基于微服務架構的粒度可變服務功能鏈映射算法

吳曉春，洪晨，張岳，張俊楠，周靜靜

基于微服務架構的粒度可變服務功能鏈映射算法

吳曉春，洪晨，張岳，張俊楠，周靜靜

（浙江工商大學信息與電子工程學院，浙江 杭州 310018）

針對5G環境下服務功能鏈（SFC）端到端時延無法滿足時延敏感型應用需求的問題，將傳統虛擬網絡功能（VNF）拆分成粒度不一的映射單元，提出了基于微服務架構的粒度可變服務功能鏈映射（VG-SFCM）算法。首先將傳統粗粒度的VNF解耦成細粒度的微服務單元，隨后通過SFC內冗余微服務單元的合并及SFC間微服務單元的復用，減少微服務單元的實例化，降低SFC的處理時間。仿真結果表明，所提算法在降低平均部署網絡成本的同時，其SFC端到端時延相較于傳統的映射算法降低了14.81%。

網絡功能虛擬化；微服務架構；服務功能鏈；時延

0 引言

隨著互聯網的不斷普及和物聯網相關技術的飛速發展，人們對網絡的需求呈指數級增長，各式各樣的服務請求日新月異。為了應對不斷增長且紛繁復雜的服務請求，網絡功能虛擬化（network function virtualization，NFV）技術應運而生。NFV通過虛擬化的技術將網絡功能以軟件化的形式呈現，形成虛擬網絡功能（virtualized network function，VNF），實現了網絡功能與專用物理設備的解耦，使資源可以靈活共享，并大大降低了運營商的運營成本（operating expense，OPEX）及資本支出（capital expenditure，CAPEX）[1]。不同的VNF按照一定邏輯順序進行鏈接并形成服務功能鏈（service function chain，SFC）[2]。通過SFC，運營商可以更加快速且靈活地為用戶提供所需的服務，當用戶的服務需求或網絡環境發生變化時也可快速進行VNF的遷移、創建、銷毀等操作。

5G等技術的發展使許多應用對時延的要求提高，因此，如何合理地部署VNF或對SFC本身進行一定優化，使得SFC端到端時延得到一定程度的降低是映射問題的一大挑戰。目前，已有不少學者對SFC的映射及部署問題展開了研究。當前該問題通常被建模成整數線性規劃（integer linear programming，ILP）模型或混合整數線性規劃（mixed integer linear programming，MILP）模型等數學規劃模型。文獻[3]使用基于混合整數線性規劃的可變鄰域搜索方法對時延受限情況下的SFC映射問題進行求解。文獻[4]在最小化時延的約束下，利用混合整數二次約束規劃建模對SFC映射問題進行求解。但此類數學規劃方法僅在面對小規模網絡時擁有較快的求解速度，在大規模網絡中求解速度較慢并且會帶來較高的運行成本，因此各類啟發式算法被相繼提出。文獻[5]采用可拓展的啟發式算法，每次針對單個網絡節點進行映射，若映射不成功則不斷回溯當前的結果，直至完成映射。文獻[6]提出了一種基于改進多階段圖的啟發式算法，從而實現服務功能鏈的高效部署。然而，啟發式算法雖然擁有較快的求解速度，但無法保證所得的解總是全局最優解。因此，元啟發式算法在啟發式算法的基礎上進行改進，結合了隨機算法以及局部搜索的策略以避免陷入局部最優解。文獻[7]融合遺傳算法與模擬退火算法進行求解，同時通過判斷個體約束及糾正遺傳的方法來規避局部最優解，從而達到降低服務功能鏈端到端時延的目的，但該算法需要反復迭代才能求出最優解，時間消耗較大，無法對VNF進行快速部署。文獻[8]首先通過廣度優先搜索完成服務功能鏈的構建，隨后利用改進的遺傳粒子群算法對映射問題進行求解，提高了服務功能鏈請求接受率，同時降低了資源開銷，但在對映射問題求解時沒有考慮映射順序，產生了一定的時延。文獻[9]針對服務功能鏈端到端時延優化以及服務可用性最大化問題，建立模型后通過遺傳算法進行求解，但面對大規模物理拓撲時容易陷入局部最優解。而隨著人工智能領域研究的不斷深入，強化學習算法憑借其在求解組合優化問題方面的先天優勢在多個領域得到應用。文獻[10]提出了基于深度強化學習的服務功能鏈可靠部署算法，在保證可靠性的同時有效減少了服務功能鏈的損失。文獻[11]使用強化學習算法尋找匹配的VNF調度策略，并提出基于Q學習的VNF部署算法，但在大規模網絡環境中強化學習算法無法準確地描述網絡資源的動態變化，會對VNF的部署產生不良影響。

上述研究大多將作為SFC構成單位的VNF視作一個整體，統一進行設計、開發和部署，尚未考慮進一步細化的優化方案。VNF雖然實現了與專用硬件設備的解耦，但這種單體式的映射方法內部各邏輯功能間的耦合程度仍較高，且靈活性較差，難以被擴展或伸縮。因此提出將微服務架構運用到SFC映射及部署的問題中，對VNF進行微服務化的拆分及合并，以實現端到端時延的最優化。

微服務體系架構[12]的核心在于對傳統應用進行功能上的分解，將細粒度的微服務單元作為執行相關邏輯操作的最小單元，每個微服務單元均能被獨立部署、運行。文獻[13]提出的OpenBox框架首次探索了SFC中多個VNF的拆分優化，并完成了拆分后微服務單元的定義，但并未考慮SFC中出現不可拆分VNF的狀況。文獻[14]首次探討了服務功能鏈的優化問題與微服務架構結合的可能性，隨后通過實例將傳統的粗粒度服務功能鏈進行微服務化的拆分及合并，繪制了新的有向服務圖，但在拆分過程中并未考慮中間狀態，容易產生過多的資源開銷。

與上述文獻不同，本文針對服務功能鏈中虛擬網絡功能的邏輯功能重復執行問題，考慮時延優化，提出一種基于微服務架構的粒度可變服務功能鏈映射（variable granularity service function chain mapping，VG-SFCM）算法，對VNF進行微服務化的拆分時，進一步考慮映射時網絡拓撲中的資源使用情況和具體的服務功能鏈請求，以確定粒度不一的映射單元，從而達到降低SFC端到端時延及提高資源利用率的目的。該算法通過基于典型VNF的快速拆分策略將相關VNF拆分為最細粒度的微服務單元，隨后對單一SFC內的冗余微服務單元進行合并，以實現端到端時延的最優化。針對物理拓撲中已完成部分SFC部署的情況，通過SFC之間的微服務單元復用策略，根據可復用微服務單元所處的網絡節點及其鄰近節點的資源狀況，判斷復用及新到達SFC中剩余微服務單元的部署可能性，減少微服務單元的實例化。仿真結果表明，VG- SFCM能夠有效降低SFC的平均端到端時延及平均部署網絡成本，提高網絡資源利用率。

1 問題描述與系統模型

1.1 問題描述

在傳統網絡中，每個中間件都有相對應的專用服務器，網絡功能服務設備多并且復雜，不利于按需擴展和調整。虛擬化技術的出現，使得通用服務器取代傳統的專用物理設備成為可能，從而有效降低網絡功能的平均部署網絡成本。然而，單條SFC內的不同單體VNF間存在許多重復執行的邏輯功能，如數據包的輸入輸出、報文分類等。在SFC映射的過程中，考慮映射的最小粒度并進行微服務化的拆分及合并，可有效地去除這些冗余的邏輯功能，降低根據映射方案部署時產生的端到端時延及資源開銷。

不同映射方案對比如圖1所示，兩種方案均將單體VNF作為SFC的最小映射單元。單SFC的拆分、合并及映射如圖2所示，該方案首先對服務功能鏈中的各VNF進行邏輯功能分析，并根據分析結果執行相應的拆分工作，將映射的最小單元轉化為粗粒度的微服務單元。完成SFC中所有VNF的拆分后，按照不改變初始邏輯順序的原則進行相同微服務單元的合并并構建新服務圖，合并后剩下的AtomNF個數相較于拆分初期減少了44.4%。合并完成后按照原始的邏輯順序進行新服務功能鏈的構建。此類合并操作的對象為單SFC內部的微服務單元，微服務單元的實例是按照映射方案創建并部署的，當新服務功能鏈請求（service function chain request，SFCR）到來時，相同的實例又會再次創建。因此通過合并及復用可有效地減少相關資源的浪費，并降低端到端時延。

針對多個SFCR到來的情況，后續到達的SFCR將依據上一SFCR的映射方案進行可復用微服務單元的篩選及節點資源分析。SFC間的微服務單元復用及映射如圖3所示。多SFC映射方案中共有兩個SFC需完成映射及后續的部署，SFC1的映射方案與如圖2（b）一致。SFC2包含AtomNF1、AtomNF3這兩個與SFC1相同的可復用微服務單元，通過判斷節點B中的計算資源是否能夠支持AtomNF6和AtomNF7的映射來確定映射方案。該映射方案復用了AtomNF1和

圖1 不同映射方案對比

圖2 單SFC的拆分、合并及映射

圖3 SFC間的微服務單元復用及映射

AtomNF3兩個微服務單元，并將剩余單元映射至已激活節點中，相較于傳統映射方案減少了節點的激活數量，并通過減少微服務單元實例數降低了SFC2的端到端時延及資源開銷。

1.2 網絡模型

為了更好地形式化描述問題，列出了與底層網絡、服務功能鏈請求相關的符號及其含義，相關符號及其含義見表1。

1.3 約束分析及優化目標

考慮底層網絡中節點資源約束和鏈路帶寬資源約束，為了最小化SFC的端到端時延，SFC與VNF的映射及部署問題可以建模為一個整數規劃模型。相較于傳統粗粒度的單體VNF映射方案，基于微服務架構的映射方案的主要創新在于映射粒度變為細粒度的微服務單元，因此在資源約束方面與傳統映射方案的區別之處在于其中的映射單元，未拆分的VNF在建模過程中除開銷方面的差異外，表現形式與AtomNF保持一致。

表1 相關符號及其含義

在服務功能鏈的部署中，計算資源可具體化為CPU資源以及內存資源，因此必須確保某個節點上部署的全部AtomNF的CPU開銷及內存開銷不超過該節點可提供的相關資源。節點的CPU資源約束如式（1）所示。

完成對SFC的部署后，數據流量按照AtomNF部署后的各個節點順序進行遍歷。網絡拓撲中每條物理鏈路的帶寬資源有限，因此SFC產生的需求所占用的鏈路帶寬資源需要小于帶寬總容量，相關約束如式（3）所示。

由于不同應用對時延的敏感程度有差異，用戶對SFC端到端時延的需求也各有不同，因此需要進行時延約束的相關定義。SFC的整體端到端時延可根據時延產生的位置劃分為鏈路時延和節點時延兩大部分，其中鏈路時延包括傳播時延、傳輸時延及排隊時延，節點時延即處理時延。因此，SFC部署在物理鏈路上產生的鏈路時延如式（5）所示。

結合式（6）與式（8），單條服務功能鏈的端到端時延構成如式（9）所示。

式（10）的優化目標是在滿足式（1）～式（3）的情況下，最小化服務功能鏈端到端時延。

2 基于微服務架構的粒度可變服務功能鏈映射算法設計

基于微服務架構的粒度可變服務功能鏈構建問題的關鍵在于根據SFC進行合理的邏輯拆分，繼而根據拆分所得微服務單元集合篩選重復執行部分，并根據SFC原始邏輯進行服務圖的繪制。其中，若拆分所得單元的標準不一致，則會導致后續重復執行的操作無法正常合并及復用，因此需將對數據流執行操作的最小邏輯功能作為最小工作單元并定義為微服務單元。

2.1 基于典型VNF的快速拆分策略

VNF的拆分主要根據構成SFC的VNF集合及其相應的邏輯功能，將VNF拆分成若干個細粒度的微服務單元，并定義為AtomNF，一個微服務單元代表對數據進行操作的最小邏輯單元。

服務功能鏈構成關系如圖4所示，表述了微服務單元、虛擬網絡功能及服務功能鏈之間的構成關系。3類個體之間的關系可用式（11）與式（12）表述。

（12）

服務功能鏈拆分過程如圖5所示，該SFC包含邊緣防火墻、監視器、應用防火墻3個VNF。通過邏輯分析，構成這3個VNF的微服務單元如圖5（b）所示。這些微服務單元經過拆分斷開相互間原有的關系后，最終形成的微服務單元集合如圖5（c）所示。

為了實現SFC的快速拆分并降低拆分所帶來的資源開銷，基于典型VNF的快速拆分將邏輯分析與拆分工作前置，通過預先對出現頻率較高的VNF進行邏輯分析，提前準備高頻VNF所對應的微服務單元鏡像文件并放入倉庫。當SFCR到達時，即可快速根據相關的VNF拆分方案查找并直接拉取相關鏡像。

此外用戶的需求各有不同且無法預測，SFC中出現未經前置拆分的VNF情況不可避免。針對此類情況，基于典型NFV的快速拆分將不對鏡像倉庫中未包含的VNF執行相關拆分操作，仍將其視作粗粒度的單一整體。

根據上述相關流程的描述，基于典型NFV的快速拆分算法流程如下。

算法1：基于典型NFV的快速拆分算法

輸入：服務功能鏈

輸出：AtomNF集合

2.2 SFC內的微服務單元合并策略

觀察SFC拆分所得的微服務單元，可以發現3個VNF拆分后均存在部分共有的微服務單元。經過分析可以發現，重復執行相同的微服務單元并不會對數據流帶來實際的改變，反而會增加所對應的映射節點的資源開銷及端到端時延，因此可以對這些多次出現的微服務單元進行分析及合并。合并可以有效地縮短服務功能鏈的總長度，以降低端到端時延。此外，減少微服務單元的重復執行可以相應地降低相關計算資源的開銷。

鑒于不同微服務單元對數據流的操作各有不同，參考MicroNF[16]的分類規則，SFC內的冗余微服務單元合并策略將微服務單元分為端點、區分、修改、重構、流量控制及靜態6類，AtomNF分類見表2。

為了保證合并后的新SFC所提供的服務與合并前保持一致，同時最大限度地降低端到端時延，微服務單元的合并需要遵守以下原則：

（1）數據包須經歷與原始服務功能鏈相同的處理步驟，但可減少部分冗余步驟的執行次數；

（2）每一個多次執行的微服務單元均需進行合并可能性分析，力求盡可能壓縮服務功能鏈的端到端長度；

表2 AtomNF分類

圖6 合并后的服務功能鏈

（3）與原始SFC相比，微服務單元在新SFC中的位置均可發生變化，但變化后不可使數據流發生改變。

合并后的服務功能鏈如圖6所示，僅需8個微服務單元便可實現原始SFC的相關功能，最大路徑長度為7，相較于原始SFC拆分后的路徑長度14降低了50%。微服務單元間的通信將采用網絡服務分組頭（network service header，NSH）進行數據的交互[17]，該方法可以有效地處理單一微服務單元，然后將其傳遞給多個微服務單元。

根據上述條件，SFC內的微服務單元合并算法流程如下。

算法2：SFC內的微服務單元合并算法、

輸入：AtomNF集合

輸出：服務圖

2.3 SFC間的微服務單元復用策略

在實際應用場景中，不同的SFCR內部往往包含相同的VNF，此外，從細粒度的角度進行觀察，可進一步發現不同的VNF內存在大量相同的邏輯處理部分。從單一SFC內部的角度進行觀察，相同邏輯處理部分可以通過合并的形式進行優化。若從多個SFC的角度進行觀察，單一SFC內重復邏輯部分的合并形式可轉化為復用的形式，以減少節點的激活，進一步降低服務功能鏈部署產生的網絡成本。

VNF或AtomNF實例的復用目前可通過多租戶技術實現，多租戶技術可以使得一個軟件實例為多個租戶提供相應服務[18-19]。相較于傳統不可復用的映射方案，在SFC映射過程中，通過一個可復用的微服務單元實例為多個SFCR提供服務，可以有效提高節點資源利用率。

為了實現后續請求的復用，首次到達的SFCR需通過改進的灰狼優化（grey wolf optimizer，GWO）算法確定最佳映射方案。后續SFCR將以此映射方案為基準，通過對應映射節點的資源狀況判斷復用的可能性。

后續到達的SFCR在完成前期的編排及拆分合并工作后，將自身的微服務單元集合與上一SFCR的微服務單元集合進行對比，重復出現的微服務單元即可復用的微服務單元，隨后進行相關微服務單元映射節點的復用能力判斷工作。判斷節點的剩余資源能否承載該SFC其余不可復用的微服務單元。若不能，則將相關微服務單元部署至資源足夠的鄰近節點中。當出現鄰近節點的可用資源均無法滿足相關需求時，對該SFC再次通過改進的灰狼優化算法進行映射方案的確定。

根據上述工作流程，SFC間的微服務單元復用算法流程如下。

算法3：SFC間的微服務單元復用算法

輸入：服務功能鏈請求

學術期刊的周期性、定時性和多目標等特點及相關主體眾多、編校質量受控和刊物內容多樣等特征，導致出版流程呈現出多、細、雜、亂的特點，且執行時間受限。以《船研所學報》的編輯出版工作為例，該期刊為季刊，其自由狀態下的事項梳理見圖3。

輸出：映射方案

2.4 映射算法設計

基于微服務架構的粒度可變服務功能鏈映射算法流程如下。首先與粗粒度單體 VNF映射方案確定流程一致，根據用戶請求的源節點和目的節點，通過最短路徑算法搜索可能的映射方案；然后通過基于典型VNF的快速拆分算法進行SFC的拆分，并得到相關微服務單元集合；最后執行SFC內的微服務單元合并操作，以得到端到端長度盡可能壓縮的新服務功能鏈。

用戶的SFCR往往是先后到達的，對于首個到來的SFCR，網絡中尚無已經部署的SFC，因此無法執行相關微服務單元的復用，故需利用改進的灰狼優化算法進行映射方案的確定。針對后續到來的SFCR，同樣通過拆分及合并得到細粒度的服務功能鏈后，根據SFC間的微服務單元復用策略進行映射方案的確定。

算法4：基于微服務架構的粒度可變服務功能鏈映射算法

輸入：網絡拓撲、服務功能鏈請求集合

輸出：映射方案

3 仿真與結果分析

為了驗證VG-SFCM算法的性能和有效性，本文將其與幾種基線算法進行比較，分別是OpenBox解耦（OpenBox decoupling，OBD）算法、隊列感知可靠嵌入（queue-aware reliable embedding，QARE）算法、基于動態規劃的成本優化算法（dynamic programming based cost optimization algorithm，DP-COA）以及SFC動態編排（SFC dynamic orchestration，SFCDO）算法，并采用服務功能鏈請求的平均端到端時延、請求接受率以及平均部署網絡成本作為評價指標。仿真使用MATLAB 2020b軟件在配置為AMD Ryzen 7 5800H CPU、16.0 GB RAM的計算機上完成。OBD算法利用OpenBox解耦的思想，將處理塊作為映射的最小單元，映射時基于貪婪策略進行節點的選擇[20]；QARE算法根據節點隊列信息對VNF進行部署[21]；DP-COA算法將VNF部署看成多階段決策過程[22]，并基于動態規劃的思想進行求解；SFCDO算法采用廣度優先搜索對SFC部署進行優化[23]。

3.1 仿真設計

為了便于進行仿真分析，本文采用典型物理網絡拓撲——國家科學基金會網絡（National Science Foundation Network，NSFNET）[24]，NSFNET拓撲如圖7所示。網絡拓撲中某個時間段內到達的SFCR數量從0增加至1 200。

圖7 NSFNET拓撲

仿真中產生的不同虛擬網絡功能預設為10種，并對其中的三層路由器、二層交換機、IP層防火墻、應用層防火墻、虛擬專用網設備、負載均衡及監視器共計6種VNF進行拆分方案的前置確定，而入侵檢測系統、入侵防御系統、深度報文檢測及虛擬專用網絡則仍保持粗粒度的單體VNF，以模擬實際情況中VNF未進行前置拆分的情況。各網絡功能的具體CPU資源開銷及內存資源開銷各不相同，需進行前期的設定，AtomNF級的微服務單元的CPU需求及內存需求均為1單位。

每條SFC的長度即拆分前的虛擬網絡功能數量，為4～6間的隨機整數，每個服務功能鏈中具體的VNF隨機產生于前期預設的10種VNF，由經過前置拆分方案確認的VNF及未經前置拆分方案確認的VNF構成。物理拓撲中網路節點間鏈路的傳輸時延設置為1 ms，排隊時延及處理時延通過式（6）和式（7）結合當前時刻的資源利用率進行計算。

3.2 性能指標

為了驗證NFV環境中VG-SFCM算法的可用性，本文使用以下3個性能指標作為仿真分析對象。

（3）服務功能鏈請求的平均部署網絡成本定義如式（21）所示。

3.3 仿真結果分析

式（18）～式（20）描述的各項性能指標均將SFCR數量作為自變量。不同算法的服務功能鏈請求的平均端到端時延如圖8所示，展示了部署映射方案后SFC的平均端到端時延隨SFCR數量變化的趨勢。通過觀察，可得VG-SFCM算法始終保持較低的平均端到端時延。這是因為該算法在確定映射方案前總會進行SFC的微服務化拆分及合并，減少了冗余微服務單元的執行，縮短了處理時間。隨著SFCR數量的增加，各算法的平均端到端時延均呈現上升趨勢，這種現象主要歸因于各節點的計算資源和節點間的鏈路帶寬資源不斷被消耗。

圖8 不同算法的服務功能鏈請求的平均端到端時延

表3 該拓撲的具體參數及仿真過程中所需的其他參數

不同算法的服務功能鏈請求接受率如圖9所示，展示了不同算法在相同SFCR數量下的請求接受率。由圖9可以得到，當服務功能鏈請求數量不斷增加時，各算法的請求接受率均呈下降趨勢，但VG-SFCM的性能優于其他算法。當請求數量超過1 000時，SFCDO算法的接受率開始直線下降。VG-SFCM算法的請求接受率最后比SFCDO算法高5%左右，比OBD算法高15%左右。這是因為VG-SFCM算法改變了最小的映射單元，有效避免了對比算法中物理節點剩余資源無法進行單體VNF的部署時產生資源碎片的情況。此外，通過微服務單元的合并及復用操作減少微服務單元的實例化，處理更多SFC，進一步提高了SFCR接受率。

圖9 不同算法的服務功能鏈請求接受率

圖10 不同服務功能鏈請求數量下的平均部署網絡成本

表4 算法性能對比

為了更加直觀地體現出VG-SFCM算法的優勢，對VG-SFCM和其他算法的整體性能進行總結，算法性能對比見表4。通過觀察可以看出，在同一實驗環境下，與其他算法相比，VG-SFCM算法確實有效降低了服務功能鏈的端到端時延，提高了服務功能鏈請求接受率并且減少了平均部署網絡成本。

4 結束語

本文研究了NFV環境中考慮時延優化和可變粒度的服務功能鏈映射問題，旨在最小化服務功能鏈的端到端時延，并降低映射及部署產生的平均部署網絡成本。針對這一優化目標，提出了基于微服務架構的粒度可變服務功能鏈映射算法，該算法首先對服務功能鏈進行快速拆分，并執行合并操作以減少不必要的微服務單元重復執行。隨后通過SFC間的微服務單元復用策略，減少后續到達的SFCR相關實例的映射及部署，提高節點資源利用率。仿真結果表明，該算法在保證用戶需求的情況下，有效降低了服務功能鏈的平均端到端時延，提高了請求接受率，減少了節點激活成本。但目前該算法對服務功能鏈的拆分均基于人工的邏輯分析及微服務化前置，無法實時地對未經相關前置操作的虛擬網絡功能進行微服務化。在后續的研究中，筆者將對該算法進行相關優化，設計對應的自動化微服務拆分算法，以滿足網絡狀態動態變化的特征。

[1] SCHARDONG F, NUNES I, SCHAEFFER-FILHO A. NFV resource allocation: a systematic review and taxonomy of VNF forwarding graph embedding[J]. Computer Networks, 2021, 185: 107726.

[2] 翟東, 孟相如, 康巧燕, 等. 面向時延與可靠性優化的服務功能鏈部署方法[J]. 電子與信息學報, 2020, 42(10): 2386-2393.

ZHAI D, MENG X R, KANG Q Y, et al. Service function chain deployment method for delay and reliability optimization[J]. Journal of Electronics ＆ Information Technology, 2020, 42(10): 2386-2393.

[3] REDDY V S, BAUMGARTNER A, BAUSCHERT T. Robust embedding of VNF/service chains with delay bounds[C]//Proceedings of 2016 IEEE Conference on Network Function Virtualization and Software Defined Networks. Piscataway: IEEE Press, 2016: 93-99.

[4] MEHRAGHDAM S, KELLER M, KARL H. Specifying and placing chains of virtual network functions[C]//Proceedings of 2014 IEEE 3rd International Conference on Cloud Networking (CloudNet). Piscataway: IEEE Press, 2014: 7-13.

[5] MECHTRI M, GHRIBI C, ZEGHLACHE D. A scalable algorithm for the placement of service function chains[J]. IEEE Transactions on Network and Service Management, 2016, 13(3): 533-546.

[6] QI D D, SHEN S B, WANG G H. Towards an efficient VNF placement in network function virtualization[J]. Computer Communications, 2019, 138: 81-89.

[7] 陳卓, 馮鋼, 劉怡靜, 等. MEC中基于改進遺傳模擬退火算法的虛擬網絡功能部署策略[J]. 通信學報, 2020, 41(4): 70-80.

CHEN Z, FENG G, LIU Y J, et al. Virtual network function deployment strategy based on improved genetic simulated annealing algorithm in MEC[J]. Journal on Communications, 2020, 41(4): 70-80.

[8] 孫士清, 彭建華, 游偉, 等. 5G網絡下資源感知的服務功能鏈協同構建和映射算法[J]. 西安交通大學學報, 2020, 54(8): 140-148.

SUN S Q, PENG J H, YOU W, et al. A coordinating composition and mapping algorithm for a service function chain with resource-aware[J]. Journal of Xi’an Jiaotong University, 2020, 54(8): 140-148.

[9] YALA L, FRANGOUDIS P A, KSENTINI A. Latency and availability driven VNF placement in a MEC-NFV environment[C]//Proceedings of 2018 IEEE Global Communications Conference. Piscataway: IEEE Press, 2018: 1-7.

[10] 唐倫, 曹睿, 廖皓, 等. 基于深度強化學習的服務功能鏈可靠部署算法[J]. 電子與信息學報, 2020, 42(12): 2931-2938.

TANG L, CAO R, LIAO H, et al. Reliable deployment algorithm of service function chain based on deep reinforcement learning[J]. Journal of Electronics ＆ Information Technology, 2020, 42(12): 2931-2938.

[11] LI J L, SHI W S, ZHANG N, et al. Reinforcement learning based VNF scheduling with end-to-end delay guarantee[C]// Proceedings of 2019 IEEE/CIC International Conference on Communications in China (ICCC). Piscataway: IEEE Press, 2019: 572-577.

[12] 馮志勇, 徐硯偉, 薛霄, 等. 微服務技術發展的現狀與展望[J]. 計算機研究與發展, 2020, 57(5): 1103-1122.

FENG Z Y, XU Y W, XUE X, et al. Review on the development of microservice architecture[J]. Journal of Computer Research and Development, 2020, 57(5): 1103-1122.

[13] BREMLER-BARR A, HARCHOL Y, HAY D. OpenBox: a software-defined framework for developing, deploying, and managing network functions[C]//Proceedings of the 2016 ACM SIGCOMM Conference. New York: ACM Press, 2016: 511-524.

[14] CHOWDHURY S R, SALAHUDDIN M A, LIMAM N, et al. Re-architecting NFV ecosystem with microservices: state of the art and research challenges[J]. IEEE Network, 2019, 33(3): 168-176.

[15] DWARAKI A, WOLF T. Adaptive service-chain routing for virtual network functions in software-defined networks[C]//Proceedings of the 2016 workshop on Hot Topics in Middleboxes and Network Function Virtualization. New York: ACM Press, 2016: 32-37.

[16] MENG Z L, BI J, WANG H P, et al. MicroNF: an efficient framework for enabling modularized service chains in NFV[J]. IEEE Journal on Selected Areas in Communications, 2019, 37(8): 1851-1865.

[17] NEKOVEE M, SHARMA S, UNIYAL N, et al. Towards AI-enabled microservice architecture for network function virtualization[C]//Proceedings of 2020 IEEE Eighth International Conference on Communications and Networking (ComNet). Piscataway: IEEE Press, 2020: 1-8.

[18] MA H J, ZHANG J Y, WANG Z X. Implementation of multi-tenancy adaptive cache admission model[J]. Journal of Physics: Conference Series, 2021, 2026(1): 012045.

[19] LEIVADEAS A, FALKNER M. VNF placement problem: a multi-tenant intent-based networking approach[C]//Proceedings of 2021 24th Conference on Innovation in Clouds, Internet and Networks and Workshops (ICIN). Piscataway: IEEE Press, 2021: 143-150.

[20] LI D F, HONG P L, XUE K P, et al. Virtual network function placement considering resource optimization and SFC requests in cloud datacenter[J]. IEEE Transactions on Parallel and Distributed Systems, 2018, 29(7): 1664-1677.

[21] TANG L, ZHAO G F, WANG C M, et al. Queue-aware reliable embedding algorithm for 5G network slicing[J]. Computer Networks, 2018, 146: 138-150.

[22] 劉昀. 虛擬網絡功能資源分配與服務功能鏈路由研究[D]. 合肥: 中國科學技術大學, 2020.

LIU Y. Virtual network function resource allocation and service function chain routing[D]. Hefei: University of Science and Technology of China, 2020.

[23] SUN G, XU Z, YU H F, et al. Low-latency and resource-efficient service function chaining orchestration in network function virtualization[J]. IEEE Internet of Things Journal, 2020, 7(7): 5760-5772.

[24] STRAWN G. Masterminds of the NSFnet: jennings, wolff, and van houweling[J]. IT Professional, 2021, 23(6): 67-69.

Variable granularity service function chain mapping algorithm based on microservice architecture

WU Xiaochun, HONG Chen, ZHANG Yue, ZHANG Junnan, ZHOU Jingjing

School of Information and Electronic Engineering, Zhejiang Gongshang University, Hangzhou 310018, China

For the problem that the end-to-end delay of the service function chain (SFC) cannot meet the demand of delay-sensitive applications in 5G environment, a variable granularity service function chain mapping (VG-SFCM) algorithm based on microservice architecture was proposed by splitting the traditional virtualized network function (VNF) into mapping units of varying granularity. Firstly, the traditional coarse-grained VNF was decoupled into fine-grained microservice units, and then the instantiation of microservice units was reduced through the consolidation of redundant microservice units within SFC and the reuse of microservice units between SFC, thus reducing the processing time of SFC. The simulation results show that the algorithm reduces the end-to-end delay of SFC by 14.81% compared to the traditional mapping algorithm while reducing the average deployment network cost.

network function virtualization, microservice architecture, service function chain, delay

TN915，TP393

A

10.11959/j.issn.1000–0801.2022289

2022-06-09；

2022-11-14

洪晨，2281026509@qq.com

浙江省自然科學基金資助項目（No. LY19F020002，No. Y19F020031），浙江省新型網絡標準與應用技術重點實驗室項目（No. 2013E10012）

吳曉春（1983-），女，博士，浙江工商大學信息與電子工程學院高級實驗師、碩士生導師，主要研究方向為新一代網絡技術架構、軟件定義網絡、網絡功能虛擬化、人工智能與網絡安全的結合等。

洪晨（1998-），女，浙江工商大學信息與電子工程學院碩士生，主要研究方向為知識圖譜、新一代網絡技術架構。

張岳（1998-），女，浙江工商大學信息與電子工程學院碩士生，主要研究方向為知識圖譜、新一代網絡技術架構。

張俊楠（1997-），男，浙江工商大學信息與電子工程學院碩士生，主要研究方向為新一代網絡技術架構。

周靜靜（1980-），女，博士，浙江工商大學信息與電子工程學院副教授、碩士生導師，主要研究方向為新一代網絡技術架構、軟件定義網絡、網絡流量建模與分析、大數據處理、深度學習等。

s: The Zhejiang Province Natural Science Foundation (No. LY19F020002, No. Y19F020031), Zhejiang Provincial Key Laboratory of New Network Standards and Application Technology (No. 2013E10012)