基于知識圖譜的服務功能鏈在線部署算法

徐澤汐，莊雷，張坤麗，桂明宇

（鄭州大學計算機與人工智能學院，河南 鄭州 450001）

0 引言

網絡功能虛擬化（NFV,network function virtualization）[1]實現了網元功能的軟硬解耦，推動了網絡的軟件化和虛擬化實現，為未來網絡提供了一種新的網絡設計思路。隨著互聯網中間件的增多，為滿足業務需求，國際互聯網工程任務組（IETF,Internet Engineering Task Force）[2]對網絡服務提出了更詳細的要求——按特定路徑，遍歷部署在不同通用設備內的多個虛擬網絡功能（VNF,virtual network function），被稱為服務功能鏈（SFC,service function chain）[3]。然而，在網絡業務中，VNF 之間通常具有錯綜復雜的依賴關系，例如，解密服務器應該部署在加密服務器之后，防火墻與網絡監視器則可以被并行部署[4]，圖1 上半部分展示了一個由4 個VNF 組成的端到端網絡服務，其中節點代表VNF，邊代表數據流的流向。因此，為保證網絡服務的可獲得性，當網絡數據流需要穿過這組VNF時，必須考慮它們之間的依賴關系，將網絡服務的時延、可靠性等控制在一定的服務質量（QoS,quantity of service）等級內。圖1 下半部分展示了一種網絡SFC 的組建情況，為提高時效性，VNF2、VNF3被并行部署在VNF1后，VNF4被部署在VNF2、VNF3后，其中節點代表VNF，邊代表VNF 之間的依賴關系。

圖1 網絡服務功能鏈

因此，盡管NFV 被寄予厚望，如何鏈接和放置VNF，是NFV 部署所面對的主要挑戰之一，也被稱作SFC 部署問題[5]。該問題旨在將一組按特定順序排放的VNF 高效地部署到底層底層網絡或NFV 基礎設施中，以適應網絡客戶提出的個性化要求。該問題的求解主要面臨2 個挑戰：1)隨著信息網絡業務如沉浸式云XR 等新興業務的出現，為精準把控網絡服務質量，如何在遵循VNF 之間復雜依賴關系下部署服務功能鏈；2)網絡的業務需求通常是不可預知的，對于實時到達且具有特定生存周期的網絡業務請求，如何對其進行動態且滿足服務質量等級的資源分配。這對VNF 的部署帶來了持續的挑戰。

針對此問題，國內外學者關注于網絡資源的可獲得性，設計了許多經典的啟發式VNF 部署方法，例如，Pham 等[6]設計了一種啟發式方法來協調VNF 的編排并將其部署到底層網絡。Zhang 等[7]設計了2 種啟發式方法來求解SFC 部署問題，一種是先路由后部署的方法，另一種是基于節點優先的路由引導式部署的方法。Freitas 等[8]將VNF 部署建模為一個綜合考慮了部署與能耗的多目標問題，并使用非支配排序遺傳算法和微分進化算法2 種優化算法來解決該問題。另外，人工智能的蓬勃發展也引起了學術界和工業界的關注，研究人員也基于機器學習在NFV 部署方面進行了卓有成效的研究。例如，Soualah 等[9]將SFC 編排問題建模為決策樹，基于蒙特卡羅樹搜索利用強化學習技術設計了一種NFV 部署算法。袁泉等[10]利用深度學習方法設計了一種基于多層前饋神經網絡的虛擬網絡功能資源需求預測方法，然后根據資源需求預測結果，基于動態編碼遺傳算法實現了虛擬網絡功能動態部署。Chen 等[11]提出了一種基于深度強化學習的服務質量、體驗質量感知的自適應在線編排方法來適應實時網絡變化進行NFV 資源配置。

需要注意的是，在求解VNF 部署問題時，為使那些最初為歐幾里得結構數據而開發的智能算法（機器學習[12]、深度學習[13]、聯邦學習[14]等）能夠適用于解決網絡功能部署這種圖類問題，需要將網絡業務先轉換為統一的結構化數據，而目前幾乎所有的研究都采用了簡單矩陣（如鄰接矩陣、邊表）的形式來對網絡業務進行表征。但是，使用傳統矩陣表示的網絡業務有2 個致命的缺點：1)矩陣元素難以表示VNF 之間錯綜復雜的關系；2)矩陣元素不便對多屬性網絡業務進行表示。因此利用矩陣表征的網絡會使算法在輸入階段就遺失許多重要信息，進而造成計算結果的偏差。出于同樣原因，利用矩陣表示底層網絡則面臨更多的局限性，因為底層網絡的資源和狀態都是隨著VNF 的部署在不斷變化的。因此，以往基于矩陣表征網絡而設計的NFV 部署方法在應對上述SFC 部署問題的2 個挑戰時，能力非常有限。

基于此，本文使用知識圖譜（KG,knowledge graph）[15]對網絡業務以及底層網絡進行表征，將網絡中的元素存儲為以“實體?關系?實體”三元組為基本單位的結構化數據，并提出了一種基于關系對齊的SFC 部署算法。與其他算法相比，本文算法的創新點體現在以下3 個方面。

1)使用知識圖譜對網絡以及復雜業務進行表征。

2)定義了關系的聚合屬性相似度計算方法。

3)基于知識圖譜中實體對齊的思想，設計了一種基于編輯距離的關系對齊方法，用以指導SFC的部署。

1 基于知識圖譜的SFC 部署模型

1.1 知識圖譜與知識圖譜實體對齊

定義1知識圖譜。本文將一個知識圖譜表示為 KG=(E,R,A,L,T)，其中E、R、A、L分別是實體集合、關系集合、屬性集合以及屬性值集合，T?(E×R×E)∪(E×A×L)是知識圖譜三元組集合，即知識圖譜基本組成單位是描述實體之間關系的“實體1?關系?實體2”三元組，以及描述實體屬性的“實體?屬性?值”三元組。

定義2知識圖譜實體對齊。給定2 個知識圖譜 KG0=(E0,R0,A0,L0,T0)和KG1=(E1,R1,A1,L1,T1)，知識圖譜實體對齊[16]被定義為對E0中的每個實體，找出E1中的等效實體，即

1.2 問題規劃

為實現對網絡業務中功能組件、VNF 之間的依賴關系，以及網絡資源數目的準確表示，本文將網絡業務與底層網絡這種圖類數據轉存為三元組形式的結構化數據，分別得到知識圖譜 KGf=(Ef,Rf,Af,Lf,Tf)表示的SFC 和知識圖譜KGs=(Es,Rs,As,Ls,Ts)表示的底層網絡，表1 展示了 KGf與KGs的結構化信息?；诖?，SFC 部署問題可以表示為

表1 KGf 與KGs 的結構化信息

在傳統的知識圖譜實體對齊方法中，通常通過評估實體的相似度來對齊不同知識圖譜中的實體，其本質上為分類問題。然而，在本文提出的在線SFC部署問題中，需保證在部署VNF 時能夠兼顧網絡的資源屬性以及不同VNF 之間的依賴關系，以實現實時、按需的分配。因此，為使知識圖譜實體對齊方法能夠適應SFC 部署問題，本文聚焦于網絡中的依賴關系，在結構化SFC 與底層網絡的信息構建與之對應的知識圖譜KGf與KGs之后，分解出知識圖譜KGf與KGs的關系集合，通過對2 個關系集合中的所有元素執行對齊操作，即 Alignentity(KGf,KGs)={(R,r)|R∈Rf,r∈Rs}，以實現在線SFC 部署。這樣，由于SFC 與底層網絡被轉換為以“實體1?關系?實體2”為單位的知識集合，在部署SFC 時，物理鏈路與其兩端的物理節點被視為一個整體，用以承載有依賴關系的2 個VNF，這就避免了任何額外的隱藏資源被使用，保證了在整個部署過程中消耗的總能量最少。同時也解決了基于“點對點”設計的矩陣表征網絡SFC 部署方法由于忽略了VNF之間的依賴關系而造成的QoS難以把控等問題。

2 算法設計

在現實網絡世界中，服務、應用程序和用戶需要與基礎設施網絡之間進行實時的交互。因此，在網絡功能虛擬化背景下，必須對網絡業務進行在線分析和部署，進而有效利用共享資源，同時需定期更新底層底層網絡的資源狀況，以便在其他網絡業務需求到達時自動評估部署的可能性。基于此，本文提出一種針對在線場景設計的算法，其主要目標是在考慮資源受限的網絡環境下，實現具有復雜依賴關系的SFC 的實時部署。本文算法一次處理一個網絡業務請求，并定期更新底層網絡，以釋放更多的資源供新的網絡業務請求使用。

2.1 系統模型

2.1.1 底層網絡

在一個NFV 使能網絡環境中，物理基礎設施網絡被表示為一個無向連接圖Gs=(N,L)，其中N表示物理節點集合，L表示物理鏈路集合。任一節點n∈N都擁有用loc(n)表示的位置屬性，以及用Cap(n)表示的資源容量，這里的資源包含計算資源與存儲資源，每個節點都根據場景（例如，虛擬CPU 核心數、CPU 時間等）選用合適的單位。對于每條連接物理節點a 和b 的雙向物理鏈路lab∈L，具有帶寬和時延2 個基本屬性。

2.1.2 SFC 請求

如圖2 所示，SFC 請求被描述為一個有向的加權圖Gf=（F,A），其中F表示VNF 的集合，|F|表示該業務中的VNF 數量；A表示SFC 中的依賴關系集合，是VNF 之間的傳輸路徑，在本文中也被稱為虛擬鏈路。對于每個VNF∈F都有一定的部署位置要求與計算資源、存儲資源需求，分別用loc(f)、D(f)表示。另外，在線場景中，VNF 之間的虛擬鏈路通常有著最高數據率與時延的要求，且SFC 通常包含到達時間與生存時間2 個屬性，它們反映了網絡業務的動態特征。

圖2 SFC 部署示例

2.2 基于知識圖譜的在線SFC 部署算法

在任意時刻t，為將動態到達的SFCi部署到滿足QoS 的NFV 基礎設施上，首先，對該網絡業務請求與底層網絡進行知識提取，構建或更新相應的知識圖譜，然后分解出它們的關系集合，分別命名為Sf、Ss。接下來，定義2 個關系集合中關系的聚合屬性相似度，利用本文設計的基于編輯距離的關系對齊方法求得該SFCi部署的解。在每次迭代部署中，算法都檢查網絡業務的生存時間，以便將失效的SFC 從底層資源中刪除，進而更新整個底層網絡。基于知識圖譜的在線SFC 部署算法如算法1 所示，具體操作流程如下。

2.2.1 初始化

首先，提取初始狀態的底層網絡的知識，包括物理節點、物理鏈路，以及它們初始狀態的資源數目，將其存儲為以三元組為基本單位的結構化數據，并為其構建知識圖譜KGs=(Es,Rs,As,Ls,Ts)。其中，KGs的實體指代了物理節點；由于底層網絡的拓撲結構在物理上是固定的，即構成底層網絡的主要元素節點和鏈路的數量以及連通性也是固定不變的，因此，本文中兩節點之間的物理鏈路就對應著KGs的實體關系；根據2.1.1 節可知，As包括實體屬性——物理節點的計算資源Capcpu(n)和存儲資源Capmem(n)與關系屬性——物理鏈路的帶寬Capbw(l)和時延Capd(l)，其值用Ls={Rs1,Rs2,…,Rs|n|}表示，Ts?(Es×Rs×Es)∪(Es×As×Ls)是KGs的基本單位三元組集合。

然后，提取動態到達的SFC 的知識，即組成該網絡業務的VNF、VNF 之間的依賴關系，以及資源需求，用知識圖譜 KGf=(Ef,Rf,Af,Lf,Tf)表示。KGf中，Ef代表的實體集合即網絡業務中的所有VNF 組件；Rf代表的關系集合即VNF 之間的依賴關系集合，它是從起點開始，按照廣度優先順序遍歷得到的該SFC 弧的有序集合。對于每個關系Ri，實體1 是其對應弧的起點的ID，實體2 是其對應弧的終點的ID。根據2.1.2 節可知，Af包括實體屬性——VNF 的計算資源需求量Dcpu(f)和存儲資源需求量Dmem(f)與關系屬性——虛擬鏈路的最高數據率Dbw(L)與時延Dd(L)的集合，其值用Lf={Df1,Df2,…,Df|F|}表示，Tf?(Ef×Rf×Ef)∪(Ef×Af×Lf)是KGf的基本單位三元組集合。

另外，為方便操作，本文將結構化數據分別存儲在其知識圖譜的命名為sheet1 和sheet2 的實體集合與關系集合列表中。表2～表5 展示了根據圖2中底層網絡與SFC 所構建的知識圖譜KGs1與KGf1的實體屬性結構化信息。

表2 知識圖譜KGs1 的實體列表sheet1

表3 知識圖譜KGs1 的關系列表sheet2

表4 知識圖譜KGf1 的實體列表sheet1

表5 知識圖譜KGf1 的關系列表sheet2

2.2.2 分解知識圖譜

與知識圖譜傳統的實體對齊方法不同，在SFC部署問題中，只有所有的VNF 都按照既定的依賴關系部署到底層網絡中，才能得到一個有效的部署解，即

在本文中，對齊KGf與KGs中的關系，需為Rf中的每一個R找到Rs中與之匹配的r，即將虛擬/物理鏈路及其兩端節點看作一個整體，作為關系對齊的基本單位。因此，本文在初始化SFC 與底層網絡后，分解它們對應的知識圖譜，分別得到KGf與KGs的用n×n矩陣表示的關系集合Sf與Ss，其中，關系集合的對角線元素fii與sii分別是關系Ri與ri的聚合屬性值，用f(Ri)與s(ri)表示。關系的聚合屬性包含了其對應的虛擬/物理鏈路的資源屬性，以及關系中實體1、實體2 的資源屬性，即實體屬性與關系屬性的聚合。集合中其他元素表示關系之間是否存在相繼關系，若有則為1，反之為無窮。例如，圖3 是分解KGs1與KGf1得到的關系集合。

圖3 分解KGs1 與KGf1 得到的關系集合

2.2.3 定義關系聚合屬性相似度

為對齊實體，一般會定義2 個實體的屬性相似性函數，用以評估2 個實體的相似度[17]。同樣地，在評估2 個關系的相似度時，本文基于一種廣泛使用的Jaccard 相似度[18]計算方法，設計了2 個關系集合中關系的聚合屬性相似度。

其中，2 個關系集合對角線元素之間的減操作代表2 個關系的聚合屬性相似度計算，代表2 個關系集合中待匹配元素的聚合屬性中相同屬性的個數，為簡化操作，本文僅討論底層NFV設備與 VNF 的資源屬性一致的情況；代表對ri與Ri的所有屬性值執行⊙操作之后的值，若ri中所有元素的資源剩余量均大于Ri需求量，則與分母數值相等，否則為正無窮。例如圖3 的2 個關系集合中，R1與r1均考慮計算與存儲資源2 個節點屬性以及時延與帶寬2 個鏈路屬性，因此，=4；另外，根據圖2 中所標的資源數目值可知，r1中的2 個節點及其之間的鏈路剩余資源數目均大于R1的資源需求量，因此，；則R1與r1的聚合屬性相似度為。

2.2.4 線性規劃求解關系對齊

基于實體對齊中廣泛使用的基于編輯距離[19]的相似性度量方法，本文將關系集合Ss與Sf之間的距離定義為最小化目標函數，將式(2)的關系對齊問題表示為

其中，Φ是關系r與R之間的映射關系。該匹配問題旨在最小化距離J(Φ)，因此，可以重新將該問題表示為

其中，M是本文算法的部署函數，維度為n×n，M的行對應SFC 的VNF，列對應底層網絡中的物理節點，M中的每一行和每一列都只有一個元素為1，其他元素均為0（元素值為1 代表VNF 被放置在該列的物理節點上）；Ss?MSfMT是經過函數M作用后Ss與Sf的差；是L1 范式。

根據文獻[19]可知，問題式(6)是多項式時間無解的，并且一個中等規模的底層網絡通常具有數百個節點，若使用暴力枚舉法，例如分支界限和枚舉搜索，得到整數解的時間復雜度將為指數級[20]。因此，本文利用一種圖匹配[21]方法將該問題化簡為線性問題。具體操作如下。

首先，為了符合圖匹配問題中頂點數相同的要求，在矩陣中增加參數為0 的元素，將關系矩陣Sf擴充到與Ss相同的維度。如圖3 中給出的一組待對齊的SFC 與底層網絡，由于SFC 的關系數為4 而底層網絡為6，因此需要在SFC 的關系矩陣Sf中增加2 行0 元素和2 列0 元素，使其與物理鄰接矩陣維度相同。

接下來，定義一個|Rs|×|Rs|的矩陣H1

其中，M為正交矩陣，MMT=I，I為單位矩陣，則式(7)右乘M可得

因為M是置換矩陣，式(8)的L1 范式為

將殘差矩陣表示為H

接下來，將矩陣H={hij}和M={mij}按列劃分為

基于此，H可被表示為

其中，Sfs是根據關系矩陣Sf與Ss派生的|Rs|2×|Rs|2的關系匹配度矩陣，定義為

其中，對角線元素sjj?fii的值為2.2.3 節中定義的2 個關系屬性的相似度。

因此，目標函數就等價于

其中，m=VEC(M)是n2×1 的向量。且該目標函數的求解需受到如下所示的位置約束（?Ri∈KGf,rj∈KGs）

式(17)～式(19)確保了被部署到底層網絡上的節點對之間均無額外的邊。若有關系Ri與rj通過關系對齊成功匹配，es1與es2分別是它們的實體1 與實體2，則ef1與ef2代表的VNF 需分別部署到es1與es2所代表的物理節點的位置上，且一個VNF 只能被部署到一個物理節點上。

因此，SFC 的在線部署問題可被表示為

對于某時刻t到達的SFC，分解該SFC 與底層網絡對應的知識圖譜，分別得到關系矩陣，作為本文算法的輸入，使用單純形法求解目標函數，得到部署解。

2.2.5 更新底層網絡

一旦成功部署了t時刻到達的SFC，算法需更新KGs的sheet1，以更新當前底層網絡的剩余資源數目，并根據到達時間開始處理下一個SFC。但當該SFC 中有任意一個的關系元組未能在底層網絡中匹配到滿足資源需求量的物理設備時，則標記對齊失敗，算法拒絕該SFC，開始處理下一時刻到達的SFC。

2.2.6 復雜度分析

通常服務功能鏈包含3～8 個不同的網絡功能，因此，在不考慮網絡業務數目的情況下，本文算法根據構成底層網絡的節點總數|N|和邊總數|L|，從其知識圖譜中分解出關系矩陣，即需在O(|N|+|L|)處理時間內搜索并列出所有關系。一旦列出了所有關系，便可進入關系對齊階段，該過程消耗的處理時間幾乎可以忽略不計，因為經過了線性化的處理之后，對齊階段的主要工作是比較待匹配關系中所有元素的屬性值，其復雜度為O(1)。

3 實驗仿真與分析

3.1 實驗環境

仿真采用TiNet[22]網絡拓撲，包含54 個節點和89 條全雙工鏈路。網絡資源容量均服從均勻分布，其中，節點的CPU 資源容量與存儲資源容量的分布區間均為[10,15]，鏈路的帶寬分布區間為[50,100]，傳輸時延分布區間為[1,50]。節點和鏈路能量消耗中常量值設置為Pl=150,Pb=150,Pn=15。網絡可以提供8 種功能，每個需要部署的服務功能鏈由3～8 個不同的網絡功能組成，VNF 的主要參數同文獻[23]，如表6 所示。

表6 VNF 的主要參數

任意VNF 之間具有依賴關系的概率為0.5，編排方式同文獻[4]，VNF 之間的虛擬鏈路對最高數據率與時延的要求服從[20,50]的隨機分布。為了提高在線算法評估的準確性，共執行2 000 個服務功能鏈的部署測試，其中網絡業務請求的到達時間服從泊松分布，平均每1 000 個時間單元約到達40 個；生存時間服從指數分布，平均為40 個時間單元。實驗將數據采集點設置在時間窗的開端，一個時間窗等于5 000 個時間單元，實驗仿真在10 個時間窗內執行完畢。

3.2 初始化結果

TiNet 拓撲被轉換為197 個三元組，其中包括89 個關系三元組和108 個屬性三元組。具體來說，本文考慮的底層網絡的知識包括物理節點、物理鏈路和資源數目，分別為它們打上節點、鏈接和屬性的標簽。同樣地，每個在線到達的網絡業務也根據標簽被抽取相應的知識。圖4 展示了本文利用文獻[24]中的Echarts 工具所呈現的部分知識圖譜的可視化結果，其中圖4(a)是TiNet 的網絡拓撲結構，圖4(b)是對網絡執行知識抽取后部分三元組的可視化結果。與僅能包含部分信息的其他傳統網絡表征方法相比，知識圖譜表征的網絡能夠提取網絡中的全部重要信息（關系與屬性值），避免了算法在輸入階段重要信息遺失而造成的計算結果的偏差。

圖4 TiNet 網絡知識抽取可視化結果

3.3 實驗分析

3.3.1 SFC 部署評價指標

本文基于如下4 個指標[11]評估算法的性能。

1)請求接收率：一段時間內成功部署的SFC個數占實際總網絡業務請求數量的比例。

其中，n?(T)表示T時間段內到達網絡業務請求數，σ(SFCi)是一個取值為0 或1 的二進制變量，表示第i個SFC 是否部署成功。

2)總收益：至t時刻，部署網絡請求所產生的總收益。

3)平均能耗：每個時間間隔T后所有物理節點和鏈路的總功耗的平均值，單位為W。

若處于開啟狀態，E(n)=pn+τ(pb?pn)，pn、pb分別為物理節點的基本能耗和滿負荷時的能耗，τ為節點的CPU 負載率，E(l)=pl，pl為物理鏈路能耗，一般為常量；若處于關閉狀態，則無能量消耗。

4)運行時間：客戶端發出網絡業務請求到其被成功部署到底層網絡上所需的時間。

3.3.2 部署結果分析

為驗證所提算法的性能和有效性，本文選取SFC-MCT 算法及First-Fit（FF）算法進行對比實驗。SFC-MCT 算法[9]將部署問題轉化為決策樹搜索，樹中的每個節點對應于一個VNF 的匹配方案，再用蒙特卡羅樹搜索算法找到一個獎勵值最大的SFC 部署方案，是一種基于強化學習的SFC 部署算法。FF 算法采用First-Fit 算法設計了一種啟發式的SFC 部署算法，先為每一個VNF 匹配資源數目最為充足的物理節點，然后在這些節點之間使用Dijkstra 在算法部署傳輸路徑，是SFC 部署的經典基準線算法[11,22]。

圖5 顯示了請求接收率的對比結果。結果表明，本文算法能夠接收所有到達系統的網絡請求，當系統達到穩定狀態后，FF 算法與SFC-MCT 算法的成功率在85%左右，因此，本文算法性能明顯優于對比算法。這是因為無論是基于啟發式的FF 算法還是基于強化學習的SFC-MCT 算法，這些SFC 部署方法都是將矩陣表征的SFC 與底層網絡作為算法的輸入，缺少了網絡中的關系以及網絡屬性等關鍵信息，復雜的網絡環境便對它們的有效性提出了考驗。隨著網絡資源逐漸被分配，SFC 匹配到既滿足依賴關系又能達到服務質量的物理資源的請求接收率便有所下降。

圖5 請求接收率的對比結果

圖6 顯示了總收益的對比結果。從圖6 中可以看出，與其他算法相比，本文算法使互聯網供應商取得了最高的總收益，這與請求接收率的結果相吻合。

圖6 總收益的對比結果

圖7 顯示了運行時間的對比結果。從圖7 可以看到，本文算法平均部署時間約為0.01 ms，FF 算法與SFC-MCT 算法約為0.04 ms 與0.21 ms，因此，本文算法在運行時間上取得了明顯的優勢。這是因為FF 算法與SFC-MCT 算法的輸入數據中未包含VNF 之間的依賴關系，因此匹配過程是基于點對點的，即先部署VNF 再連接它們之間的傳輸路徑，這也是目前大多部署算法所面臨的問題。這些算法每部署一個VNF 都需要對整個底層網絡中的節點進行比對，復雜度高，并且需要額外的鏈路部署時間。而本文算法僅需從輸入的結構化數據中搜索并列出所有關系后，便可進入關系比對階段，并且因為經過了線性化的處理，對齊過程消耗的處理時間幾乎可以忽略不計。本節實驗是在3.4 GHz CPU、16 GB 內存的計算機上通過Pycharm 進行的仿真實驗。

圖7 運行時間的對比結果

圖8 是平均能耗的對比結果，結果表明，本文算法的平均能耗比FF 算法低約30%，比SFC-MCT算法的低約13%。這是因為FF 算法是先根據節點資源數目啟發式地計算得到網絡業務中VNF 的部署位置，VNF 的部署位置通常較為分散，因此，通過Dijkstra 算法計算得到的VNF 之間的傳輸路徑就要占用較多的鏈路資源；SFC-MCT 算法雖然利用強化學習計算得到了獎勵值最高的部署方案，但節點與鏈路的關系仍然是被割裂地考慮的，在部署過程中不可避免地會開啟一些隱藏節點。而本文算法在部署SFC 時，SFC 與底層網絡被轉換為以“實體1–關系–實體2”為單位的知識集合，以節點和鏈路組成的三元組為單位進行部署，這就避免了任何額外的隱藏資源被使用，因此在整個部署過程中消耗的總能量最少。圖9 與圖10 也證實了這一結果，隨著服務功能鏈的持續部署，本文算法的節點開啟量與鏈路開啟量在整個過程中一直是最少的。

圖8 平均能耗的對比結果

圖9 節點開啟量的對比結果

圖10 鏈路開啟量的對比結果

4 結束語

新型網絡業務的出現對服務功能鏈的部署提出了更高的要求，即必須在資源受限的前提下遵循網絡功能之間的依賴關系執行部署。因此，針對具有復雜依賴關系服務功能鏈在線部署問題，本文利用知識圖譜對網絡業務及底層網絡進行表征，提出了一種基于知識圖譜的服務功能鏈部署方法。與基于傳統矩陣表征的部署算法相比，由于本文算法將網絡中的屬性與關系信息轉化為了以實體?關系?實體的結構化數據，沒有造成重要信息的缺失，因此在線部署網絡功能時，其精確性與時效性均有所提高。此外，雖然將知識圖譜引入了服務功能鏈部署中，但使用知識圖譜對網絡進行表征學習還有深入研究的空間。因此，下一步將繼續在知識圖譜表征服務網絡上展開工作，挖掘更加精準、有效的表征方法。