片算法后，在給定負載條件下，本文所提算法與對比算法的效果大致相當，這是因為本文所提算法只是提前預(yù)留一部分資源，相當于提前為一部分網(wǎng)絡(luò)切片請求分配資源。隨著負載的增加，本文所提算法與粒子群優(yōu)化算法都出現(xiàn)了阻塞率升高的情況，并且升高的程度大致相當。

圖6 基于預(yù)測的微服務(wù)實例化算法的阻塞率分析

隨著預(yù)留資源的網(wǎng)絡(luò)切片個數(shù)的增加，對于本文所提基于預(yù)測的網(wǎng)絡(luò)切片算法，其阻塞率基本沒有變化。

（2）剩余資源分布分析

本文所提算法與對比算法的剩余資源分布分析如圖7所示，本文所提算法與對比算法相比，其剩余資源分布差別不大，這是因為所提算法只是使用了對比算法提前為一部分網(wǎng)絡(luò)切片請求分配資源，還是以網(wǎng)絡(luò)切片請求被實例化后物理承載環(huán)境中剩余資源分布更均勻為優(yōu)化目標。并且隨著負載的增加，本文所提算法與對比算法都會使阻塞率增加。

圖7 基于預(yù)測的微服務(wù)實例化算法的剩余資源分布分析

隨著預(yù)留資源的網(wǎng)絡(luò)切片請求的個數(shù)的增加，對于本文所提算法，物理承載環(huán)境中剩余資源分布基本沒有變化。

（3）收益分析

本文所提算法與對比算法的收益分析如圖8所示，與阻塞率和物理承載環(huán)境的剩余資源分布情況類似，本文所提算法與對比算法相比，收益基本相當。并且隨著負載的增加，本文所提算法的收益相比于與對比算法，其增加的趨勢和幅度基本一致。并且隨著預(yù)留資源的網(wǎng)絡(luò)切片的個數(shù)的增加，對于本文所提算法，其收益也基本沒有變化。

圖8 基于預(yù)測的微服務(wù)實例化算法的收益分析

（4）實例化時間分析

網(wǎng)絡(luò)切片實例化的時間包括算法執(zhí)行時間、資源準備時間、資源分配時間，具體定義如下：

其中，算法執(zhí)行時間遠遠小于資源分配時間，相比可以忽略不計。而對于網(wǎng)絡(luò)切片請求來說，如果包括的節(jié)點和鏈路越多，每個節(jié)點和鏈路上請求的資源越多，其資源準備時間越長，并且資源分配時間與資源準備時間呈正向線性相關(guān)關(guān)系，即資源準備時間越長，資源分配時間越長。表1為所提算法與對比算法的實例化時間對比。

從表1中可以看出，本文所提算法與對比算法相比，能夠顯著降低網(wǎng)絡(luò)切片的創(chuàng)建時間，根本原因是新創(chuàng)建的網(wǎng)絡(luò)切片復(fù)用了原始網(wǎng)絡(luò)切片的資源，即原來的網(wǎng)絡(luò)切片結(jié)束服務(wù)后只釋放了資源，而沒有銷毀容器，新創(chuàng)建的網(wǎng)絡(luò)切片直接復(fù)用原始網(wǎng)絡(luò)切片釋放的容器，省去了創(chuàng)建容器的時間。而創(chuàng)建容器的時間在網(wǎng)絡(luò)切片實例化過程中所占比重最大。

表1 網(wǎng)絡(luò)切片的實例化時間分析（平均微服務(wù)請求數(shù)：30）

因此，本文所提算法對于減少網(wǎng)絡(luò)切片請求的實例化時間貢獻最大，從仿真結(jié)果上看，本文所提算法能夠?qū)⒕W(wǎng)絡(luò)切片的實例化時間減少50%。并且隨著預(yù)留資源的網(wǎng)絡(luò)切片請求個數(shù)的增加，其建立時間降低得更多。這是因為預(yù)留資源的網(wǎng)絡(luò)切片請求數(shù)越多，越能夠節(jié)省更多的網(wǎng)絡(luò)切片實例化時分配資源的時間。

此外，如圖9所示，網(wǎng)絡(luò)切片請求中的虛擬網(wǎng)元個數(shù)越多，其平均資源準備時間越長，這是因為在承載原虛擬網(wǎng)元請求的容器上需要回收垃圾，重新在容器中裝載新的虛擬網(wǎng)元請求，才能實例化新的網(wǎng)絡(luò)切片。而回收垃圾和裝載新虛擬網(wǎng)元的時間與虛擬網(wǎng)元請求的個數(shù)成正比。

圖9 網(wǎng)絡(luò)切片實例化時間網(wǎng)絡(luò)切片請求平均節(jié)點個數(shù)的變化曲線

5 結(jié)束語

本文提出一種5G網(wǎng)絡(luò)中基于預(yù)測的微服務(wù)實例化算法。將四階矩作為代價函數(shù)，使用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到預(yù)測模型。根據(jù)預(yù)測模型的輸出在5G網(wǎng)絡(luò)中提前隔離資源，當網(wǎng)絡(luò)切片請求到達時，直接拉起容器、隔離虛擬鏈路，完成網(wǎng)絡(luò)切片的動態(tài)創(chuàng)建，可以將網(wǎng)絡(luò)切片的創(chuàng)建時間減少50%。對5G網(wǎng)絡(luò)中實時應(yīng)用場景下的網(wǎng)絡(luò)切片創(chuàng)建方法具有一定的參考價值。