工業(yè)物聯(lián)網(wǎng)中基于多維特征業(yè)務(wù)的網(wǎng)絡(luò)切片匹配算法

摘 要：工業(yè)物聯(lián)網(wǎng)中的業(yè)務(wù)具有數(shù)量大、種類(lèi)多、特征維度高等特點(diǎn)，為了實(shí)現(xiàn)每一個(gè)業(yè)務(wù)都能根據(jù)自身的多維特征有效的匹配到具有特定服務(wù)質(zhì)量的網(wǎng)絡(luò)切片以獲取相應(yīng)的服務(wù)，提出了一種多維特征聚類(lèi)的業(yè)務(wù)與網(wǎng)絡(luò)切片匹配算法。該算法可以對(duì)工業(yè)物聯(lián)網(wǎng)設(shè)備中提取的業(yè)務(wù)多維特征進(jìn)行聚類(lèi)，根據(jù)聚類(lèi)結(jié)果將所定義切片的優(yōu)先級(jí)因子添加到相應(yīng)的業(yè)務(wù)中，進(jìn)而實(shí)現(xiàn)業(yè)務(wù)與網(wǎng)絡(luò)切片的匹配。實(shí)驗(yàn)結(jié)果表明，該算法在實(shí)現(xiàn)業(yè)務(wù)與網(wǎng)絡(luò)切片匹配的過(guò)程中，與對(duì)比算法相比，既實(shí)現(xiàn)了高準(zhǔn)確率，又加快了匹配完成的速度。

關(guān)鍵詞：工業(yè)物聯(lián)網(wǎng)；網(wǎng)絡(luò)切片；多維特征業(yè)務(wù)；服務(wù)質(zhì)量；優(yōu)先級(jí)因子

中圖分類(lèi)號(hào)：TP391.44 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-3695（2023）02-039-0549-05

doi：10.19734/j.issn.1001-3695.2022.05.0309

Network slices matching algorithm based on multi-dimensional feature service for industrial Internet of Things

Zhao Jihong1，2，Luo Xinggang1，Qu Hua2，Huang Zihao1

（1.School of Communication amp; Information Engineering，Xi’an University of Post amp; Telecommunications，Xi’an 710121，China；2.School of Electronic amp; Information Engineering，Xi’an Jiaotong University，Xi’an 710049，China）

Abstract：The services in the industrial Internet of Things are characterized by a large number，variety，and high feature dimensions.In order to realize that each service can effectively match to the network slicing with specific service quality accor-ding to its own multi-dimensional features to obtain the corresponding services，this paper proposed a multi-dimensional feature clustering services and slices matching algorithm.The algorithm clustered the multi-dimensional features of services extracted from industrial Internet of Things devices，and added the priority factor of the defined slices to the corresponding services according to the clustering results，so as to realize the matching between services and slices.Experimental results show that the algorithm not only achieves high accuracy，but also accelerates the speed of matching compared with the comparison algorithm.

Key words：industrial Internet of Things；network slicing；multi-dimensional feature service；quality of service；priority factor

0 引言

隨著5G技術(shù)的普及以及物聯(lián)網(wǎng)、軟件定義網(wǎng)絡(luò)（software defined network，SDN）和網(wǎng)絡(luò)功能虛化（network function virtua-lization，NFV）［1］等現(xiàn)代通信和計(jì)算技術(shù)的出現(xiàn)，第四次工業(yè)革命［2］成功地將工業(yè)制造系統(tǒng)與物理信息系統(tǒng)深度融合。被稱(chēng)為5G三大應(yīng)用場(chǎng)景之一的超可靠低延遲通信［3］為工業(yè)物聯(lián)網(wǎng)（industrial Internet of Things，IIoT）的無(wú)線(xiàn)側(cè)連接帶來(lái)了前所未有的可靠性。目前，物聯(lián)網(wǎng)中已支持超過(guò)500億臺(tái)連接設(shè)備和機(jī)器［4，5］，其中工業(yè)物聯(lián)網(wǎng)的業(yè)務(wù)連接需求的激增尤為突出，并可能導(dǎo)致無(wú)線(xiàn)帶寬資源的匱乏。網(wǎng)絡(luò)切片（network slicing，NS）［6］被認(rèn)為是工業(yè)物聯(lián)網(wǎng)實(shí)現(xiàn)高靈活性和高可擴(kuò)展性的關(guān)鍵技術(shù)之一。針對(duì)無(wú)線(xiàn)帶寬資源的匱乏問(wèn)題，普遍采用將不同網(wǎng)絡(luò)切片之間的業(yè)務(wù)按優(yōu)先級(jí)預(yù)留帶寬資源的方法。但是，在工業(yè)物聯(lián)網(wǎng)業(yè)務(wù)擴(kuò)展的過(guò)程中，面對(duì)如此龐大的多維特征業(yè)務(wù)的連接需求，如何有效地將業(yè)務(wù)與網(wǎng)絡(luò)切片匹配，并沒(méi)有得到很好的解決。

目前，對(duì)于業(yè)務(wù)與網(wǎng)絡(luò)切片匹配的研究，國(guó)內(nèi)外學(xué)者提出了很多方法，包括人工匹配、基于多目標(biāo)進(jìn)化算法（multi-objective evolutionary algorithm，MOEA）輸出創(chuàng)建切片并匹配，基于高斯混合模型（Gaussian mixture model，GMM）聚類(lèi)算法的匹配等。文獻(xiàn)［7］中將網(wǎng)絡(luò)切片創(chuàng)建階段分為服務(wù)排序、網(wǎng)絡(luò)切片資源描述、準(zhǔn)入控制、優(yōu)化、資源預(yù)留和網(wǎng)絡(luò)切片準(zhǔn)備五個(gè)階段。其中，服務(wù)排序階段提供了租戶(hù)租用的網(wǎng)絡(luò)切片服務(wù)目錄，每個(gè)租戶(hù)可根據(jù)自己的需求訪(fǎng)問(wèn)服務(wù)目錄，從中選擇符合自己需求的服務(wù)模板。但是這種方法需要每個(gè)租戶(hù)人工完成業(yè)務(wù)與切片的匹配，極大地增加了時(shí)間成本，并不能適用于業(yè)務(wù)連接需求激增的工業(yè)物聯(lián)網(wǎng)。文獻(xiàn)［8］在切片步驟中基于MOEA輸出創(chuàng)建四個(gè)切片，每個(gè)切片分配一個(gè)SDN控制器，由SDN控制器根據(jù)分配的切片QoS（quality of service，QoS）要求管理切片。作者提出了優(yōu)先級(jí)等級(jí)劃分切片從而實(shí)現(xiàn)QoS的管理，但是需要在Openflow交換機(jī)和SDN控制器之間單獨(dú)部署FlowVisor來(lái)實(shí)現(xiàn)業(yè)務(wù)與切片的匹配，增加了切片下發(fā)的時(shí)間開(kāi)銷(xiāo)并且降低了匹配的自適應(yīng)性。文獻(xiàn)［9］中，與傳統(tǒng)的OpenFlow協(xié)議相比，設(shè)計(jì)了一種基于遞歸架構(gòu)的網(wǎng)絡(luò)切片訪(fǎng)問(wèn)選擇方法來(lái)完成匹配。然而，面對(duì)工業(yè)物聯(lián)網(wǎng)中龐大的業(yè)務(wù)量，以上傳統(tǒng)的方法都無(wú)法適用。聚類(lèi)算法作為機(jī)器學(xué)習(xí)領(lǐng)域的一種經(jīng)典的無(wú)監(jiān)督算法，面對(duì)工業(yè)物聯(lián)網(wǎng)中數(shù)量龐大的業(yè)務(wù)可以及時(shí)有效地完成分類(lèi)和預(yù)測(cè)，并且將業(yè)務(wù)匹配到相應(yīng)的切片，使得同一切片內(nèi)的業(yè)務(wù)相似度較大，而不同切片之間的業(yè)務(wù)相似度較小。目前，已有一些機(jī)器學(xué)習(xí)的方法應(yīng)用到工業(yè)物聯(lián)網(wǎng)的業(yè)務(wù)與切片的匹配當(dāng)中，并取得了明顯的成果。Seifeddine等人［10］提出的工業(yè)物聯(lián)網(wǎng)網(wǎng)絡(luò)切片的資源分配方案中，通過(guò)使用GMM聚類(lèi)算法直接對(duì)每個(gè)切片的優(yōu)先級(jí)因子進(jìn)行聚類(lèi)，增加了匹配的自適應(yīng)性。文獻(xiàn)［11］針對(duì)物聯(lián)網(wǎng)中大規(guī)模機(jī)器與機(jī)器通信和機(jī)器類(lèi)通信的問(wèn)題，只選取機(jī)器的時(shí)延要求聚類(lèi)，目的是將機(jī)器劃分到相似的集群減少網(wǎng)絡(luò)擁塞，但是只選取時(shí)延作為劃分依據(jù)并不能滿(mǎn)足工業(yè)物聯(lián)網(wǎng)中QoS要求的多維性。

綜上所述，現(xiàn)有的切片方法都是針對(duì)數(shù)量有限、具有單一特征的業(yè)務(wù)與網(wǎng)絡(luò)切片的匹配，但是工業(yè)物聯(lián)網(wǎng)中的業(yè)務(wù)往往具有數(shù)量大、種類(lèi)多、特征維度高等特點(diǎn)，傳統(tǒng)的方法使得此場(chǎng)景下的匹配準(zhǔn)確率會(huì)明顯下降，時(shí)間開(kāi)銷(xiāo)也會(huì)增加。為了實(shí)現(xiàn)工業(yè)物聯(lián)網(wǎng)中數(shù)量龐大且種類(lèi)繁多的多維特征業(yè)務(wù)與網(wǎng)絡(luò)切片能夠有效匹配，本文提出了一種多維特征聚類(lèi)的業(yè)務(wù)與網(wǎng)絡(luò)切片匹配算法，該算法能夠針對(duì)SDN控制器采集設(shè)備業(yè)務(wù)的多維特征信息，以較高的準(zhǔn)確率快速地完成匹配。

本文的主要貢獻(xiàn)如下：

a）針對(duì)工業(yè)物聯(lián)網(wǎng)場(chǎng)景中業(yè)務(wù)QoS的多維性，提出了多維度聚類(lèi)的方法，可以充分利用業(yè)務(wù)的多維特征信息，以較高的準(zhǔn)確率將業(yè)務(wù)劃分到相應(yīng)的切片中。

b）為了提高匹配完成的速度，通過(guò)對(duì)業(yè)務(wù)數(shù)據(jù)集采樣并利用模糊均值（fuzzy C-means，F(xiàn)CM）聚類(lèi)算法訓(xùn)練出符合所定義切片要求的聚類(lèi)中心；然后根據(jù)訓(xùn)練出來(lái)的聚類(lèi)中心，利用拓展算法將每一個(gè)業(yè)務(wù)劃分到符合要求的切片中。

c）根據(jù)所定義切片QoS的要求，為每個(gè)業(yè)務(wù)添加相應(yīng)切片的優(yōu)先級(jí)因子，實(shí)現(xiàn)業(yè)務(wù)與網(wǎng)絡(luò)切片的匹配。

1 系統(tǒng)模型與問(wèn)題描述

1.1 工業(yè)物聯(lián)網(wǎng)網(wǎng)絡(luò)切片模型

1.1.1 網(wǎng)絡(luò)模型

SDN提供了一個(gè)控制平面，可對(duì)網(wǎng)絡(luò)資源進(jìn)行完整的查看和控制。在SDN的幫助下，網(wǎng)絡(luò)切片可以在共享的可編程物理網(wǎng)絡(luò)基礎(chǔ)設(shè)施上分配專(zhuān)用的資源來(lái)尋求特定的服務(wù)?；谖墨I(xiàn)［12，13］，工業(yè)物聯(lián)網(wǎng)網(wǎng)絡(luò)切片架構(gòu)可定義為三層，整個(gè)架構(gòu)如圖1所示。第一層，稱(chēng)為傳感層，是由各種帶有傳感器的設(shè)備組成。第二層，稱(chēng)為網(wǎng)絡(luò)層，由交換機(jī)、網(wǎng)關(guān)服務(wù)器等組成。每個(gè)網(wǎng)關(guān)充當(dāng)兩個(gè)角色，一是負(fù)責(zé)傳感器設(shè)備的數(shù)據(jù)收集，二是連接傳感層和云層，完成底層數(shù)據(jù)的轉(zhuǎn)發(fā)和上層配置的下發(fā)。第三層稱(chēng)為云層，云接收器負(fù)責(zé)數(shù)據(jù)分析和存儲(chǔ)SDN控制器位于這一層，提供虛擬化、可控的網(wǎng)絡(luò)服務(wù)。

首先定義工業(yè)物聯(lián)網(wǎng)中n個(gè)設(shè)備實(shí)體集合為O={o1，o2，…，oj}，j∈N，N={1，2，…，n}，每個(gè)工業(yè)物聯(lián)網(wǎng)設(shè)備都通過(guò)SDN控制器采集QoS信息［14］得到對(duì)應(yīng)的業(yè)務(wù)特征信息。采集信息選取時(shí)延、包的大小和可靠性三個(gè)特征對(duì)設(shè)備實(shí)體進(jìn)行描述，并最大限度保持業(yè)務(wù)的屬性，形成多維特征業(yè)務(wù)。多維特征業(yè)務(wù)可由三維特征向量xj來(lái)表示，X={x1，x2，…，xj}，X是多維特征業(yè)務(wù)矩陣，并且與設(shè)備實(shí)體集合O一一對(duì)應(yīng)。其次定義切片vi，它的劃分依據(jù)不僅包含了時(shí)延、包的大小、可靠性，還包含了優(yōu)先級(jí)因子。每個(gè)網(wǎng)絡(luò)切片構(gòu)成向量集合為V={v1，v2，…，vj}，i∈C，C={1，2，…，c}，c表示切片數(shù)量的最大值。負(fù)責(zé)給工業(yè)物聯(lián)網(wǎng)設(shè)備分發(fā)切片的網(wǎng)關(guān)定義為gk，構(gòu)成集合為G={g1，g2，…，gj}，k∈H，H={1，2，…，h}，h表示網(wǎng)關(guān)數(shù)量的最大值。rj定義為工業(yè)物聯(lián)網(wǎng)中每個(gè)設(shè)備所需要的帶寬，構(gòu)成集合為R={r1，r2，…，rj}，j∈N，N={1，2，…，n}。

1.1.2 網(wǎng)絡(luò)切片定義

由于工業(yè)物聯(lián)網(wǎng)中業(yè)務(wù)種類(lèi)和需求量日益增多，網(wǎng)絡(luò)環(huán)境中的切片就會(huì)遇到帶寬資源匱乏的問(wèn)題，從而影響業(yè)務(wù)體驗(yàn)。例如，URLLC的資源不足就會(huì)導(dǎo)致其所屬業(yè)務(wù)的服務(wù)質(zhì)量［15］顯著降低。在保證分配的帶寬資源總量一定的情況下，按優(yōu)先級(jí)分配帶寬資源則是解決這一問(wèn)題的方法之一。借鑒文獻(xiàn)［16，17］將工業(yè)物聯(lián)網(wǎng)中的切片按優(yōu)先級(jí)定義為超高優(yōu)先級(jí)切片、高優(yōu)先級(jí)切片和低優(yōu)先級(jí)切片三類(lèi)，如表1所示。

超高優(yōu)先級(jí)切片具有時(shí)延低、可靠性要求高和包尺寸小的特點(diǎn)。這類(lèi)切片具有非常嚴(yán)苛的QoS要求。超高優(yōu)先級(jí)切片可以服務(wù)于對(duì)安全性能要求高和緊急制動(dòng)的設(shè)備，所以它具有較高的優(yōu)先級(jí)，切片優(yōu)先級(jí)因子為1。超高優(yōu)先級(jí)切片在所有業(yè)務(wù)中優(yōu)先占用帶寬資源，并且優(yōu)先完成業(yè)務(wù)體驗(yàn)。高優(yōu)先級(jí)切片對(duì)QoS要求僅次于超高優(yōu)先級(jí)切片，它僅對(duì)時(shí)延與可靠性要求高，它可以服務(wù)于監(jiān)控設(shè)備、刻度信息讀取以及廠(chǎng)房中其他信息的采集，切片的優(yōu)先級(jí)因子為2。高優(yōu)先級(jí)切片占用帶寬的優(yōu)先級(jí)僅次于超高優(yōu)先級(jí)切片。低優(yōu)先級(jí)切片在所有業(yè)務(wù)中排在最后，它對(duì)時(shí)延并不敏感，并且對(duì)可靠性要求也不高，所以它可以服務(wù)于廠(chǎng)房中的移動(dòng)機(jī)器人等設(shè)備，切片優(yōu)先級(jí)因子為3。

1.2 問(wèn)題描述

1.2.1 多維特征業(yè)務(wù)與網(wǎng)絡(luò)切片匹配過(guò)程描述

首先對(duì)SDN控制器采集設(shè)備的多維特征業(yè)務(wù)數(shù)據(jù)集隨機(jī)采樣，目的是為了產(chǎn)生更小的數(shù)據(jù)集，然后在新的數(shù)據(jù)集上使用FCM算法進(jìn)行聚類(lèi)，得到聚類(lèi)中心，最后根據(jù)產(chǎn)生的聚類(lèi)中心在整個(gè)數(shù)據(jù)集上求得隸屬度矩陣。

FCM算法的目標(biāo)函數(shù)為

其中：uj，i，k 表示j設(shè)備屬于第k個(gè)網(wǎng)關(guān)的第i個(gè)切片的隸屬度函數(shù)（membership function）；Uk是第k個(gè)網(wǎng)關(guān)的所有切片中的所有成員的隸屬度函數(shù)構(gòu)成的隸屬度矩陣，通過(guò)不斷更新從而確定最終的隸屬度矩陣；m是模糊常數(shù)，最佳取值是［1.5，2.5］，這里取值為2；vi，k是第k個(gè)網(wǎng)關(guān)第i個(gè)切片的聚類(lèi)中心，通過(guò)不斷更新vi，k，得到最佳的模糊聚類(lèi)中心矩陣Vk。

式（2）表示在同一個(gè)網(wǎng)關(guān)下，對(duì)于每一個(gè)設(shè)備j屬于每一類(lèi)切片i的概率之和為1。

此外，為了確保聚類(lèi)的簇形成模糊偽劃分（fuzzy pseudo-partition），還應(yīng)給聚類(lèi)的簇施加合理的條件式（3）。式（3）表示每個(gè)切片以非0的概率至少包含一臺(tái)設(shè)備，但不以概率為1包含所有的設(shè)備。

求解Uk，Vk：為了求有約束條件下目標(biāo)函數(shù)的極值，需要利用拉格朗日（Lagrange）乘子法構(gòu)造新的函數(shù)。

其中：λ為L(zhǎng)agrange 乘子，根據(jù)文獻(xiàn)［18］對(duì)上式求導(dǎo)得到式（5）（6）。

式（5）和（6）分別是求得的隸屬度函數(shù)和聚類(lèi)中心；式（7）表示隸屬度函數(shù)通過(guò)迭代更新構(gòu)成的隸屬度矩陣；式（8）表示聚類(lèi)中心通過(guò)迭代更新構(gòu)成的模糊聚類(lèi)中心矩陣。

式（9）是求最佳模糊聚類(lèi)中心的結(jié)束條件，其中ε代表收斂誤差（取值為0.000 000 01）。

RT，k=∑nj=1rj，，k，j∈N，∈C，k∈H（10）

式（10）是計(jì)算每個(gè)切片所需的帶寬，利用業(yè)務(wù)中添加的優(yōu)先級(jí)因子，為每個(gè)切片預(yù)留帶寬資源。網(wǎng)關(guān)遵循優(yōu)先級(jí)因子小的優(yōu)先分配帶寬資源的原則。

1.2.2 目標(biāo)函數(shù)

充分利用聚類(lèi)算法的優(yōu)勢(shì)，以最小化設(shè)備業(yè)務(wù)的特征向量與切片聚類(lèi)中心的距離為目標(biāo)，來(lái)表示多維特征業(yè)務(wù)與切片的匹配問(wèn)題，則目標(biāo)函數(shù)可以表示為

其中：θj，i，k表示設(shè)備j匹配給第k個(gè)網(wǎng)關(guān)的第i個(gè)切片的成功率。式（12）約束了參與匹配并且匹配成功的業(yè)務(wù)的成功率，并賦予一位二進(jìn)制值。式（14）表示將訓(xùn)練的業(yè)務(wù)特征信息、切片聚類(lèi)中心，隸屬度約束在合理的范圍內(nèi)。設(shè)備業(yè)務(wù)特征向量xj，i，k與切片聚類(lèi)中心vi，k距離越小表示該設(shè)備屬于該切片的概率就越大。

2 多維特征業(yè)務(wù)與網(wǎng)絡(luò)切片匹配方法

為了有效地實(shí)現(xiàn)工業(yè)物聯(lián)網(wǎng)中的多維特征業(yè)務(wù)與網(wǎng)絡(luò)切片匹配，本文提出了一種多維特征聚類(lèi)的業(yè)務(wù)與網(wǎng)絡(luò)切片匹配算法，主要包括利用FCM算法快速地生成所定義切片的聚類(lèi)中心，將每一個(gè)業(yè)務(wù)劃分到符合要求切片的拓展算法和為業(yè)務(wù)添加相應(yīng)切片的優(yōu)先級(jí)因子三個(gè)過(guò)程。

2.1 多維特征聚類(lèi)的業(yè)務(wù)與網(wǎng)絡(luò)切片匹配算法流程

本文所提出的多維特征聚類(lèi)的業(yè)務(wù)與網(wǎng)絡(luò)切片匹配算法（services and network slices matching algorithm based on multidimensional feature clustering，SNSMA-MFC）采取訓(xùn)練數(shù)據(jù)集和檢測(cè)匹配準(zhǔn)確率的策略，整體算法框架如圖2所示。在訓(xùn)練數(shù)據(jù)集階段，首先訓(xùn)練出切片的聚類(lèi)中心矩陣，然后再根據(jù)此聚類(lèi)中心矩陣將每一個(gè)業(yè)務(wù)劃分到相應(yīng)的切片中，從而輸出業(yè)務(wù)的隸屬度矩陣。檢測(cè)匹配的準(zhǔn)確率階段，根據(jù)訓(xùn)練出的隸屬度矩陣和業(yè)務(wù)的真實(shí)優(yōu)先級(jí)因子檢測(cè)業(yè)務(wù)匹配的準(zhǔn)確率，進(jìn)行聚類(lèi)結(jié)果分析，然后在準(zhǔn)確率符合要求的情況下，為業(yè)務(wù)添加優(yōu)先級(jí)因子，最后輸出完整的業(yè)務(wù)特征信息列表，即完成匹配。

2.2 基于FCM的快速生成切片聚類(lèi)中心算法

通過(guò)對(duì)業(yè)務(wù)的樣本集X采樣得到子樣本集Xs，再利用FCM算法訓(xùn)練出子樣本集的隸屬度矩陣和聚類(lèi)中心矩陣，此算法既能訓(xùn)練出切片的聚類(lèi)中心，又提高了訓(xùn)練的效率。該算法為切片從訓(xùn)練到下發(fā)的低時(shí)延提供了保障，對(duì)數(shù)量龐大的樣本集的訓(xùn)練優(yōu)勢(shì)較為突出。

算法1 基于FCM的切片聚類(lèi)中心生成算法

輸入：物聯(lián)網(wǎng)設(shè)備業(yè)務(wù)特征向量X，切片類(lèi)別數(shù)c=3，模糊常數(shù)m=2，收斂誤差ε，采樣數(shù)ns=15。

輸出：子樣本集的聚類(lèi)中心矩陣Vk。

總樣本集X隨機(jī)采樣，每一類(lèi)業(yè)務(wù)都采樣ns個(gè)樣本，得到子樣本集Xs

隨機(jī)化子樣本集Xs并保持隨機(jī)化順序的記錄

對(duì)于子樣本集的FCM聚類(lèi)算法，整個(gè)算法僅需要對(duì)子樣本集遍歷，通過(guò)迭代更新計(jì)算輸出隸屬度矩陣與聚類(lèi)中心矩陣，因此算法的時(shí)間復(fù)雜度為O（tc2dns），空間復(fù)雜度為O（（d+c）ns）。其中，t是迭代次數(shù)，d是業(yè)務(wù)特征向量維度。

2.3 拓展算法

拓展算法的目的是根據(jù)對(duì)子樣本集訓(xùn)練得到切片的聚類(lèi)中心Vk，訓(xùn)練出所有業(yè)務(wù)的隸屬度矩陣，并評(píng)估聚類(lèi)的平均準(zhǔn)確率，判斷其是否符合要求的聚類(lèi)結(jié)果。

算法2 拓展算法

輸入：物聯(lián)網(wǎng)設(shè)備業(yè)務(wù)特征向量X，切片的類(lèi)別數(shù)c=3，模糊常數(shù)m=2，子樣本的聚類(lèi)中心矩陣Vk。

輸出：整個(gè)樣本的聚類(lèi)結(jié)果Uk，聚類(lèi)的預(yù)測(cè)標(biāo)簽a。

利用拓展算法對(duì)所有業(yè)務(wù)的聚類(lèi)，由于在子樣本集訓(xùn)練階段已經(jīng)計(jì)算出切片的聚類(lèi)中心，依據(jù)計(jì)算出的結(jié)果便可直接拓展到整個(gè)數(shù)據(jù)集，直到每一個(gè)業(yè)務(wù)都聚類(lèi)得到自己的切片類(lèi)別，所以整個(gè)算法的時(shí)間復(fù)雜度為O（tc2dn/ns），空間復(fù)雜度為O（（d+c）（n/ns））。

2.4 添加優(yōu)先級(jí)因子

通過(guò)以上算法將業(yè)務(wù)劃分到超高優(yōu)先級(jí)切片、高優(yōu)先級(jí)切片和低優(yōu)先級(jí)切片三種切片中，根據(jù)拓展算法生成的預(yù)測(cè)標(biāo)簽為業(yè)務(wù)特征向量xj添加相應(yīng)切片的優(yōu)先級(jí)因子后輸出xj，i，k。

根據(jù)式（10）計(jì)算每個(gè)切片的帶寬資源RTi，k

對(duì)于添加優(yōu)先級(jí)因子的算法，整個(gè)算法的主要過(guò)程是對(duì)完成聚類(lèi)過(guò)程的業(yè)務(wù)數(shù)據(jù)集遍歷，直到為每個(gè)業(yè)務(wù)都添加相應(yīng)類(lèi)別切片的優(yōu)先級(jí)因子，因此算法的時(shí)間復(fù)雜度是O（n），空間復(fù)雜度也是O（n）。

3 仿真與性能分析

本實(shí)驗(yàn)基于Python對(duì)NS3-LoraWan框架仿真工業(yè)物聯(lián)網(wǎng)場(chǎng)景采集得到的多維特征業(yè)務(wù)數(shù)據(jù)集進(jìn)行測(cè)試。在所有的實(shí)驗(yàn)中匹配信息結(jié)果及優(yōu)先級(jí)因子的產(chǎn)生僅在很短的時(shí)間內(nèi)完成。通過(guò)不斷修改所測(cè)試的數(shù)據(jù)集參數(shù)，并且增加業(yè)務(wù)的隨機(jī)性，更能體現(xiàn)算法的優(yōu)越性。實(shí)驗(yàn)在操作系統(tǒng)為Windows 10、64位，CPU為AMD Ryzen 7 5800H，顯卡為Radeon Graphics 3.20 GHz，內(nèi)存為16 GB環(huán)境下進(jìn)行。為體現(xiàn)SNSMA-MFC算法在性能上的優(yōu)勢(shì)，本文在所測(cè)試數(shù)據(jù)集下進(jìn)行了3組對(duì)比實(shí)驗(yàn)。

3.1 實(shí)驗(yàn)環(huán)境配置

本實(shí)驗(yàn)選取GMM算法[10]和FCM算法［18］進(jìn)行對(duì)比實(shí)驗(yàn)，初始數(shù)據(jù)集有150個(gè)業(yè)務(wù)，之后依次增加150個(gè)業(yè)務(wù)樣本，共訓(xùn)練7組數(shù)據(jù)集。每種算法在每個(gè)數(shù)據(jù)集下獨(dú)立運(yùn)行5次，取評(píng)價(jià)指標(biāo)的均值進(jìn)行結(jié)果對(duì)比。對(duì)于研究SNSMA-MFC算法的采樣值與準(zhǔn)確度、輪廓系數(shù)和時(shí)間開(kāi)銷(xiāo)關(guān)系的實(shí)驗(yàn)，選取業(yè)務(wù)量為1 050的數(shù)據(jù)集，采樣值初始值設(shè)為15，之后依次增加15，共訓(xùn)練6組，每組在該數(shù)據(jù)集下獨(dú)立運(yùn)行5次，取評(píng)價(jià)指標(biāo)的均值進(jìn)行結(jié)果對(duì)比。實(shí)驗(yàn)配置參數(shù)如表2所示。

3.2 性能分析

本節(jié)從多維特征業(yè)務(wù)與切片匹配的平均準(zhǔn)確率、平均輪廓系數(shù)、平均時(shí)間開(kāi)銷(xiāo)以及采樣值的選取對(duì)前三者的影響四個(gè)方面來(lái)評(píng)估SNSMA-MFC算法的有效性，并且將本文提出的SNSMA-MFC算法與GMM算法和FCM算法進(jìn)行對(duì)比。GMM算法只針對(duì)理想的高斯混合的多維數(shù)據(jù)集聚類(lèi)精度高，不能充分考慮業(yè)務(wù)的多維特征，而且迭代的次數(shù)多、所耗費(fèi)的時(shí)間長(zhǎng)。FCM算法不僅對(duì)高斯混合型業(yè)務(wù)數(shù)據(jù)聚類(lèi)具有高精度，而且對(duì)處于三種切片邊界處的多維特征業(yè)務(wù)聚類(lèi)精度高，這就使得業(yè)務(wù)不局限于維度低的數(shù)據(jù)集，還更適合于業(yè)務(wù)種類(lèi)和數(shù)量更加復(fù)雜、隨機(jī)的數(shù)據(jù)集，但該算法耗費(fèi)時(shí)間依然很長(zhǎng)。

3.2.1 平均準(zhǔn)確率

平均準(zhǔn)確率指正確匹配的業(yè)務(wù)數(shù)量與所有參與匹配的業(yè)務(wù)數(shù)量的比值，這里用Rand統(tǒng)計(jì)量［19］表示平均準(zhǔn)確率，計(jì)算公式為

Rand=f0，0，k+f1，1，kf0，0，k+f0，1，k+f1，0，k+f1，1，k（15）

其中：f0，0，k表示網(wǎng)關(guān)k將屬于e類(lèi)的業(yè)務(wù)正確匹配到e類(lèi)切片的業(yè)務(wù)數(shù)量；f1，1，k表示網(wǎng)關(guān)k將不屬于e類(lèi)的業(yè)務(wù)正確匹配到非e類(lèi)的切片的業(yè)務(wù)數(shù)量；f0，1，k表示網(wǎng)關(guān)k將屬于e類(lèi)的業(yè)務(wù)錯(cuò)誤地匹配到了非e類(lèi)的切片的業(yè)務(wù)數(shù)量；f1，0，k表示網(wǎng)關(guān)k將不屬于e類(lèi)的業(yè)務(wù)錯(cuò)誤匹配到了e類(lèi)的切片的業(yè)務(wù)數(shù)量。Rand統(tǒng)計(jì)量定義正確匹配的業(yè)務(wù)數(shù)量與總的業(yè)務(wù)數(shù)量的比值，其值越大，則匹配準(zhǔn)確率越高。

三種算法的平均匹配準(zhǔn)確率如圖3所示。可以看出，平均匹配準(zhǔn)確率隨著工業(yè)網(wǎng)絡(luò)中業(yè)務(wù)數(shù)量的增加而增加，業(yè)務(wù)與切片的匹配準(zhǔn)確率略有下降。本文SNSMA-MFC算法此項(xiàng)指標(biāo)與FCM算法匹配準(zhǔn)確率近乎吻合，誤差在±0.014范圍之內(nèi)，但比GMM算法要平均高出4.42%～8.36%。其原因在于SNSMA-MFC算法和FCM算法對(duì)于邊緣模糊的多維特征業(yè)務(wù)匹配效果很好，而且SNSMA-MFC和FCM算法通過(guò)優(yōu)化目標(biāo)函數(shù)得到每個(gè)業(yè)務(wù)的特征向量對(duì)所有切片中心的隸屬度，從而決定每個(gè)業(yè)務(wù)的類(lèi)屬切片，以達(dá)到動(dòng)態(tài)將所有業(yè)務(wù)與切片匹配的目的。GMM算法是采用概率模型進(jìn)行匹配，但對(duì)邊緣模糊的多維特征業(yè)務(wù)效果一般，因此，其匹配準(zhǔn)確率最低。

3.2.2 平均輪廓系數(shù)（silhouette coefficient）

平均輪廓系數(shù)結(jié)合了聚類(lèi)的內(nèi)聚度和分離度，是評(píng)估簇的密集度與分散度的評(píng)價(jià)指標(biāo)。計(jì)算公式為［20］

s（xj，i，k）=disMeanout（xj，i，k）-disMeanin（xj，i，k）max{disMeanout（xj，i，k），disMeanin（xj，i，k）}（16）

其中：s（xj，i，k）表示輪廓系數(shù)；disMeanout（xj，i，k）是xj，i，k與非本類(lèi)切片中的業(yè)務(wù)的平均距離，也叫分離度；disMeanin（xj，i，k）是xj，i，k與本類(lèi)切片中的其他業(yè)務(wù)的平均距離，也叫內(nèi)聚度。平均輪廓系數(shù)的取值為［-1，1］，若切片內(nèi)業(yè)務(wù)距離越近且切片間業(yè)務(wù)距離越遠(yuǎn)，則平均輪廓系數(shù)越大，匹配效果也越好。

三種算法的匹配過(guò)程中平均輪廓系數(shù)如圖4所示?？梢钥闯?，GMM算法的平均輪廓系數(shù)在-0.1～0，意味著業(yè)務(wù)在切片與切片交叉處的匹配效果不好。SNSMA-MFC和FCM算法的輪廓系數(shù)隨著工業(yè)物聯(lián)網(wǎng)業(yè)務(wù)數(shù)量的增加穩(wěn)定在0.4附近，而且兩種算法輪廓系數(shù)非常吻合，但均比GMM算法高。因?yàn)镾NSMA-MFC算法和FCM算法共用相同的聚類(lèi)中心，對(duì)邊緣模糊的業(yè)務(wù)匹配效果更好，使得同一切片內(nèi)業(yè)務(wù)成員之間差異小，不同切片的業(yè)務(wù)成員之間差異大，所以SNSMA-MFC和FCM算法輪廓系數(shù)更高。

3.2.3 平均時(shí)間開(kāi)銷(xiāo)

在本文中，假設(shè)匹配的計(jì)算任務(wù)全部在SDN控制器中執(zhí)行，借鑒文獻(xiàn)［21］定義SDN控制器完成聚類(lèi)的任務(wù)量的執(zhí)行時(shí)間為tk，計(jì)算公式為

tk=alkb（17）

其中：lk表示SDN控制器從第k個(gè)網(wǎng)關(guān)輸入任務(wù)量的大小。agt;0為常量，由SDN控制器計(jì)算復(fù)雜度決定；b表示SDN控制器的計(jì)算能力，單位為每秒/CPU周期數(shù)。在相同類(lèi)型的SDN控制器訓(xùn)練相同業(yè)務(wù)數(shù)據(jù)集的前提下，tk越小，則表明該算法效率越高。三種算法的匹配過(guò)程中平均時(shí)間開(kāi)銷(xiāo)如圖5所示?？梢钥闯?，匹配時(shí)間開(kāi)銷(xiāo)隨著工業(yè)物聯(lián)網(wǎng)中業(yè)務(wù)數(shù)量的增加，呈現(xiàn)出不同程度的上漲。FCM算法上漲最為明顯。SNSMA-MFC算法雖然時(shí)間開(kāi)銷(xiāo)上比GMM算法高出幾十毫秒，但是由于SNSMA-MFC算法中采用了對(duì)業(yè)務(wù)數(shù)據(jù)集從采樣到再擴(kuò)展的過(guò)程，所以該算法的時(shí)間開(kāi)銷(xiāo)比FCM算法減少了41.62～311.97 ms。

3.2.4 采樣值的選取

SNSMA-MFC算法中采樣值ns的選取必須在對(duì)平均準(zhǔn)確率和平均輪廓系數(shù)誤差允許的范圍之內(nèi)將算法的時(shí)間復(fù)雜度降為O（tc2dn/ns）、空間復(fù)雜度降為O（（d+c）（n/ns））。采樣值的選取需要同時(shí)評(píng)估平均準(zhǔn)確率、平均輪廓系數(shù)和平均時(shí)間開(kāi)銷(xiāo)的影響。平均準(zhǔn)確率和平均輪廓系數(shù)越大且平均時(shí)間開(kāi)銷(xiāo)越小，則說(shuō)明采樣值ns選取越理想，算法效率也就越高。

SNSMA-MFC算法采樣值與平均匹配準(zhǔn)確率、平均輪廓系數(shù)以及平均時(shí)間開(kāi)銷(xiāo)的關(guān)系如圖6所示。隨著采樣值的增加，SNSMA-MFC算法對(duì)業(yè)務(wù)與切片的平均匹配準(zhǔn)確率、平均輪廓系數(shù)以及平均時(shí)間開(kāi)銷(xiāo)都有不同程度上漲，其中準(zhǔn)確率最高僅增加0.013 7、輪廓系數(shù)最高僅增加0.007 8，但時(shí)間開(kāi)銷(xiāo)卻增長(zhǎng)了103.8 ms。這是因?yàn)椴蓸又翟酱髮?duì)樣本子集的聚類(lèi)中心的初始值評(píng)估越準(zhǔn)確，但也增加了算法的迭代次數(shù)，時(shí)間開(kāi)銷(xiāo)也隨之增加。所以本文在平均匹配準(zhǔn)確率、平均輪廓系數(shù)誤差影響很小的情況下選擇采樣值為15，并將參數(shù)為15的采樣值代入算法進(jìn)行訓(xùn)練不同的數(shù)據(jù)集。

4 結(jié)束語(yǔ)

本文研究工業(yè)物聯(lián)網(wǎng)中具有多維特征的業(yè)務(wù)與網(wǎng)絡(luò)切片匹配問(wèn)題，提出了一種實(shí)現(xiàn)多維特征業(yè)務(wù)與網(wǎng)絡(luò)切片有效匹配的SNSMA-MFC算法。此算法通過(guò)采集的底層業(yè)務(wù)的特征值構(gòu)造多維特征向量，并組成多維特征業(yè)務(wù)矩陣，然后將此業(yè)務(wù)矩陣作為輸入訓(xùn)練，最后輸出匹配結(jié)果。仿真結(jié)果表明，與GMM算法相比，SNSMA-MFC算法具有較高的匹配準(zhǔn)確率；與FCM算法相比，在匹配準(zhǔn)確率誤差很小的情況下，SNSMA-MFC算法可以快速地完成匹配過(guò)程。下一步將考慮在線(xiàn)的多維特征業(yè)務(wù)與網(wǎng)絡(luò)切片自適應(yīng)匹配方案，以應(yīng)對(duì)更為復(fù)雜、實(shí)時(shí)變化的工業(yè)物聯(lián)網(wǎng)中的業(yè)務(wù)需求。

參考文獻(xiàn)：

［1］Pei J，Hong Peilin，Pan Miao，et al.Optimal VNF placement via deep reinforcement learning in SDN/NFV-enabled networks［J］.IEEE Journal on Selected Areas in Communications，2020，38（2）：263-278.

［2］Gundall M，Strufe M，Schotten H D，et al.Introduction of a 5G-enabled architecture for the realization of industry 4.0 use cases［J］.IEEE Access，2021，9：25508-25521.

［3］Kalr A E，Guillaume R，Nielsen J J，et al.Network slicing for ultra-reliable low latency communication in industry 4.0 scenarios［EB/OL］.（2017-08-30）.https：//arxiv.org/abs/1708.09132v1.

［4］Cao Yang，Jiang Tao，Han Zhu.A survey of emerging M2M systems：context，task，and objective［J］.IEEE Internet of Things Journal，2016，3（6）：1246-1258.

［5］Xia Nian，Chen H-H，Yang C-S.Radio resource management in machine-to-machine communications—a survey［J］.IEEE Communications Surveys amp; Tutorials，2018，20（1）：791-828.

［6］Kalr A E，Guillaume R，Nielsen J J，et al.Network slicing in industry 4.0 applications：abstraction methods and end-to-end analysis［J］.IEEE Trans on Industrial Informatics，2018，14（12）：5419-5427.

［7］Ordonez-Lucena J，Adamuz-Hinojosa O，Ameigeiras P，et al.The creation phase in network slicing：from a service order to an operative network slice［C］//Proc of European Conference on Networks and Communications.Piscataway，NJ：IEEE Press，2018：1-36.

［8］Ksentini A，Jebalia M，Tabbane S.Fog-enabled industrial IoT network slicing model based on ML-enabled multi-objective optimization［C］//Proc of the 29th IEEE International Conference on Enabling Technologies：Infrastructure for Collaborative Enterprises.Piscataway，NJ：IEEE Press，2020：177-180.

［9］Wei Huan，Zhang Zhenfeng，F(xiàn)an Bin.Network slice access selection scheme in 5G［C］//Proc of the 2nd IEEE Information Technology，Networking，Electronic and Automation Control Conference.Pisca-taway，NJ：IEEE Press，2017：352-356.

［10］Seifeddine M，Bradai A，Moulay E.Online GMM clustering and mini-batch-gradient descent based optimization for industrial IoT 4.0［J］.IEEE Trans on Industrial Informatics，2020，16（2）：1427-1435.

［11］Liang Liang，Lu Xu，Bin Cao，et al.A cluster-based congestion-mitigating access scheme for massive M2M communications in internet of things［J］.IEEE Internet of Things Journal，2018，5（3）：2200-2211.

［12］Wu Huanzhuo，Tsokalo I A，Kuss D，et al.Demonstration of network slicing for flexible conditional monitoring in industrial IoT networks［C］//Proc of the 16th IEEE Annual Consumer Communications amp; Networking Conference.Piscataway，NJ：IEEE Press，2019：1-2.

［13］Ns S.An empirical study on system level aspects of Internet of Things（IoT）［J］.IEEE Access，2020，8：188082-188134.

［14］Aslan M，Matrawy A.On the impact of network state collection on the performance of SDN applications［J］.IEEE Communications Letters，2016，20（1）：5-8.

［15］Ko H，Lee J，Pack S.Priority-based dynamic resource allocation scheme in network slicing［C］//Proc of International Conference on Information Networking .Piscataway，NJ：IEEE Press，2021：62-64.

［16］Messaoud S，Bradai A，Dawaliby S，et al.Slicing optimization based on machine learning tool for industrial IoT 4.0［C］//Proc of IEEE International Conference on Design amp; Test of Integrated Micro amp; Nano-Systems.Piscataway，NJ：IEEE Press，2021：1-5.

［17］Seifeddine M，Dawaliby S，Bradai A，et al.In-depth performance eva-luation of network slicing strategies in large scale industry 4.0［C］//Proc of the 18th International Multi-Conference on Systems，Signals amp; Devices.Piscataway，NJ：IEEE Press，2021：474-479.

［18］Li Yanfeng，Wang Zhijian，Zhao Tiansheng，et al.Research on a pattern recognition method of cyclic GMM-FCM based on joint time-domain features［J］.IEEE Access，2020，9：1904-1917.

［19］薛文龍，于炯，郭志琦，等.基于特征融合卷積神經(jīng)網(wǎng)絡(luò)的端到端加密流量分類(lèi)［J］.計(jì)算機(jī)工程與應(yīng)用，2021，57（18）：114-121.（Xue Wenlong，Yu Jiong，Guo Zhiqi，et al.End-to-end encrypted traffic classification based on feature fusion convolutional neural network［J］.Computer Engineering and Applications，2021，57（18）：114-121.）

［20］尹世莊，王韜，謝方方，等.基于互信息和輪廓系數(shù)的聚類(lèi)結(jié)果評(píng)估方法［J］.兵器裝備工程學(xué)報(bào)，2020，41（8）：207-213.（Yin Shizhuang，Wang Tao，Xie Fangfang，et al.Protocol clustering evaluation method based on mutual information and contour coefficient［J］.Journal of Ordnance Equipment Engineering，2020，41（8）：207-213.）

［21］蔡振啟，李志軍.面向工業(yè)物聯(lián)網(wǎng)的移動(dòng)邊緣計(jì)算任務(wù)卸載與資源分配［J］.工業(yè)控制計(jì)算機(jī)，2021，34（8）：50-52，54.（Cai Zhenqi，Li Zhijun.Research on mobile edge computation offloading strategy for industrial Internet of Things［J］.Industrial Control Computer，2021，34（8）：50-52，54.）

收稿日期：2022-05-18；修回日期：2022-07-11 基金項(xiàng)目：國(guó)家重點(diǎn)研發(fā)計(jì)劃重點(diǎn)專(zhuān)項(xiàng)資助項(xiàng)目（2018YFB1800300）

作者簡(jiǎn)介：趙季紅（1964-），女，陜西西安人，教授，博導(dǎo)，主要研究方向?yàn)閹捦ㄐ啪W(wǎng)、新一代網(wǎng)絡(luò)的管理和控制、物聯(lián)網(wǎng)、語(yǔ)義 Web、異構(gòu)融合 網(wǎng)絡(luò)、網(wǎng)絡(luò)虛擬化；羅興剛（1996-），男（通信作者），甘肅張掖人，碩士研究生，主要研究方向?yàn)楣I(yè)物聯(lián)網(wǎng)、網(wǎng)絡(luò)切片（1915074381@qq.com）；曲樺（1961-），男，陜西西安人，教授，博導(dǎo)，主要研究方向?yàn)楝F(xiàn)代通信網(wǎng)、計(jì)算機(jī)網(wǎng)絡(luò)體系結(jié)構(gòu)、5G 網(wǎng)絡(luò)關(guān)鍵技術(shù)、新一代網(wǎng)絡(luò)技術(shù)等；黃子豪（1998-），男，陜西寶雞人，碩士研究生，主要研究方向?yàn)榫W(wǎng)絡(luò)切片、網(wǎng)絡(luò)多維資源調(diào)度．