基于安全感知的網(wǎng)絡(luò)切片部署策略

吳 玄， 姬偉峰， 翁 江， 李映岐， 申秀雨， 孫 巖

(1.空軍工程大學(xué)信息與導(dǎo)航學(xué)院，西安,710077;2.95007部隊，廣州,510080)

5G旨在使用相同的網(wǎng)絡(luò)基礎(chǔ)設(shè)施為每個垂直行業(yè)提供定制業(yè)務(wù)需求，實現(xiàn)“萬物互聯(lián)”的愿景[1]。為滿足不同垂直行業(yè)的業(yè)務(wù)需求，提出了網(wǎng)絡(luò)切片(network slicing ,NS)的概念，網(wǎng)絡(luò)切片由多個異構(gòu)虛擬網(wǎng)絡(luò)構(gòu)成，能夠同時為多用戶提供端到端定制化的虛擬網(wǎng)絡(luò)服務(wù)。但網(wǎng)絡(luò)切片在部署時，存在一系列安全問題，例如惡意節(jié)點對共享資源的網(wǎng)絡(luò)切片發(fā)動側(cè)信道攻擊、存在漏洞的終端設(shè)備容易遭受底層網(wǎng)絡(luò)攻擊、網(wǎng)絡(luò)切片服務(wù)在分布式拒絕服務(wù)攻擊中變成中間跳板。同時，每個網(wǎng)絡(luò)切片實例(network slice instance , NSI)都有資源配額，惡意用戶可能會試圖濫用資源配額，從而中斷該切片的服務(wù)[2]。因此，網(wǎng)絡(luò)切片安全部署策略研究對5G網(wǎng)絡(luò)應(yīng)用具有重要現(xiàn)實意義。

網(wǎng)絡(luò)切片安全部署本質(zhì)上是對NSI中的虛擬網(wǎng)絡(luò)功能(virtual network f unction, VNF)進行部署與編排[3]。文獻[4]提出了5G網(wǎng)絡(luò)切片安全信任部署策略，采用網(wǎng)絡(luò)切片安全部署的啟發(fā)式算法有效解決了網(wǎng)絡(luò)切片信任中的隨機性、模糊性以及不確定性問題；文獻[5]提出了基于信息熵的安全感知虛擬網(wǎng)絡(luò)映射算法，利用信息熵TOPSIS(technique for order preference by similarity to an ideal solution)對物理節(jié)點的重要性進行排序，以部署成本作為最小優(yōu)化目標，在長期平均收益、長期收益成本比與運行時長方面取得了較好的效果；文獻[6]提出了一種基于全局資源能力(global resource capacity)的虛擬網(wǎng)絡(luò)映射算法，該算法通過考慮節(jié)點的資源屬性和全局拓撲屬性對節(jié)點部署進行優(yōu)化，并采用蒙特卡洛算法求解映射結(jié)果獲得了更高的請求接受率與部署收益；文獻[7]提出了一種基于強化學(xué)習(xí)的虛擬網(wǎng)絡(luò)映射算法(virtual network Embedding-Reinforcement learning, VNE-RL)，該算法未考慮部署過程中節(jié)點與鏈路的安全因素，根據(jù)節(jié)點的重要性程度進行排序與映射，在長期收益成本比與算法效率上得到了較好的提升，但其對全局資源感知程度不高;文獻[8]提出了一種基于強化學(xué)習(xí)的安全虛擬網(wǎng)絡(luò)映射算法(security virtual network embedding-Reinforcement learning, SVNE-RL)，該算法考慮了節(jié)點的安全因素，利用強化學(xué)習(xí)求解節(jié)點映射過程，在長期平均收益、長期收益消耗率與請求接受率方面提升較大，但該算法未考慮鏈路安全約束條件，且對節(jié)點的安全性考慮不夠充分。

目前網(wǎng)絡(luò)切片部署的安全需求主要考慮節(jié)點的安全因素與資源的重要性程度，未考慮到鏈路對網(wǎng)絡(luò)切片部署過程中的影響。并且部署方法主要采用啟發(fā)式算法與強化學(xué)習(xí)方法，但傳統(tǒng)的啟發(fā)式算法易陷入局部最優(yōu)解[9]，無法感知底層物理資源變化情況，導(dǎo)致資源利用率低，而強化學(xué)習(xí)算法，存在評價策略時效率較低且方差較大等問題。

針對網(wǎng)絡(luò)切片部署的安全需求與部署方法存在的問題，本文提出了一種基于強化學(xué)習(xí)的安全感知網(wǎng)絡(luò)切片部署策略(security aware network slicing-reinforcement learning , SANS-RL)。在部署過程中利用安全等級與安全需求有效量化分析VNF和鏈路的安全性，采用帶有基線算法的強化學(xué)習(xí)方法，對物理節(jié)點的安全性進行排序，實現(xiàn)對安全等級較高VNF的優(yōu)先部署與重點保護。實驗仿真表明本文所提出的SANS-RL策略比GRC、VNE-RL與SVNE-RL映射效率更高，同時保證了網(wǎng)絡(luò)切片部署過程中的性能與安全需求。

1. 網(wǎng)絡(luò)切片部署模型

1.1 安全部署需求描述

NSI是一個專用的虛擬網(wǎng)絡(luò)，VNF按照一定約束順序組成服務(wù)功能鏈(service function chain , SFC)，不同SFC組合構(gòu)成NSI，物理網(wǎng)絡(luò)為NSI提供服務(wù)資源。NSI到物理網(wǎng)絡(luò)的映射過程稱為網(wǎng)絡(luò)切片實例部署，即將VNF映射到物理節(jié)點上，將虛擬鏈路映射到一組物理鏈路上[10]，圖1為網(wǎng)絡(luò)切片部署示意圖。

圖1 網(wǎng)絡(luò)切片部署示意圖

為了量化與描述網(wǎng)絡(luò)切片的安全需求，引入安全等級這一概念。安全等級表示抽象的保護標準，由5G網(wǎng)絡(luò)運營商分配，安全等級越高，其提供的安全機制越多。例如，支持數(shù)據(jù)加密和數(shù)字簽名的物理節(jié)點將被分配更高的安全等級。因此，某些特殊的需求會被分配到同等或更高安全級別的資源上。

基于以上假設(shè)，本文得出以下4個抽象的安全約束。

1)物理節(jié)點的安全等級不能低于部署在其上的VNF安全需求。

2)VNF的安全等級不能低于其映射到物理節(jié)點的安全需求。

3)在已部署VNF的物理節(jié)點上部署新的VNF時，新VNF的安全需求不得低于已部署VNF的安全需求。

4)具有一定安全需求的虛擬鏈路應(yīng)映射到具有足夠安全級別的物理鏈路上。

圖1中網(wǎng)絡(luò)切片請求中A的屬性值代表其所需CPU資源為20、自身的安全等級為5、需要物理節(jié)點對應(yīng)的安全級別不低于2，A和B之間虛擬鏈路屬性值代表其所需帶寬資源為3，需要對應(yīng)的物理鏈路安全級別不低于2，物理節(jié)點E的屬性值代表其能夠提供的CPU資源為75、自身的安全等級為3、需要部署在其上的VNF安全級別不低于2。VNF只能映射到滿足其資源需求與安全需求的物理服務(wù)器上，虛擬鏈路只能映射到滿足其帶寬需求與安全需求的物理鏈路上。

1.2 安全部署模型描述

本文使用有權(quán)無向圖GP=(NP,LP,NS,LS)來表示5G物理網(wǎng)絡(luò)拓撲。物理網(wǎng)絡(luò)中物理節(jié)點(物理服務(wù)器、交換機、路由器等設(shè)備集合)用NP表示，而LP表示節(jié)點之間的所有物理鏈路集合，NS與LS表示物理節(jié)點與物理鏈路的屬性值。其中NS={cpu(ns),dem(ns),lev(ns)}，LS={bw(lp),lev(lp)}，dem表示物理節(jié)點的安全需求，lev表示物理節(jié)點與物理鏈路的安全等級，cpu表示物理節(jié)點可用的CPU資源，bw表示物理鏈路的可用的帶寬資源。

1.3 網(wǎng)絡(luò)切片部署過程描述

網(wǎng)絡(luò)切片安全部署到基礎(chǔ)設(shè)施網(wǎng)絡(luò)中可以認為是典型的安全虛擬網(wǎng)絡(luò)映射問題(secure virtual network embedding , SVNE)[11]。類似于SVNE問題，本文將網(wǎng)絡(luò)切片部署過程分為2個階段：VNF映射與虛擬鏈路映射。

(1)

物理節(jié)點所分配的CPU資源不能超過其自身擁有的CPU的資源，其中cpu(xi)表示第i個VNF所需的CPU資源，cpu(xk)表示物理節(jié)點k剩余的CPU資源，如式(2)所示：

(2)

(3)

上文中的安全約束條件如式(4～7)所示：

(4)

(5)

(6)

dem(lv)≤lev(lp)

(7)

1.4 評價指標

本文以VNF部署的長期安全收益成本比、請求接受率、長期網(wǎng)絡(luò)資源利用率與長期帶寬利用率等4個方面對算法進行評價[12]。

1.4.1.長期安全收益成本比

對于VNF的部署收益，用節(jié)點與鏈路的安全收益情況表示，如式(8)所示：

(8)

式中：dem(ns)cpu(nv)代表VNF的安全收益，VNF映射在安全需求越高的物理節(jié)點上，其部署安全收益越大；lev(ls)bw(lv)代表鏈路的安全收益，虛擬鏈路映射在安全等級越高的物理鏈路上，其部署安全收益越大；Tb表示VNF請求持續(xù)時長。

VNF部署成本如式(9)所示[13]：

(9)

式中:lev(nv)cpu(nv)代表VNF映射的部署成本，VNF映射所需cpu資源越多，安全等級越大，其部署成本越高。dem(lv)hop(p)bw(lv)表示虛擬網(wǎng)絡(luò)鏈路能源消耗，其中Ps(lv)表示虛擬鏈路lv分配的路徑集合，hop(p)表示路徑p在物理網(wǎng)絡(luò)上經(jīng)過的跳數(shù)，虛擬鏈路映射所需帶寬資源越多、鏈路跳數(shù)越大、虛擬鏈路的安全需求越高，其部署成本越大。

長期安全收益成本比可以表示為：

(10)

1.4.2 請求接受率

VNF請求接受率可以表示為：

(11)

式中:T表示在VNF請求持續(xù)時間Tb內(nèi)VNF請求的總個數(shù)，而Ts表示在VNF請求持續(xù)時間Tb內(nèi)VNF請求成功映射的個數(shù)。

1.4.3 長期網(wǎng)絡(luò)資源利用率

長期網(wǎng)絡(luò)資源利用率可以表示為：

(12)

式中：C表示物理網(wǎng)絡(luò)總CPU資源；Cs表示在VNF請求持續(xù)時間內(nèi)已消耗的CPU資源總量。

1.4.4 長期帶寬資源利用率

長期帶寬資源利用率可以表示為：

(13)

式中：B表示物理網(wǎng)絡(luò)總帶寬資源；Bs表示在VNF請求持續(xù)時間內(nèi)已消耗的帶寬資源總量。

2 基于強化學(xué)習(xí)的網(wǎng)絡(luò)切片部署策略

在VNF映射到物理節(jié)點過程中，物理節(jié)點存在的安全風(fēng)險將會影響整個網(wǎng)絡(luò)切片的部署。因此，通過建立物理節(jié)點的安全特征矩陣，確保網(wǎng)絡(luò)切片的安全部署。

2.1 節(jié)點安全特征矩陣

提取物理節(jié)點的安全特征屬性，包括節(jié)點計算資源、節(jié)點的度、度中心性、節(jié)點中心度與節(jié)點的安全因子。

1)節(jié)點計算資源(node computing resources)。節(jié)點計算能力是表征節(jié)點效率重要屬性之一，節(jié)點計算能力越強，其承受的VNF越多，被映射的概率就越大，物理節(jié)點nk計算資源如式(14)所示：

NCR(nk)=cpu(nk)

(14)

2)節(jié)點的度(the degree of node)，節(jié)點的度表示連接到物理節(jié)點的鏈路數(shù)量，節(jié)點的度越大，其連接的節(jié)點就越多，更易于找到與其他節(jié)點之間較短的鏈路，物理節(jié)點nk的度如式(15)所示：

(15)

式中：Bij表示節(jié)點nk與其相鄰節(jié)點的連接關(guān)系，如果互相連接則為1，否則為0。

3)度中心性(degree of centricity)[14]，物理節(jié)點上所鏈接鏈路的帶寬之和，總帶寬越大，映射到物理節(jié)點的VNF鏈路選項越多，映射效果越好。物理節(jié)點nk度中心性如式(16)所示:

(16)

4)節(jié)點中心度[15](the centrality of node)能夠全局網(wǎng)絡(luò)結(jié)構(gòu)反映物理節(jié)點的重要程度，物理節(jié)點nk中心度如式(17)所示：

(17)

式中：Okj表示物理節(jié)點nk與nj之間的跳數(shù)；NP表示為滿足約束條件的所有物理節(jié)點，節(jié)點中心度越大，物理節(jié)點越接近網(wǎng)絡(luò)中心，物理節(jié)點越重要。

5)節(jié)點的安全評估因子。節(jié)點的安全評估因子是衡量節(jié)點整體安全性的重要指標，由節(jié)點計算資源、節(jié)點的度、度中心性、節(jié)點中心度與節(jié)點的安全需求共同組成，節(jié)點的安全評估因子越高，其安全性越好，應(yīng)考慮對對其優(yōu)先部署，并防止安全性較低的網(wǎng)絡(luò)切片共享節(jié)點而導(dǎo)致的同駐攻擊，物理節(jié)點nk安全評估因子如式(18)所示：

SAF(nk)=(NCR(nk)+DN(nk)+)

DC(nk)+CN(nk))*dem(nk)/4

(18)

(19)

物理節(jié)點的安全特征矩陣SE(safety eigenmatrix ,SE)如式(20)所示：

SE=(sav1,sav2,…,savn)T

(20)

2.2 基于策略的網(wǎng)絡(luò)切片部署建模

網(wǎng)絡(luò)切片的部署問題是一個NP難問題，相比于傳統(tǒng)啟發(fā)式算法與精確式算法求解VNF映射過程，機器學(xué)習(xí)算法可以根據(jù)現(xiàn)有數(shù)據(jù)智能調(diào)整網(wǎng)絡(luò)參數(shù)，并做出預(yù)測。而強化學(xué)習(xí)(reinforcement learning , RL)作為一種機器學(xué)習(xí)算法，具有自適應(yīng)的特點，通過與Agent與環(huán)境的相互作用，執(zhí)行特定的動作，更新狀態(tài)獲取獎勵，RL能夠充分感知VNF映射過程中的安全狀態(tài)信息，在網(wǎng)絡(luò)切片部署過程中取得更好的資源利用率。

本文將網(wǎng)絡(luò)切片請求中的VNF映射過程建模為帶有狀態(tài)空間的MDPM(S,A,P,R)過程[16]，具體表示為：利用物理節(jié)點的安全特征矩陣作為環(huán)境，Agent定義為一個能夠輸出物理節(jié)點映射概率的策略網(wǎng)絡(luò)，Agent根據(jù)物理節(jié)點的安全特征矩陣輸出物理節(jié)點映射概率，然后選擇概率最大的物理節(jié)點作為動作，進行VNF映射，當VNF映射完成后，使用Dijkstra算法進行鏈路映射，以長期收入消費比作為獎勵函數(shù)，根據(jù)學(xué)習(xí)策略情況給予Agent獎勵，同時更新狀態(tài)信息，VNF映射模型如圖2所示。

圖2 VNF映射模型

將環(huán)境、Agent、狀態(tài)、動作、獎勵具體說明如下：

1)環(huán)境(environment)：

使用物理節(jié)點的安全特征矩陣作為部署過程中的環(huán)境。

2)Agent結(jié)構(gòu)：

本文采用基于策略的RL方法解決連續(xù)動作的MDP問題，引入了一種策略網(wǎng)絡(luò)來解決RL問題。策略網(wǎng)絡(luò)本質(zhì)上是一個神經(jīng)網(wǎng)絡(luò)，以某一環(huán)境狀態(tài)作為輸入，通過正向傳播輸出該環(huán)境狀態(tài)下所有候選動作的概率分布[17]。使用MLP作為Agent的策略網(wǎng)絡(luò)并進行參數(shù)化，策略網(wǎng)絡(luò)由輸入層、隱藏層、輸出層與節(jié)點選擇層組成， Agent結(jié)構(gòu)如圖3所示。

圖3 Agent結(jié)構(gòu)

輸入層將物理節(jié)點的安全特征矩陣作為輸入，由隱藏層輸出每個物理節(jié)點的向量，用于映射某個虛擬節(jié)點，對于節(jié)點k，向量計算公式為：

hk=tanh(wn·savk+bn)

(21)

式中：wn為隱藏層的權(quán)重；bn為偏置；tanh為激活函數(shù)。

然后將該向量轉(zhuǎn)移到Softmax層，利用Softmax Function生成節(jié)點概率分布，概率計算如式(22)所示：

(22)

此時，概率分布對應(yīng)一個VNF映射到所有物理節(jié)點的可能性大小，即VNF映射到概率越大的物理節(jié)點上其映射效果越好[18]。

節(jié)點選擇層需要在所有候選節(jié)點中選擇一組滿足約束條件的物理節(jié)點進行VNF的映射，將不滿足約束條件的節(jié)點進行刪除。

3)動作(Actions)：

根據(jù)Agent輸出節(jié)點的概率分布，選擇概率最高的物理節(jié)點作為需要被映射的節(jié)點。當VNF映射完成后，在選擇的物理節(jié)點和它的鄰居節(jié)點之間運行Dijkstra算法，進行虛擬鏈路映射。

4)狀態(tài)(States)：

在進行動作選擇后，環(huán)境需要對基礎(chǔ)網(wǎng)絡(luò)設(shè)施中的物理節(jié)點進行資源更新，根據(jù)當前物理節(jié)點的資源計算節(jié)點安全特征矩陣，使得Agent得到新的狀態(tài)表示。

5)獎勵(Rewards):

在RL模型中，Agent僅根據(jù)獎勵來估計模型是否正確。較大的獎勵表明代理當前的行動是有效的，應(yīng)該繼續(xù)下去;一個小的獎勵表明當前的行為是不適當?shù)模瑧?yīng)該調(diào)整，因此如何設(shè)置合理的獎勵十分關(guān)鍵[19]。本文以網(wǎng)絡(luò)資源利用情況作為獎勵信號，當鏈路映射成功時，Agent會收到獎勵信號；當鏈路映射失敗時，獎勵值為0，以避免Agent下次選擇該策略，獎勵計算如式(23)所示:

(23)

式中：Cs(nv)代表VNF消耗的CPU資源；C(np)代表VNF映射到物理節(jié)點np的CPU總資源。如果部署策略網(wǎng)絡(luò)資源利用高，則認為該部署策略較好，如果未部署成功，則設(shè)置獎勵值為0，以避免下次選擇該策略。

3 仿真實驗

3.1 實驗環(huán)境

本文使用GT-ITM工具生成物理網(wǎng)絡(luò)拓撲及網(wǎng)絡(luò)切片實例請求，實驗平臺采用Pycharm，采用python語言編寫程序，利用TensorFlow構(gòu)建策略網(wǎng)絡(luò)，測試結(jié)果在Origin中繪圖表示，網(wǎng)絡(luò)參數(shù)設(shè)置表1。

表1 網(wǎng)絡(luò)參數(shù)設(shè)置

3.2 SANS-RL模型性能評估

將本文提出的SANS-RL模型與文獻[6]提出的GRC算法、文獻[7]提出VNE-RL算法與文獻[8]提出的SVNE-RL進行對比。

本文從請求接受率、長期安全收益成本比、長期網(wǎng)絡(luò)資源利用率、長期帶寬資源利用率與程序運行時間5個方面進行對比分析。

3.2.1 請求接受率與長期安全收益成本比

各算法VNF的請求接受率變化情況見圖4。

圖4 請求接受率

從請求接受率可以看出，SANS-RL高于SVNE-RL高于GRC高于VNE-RL。由于在初始時間時，由于物理資源豐富，可以滿足更多的虛擬網(wǎng)絡(luò)需求，所以各算法請求接受率都較高。隨著物理網(wǎng)絡(luò)資源的不斷消耗，后期指標開始逐漸下降，而SANS-RL算法在測試階段確定了Agent的最優(yōu)化參數(shù)，使其能夠更好地學(xué)習(xí)物理網(wǎng)絡(luò)節(jié)點鏈路之間的關(guān)系，這更符合VNF的實際情況，所以其請求接受率最高。

而VNE-RL請求接受率最低，由于其考慮節(jié)點的拓撲屬性較少，對于物理網(wǎng)絡(luò)情形感知較差，VNE-RL模型不能充分發(fā)揮其優(yōu)勢，難以獲得最合適的嵌入策略，故其請求接受率最低；而GRC使用啟發(fā)式算法，綜合考慮了全局資源拓撲屬性，其算法效率與物理網(wǎng)絡(luò)資源狀態(tài)變化無關(guān)，故其請求接受率高于VNE-RL，而SVNE-RL對物理網(wǎng)絡(luò)資源考慮較為全面，但其算法運行方差較大，導(dǎo)致算法效率低于SANS-RL，故其請求接受率低于SANS-RL。

長期安全收益成本比如圖5所示，從圖中可以看出，SANS-RL長期安全收益成本與SVNE-RL、GRC算法較為接近，都高于VNE-RL算法。因為長期收益消費比主要取決于算法效率與物理節(jié)點數(shù)量無關(guān)，由于SANS-RL算法的Agent是在具有較多物理節(jié)點特征的環(huán)境中訓(xùn)練，其對物理網(wǎng)絡(luò)感知程度最高，故其映射效率最高效果最好，而VNE-RL對物理網(wǎng)絡(luò)感知程度較低，其在映射過程中需要反復(fù)尋找最優(yōu)映射結(jié)果，從而導(dǎo)致算法效率降低，效果較差。

圖5 長期安全收益成本比

3.2.2 長期網(wǎng)絡(luò)資源利用率與帶寬利用率

長期網(wǎng)絡(luò)資源利用率與長期帶寬利用率見圖6、圖7。

圖6 長期網(wǎng)絡(luò)資源利用率

圖7 長期帶寬利用率

由圖6與圖7可得，在所有算法中，SANS-RL網(wǎng)絡(luò)資源利用率與帶框利用率最高，由于SANS-RL接收到的VNF請求最多，其請求接受率最高，則SANS-RL模型對帶寬與網(wǎng)絡(luò)資源的利用情況最好。而SVNF-RL、GRC與VNF-RL算法網(wǎng)絡(luò)資源利用率與帶寬利用率依次下降，與請求接受率實驗結(jié)果相符，證明了SANS-RL算法效率的優(yōu)越性與資源利用的高效性。

3.2.3 程序運行時間

圖8顯示了在相同的實驗環(huán)境條件下，各算法的運行時長。

圖8 各算法運行時長比較

由于各算法的程序運行時長受操作系統(tǒng)與實驗環(huán)境的影響，不同算法的程序運行時長僅在實時操作系統(tǒng)環(huán)境中有效。其中VNF-RL算法運行時間最長，因其對物理網(wǎng)絡(luò)資源感知較差，其需要不斷學(xué)習(xí)映射的最佳策略，導(dǎo)致算法運行時間較長且效率較低。而GRC算法綜合考慮了物理節(jié)點資源與全局拓撲情況，算法較為復(fù)雜，但使用蒙特卡洛樹搜索提高了算法性能減少了運行時間，使得其運行時間比VNF-RL較好。而SVNE-RL與SANS-RL運行時長相近，由于SANS-RL模型梯度求解過程使用帶有基線的REINFORCE算法，減少了強化學(xué)習(xí)過程中方差使其學(xué)習(xí)效率更快，效率更高故其運行時間優(yōu)于SANS-RL。

4 結(jié)語

針對傳統(tǒng)啟發(fā)式算法解決網(wǎng)絡(luò)切片部署問題易陷入到局部最優(yōu)解，且部署過程中對網(wǎng)絡(luò)切片節(jié)點與鏈路的感知程度不高的問題，本文提出了一種基于安全感知的網(wǎng)絡(luò)切片部署策略，并通過仿真實驗驗證了部署模型的可行性與算法的高效性。在VNF映射部署階段，首先利用安全等級量化了VNF的安全需求，然后提取物理節(jié)點的關(guān)鍵安全指標構(gòu)建安全特征矩陣，利用策略網(wǎng)絡(luò)輸出安全特征矩陣的映射概率大小，實現(xiàn)VNF的安全部署。在虛擬鏈路部署階段，采用最短路徑方法進行虛擬鏈路映射。最終證明SANS-RL在滿足安全約束的同時能夠有效感知部署過程中的資源變化情況，獲得較高的安全收益與部署收益。在后續(xù)研究中，將針對多層網(wǎng)絡(luò)切片的安全部署進行研究，考慮復(fù)雜網(wǎng)絡(luò)情況下的網(wǎng)絡(luò)切片安全部署情形。