陳強(qiáng)，劉彩霞，李凌書

?

基于粒子群優(yōu)化算法的5G網(wǎng)絡(luò)切片功能遷移機(jī)制

陳強(qiáng)1,2，劉彩霞1,2，李凌書1,2

（1. 國家數(shù)字交換系統(tǒng)工程技術(shù)研究中心，河南 鄭州 450002；2. 移動互聯(lián)網(wǎng)安全技術(shù)國家工程實驗室，北京 100876）

在5G的多應(yīng)用場景中，數(shù)據(jù)流量經(jīng)常出現(xiàn)劇增的情況，網(wǎng)絡(luò)切片中虛擬機(jī)資源可能無法滿足用戶正常需求。鑒于此，提出了一種以負(fù)載均衡為目標(biāo)的網(wǎng)絡(luò)切片功能遷移機(jī)制。該機(jī)制基于粒子群優(yōu)化算法，將虛擬機(jī)模擬成粒子，每次遷移過程中，將所有的粒子分成若干個子群，在群內(nèi)和群間同時應(yīng)用粒子群優(yōu)化算法，參照歷史最優(yōu)解和當(dāng)前全局最優(yōu)解更新粒子位置，通過選取標(biāo)記因子較小的粒子實時比較合適度等參數(shù)確定最佳目標(biāo)粒子，完成遷移過程，該機(jī)制既提高了收斂速度，又提高了算法精度。通過與其他遷移方法比較，結(jié)果表明，所提遷移機(jī)制具有精度高、收斂快的優(yōu)點，并能提升資源的使用效率，降低了數(shù)據(jù)中心的能耗，具有較好的自適應(yīng)性。

功能遷移；粒子群算法；網(wǎng)絡(luò)切片；5G

1 引言

隨著移動通信技術(shù)的快速發(fā)展，傳統(tǒng)單一的網(wǎng)絡(luò)模式已經(jīng)無法滿足用戶的需求，差異化服務(wù)的需求日益提升。移動用戶業(yè)務(wù)的多樣性和對時延、速率的高要求，給現(xiàn)有的網(wǎng)絡(luò)帶來了巨大挑戰(zhàn)。5G移動通信技術(shù)因為低時延、高可靠和大規(guī)模機(jī)器通信等特色業(yè)務(wù)的存在，提出了網(wǎng)絡(luò)切片的概念，按需求將服務(wù)提供給對應(yīng)的用戶[1]。網(wǎng)絡(luò)切片作為5G的關(guān)鍵技術(shù)之一，可以按用戶需求靈活地提供一種或多種網(wǎng)絡(luò)服務(wù)，每個切片都可以獨立地按照業(yè)務(wù)場景的需求和話務(wù)模型進(jìn)行網(wǎng)絡(luò)功能的定制裁剪和相應(yīng)網(wǎng)絡(luò)資源的編排管理，提高網(wǎng)絡(luò)服務(wù)的靈活性和資源利用率，增強(qiáng)整體網(wǎng)絡(luò)的健壯性和可靠性[2]。但隨著用戶及各種類型應(yīng)用數(shù)量的增加，會出現(xiàn)各個虛擬機(jī)互相連接、共同處理同一項任務(wù)的情況，服務(wù)器虛擬機(jī)的承載壓力會不斷增大，可能出現(xiàn)無法滿足網(wǎng)絡(luò)切片相應(yīng)功能需求的情況，用戶的服務(wù)出現(xiàn)中斷，直接影響用戶的體驗質(zhì)量，也大大降低資源利用率，這與5G移動通信技術(shù)開始時的設(shè)計理念背道而馳。現(xiàn)行的虛擬機(jī)遷移技術(shù)主要是將多個虛擬機(jī)共同遷移到同一服務(wù)器上，通過共享服務(wù)器的計算、網(wǎng)絡(luò)等物理資源提高服務(wù)器的利用率，但是虛擬機(jī)的處理性能必然會受到該服務(wù)器上其他虛擬機(jī)的影響，當(dāng)虛擬機(jī)無法滿足當(dāng)前的服務(wù)需求時，為了保證服務(wù)的正常進(jìn)行，將當(dāng)前的服務(wù)任務(wù)遷移到其他虛擬機(jī)上是十分必要的，這樣可以大大提高系統(tǒng)整體性能。通常不同類型的服務(wù)其資源需求具有很大的差別，并且由于處理任務(wù)的多樣性，應(yīng)用的負(fù)載也呈現(xiàn)出高度的動態(tài)性，對物理資源的需求也具有高度的彈性[3]。而且在實際的場景中，用戶所需要的服務(wù)請求存在周期性變化的特點，經(jīng)常隨著用戶特定的行為習(xí)慣或特定的事件出現(xiàn)服務(wù)請求的高峰期，這對單一資源評判標(biāo)準(zhǔn)和被動的響應(yīng)觸發(fā)機(jī)制帶來了極大的挑戰(zhàn)，使系統(tǒng)無法很好地保證服務(wù)質(zhì)量，大大影響用戶的服務(wù)體驗。所以在5G這種數(shù)據(jù)流量組成十分復(fù)雜的情況下，如何更好地滿足用戶的服務(wù)需求，如何在用戶數(shù)據(jù)流量突增的情況下依舊保證正常的服務(wù)進(jìn)行，是目前亟待解決的一個關(guān)鍵問題[4]。

頻繁的虛擬機(jī)遷移會產(chǎn)生大量的遷移流量，從而造成網(wǎng)絡(luò)運維成本增加，當(dāng)同一服務(wù)器上的虛擬機(jī)資源需求無法得到滿足時，部分虛擬機(jī)就需要被遷移到其他服務(wù)器上。一般情況下，要保持服務(wù)質(zhì)量最大，一般的方法是預(yù)留一定的資源以防流量突然遞增出現(xiàn)資源不足，但這種方法會直接導(dǎo)致系統(tǒng)的資源利用率下降，所以在不采用這種預(yù)留資源方法的情況下，滿足用戶服務(wù)質(zhì)量的最好辦法是進(jìn)行功能遷移以保證相應(yīng)功能的正常實現(xiàn)。文獻(xiàn)[5]提出了一種基于服務(wù)質(zhì)量的虛擬機(jī)遷移機(jī)制，當(dāng)虛擬機(jī)的服務(wù)質(zhì)量下降并超過某一門限值時會觸發(fā)虛擬機(jī)遷移，將虛擬機(jī)遷移到負(fù)載低的服務(wù)器，以保證其服務(wù)質(zhì)量，該方法也是保持虛擬機(jī)性能和提高服務(wù)可用性的有效方法，但方法設(shè)計比較粗糙。文獻(xiàn)[6]提出的機(jī)制是用于監(jiān)控主機(jī)資源的使用情況，一旦發(fā)現(xiàn)某臺主機(jī)資源的使用超過了之前設(shè)定的閾值或某些用戶服務(wù)等級協(xié)議（SLA）受到威脅，系統(tǒng)則進(jìn)行虛擬機(jī)遷移，將主機(jī)中的某臺虛擬機(jī)遷移到另一臺主機(jī)中。這種方法和基于服務(wù)質(zhì)量的虛擬機(jī)遷移機(jī)制類似。文獻(xiàn)[7]提出了一種基于最大資源需求優(yōu)先的虛擬機(jī)遷移算法，即資源需求大的虛擬機(jī)首先被遷移。相反，文獻(xiàn)[8]則提出了一種最小資源需求的虛擬機(jī)優(yōu)先遷移的方法，認(rèn)為將資源需求量大的虛擬機(jī)遷移到其他服務(wù)器上，需要有比較多的剩余資源，這可能導(dǎo)致需要開啟新的服務(wù)器來滿足遷移要求，從而導(dǎo)致功耗增多。

本文主要借助負(fù)載均衡的思想，根據(jù)當(dāng)前的負(fù)載情況將虛擬機(jī)的資源進(jìn)行重新分配，使資源得到合理利用，以實現(xiàn)數(shù)據(jù)中心整體范圍內(nèi)的負(fù)載均衡，獲得最佳的資源利用率[9]。結(jié)合粒子群優(yōu)化算法，盡可能同時滿足服務(wù)質(zhì)量和資源利用率最佳，引入標(biāo)記列表和合適度的概念，使源虛擬機(jī)快速搜索到最佳目標(biāo)虛擬機(jī)，縮短收斂時間，減少系統(tǒng)資源開銷。

2 虛擬機(jī)的功能遷移模型

2.1 功能遷移主要設(shè)計的4種策略

服務(wù)器中虛擬機(jī)的虛擬資源特征主要包括CPU、內(nèi)存、網(wǎng)絡(luò)帶寬等。而在實際環(huán)境中，需要考慮的資源不只是列舉的這幾種，所以遷移問題變得十分復(fù)雜，因此虛擬機(jī)中的功能遷移變成一個NP-Hard組合優(yōu)化的問題[10]。虛擬機(jī)功能遷移主要考慮以下3個問題：一是哪些虛擬機(jī)需要功能遷移；二是哪些虛擬機(jī)適合作為目標(biāo)虛擬機(jī)承載源虛擬機(jī)的服務(wù)功能；三是遷移時機(jī)的選擇。所以，設(shè)計一個改進(jìn)的遷移模型至關(guān)重要，這里首先說明整個模型中的4種關(guān)鍵策略。

1) 監(jiān)控負(fù)載策略：主要是對整個主機(jī)內(nèi)負(fù)載指標(biāo)的實時監(jiān)測，根據(jù)監(jiān)測到的負(fù)載信息，計算系統(tǒng)的負(fù)載情況。如果有虛擬機(jī)的負(fù)載情況超過設(shè)定閾值，立刻將信息傳遞給觸發(fā)策略進(jìn)行觸發(fā)。

2) 動態(tài)觸發(fā)策略：該策略主要決定何時虛擬機(jī)能夠進(jìn)行遷移，如果滿足觸發(fā)要求則立即進(jìn)行觸發(fā)遷移。現(xiàn)在的虛擬機(jī)遷移策略一般都設(shè)定了閾值，一旦超過閾值則虛擬機(jī)立即觸發(fā)遷移。

3) 計算選擇策略：選擇合適的目標(biāo)虛擬機(jī)進(jìn)行遷移，主要是計算負(fù)載不均衡度等衡量指標(biāo)，減少虛擬機(jī)遷移帶來的系統(tǒng)開銷，同時也提高了遷移速度。

4) 遷移策略：主要將源虛擬機(jī)的IP地址與目標(biāo)虛擬機(jī)的MAC地址綁定，同時源虛擬機(jī)也向目標(biāo)虛擬機(jī)發(fā)送一個ARP重定向包進(jìn)行綁定，完成后將封裝好的數(shù)據(jù)分組直接發(fā)送到目標(biāo)虛擬機(jī)，完成整個遷移過程[11]。遷移完成以后，源服務(wù)器中的虛擬機(jī)被刪除，虛擬機(jī)所有的網(wǎng)絡(luò)通信直接通過目標(biāo)虛擬機(jī)實現(xiàn)，目標(biāo)虛擬機(jī)保持源虛擬機(jī)遷移之前的所有狀態(tài)，接收新來的信息或者任務(wù)。

2.2 集中式虛擬機(jī)功能遷移模型

集中式虛擬機(jī)功能遷移模型主要分為2個部分：位于中央管理服務(wù)器上的中央控制部分和位于各個主機(jī)上的本地遷移部分。其中，中央控制部分主要是從整體上收集各個服務(wù)器中虛擬機(jī)的資源使用情況，根據(jù)相應(yīng)的策略，實現(xiàn)對本地遷移部分的控制，以達(dá)到數(shù)據(jù)中心整體范圍內(nèi)的負(fù)載均衡。本地遷移部分主要負(fù)責(zé)將源虛擬機(jī)中的資源、算法等一起經(jīng)過中央管理服務(wù)器控制遷移到目標(biāo)服務(wù)器上。但由于中央控制部分負(fù)責(zé)整個數(shù)據(jù)中心范圍內(nèi)服務(wù)器上虛擬機(jī)的遷移，一旦中央控制部分失效，則整個數(shù)據(jù)中心會造成負(fù)載失衡，而且集中式功能遷移模型的中央控制部分需要實時控制管理所有主機(jī)的資源使用情況，極易造成資源瓶頸[12]。這種模型的優(yōu)點是結(jié)構(gòu)簡單，便于管理，資源開銷比較小。單一地考慮某一種資源時，虛擬機(jī)功能遷移模型可以使用這種模型。圖1為集中式虛擬機(jī)功能遷移模型。

圖1 集中式虛擬機(jī)功能遷移模型

2.3 分布式虛擬機(jī)功能遷移模型

分布式遷移模型特點是每個主機(jī)中的虛擬機(jī)都有遷移代理可以自行監(jiān)控其資源的使用情況，一旦超過設(shè)定的閾值，系統(tǒng)會發(fā)起虛擬機(jī)遷移。整個模型省略了中央控制部分，將中央控制部分的功能都移到每個主機(jī)中，每個虛擬機(jī)可以自行發(fā)起遷移，具備遷移的一切條件，包括遷移監(jiān)控器、遷移控制器、算法池等模塊。分布式模型可以增加系統(tǒng)的可靠性和健壯性，克服集中式模型中單點故障造成的負(fù)載失衡的缺陷，但是大大增加了資源開銷[13]，不便于統(tǒng)一管理，而且一般都使用比較簡單的算法，存在比較大的改進(jìn)空間。圖2為分布式虛擬機(jī)功能遷移模型。

圖2 分布式虛擬機(jī)功能遷移模型

3 粒子群優(yōu)化算法

相比目前較為流行的蟻群算法、貪婪算法等，粒子群優(yōu)化算法由于具有收斂快、頑健性強(qiáng)、計算簡單等優(yōu)點，在求解較為復(fù)雜的問題時顯示出較好的優(yōu)越性。由于貪婪算法沒有考慮到物理主機(jī)和虛擬機(jī)的差異性；蟻群算法收斂速度慢、易陷入局部最優(yōu)，所以兩者都不適合作為虛擬機(jī)功能遷移機(jī)制的算法。

3.1 粒子群算法原理

3.2 算法粒子編碼

3.3 算法的具體流程

后面切片的功能遷移機(jī)制也是根據(jù)該流程演變而來，設(shè)置粒子群規(guī)模是為了防止粒子跳出區(qū)間造成運行時間上的浪費，根據(jù)粒子不斷移動及速度和位置的更新，從而找到全局最優(yōu)解。

粒子群算法基本流程如下。

第2步：在每個子群中，每個粒子都找到歷史上最優(yōu)的位置信息，然后從這些個體歷史最優(yōu)解中找到一個全局最優(yōu)解，與歷史的最優(yōu)解比較，選出兩者中最優(yōu)的作為歷史最優(yōu)解。

第3步：根據(jù)式(1)和式(2)進(jìn)行速度和位置的更新，從而找到新的當(dāng)前最優(yōu)解和歷史最優(yōu)解。

第4步：子群中出現(xiàn)最優(yōu)解時停止搜索，然后在群間重復(fù)進(jìn)行第2步，直到在整個粒子群中找到最優(yōu)解，整個過程結(jié)束。

4 基于粒子群優(yōu)化算法的虛擬機(jī)功能遷移機(jī)制

4.1 功能遷移機(jī)制的原理

4.2 遷移機(jī)制的合適度和標(biāo)記列表

源虛擬機(jī)和目標(biāo)虛擬機(jī)的合適度是源虛擬機(jī)需求性能和目標(biāo)虛擬機(jī)空閑性能之間的合適程度，是源虛擬機(jī)在過載遷移區(qū)即將準(zhǔn)備遷移時考慮選擇合適目標(biāo)虛擬機(jī)進(jìn)行遷移的最重要指標(biāo)。目標(biāo)虛擬機(jī)與源虛擬機(jī)的合適度越高，說明遷移的效果越好。

功能遷移機(jī)制主要包含6個模塊：參數(shù)調(diào)度模塊、算法模塊、決策模塊、監(jiān)測遷移模塊、資源管理觸發(fā)模塊、遷移模塊。下面具體說明以下幾種模塊的作用。圖3為功能遷移模塊的組成。

圖3 功能遷移模塊的組成

1) 參數(shù)調(diào)度模塊：所有參數(shù)都存儲在參數(shù)調(diào)度模塊中，包括各個虛擬機(jī)的內(nèi)存、CPU、硬盤存儲、帶寬等資源，直接與數(shù)據(jù)中心相連，負(fù)責(zé)給虛擬機(jī)的遷移提供必要的數(shù)據(jù)。

2) 算法模塊：在虛擬機(jī)遷移過程中，提供算法必要的公式等，對虛擬機(jī)的遷移提供理論支撐。

3) 決策模塊：利用粒子群優(yōu)化算法計算遷移虛擬機(jī)和目標(biāo)虛擬機(jī)的合適度，為源虛擬機(jī)和目標(biāo)虛擬機(jī)的最佳配對進(jìn)行決策，然后在遷移模塊進(jìn)行虛擬機(jī)的遷移。

4) 監(jiān)測遷移模塊：最主要的作用是周期性地獲取負(fù)載信息后，通過計算標(biāo)記因子生成標(biāo)記列表，不斷更新標(biāo)記列表，將虛擬機(jī)的標(biāo)記因子按照從小到大的順序排列，等待進(jìn)入決策模塊進(jìn)行篩選計算源虛擬機(jī)和目標(biāo)虛擬機(jī)的合適度。

5) 資源管理觸發(fā)模塊：收集資源使用的數(shù)據(jù)和預(yù)測數(shù)據(jù)進(jìn)行綜合計算，并將所得數(shù)據(jù)發(fā)送給監(jiān)測遷移模塊進(jìn)行監(jiān)測。

6) 遷移模塊：執(zhí)行最后的遷移操作，在經(jīng)過決策模塊篩選之后，遷移模塊將源虛擬機(jī)未能滿足服務(wù)需求的整個框架全部遷移到目標(biāo)虛擬機(jī)上，使整個服務(wù)不至于中斷。

4.3 遷移機(jī)制的匹配過程

遷移機(jī)制匹配過程如下。

第1步：按照標(biāo)記列表中標(biāo)記因子大小排序進(jìn)行合適度的計算，利用粒子群優(yōu)化算法，參考?xì)v史最優(yōu)合適度和當(dāng)前全局最優(yōu)合適度，確定合適度最大的虛擬機(jī)，即為目標(biāo)虛擬機(jī)。

第2步：選擇合適的目標(biāo)虛擬機(jī)之后將源虛擬機(jī)的虛擬應(yīng)用一并遷移到目標(biāo)虛擬機(jī)上，后續(xù)遷移虛擬機(jī)未能滿足的功能全部由目標(biāo)虛擬機(jī)提供。

第3步：遷移過程完成后將標(biāo)記因子、目標(biāo)虛擬機(jī)的剩余資源等參數(shù)進(jìn)行更新，以便下次遷移時比較。

第4步：若仍有遷移虛擬機(jī)需要匹配目標(biāo)虛擬機(jī)，則重復(fù)第一步直至匹配成功。

5 實驗結(jié)果及分析

5.1 實驗環(huán)境及算法分析

表1 虛擬機(jī)配置列

算法分析如下。

第1步：設(shè)置各項參數(shù)。

第5步：根據(jù)式(10)在每個子群中更新各個粒子的參數(shù)及標(biāo)記列表，下一時間繼續(xù)進(jìn)行粒子的移動，并且重復(fù)第2步。

第6步：最后在群間重復(fù)第2步，直到粒子找到最佳目標(biāo)粒子為止。

5.2 仿真結(jié)果及分析

本文選擇用目前在5G網(wǎng)絡(luò)切片中流行的2種算法——貪婪算法（GA）和蟻群算法（ACO）與改進(jìn)的粒子群算法（PSO）進(jìn)行比較，貪婪算法只從單一的指標(biāo)考慮問題，缺少全局優(yōu)化，得到的解并非全局最優(yōu)解，并且貪婪算法只適用于當(dāng)前最優(yōu)解與全局最優(yōu)解無關(guān)的問題，但貪婪算法的資源開銷比較小，收斂速度快，也受到一些學(xué)者的青睞；蟻群算法是目前和粒子群算法同行的比較智能且應(yīng)用廣泛的算法之一，蟻群算法在開銷方面可能會隨著螞蟻的增多而增大，且收斂時間也會增加，但可以得到比較精確的最優(yōu)解；所以，根據(jù)目前的理論知識可以在功能遷移方面與改進(jìn)的粒子群算法進(jìn)行比較。

未來5G移動通信最重要的技術(shù)指標(biāo)是時延，低時延也成為5G未來三大場景之一，所以收斂時間是需要考慮的問題之一，但收斂時間只是說明某一算法收斂到本身最優(yōu)解的時間，并非收斂到全局最優(yōu)解的時間，當(dāng)然這個解也可能是全局最優(yōu)解，通過圖4可以看出，隨著虛擬機(jī)數(shù)量的增加，采用貪婪算法機(jī)制的切片完成遷移過程的時間最短；改進(jìn)的粒子群算法和蟻群算法在剛開始虛擬機(jī)數(shù)量比較少的情況下，收斂時間都很短，和貪婪算法不相上下，但隨著虛擬機(jī)數(shù)量的增加，蟻群算法的收斂時間明顯大于改進(jìn)的粒子群算法。所以應(yīng)用到現(xiàn)實中，在收斂時間這方面，改進(jìn)的粒子群算法性能優(yōu)于蟻群算法。圖4為3種機(jī)制下切片中虛擬遷移時間。

圖4 3種機(jī)制下切片中虛擬機(jī)遷移時間

5G移動通信將進(jìn)入一個流量爆炸增長的時代，所以虛擬資源短缺將是面臨的主要挑戰(zhàn)之一，在切片的功能遷移階段考慮系統(tǒng)開銷也是必要的，也正是因為資源不足才導(dǎo)致虛擬機(jī)的功能遷移。本文中列舉了CPU、帶寬、內(nèi)存等虛擬資源，在仿真時主要通過主機(jī)的剩余CPU資源比較3種算法在虛擬機(jī)功能遷移上的優(yōu)劣，其余資源同理。通過圖5的仿真結(jié)果可知，應(yīng)用貪婪算法的遷移機(jī)制所消耗的CPU資源總體上最少，其他2種機(jī)制所消耗的主機(jī)CPU資源都比較大，開始時應(yīng)用粒子群算法的主機(jī)資源消耗要大于應(yīng)用蟻群算法的主機(jī)資源消耗，但是隨著虛擬機(jī)數(shù)量的增加，蟻群算法的消耗量大于改進(jìn)的粒子群算法的消耗量。拓展到實際中，虛擬機(jī)數(shù)量會十分巨大，所以，在資源消耗量這方面，改進(jìn)的粒子群算法性能明顯優(yōu)于蟻群算法。圖5為3種機(jī)制下切片主機(jī)剩余CPU。

圖5 3種機(jī)制下切片主機(jī)剩余CPU

遷移機(jī)制最主要的考察指標(biāo)就是應(yīng)用某種機(jī)制后是否可以達(dá)到最優(yōu)解或者所得到的解占最優(yōu)解的百分比，這直接影響源虛擬機(jī)是否可以遷移到最優(yōu)的目標(biāo)虛擬機(jī)上，也影響到后續(xù)的用戶需求能否得到滿足。5G白皮書中明確指出，首要任務(wù)是可以最大化滿足用戶的通信需求，所以網(wǎng)絡(luò)切片的功能遷移也是在不影響用戶需求的前提下進(jìn)行的，如果用戶當(dāng)前的通信活動因為虛擬機(jī)的遷移而中斷或者后續(xù)的需求得不到滿足都將使虛擬機(jī)的功能遷移變得毫無意義。通過圖6的仿真結(jié)果可知，應(yīng)用貪婪算法的機(jī)制隨著虛擬機(jī)數(shù)量的增加，所得解的最優(yōu)程度越來越差，幾乎不能滿足5G的基本要求；應(yīng)用改進(jìn)的粒子群算法求得的解的最佳度明顯高于蟻群算法，可以滿足當(dāng)前5G對用戶需求定義，所以在解所能達(dá)到最優(yōu)解百分比這方面，改進(jìn)的粒子群算法性能明顯優(yōu)于蟻群算法。圖6為3種機(jī)制下所達(dá)到全局最優(yōu)解的百分比。

圖6 3種機(jī)制下所達(dá)到全局最優(yōu)解的百分比

綜合觀察各個仿真結(jié)果來看，本文中的改進(jìn)粒子群算法在整體上的性能明顯優(yōu)于其他2種算法，可以滿足網(wǎng)絡(luò)切片虛擬機(jī)功能遷移的各項要求。

6 結(jié)束語

本文的主要貢獻(xiàn)在于研究了流量激增及需求不斷變化下的虛擬機(jī)功能遷移機(jī)制，旨在時變環(huán)境下達(dá)到較好的服務(wù)質(zhì)量和資源利用率，降低系統(tǒng)功耗。由于服務(wù)器內(nèi)的資源使用具有競爭性和動態(tài)性等特點，這導(dǎo)致在虛擬機(jī)的遷移問題上存在提高服務(wù)質(zhì)量或資源利用率的權(quán)衡[16]。通過分析現(xiàn)有虛擬機(jī)遷移算法存在的不足，本文提出了一種改進(jìn)粒子群算法，并且結(jié)合5G網(wǎng)絡(luò)切片的大背景，完全可以應(yīng)用到切片的功能遷移中；在充分考慮到5G未來面臨的諸多挑戰(zhàn)和現(xiàn)有粒子群算法的一些不足，提出了新的標(biāo)記因子和標(biāo)記列表的概念，同時比較源虛擬機(jī)和目標(biāo)虛擬機(jī)的合適度，使收斂時間和解的最優(yōu)程度都得到了提高，并且也大大降低了系統(tǒng)開銷。理論分析和實驗結(jié)果表明，本文中提出的改進(jìn)粒子群算法具有很好的實用性，對于未來5G網(wǎng)絡(luò)切片的虛擬機(jī)功能遷移具有很好的理論支撐。

[1] WANG Q, CHEN J, LIAO G Q. Live migration algorithm of virtual machine for reduce energy consumption[J]. Journal of East China University of Science and Technology, 2018(1): 58-61.

[2] REN C, MA R T. Network slicing: building customizable 5G network[J]. Journal of East China University of Science and Technology, 2018(1): 26-30.

[3] SU X, GONG J J, ZENG J. Wireless resources allocation for 5G network slicing[J]. Electronic Engineering & Product World, 2017, 24(4): 30-32.

[4] WEI H, ZHANG Z, FAN B. Network slice access selection scheme in 5G[C]//IEEE Information Technology, Networking, Electronic and Automation Control Conference. 2017: 352-356.

[5] CHEN W, ZHANG C. Research on virtual machine dynamic migration strategy based on load trend prediction[J]. Journal of Suihua University, 2016(12):145-149.

[6] ZHAO C, YAN L, CUI Y H, et al. Dynamic adjusting threshold algorithm for virtual machine migration[J]. Journal of Computer Applications. 2017.

[7] LIU J J, CHEN G L, HU C X. Virtual machine migration scheduling strategy based on load characteristic[J]. Computer Engineering, 2011, 37(17): 276-278.

[8] PENG J Y. Research on the energy-efficient based datacenter resource consolidation mechanism[D]. Chengdu: University of Electronic Science and Technology of China, 2013.

[9] ZHAO S, JI X S, CHENG G Z, et al. Research on dynamic migration of critical virtual machines for multi-tenancy[J]. Chinese Journal of Network and Information Security, 2017, 3(8): 8-17.

[10] SHI Y, ZHANG H G, WU F S. A method of constructing the model of trusted virtual machine migration[J]. Journal of Computer Research and Development, 2017, 54(10): 2284-2295.

[11] TIWARI P K, JOSHI S. A review on load balancing of virtual machine resources in cloud computing[C]//International Conference on Information and Communication Technology for Intelligent Systems. 2016: 369-378.

[12] LIU L, YU H F, ZHENG S P. Comprehensive stable VM migration techniques for managing time-varied workload[J]. Application Research of Computers, 2016, 33(2):534-539.

[13] WANG H, CHEN S, AI M, et al. Mobility driven network slicing: an enabler of on demand mobility management for 5G[J]. The Journal of China Universities of Posts and Telecommunications, 2017, 24(4):16-26.

[14] YANG J, ZHANG H J, ZHAO S N, et al. Virtual machine deployment strategy based on particle swarm optimization algorithm[J]. Journal of Computer Applications, 2016, 36(1):117-121.

[15] AMENDOLA D, CORDESCHI N, BACCARELLI E. Bandwidth management VMs live migration in wireless fog computing for 5G networks[C]//IEEE International Conference on Cloud Networking. 2016.

[16] ROST P, BERBERANA I, MAEDER A, et al. Benefits and challenges of virtualization in 5G radio access networks[J]. IEEE Communications Magazine, 2015, 53(12):75-82.

5G network slicing function migration mechanism based on particle swarm optimization algorithm

CHEN Qiang1,2, LIU Caixia1,2, LI Lingshu1,2

1. National Digital Switching System Engineering and Technological R&D Center, Zhengzhou 450002, China 2. National Engineering Laboratory for Mobile Network Security, Beijing 100876, China

In multi-application scenarios of 5G, data traffic often increases dramatically. Virtual machine resources in network slicing may not meet the normal needs of users. In view of this, a network slicing function migration mechanism aiming at load balancing was proposed. The mechanism simulates the virtual machine into particles based on particle swarm optimization algorithm. In the process of migration, all particles were divided into several subgroups, and particle swarm optimization algorithm was applied within and among groups. According to the historical optimal solution and the current global optimal solution, the particle location was updated, and the best target particles were determined by selecting the smaller particle size of the particle in real time. The mechanism not only improves the convergence speed, but also improves the accuracy of the algorithm. Compared with other migration methods, the results show that the proposed migration mechanism has the advantages of high accuracy and fast convergence. And it can also improve the efficiency of resource utilization, reduce the energy consumption of data center, and has better adaptability.

function migration, particle swarm optimization algorithm, network slicing, 5G

The National High Technology Research and Development Program of China (863 Program) (No.2014AA01A701), The National Natural Science Foundation of China (No.61521003), Ministry of Science and Technology Support Plan (No.2014BAH30B01)

TN929.5

A

10.11959/j.issn.2096-109x.2018066

陳強(qiáng)（1993-），男，遼寧本溪人，國家數(shù)字交換系統(tǒng)工程技術(shù)研究中心碩士生，主要研究方向為新一代移動通信。

劉彩霞（1974-），女，山東煙臺人，國家數(shù)字交換系統(tǒng)工程技術(shù)研究中心副教授，主要研究方向為移動通信網(wǎng)絡(luò)、新型網(wǎng)絡(luò)體系結(jié)構(gòu)。

李凌書（1992-），男，湖北恩施人，國家數(shù)字交換系統(tǒng)工程技術(shù)研究中心博士生，主要研究方向為新型網(wǎng)絡(luò)體系結(jié)構(gòu)、網(wǎng)絡(luò)空間安全。

2018-06-06；

2018-07-06

陳強(qiáng)，1428917764@qq.com

國家高技術(shù)研究發(fā)展計劃基金資助項目（“863”計劃）（No.2014AA01A701），國家自然科學(xué)基金資助項目（No.61521003），科技部支撐計劃基金資助項目（No.2014BAH30B01）