基于虚拟化技术的5G核心网资源配置算法

姜洪超

（中国移动通信集团河北有限公司，河北 石家庄 050035）

0 引言

5G 核心网资源分配其实就是将各种虚拟的服务功能链SFC 解耦成多个虚拟网络功能VNF 后，将其映射到满足物理条件的虚拟化的基础设备上，通过对虚拟网络功能的编排和调度，实现物理资源的最佳配置，以提高网络系统的负载均衡和网络资源的利用率[1]。虚拟化技术增强了网络的灵活性和可扩展性，通过设计不同的资源分配方案有效满足5G 服务差异化需求，在很大程度上提升网络资源的利用率，因此得到很多学者的青睐。相关的研究包括：Kamel 等人[2]基于公平理论选择切片资源，并将切片中具有最佳信道响应的物理资源分配给用户；Caballero 等人[3]基于共享约束比例分配机制，以用户共享级别为准则分配资源量，并通过用户自身分配影响其他用户的分配比例，从而使得自身分配达到最大化；Hu 等人[4]采用轮询的方法将资源分配给切片，结合业务中所需要目标速率和切片的平均速率来调节切片的资源数量；Jiang 等人[5]提出一种基于拍卖博弈的切片资源分配方法，将无线带宽、计算资源和存储资源作为切片分配的影响因素，以用户需求作为价格计算，最后采用竞争的方式实现资源分配。

上述学者大多数采用线性规划、非线性规划或者博弈的方式构建资源分配模型，实现单目标资源分配的优化，很少采用多目标的方法进行切片资源分配。除此之外，上述的算法很少考虑到策略的落地，也就是在用户提出资源请求的过程中，采用贪婪的方式来获得最优解是不现实的。鉴于此，本文提出一种基于虚拟化技术的5G 核心网资源分配算法，该方法对系统负载均衡和系统利用率两个目标进行折中优化；根据业务需求约束项（节点的可靠性和节点之间链路可靠性）筛选候选服务器集；然后采用改进粒子群算法快速实现服务器资源的映射，实现全局学习的最优。

1 基于虚拟化技术的5G核心网资源分配方案

1.1 网络环境描述

在5G 核心网中，利用NFV（网络功能虚拟化）技术将网络功能实现软硬件解耦，用户的业务请求将会抽象成多个NFVs，然后基于抽象出来的NFVs 与底层的服务器进行映射，最终实现资源的分配。基于服务化网络架构的核心网资源映射过程如图1 所示。

基于SDN 和NFV 服务网络架构有效应对每个场景对于时延、可靠性和功耗的需求，对网络资功能进行构建、组合和调整，从而定制不同的网络切片。而虚拟网络功能（VNFs,Virtual Network Features）和物理层网络资源都包含在切片中，然后结合用户需求定制不同虚拟功能组合，并调用相关的接口申请底层物理网络资源实现虚拟网络功能的实例化和编排，最终形成服务功能链的部署。图1 展现了网络功能的实例化和编排后，实现服务功能链的部署过程。每一个切片请求对应一条服务功能链，7个VNF 组成某一条服务功能链，然后将功能链中所对应的VNF 实例化到低层物理网络资源中，在满足用户QoS需求下，实现资源配置的高效部署。

图1 基于服务化网络架构的核心网资源映射过程

1.2 虚拟网络功能部署思路

虚拟网络功能部署一般分为两个阶段：VNF 部署和链路映射。在VNF 部署阶段主要对收集的SFC 按照一定的原则（业务优先级别、时延、速率等）进行排序并将其部署到底层物理服务器节点中；在链路映射阶段是实现VNF 与底层服务器的链路映射。本文仅对VNF 部署过程进行详细解释。

VNF 部署阶段不仅将VNF 部署到底层服务服务节点上，还需要选择合适的调度策略，以便提高网络资源利用率。SCF 多目标优化调度策略通常采用Max-Min 和Min-Min 算法将资源需求部署到对应等级的节点上，本文把负载不均衡度和系统利用率考虑在内，在最小化负载不均衡度的基础上最大化系统利用率。在资源部署前，本文将节点可靠性和链路可靠性纳入到候选服务器节点选取的考虑因素，如此，在用户服务请求时结合用户QoS 需求快速筛选满足节点可靠性和链路可靠性的服务器节点，缩小系统服务器的选择范围，增加虚拟网络功能映射成功的可能性。为了快速实现调度策略的选取，提出一种基于改进离散粒子群的底层物理资源选取策略，通过迭代快速搜索全局最优解，提升算法的收敛性。流程如图2 所示。

图2 流程图

1.3 资源配置的目标

假设5G核心网中服务器的集合为A。A={pmi|0 ≤i≤n}，其中i表示5G 核心网中可用服务器的数量。服务器的资源（CPU、内存、带宽等）集合为B。B={pmir|0 ≤r≤m}，其中r表示服务器资源的种类。

由于5G 网络时动态变化的，假设当前时刻已经被分配的资源为总的资源总量为那么服务器i在资源r上的平均利用率为：

那么整个系统的资源平均利用率可表示为：

基于物理服务器的资源平均利用率，找出整个系统的负载不均衡度μ为：

那么，双目标优化适应度公式可以表示为：

其中μ为系统的负载不均衡度，该问题是一个NP-Hard问题，需要对负载均衡和利用率之间进行均衡。为了降低计算复杂度，本文将基于虚拟网络功能QoS 的最低要求选取满足需求的服务器候选集，然后，在获取候选服务器集的基础上采用改进离散粒子群实现底层物理资源的快速搜索。

1.4 基于节点和链路可用性的候选服务器选取

假设服务器的可用性其实就是衡量服务器的剩余资源平均可用性。已知服务器i在资源r上的平均利用率为那么在资源r的平均可用性表示为

链路可用性可用链路失效率表示。由于链路的时效性满足指数分布，也就是节点i到达下一个物理节点j的传输时间tij内，链路的失效率可用表示为：

多个虚拟网络功能的最低资源需求可以简化为节点可靠性和链路可靠性。为了获取可用的候选服务器集合，结合节点可靠性和链路可靠性需求遍历系统中所有的服务器节点，筛选满足最低资源要求的服务器节点。筛选的规则可表示为：

公式(8) 的第一部分是指服务器某一种资源的可用性大于虚拟网络功能对某一种资源的最低需求。这里的资源一般包含CPU、内存以及带宽。通过对CPU、内存以及带宽进行一一比较，筛选出满足要求的服务器节点；第二部分是指5G 核心网内连接服务器之间的链路可用性要大于虚拟网络功能之间数据传输最低需求，如此才能保证选取服务器节点在处理完数据之后，顺利地传到下一个服务器节点中。

1.5 基于改进离散粒子群算法的核心网资源搜索

基于上一步获得了候选服务器集合，采用改进离散粒子群算法结合用户业务需求来实现资源配置方案的搜索。

改进离散粒子群算法不仅需要加快粒子搜索的速度，还要避免粒子陷入局部优化。因此，通过对自我学习因子和全局学习因子进行改进，随着算法的搜索的推进，自我学习因子逐渐变大，全局学习因子逐渐变小，如此，在搜索初期不仅能够提升粒子的全局搜索能力，避免算法早熟过早收敛的问题，也能在搜索后期提高算法的收敛能力，提升搜索速度。本文将改进离散粒子群算法运用到核心资源搜索中。

假设现在有一个用户请求，系统该用户请求抽象出来D个虚拟网络功能，那么，我们将D个虚拟网络功能最终搜索方案用粒子i的位置xi=(xi1,xi2,…,xiD) 来表示。其中，xiD表示第D个VFN 放置在编号为xiD的服务器中。vi=(vi1,vi2,…,viD) 代表粒子速度。那么该问题就可以归结为离散二进制粒子群算法，粒子的更新速度表示为：

其中c1表示一个自我学习因子，取值在0～1 之间，通常取常数；c2表示一个全局学习因子，取值在0～1 之间，通常取常数；w是一个惯性系数，c1、c2、w通常设置为常数。在粒子搜索初期，粒子由于缺乏与其他粒子交互的信息，自我学习因子越大越好，全局学习因子越小越好，如此才能使粒子尽量发散到搜索空间，增加全局搜索的能力，避免算法早熟收敛问题。随着迭代次数的增加，粒子之间的交互信息越来越充分，全局学习因子越大越好，自我学习因子越小越好，如此更好地引导粒子进行局部优化搜索，提高算法的收敛能力。基于上述的想法，本文采用始终时间衰减系数的思想来修正自我学习因子和全局学习因子。

其中n表示总的迭代次数，t表示算法的迭代次数，cmax是学习因子上限值，cmin是学习因子下限值。公式(10) 考虑学习因子的自适应问题，满足算法迭代过程中学习因子的自我调整，形成初期依赖自我学习的经验，后期依赖全局学习的经验的自适应学习规则，避免算法陷入局部优化的局面。

由于位置是一个离散变量，那么采用sigmoid 函数将速度进行转换，将其映射到0～1 之间。

式(12) 表示粒子对位置所对应取值0/1 的可行解。

基于上述改进离散粒子算法，以公式(4)即适应度公式的最大值作为全局最优解，基于当前最大的迭代次数找到一组可行解xi=(xi1,xi2,…,xiD)满足最大利用率和最小负载不均衡率，实现虚拟网络功能到服务器节点的映射。

2 实验分析

本文仿真平台是基于16 个服务器节点搭建的服务器集群，每个服务器的CPU 频率为3.6 GHz，内存为128 G，硬盘大小为2 T。基于虚拟化技术的5G 核心网资源配置算法的性能仿真参照文献[6]-[9]，利用Matlab 工具验证算法的性能，相关的仿真参数如表1 所示。

表1 核心网资源配置仿真实验的参数设置

仿真时间一共持续6 周，其中粒子群参数学习周期为500 周期，测试周期为200 周期。较长的学习时间能够更好地调整参数，包括学习因子的上限值、学习因子的下限值以及时间衰减系数。在学习期间，通过不断更新参数得到一个最佳的参数值，在测试阶段则采用确定的参数值和样本值来验证算法的扩展性。图3 显示当γ=0.6 时，在学习周期和测试周期内样本fmax(Uavg,u) 的真实值和改进离散粒子群拟合值之间的关系。如图3 所示，周期迭代到500 次以后测试阶段的样本真实值与适应函数值基本重合。

从图3 可知，样本的适应性函数经过多次迭代，在490 次迭代之后达到稳定，适应性函数值收敛到0.889。在后面的近200 次测试中，适应性函数值一直保持稳定的状态，算法收敛。

图3 学习周期和测试周期适应性函数值与样本真实值比较

为了验证本文算法的可用性，本文将随机资源分配算法与本文算法在不同服务功能链内存资源总量的分配条件下服务用户数量的区别。

图4 是服务功能链内存资源总量在4G、8G、12G、16G、20G、24G 时的用户服务数量比较。随着服务功能链内存资源总量的增加，服务用户数量差距逐渐增加。这是因为随着资源分配量的增加，本文算法在设备资源分配上选取了全局最优的方法，能够有效协同服务器设备之间的资源，因此比随机资源分配算法的方案更加合理。

图4 不同服务功能链内存资源总量的分配条件下服务用户数量比较

3 结束语

本文研究如何在服务质量和负载均衡前提下，有效提升资源利用率的问题，提出了以负载不均衡度最小和系统利用率最大为核心网资源分配算法的目标，通过改进离散粒子群算法实现虚拟网络功能到服务器节点的快速映射，以适应实时动态变化的服务器负载和用户服务多变的功能需求。实验表明，在服务功能链内存资源总量较大的情况下，该方法能够有效增加服务用户的数量，提高系统性能。