联合遗传算法和强化学习的虚拟网络功能映射与调度方法

网络功能虚拟化环境下,为满足用户不同需求并提高资源利用效率,将虚拟网络功能映射与调度联合考虑。首先,通过构建网络低时延、虚拟机资源高利用及能量低损耗的多目标优化模型,设计了一种强化学习(RL)联合第三代非支配排序遗传算法(NSGAⅢ)的优化方法RL-NSGAⅢ;然后,采用两段式初始化技术求得高质量初始解,利用强化学习的优势自适应调节交叉变异参数,以保持种群多样性;最后,基于参考点的第三代非支配排序遗传算法,将虚拟网络功能映射至虚拟机并进行调度服务,得到多目标优化策略。仿真结果表明:相较于已有的NSGAⅢ、NSGAⅡ和MOPSO算法,采用RL-NSGAⅢ算法计算得到的时延降低了17%~28%,节点负荷提高了9%~19%,能量损耗降低了12%~26%,表明所提算法在提高网络速率和降低网络运营支出上的有效性。

一种低时延虚拟网络功能映射及调度优化算法

针对传统虚拟网络功能映射及调度服务时间长、不稳定的问题,提出了一种新的虚拟网络功能映射及调度优化算法。以虚拟网络功能链路传输时延与实例化时延整体最小化为目标,建立虚拟网络功能映射及调度模型,通过设计一种低时延映射及调度算法(GABL),根据虚拟网络功能与虚拟机之间的映射集合,优化虚拟网络功能映射节点的选择问题及调度顺序问题,求解出最短时间的网络功能虚拟化映射及调度方案。GABL算法采用两段式初始化技术,将虚拟网络功能和虚拟机分别进行初始化,提高初始解的质量;利用具有锦标赛策略的人工蜂群算法对问题进行求解,保留优秀基因与种群多样性,避免陷入局部最优;采用局部搜索算法在可行解附近进行寻优,加快求最优解的速度。仿真实验结果表明:GABL算法具有稳定性强、收敛性快等特点,能够有效降低虚拟网络功能映射及调度服务时间;与GATS算法相比,GABL算法的服务完成时间减少了15%。