论文部分内容阅读
随着云计算、大数据、“互联网+”等一系列以物联网为核心的新技术与新业务的发展和普及,数据资源在网络信息技术方面需要更加稳定、高效、灵活地管理算法。于是针对SDN/NFV网络架构下的资源调度研究应运而生。它主要在利用虚拟化技术搭建的基础设施虚拟化环境中,利用SDN/NFV技术,同时结合强大的机器学习工具,根据收集到的数据信息设计资源调度算法。在此领域中主要存在两方面问题,一方面是在虚拟化基础设施层面,由于工作负载不同导致虚拟机资源分配不合理,引起资源浪费和资源竞争,导致系统性能下降和干扰因素上升。另一方面是在虚拟化网络功能请求层面,对不同的服务功能链请求进行合理地调度,从而最大限度地优化网络功能和资源配置,增加资源调度的可编程性与自动化性。针对这两方面的问题,本文进行如下内容研究:(1)针对虚拟化基础设施资的调度问题,为减少资源浪费及资源竞争导致的干扰问题,本文使用基于工作负载分类的能耗和干扰感知的虚拟机调度算法。即利用了机器学习模型的预测能力,针对虚拟机的工作负载进行分类,最终达到更为优化的整合方案。本文通过使用来自Microsoft Azure的工作负载数据,利用人工神经网络(Artificial Neural Networks,ANN)的预测能力对虚拟机的工作负载进行分类,引入一种能耗和干扰感知的VM调度算法(Classification based Energy and Interference Aware Algorithm,CEIAA)来解决这个问题。该算法在相对较大程度上提升了系统能效,减少了服务等级约定违约(Service Level Agreement Violation,SLAV)情况的发生。(2)针对虚拟化网络环境中服务功能链的调度问题,本文将其对应表述为0-1整数规划(Binary Integer Programming,BIP)的服务功能链调度模型。结合深度强化学习(Deep Reinforcement Learning,DRL)算法,我们提出了一种基于DDQN模型的SFC调度算法(Double Deep Q Network Service Function Chain Scheduling Algorithm,DDQN-SFCSA)对高维解空间进行优化,得到较小的解空间并确定最优解,并基于阈值的策略进行虚拟网络功能(VNF)的放置与释放。本文通过使用谷歌集群的真实数据(Google Cluster-trace Data)进行仿真实验,表明该算法在服务功能链请求的拒绝数和拒绝率、吞吐量、端到端延迟、VNF实例运行时间和负载均衡方面可以提高网络性能。