黃宏程，鮑曉萌，胡 敏

(重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶 400065)

0 引 言

萬(wàn)物互聯(lián)時(shí)代，邊緣計(jì)算和網(wǎng)絡(luò)功能虛擬化(Network Function Virtualization,NFV)等技術(shù)迅速發(fā)展，使得海量邊緣智能終端設(shè)備以及相關(guān)網(wǎng)絡(luò)業(yè)務(wù)涌現(xiàn)，同時(shí)也促進(jìn)了網(wǎng)絡(luò)逐步向智能化和虛擬化的方式轉(zhuǎn)變。通過(guò)NFV、軟件定義網(wǎng)絡(luò)(Software Defined Network，SDN)等技術(shù)實(shí)現(xiàn)軟件和硬件的解耦，能夠解決當(dāng)前網(wǎng)絡(luò)布局復(fù)雜、僵化的問(wèn)題，提高網(wǎng)絡(luò)的敏捷性和擴(kuò)展性[1]。且隨著邊緣智能、智慧城市等的逐步推動(dòng)，愈來(lái)愈多的網(wǎng)絡(luò)業(yè)務(wù)遷移至網(wǎng)絡(luò)邊緣，利用邊緣基礎(chǔ)設(shè)施虛擬化的計(jì)算、存儲(chǔ)和網(wǎng)絡(luò)資源就近進(jìn)行處理，可以降低計(jì)算時(shí)延，從而為終端用戶提供更加優(yōu)質(zhì)的服務(wù)。

隨著互聯(lián)網(wǎng)的高速發(fā)展，用戶對(duì)網(wǎng)絡(luò)資源的需求持續(xù)增加，因此精確規(guī)劃網(wǎng)絡(luò)資源使用已成為運(yùn)營(yíng)商的首要任務(wù)[2]。網(wǎng)絡(luò)流量預(yù)測(cè)技術(shù)可以幫助運(yùn)營(yíng)商準(zhǔn)確預(yù)估網(wǎng)絡(luò)的使用情況，合理分配并高效利用網(wǎng)絡(luò)資源[3]。文獻(xiàn)[4]考慮到用戶請(qǐng)求業(yè)務(wù)的 動(dòng)態(tài)性和信息反饋的延遲引起不合理的虛擬網(wǎng)絡(luò)資源分配或緩存溢出概率增大等問(wèn)題，提出了一種基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的流量感知算法，通過(guò)各個(gè)切片業(yè)務(wù)的歷史隊(duì)列信息來(lái)預(yù)測(cè)未來(lái)的負(fù)載情況，從而實(shí)現(xiàn)了網(wǎng)絡(luò)的在線監(jiān)測(cè)。文獻(xiàn)[5]提出了一種基于軟化靈活性和NFV環(huán)境中大量監(jiān)視數(shù)據(jù)的新穎學(xué)習(xí)模型，以使用網(wǎng)絡(luò)服務(wù)功能鏈(Service Function Chain,SFC)數(shù)據(jù)預(yù)測(cè)VNF資源需求，但是網(wǎng)絡(luò)邊緣流量凸顯的復(fù)雜特征，單一的模型很難準(zhǔn)確地刻畫(huà)。

文獻(xiàn)[6]使用序列到序列(Sequence-to-Sequence，S2S)學(xué)習(xí)范例和卷積長(zhǎng)短期記憶來(lái)解決多服務(wù)移動(dòng)流量預(yù)測(cè)問(wèn)題，以便有效地提取移動(dòng)網(wǎng)絡(luò)流量的復(fù)雜時(shí)空特征，并高精度地預(yù)測(cè)城市規(guī)模內(nèi)單個(gè)服務(wù)的未來(lái)需求。文獻(xiàn)[7]使用SDN中基于流的轉(zhuǎn)發(fā)思想從數(shù)據(jù)平面提取流量統(tǒng)計(jì)信息，基于流量的時(shí)間特性，利用時(shí)間相關(guān)理論對(duì)流量進(jìn)行建模，提出了基于流的轉(zhuǎn)發(fā)流量預(yù)測(cè)算法，以預(yù)測(cè)SDN流量。文獻(xiàn)[8]研究了基于基線自回歸移動(dòng)平均(Autoregressive Moving Average，ARMA)方法的移動(dòng)服務(wù)需求預(yù)測(cè)，該方法以分鐘為單位粒度使用相對(duì)較短的歷史數(shù)據(jù)，并考慮了多個(gè)數(shù)據(jù)處理之間的相關(guān)性，以無(wú)監(jiān)督的方式利用了每種服務(wù)流量需求的功能特性，但是這種方法并不完全適應(yīng)于VNF需求的預(yù)測(cè)。文獻(xiàn)[9]提出了一種基于機(jī)器學(xué)習(xí)的新穎解決方案，用于在虛擬化環(huán)境中橫向擴(kuò)展訪問(wèn)和移動(dòng)性管理功能(Action Message Format，AMF)資源，但是只是考慮了一種VNF即AMF的預(yù)測(cè)且沒(méi)有考慮網(wǎng)絡(luò)邊緣流量具有突發(fā)性等特點(diǎn)。文獻(xiàn)[10]提出了一種在適當(dāng)?shù)臅r(shí)間預(yù)測(cè)所需資源以維持NFV真正彈性的方法，并提出了離線調(diào)度和在線調(diào)度策略在不同情境下來(lái)預(yù)測(cè)日前CPU利用率，但是提出的解決方法是通過(guò)例如CPU使用率或內(nèi)存使用率等系統(tǒng)級(jí)信息，而沒(méi)有考慮到服務(wù)級(jí)的信息。

為滿足各種網(wǎng)絡(luò)實(shí)時(shí)業(yè)務(wù)、應(yīng)用智能的快速響應(yīng)，運(yùn)營(yíng)商將各種不同VNF部署網(wǎng)絡(luò)邊緣側(cè)，從而降低時(shí)延，提高服務(wù)質(zhì)量。而邊緣側(cè)的資源是非常有限的，在服務(wù)器節(jié)點(diǎn)上放置過(guò)少的VNF會(huì)導(dǎo)致服務(wù)質(zhì)量下降，放置過(guò)多的VNF則會(huì)造成資源的浪費(fèi)。準(zhǔn)確預(yù)測(cè)未來(lái)一段時(shí)間內(nèi)的VNF需求，能夠降低運(yùn)營(yíng)成本并提升網(wǎng)絡(luò)服務(wù)質(zhì)量。

以往研究中并未考慮邊緣網(wǎng)絡(luò)與核心網(wǎng)絡(luò)服務(wù)流量特點(diǎn)的差別、預(yù)測(cè)模型復(fù)雜度高以及邊緣網(wǎng)絡(luò)資源的限制等問(wèn)題，因此，在核心網(wǎng)絡(luò)中的流量預(yù)測(cè)方法并不完全適用于邊緣網(wǎng)絡(luò)。本文針對(duì)目前單一模型難以刻畫(huà)出邊緣網(wǎng)絡(luò)流量特征、VNF需求預(yù)測(cè)不夠準(zhǔn)確等問(wèn)題，考慮邊緣網(wǎng)絡(luò)中網(wǎng)絡(luò)服務(wù)數(shù)據(jù)凸顯的波動(dòng)性大、突發(fā)性強(qiáng)等特征，提出了一種適用于邊緣網(wǎng)絡(luò)的VNF需求預(yù)測(cè)方法，能降低誤差，提升預(yù)測(cè)效果，實(shí)現(xiàn)VNF的提前放置，提高網(wǎng)絡(luò)服務(wù)體驗(yàn)質(zhì)量。

1 基于SVR與GRU的組合預(yù)測(cè)模型

當(dāng)前，邊緣的各類網(wǎng)絡(luò)功能設(shè)備由各個(gè)設(shè)備獨(dú)立實(shí)現(xiàn)，很難進(jìn)行互相操作，無(wú)法滿足基于某種商業(yè)規(guī)則控制用戶的各類業(yè)務(wù)，例如機(jī)頂盒(Set Top Box，STB)、接入網(wǎng)關(guān)設(shè)備和數(shù)據(jù)包深度監(jiān)測(cè)(Deep Packet Inspection，DPI)等，而邊緣計(jì)算的興起與網(wǎng)絡(luò)功能虛擬化技術(shù)的迅速發(fā)展帶來(lái)了一系列的改革，網(wǎng)絡(luò)運(yùn)營(yíng)商借助NFV技術(shù)可以在在網(wǎng)絡(luò)邊緣放置不同類型的VNF，為用戶提供相關(guān)的網(wǎng)絡(luò)服務(wù)，以在降低系統(tǒng)成本的同時(shí)提供高效的服務(wù)質(zhì)量，其中VNF是以軟件的方式實(shí)現(xiàn)以往運(yùn)行在專有硬件設(shè)備上的網(wǎng)絡(luò)功能實(shí)例。但是，在網(wǎng)絡(luò)邊緣實(shí)例化各種VNF是需要時(shí)間的，且放置相應(yīng)VNF實(shí)例的數(shù)量是非常重要的，放置過(guò)多的VNF實(shí)例會(huì)造成系統(tǒng)資源的浪費(fèi)，增加成本，而放置的VNF實(shí)例過(guò)少時(shí)會(huì)導(dǎo)致用戶任務(wù)計(jì)算時(shí)延增大，降低用戶的服務(wù)體驗(yàn)質(zhì)量。為實(shí)現(xiàn)VNF的提前放置以及可伸縮，本文提出了一種新穎的VNF需求預(yù)測(cè)方法，系統(tǒng)模型如圖1所示。

圖1 系統(tǒng)模型

在邊緣節(jié)點(diǎn)中，依據(jù)歷史服務(wù)數(shù)據(jù)，通過(guò)構(gòu)建一個(gè)預(yù)測(cè)模型，提取歷史數(shù)據(jù)的相關(guān)特征，預(yù)測(cè)未來(lái)一段時(shí)間內(nèi)的網(wǎng)絡(luò)服務(wù)流量，進(jìn)一步分析VNF的需求，從而可以提前放置相應(yīng)的VNF，實(shí)現(xiàn)VNF及網(wǎng)絡(luò)服務(wù)的彈性部署，降低系統(tǒng)的成本并提高資源利用率。

1.1 邊緣網(wǎng)絡(luò)業(yè)務(wù)流量特征

隨著大量移動(dòng)設(shè)備、各種實(shí)時(shí)網(wǎng)絡(luò)業(yè)務(wù)的增多，導(dǎo)致邊緣網(wǎng)絡(luò)流量的不確定性。依據(jù)文獻(xiàn)[11-12]的描述，大量接入邊緣網(wǎng)絡(luò)的用戶會(huì)直接影響網(wǎng)絡(luò)流量的特征，在邊緣網(wǎng)中會(huì)產(chǎn)生突發(fā)性強(qiáng)、波動(dòng)性大的流量，導(dǎo)致網(wǎng)絡(luò)時(shí)延，網(wǎng)絡(luò)流量越來(lái)越表現(xiàn)出自相似的特征，且通過(guò)對(duì)大量網(wǎng)絡(luò)流量的測(cè)量和分析，人們發(fā)現(xiàn)網(wǎng)絡(luò)業(yè)務(wù)長(zhǎng)期以來(lái)具有范圍依賴性，即網(wǎng)絡(luò)業(yè)務(wù)流量具有長(zhǎng)期依賴性。其中自相似性是一種統(tǒng)計(jì)特征，描述流量在不同的時(shí)間尺度上流量時(shí)間序列存在突發(fā)性，并且不會(huì)隨著網(wǎng)絡(luò)的規(guī)模、拓?fù)浼皯?yīng)用的變化而變化。這對(duì)研究邊緣VNF需求預(yù)測(cè)的解決方案有一定啟發(fā)。

1.2 SVR模型

支持向量機(jī)(Support Vector Machine，SVM)于1995年被提出，最初主要用于解決兩組分類問(wèn)題。近幾年來(lái)，SVM也被用于解決一些回歸問(wèn)題。支持向量回歸(Support Vector Regression，SVR)可用于非線性的短期時(shí)間序列預(yù)測(cè)，且可不需要大量的樣本就能夠較為準(zhǔn)確地預(yù)測(cè)，也不容易陷入局部最優(yōu)解，泛化能力強(qiáng)，但是在分析大量的時(shí)間序列數(shù)據(jù)上并不能夠很好地提取到這些時(shí)間序列長(zhǎng)期依賴的某些特征。

1.3 GRU模型

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)是基于普通多層的BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)，通過(guò)一個(gè)權(quán)重矩陣將隱藏層的各單元間進(jìn)行橫向聯(lián)系，可以將前一個(gè)神經(jīng)單元的輸出值傳遞至當(dāng)前的神經(jīng)單元，從而使RNN模型在處理時(shí)間序列上以及自然語(yǔ)言處理等方面具有很大的優(yōu)勢(shì)。

而門(mén)控循環(huán)單元(Gated Recurrent Unit，GRU)作為循環(huán)神經(jīng)網(wǎng)絡(luò)中的一種，本身就具備記憶功能，能夠較好地分析大量的具有長(zhǎng)期依賴性的時(shí)間序列，在神經(jīng)網(wǎng)絡(luò)層數(shù)可控范圍內(nèi)又能夠消除RNN存在的梯度消失和爆炸的問(wèn)題，且GRU相對(duì)LSTM來(lái)說(shuō)結(jié)構(gòu)簡(jiǎn)單，適合在計(jì)算資源有限的網(wǎng)絡(luò)邊緣節(jié)點(diǎn)進(jìn)行放置運(yùn)行，但對(duì)于短期內(nèi)的突發(fā)性特征不能夠很好地處理。

1.4 SVR-GRU模型構(gòu)建

為提升預(yù)測(cè)效果，一方面通過(guò)SVR對(duì)少量歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)，較好地提取網(wǎng)絡(luò)業(yè)務(wù)流量的短期數(shù)據(jù)特征；另一方面，利用GRU模型處理長(zhǎng)期時(shí)序數(shù)據(jù)，提取網(wǎng)絡(luò)業(yè)務(wù)流量的長(zhǎng)期特征，而且兩種模型都具有較低的復(fù)雜度，適合在資源有限的邊緣網(wǎng)絡(luò)中運(yùn)行。通過(guò)有效結(jié)合SVR和GRU，為其賦予不同的權(quán)重，構(gòu)建SVR-GRU模型，提取數(shù)據(jù)短期內(nèi)的突發(fā)性特征和長(zhǎng)期特征，以提升VNF需求預(yù)測(cè)效果。

若FS表示支持向量回歸的預(yù)測(cè)結(jié)果，F(xiàn)G表示門(mén)控循環(huán)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果，則SVR-GRU模型預(yù)測(cè)結(jié)果FS-G可表示為

FS-G=αi×FS+αj×FG。

(1)

式中：αi、αj分別為SVR模型和GRU模型的權(quán)重且滿足

(2)

采用方差倒數(shù)法即誤差平方和倒數(shù)法，旨在依據(jù)不同模型預(yù)測(cè)精度的不同確定相應(yīng)模型的權(quán)重。預(yù)測(cè)模型精度越高，則其在組合預(yù)測(cè)中所占有的權(quán)重越大，反之越小。于是不同預(yù)測(cè)模型的權(quán)重可進(jìn)一步表示為

(3)

式中：Dk為第k個(gè)模型的誤差平方和。

進(jìn)一步可計(jì)算SVR模型與GRU模型權(quán)重為

(4)

由于不同測(cè)試數(shù)據(jù)組計(jì)算出的權(quán)重會(huì)有不同，為避免單組測(cè)試數(shù)據(jù)組計(jì)算導(dǎo)致的偶然性，通過(guò)計(jì)算多組權(quán)重的平均值，將均值作為最終SVR-GRU模型的權(quán)重。于是，SVR模型與GRU模型權(quán)重進(jìn)一步表示為

(5)

式中：αi表示由單組測(cè)試數(shù)據(jù)計(jì)算的SVR模型權(quán)重，αj表示由單組測(cè)試數(shù)據(jù)計(jì)算的GRU模型權(quán)重。

最終預(yù)測(cè)效果用均方根誤差(Root Mean Squard Error，RMSE)表示，它是誤差的平方期望值，RMSE值越小則代表預(yù)測(cè)效果越好。

若未來(lái)n個(gè)時(shí)刻的預(yù)測(cè)值之和為

(6)

則SVR-GRU組合模型預(yù)測(cè)的均方根誤差為

(7)

式中：y(t)為實(shí)際值。

其中模型權(quán)重確定的過(guò)程如下：

輸入：訓(xùn)練完成的SVR模型；訓(xùn)練完成的GRU模型；N組測(cè)試數(shù)據(jù)；初始化索引i=1,j=1。

輸出：權(quán)重αSVR和αGRU。

Step1 根據(jù)SVR模型與測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)得到預(yù)測(cè)結(jié)果FSVR。

Step2 根據(jù)GRU模型與測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)得到預(yù)測(cè)結(jié)果FGRU。

Step3 由SVR模型預(yù)測(cè)結(jié)果FSVR計(jì)算得到方差DSVR，由GRU模型預(yù)測(cè)結(jié)果FGRU計(jì)算得到方差DGRU。

Step4 由公式(3)和(4)計(jì)算出SVR模型的權(quán)重αi和GRU模型的權(quán)重αj，并保存相應(yīng)的結(jié)果。

Step5 若滿足i==j==N，則停止循環(huán)，執(zhí)行Step 7；若不滿足i==j==N，則執(zhí)行Step 6。

Step6 令i=i+1,j=j+1，重新執(zhí)行Step 1。

Step7 依據(jù)公式(11)計(jì)算出SVR模型的權(quán)重αSVR和GRU模型的權(quán)重αGRU并輸出。

1.5 模型復(fù)雜度分析

對(duì)于神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度來(lái)說(shuō)，計(jì)算復(fù)雜度影響著模型訓(xùn)練的時(shí)間，模型復(fù)雜度過(guò)高則會(huì)模型訓(xùn)練耗費(fèi)大量的時(shí)間，無(wú)法快速預(yù)測(cè)。

由文獻(xiàn)[13-14]可知，一般情況下，SVR使用精確搜索算法的時(shí)間復(fù)雜度為O(l3)，使用不精確算法的時(shí)間復(fù)雜度則是O(l2)，在實(shí)踐中選擇滿足一定要求的不精確的搜索算法可以使時(shí)間復(fù)雜度保持在O(l2)，其中l(wèi)為訓(xùn)練樣本數(shù)量。RNN執(zhí)行n次序列操作后的總時(shí)間復(fù)雜度為O(nd2)，其中d表示維度。由于SVR和GRU模型可以并行訓(xùn)練，時(shí)間復(fù)雜度可以認(rèn)為是O(nd2)。

對(duì)于空間復(fù)雜度來(lái)說(shuō)，支持向量回歸空間復(fù)雜度一般為O(2×l×(m+1)+2×(l+1)2+2×(l+1))，m為樣本輸入維數(shù)。LSTM單元擁有輸入門(mén)、輸出門(mén)、遺忘門(mén)和候選態(tài)，若隱藏層單元數(shù)目為n，則LSTM的空間復(fù)雜度為O(4×(n×m+n2+n))。GRU內(nèi)部單元?jiǎng)t擁有比LSTM少的參數(shù)，通過(guò)維護(hù)一個(gè)參量控制信息的遺忘與更新，因此，空間復(fù)雜度可表示為O(n×m+n2+n)。由于時(shí)間序列輸入樣本的維度m?l，將常量m作為常數(shù)1消除，SVR的空間復(fù)雜度可進(jìn)一步表示為O(2×l2+6l)。同理，LSTM和GRU的空間復(fù)雜度分別為O(4×n2+8×n)和O(n2+2×n)。于是，SVR-GRU組合預(yù)測(cè)模型的空間復(fù)雜度可表示為O(n2+2×n+2×l2+6×l)。由于SVR模型的訓(xùn)練樣本數(shù)量較少，一般情況下LSTM模型隱藏層單元數(shù)目較于SVR訓(xùn)練樣本數(shù)量近似相等或比其更大，此時(shí)，SVR-GRU模型的空間復(fù)雜度會(huì)更低一些。SVR訓(xùn)練樣本數(shù)量為l，n為L(zhǎng)STM隱藏層單元數(shù)量，則SVR-GRU模型與LSTM模型空間復(fù)雜度對(duì)比如表1所示。

表1 SVR-GTU與LSTM的空間復(fù)雜度對(duì)比

2 需求分析

通過(guò)SVR-GRU模型對(duì)邊緣節(jié)點(diǎn)未來(lái)一段時(shí)間內(nèi)不同網(wǎng)絡(luò)服務(wù)需要處理的請(qǐng)求進(jìn)行預(yù)測(cè)，為VNF需求分析提供相應(yīng)的數(shù)據(jù)支撐。

不同的網(wǎng)絡(luò)服務(wù)有不同VNF組合，也即由不同的VNF按照業(yè)務(wù)邏輯組合成不同的網(wǎng)絡(luò)服務(wù)功能鏈，且不同網(wǎng)絡(luò)服務(wù)可能包含相同類型的VNF。因此，利用預(yù)測(cè)出的不同網(wǎng)絡(luò)服務(wù)需要處理的請(qǐng)求，能夠計(jì)算出每種VNF需要處理的請(qǐng)求。

若集合S={s1,s2,…,sm}為通過(guò)SVR-GRU模型預(yù)測(cè)出的m種網(wǎng)絡(luò)服務(wù)需要處理的請(qǐng)求量，對(duì)于m種網(wǎng)絡(luò)服務(wù)，每種網(wǎng)絡(luò)服務(wù)由不同的VNF組成，若組成每種網(wǎng)絡(luò)服務(wù)的VNF類型集合為Fk={Vi,Vi+1,…,Vj}，而所有網(wǎng)絡(luò)服務(wù)所包含的VNF類型集合為V={V1,V2,…,Vn}，每種VNF單位時(shí)間內(nèi)處理請(qǐng)求的數(shù)量為h={h1,h2,…,hn}，則每種VNF在某段時(shí)間內(nèi)要處理的請(qǐng)求數(shù)量Rn為

(8)

在邊緣節(jié)點(diǎn)資源足夠時(shí)，若v={v1,v2,…,vn}為每種VNF的所需數(shù)量，則每種VNF需求量為

(9)

由于網(wǎng)絡(luò)服務(wù)中同類型的VNF可能是多個(gè)，與具體業(yè)務(wù)邏輯相關(guān)，可以進(jìn)一步通過(guò)不同網(wǎng)絡(luò)服務(wù)功能鏈中同種VNF數(shù)量占比進(jìn)行計(jì)算，即

(10)

式中：vn-sk為網(wǎng)絡(luò)服務(wù)k中類型為n的VNF數(shù)量。利用相應(yīng)的分析結(jié)果可以在邊緣節(jié)點(diǎn)提前進(jìn)行部署VNF，以降低系統(tǒng)成本，提高網(wǎng)絡(luò)服務(wù)質(zhì)量。

若邊緣節(jié)點(diǎn)上的計(jì)算、網(wǎng)絡(luò)和存儲(chǔ)資源不足以支撐其覆蓋范圍下的所有用戶請(qǐng)求，則需將部分VNF放置在至周?chē)渌吘壒?jié)點(diǎn)，才能保證所有任務(wù)能夠被及時(shí)處理。

3 仿真分析

3.1 實(shí)驗(yàn)設(shè)計(jì)

由于需要驗(yàn)證組合預(yù)測(cè)模型預(yù)測(cè)的效果，本文實(shí)驗(yàn)中設(shè)置了傳統(tǒng)方法、RNN以及LSTM模型與SVR-GRU模型預(yù)測(cè)的預(yù)測(cè)效果對(duì)比以及相應(yīng)預(yù)測(cè)模型的RSME指標(biāo)對(duì)比等。

3.1.1 數(shù)據(jù)集

模型訓(xùn)練的數(shù)據(jù)集來(lái)自意大利米蘭市公開(kāi)電信數(shù)據(jù)集，該數(shù)據(jù)集收集了從2013年11月1日到2014年1月1日兩個(gè)月內(nèi)有關(guān)米蘭市和特倫蒂諾省電信活動(dòng)的數(shù)據(jù)，數(shù)據(jù)是經(jīng)過(guò)一定縮放處理的[15]。將采集數(shù)據(jù)的地區(qū)分為若干個(gè)地區(qū)，且每隔10 min采集一次數(shù)據(jù)，收集的數(shù)據(jù)主要包括短信服務(wù)(SMS)、通話服務(wù)(Tel)以及互聯(lián)網(wǎng)服務(wù)(Net)數(shù)據(jù)。

依據(jù)文獻(xiàn)[15]中數(shù)據(jù)詳細(xì)說(shuō)明，每當(dāng)用戶產(chǎn)生電信活動(dòng)時(shí)，都會(huì)為其分配一個(gè)附近的無(wú)線電基站，由基站進(jìn)行網(wǎng)絡(luò)傳輸，并記錄詳細(xì)的數(shù)據(jù)。由于基站接近用戶端，處于網(wǎng)絡(luò)邊緣，每個(gè)基站所包含的范圍可以看作是一個(gè)邊緣節(jié)點(diǎn)，因此，記錄的數(shù)據(jù)具有網(wǎng)絡(luò)邊緣側(cè)流量數(shù)據(jù)波動(dòng)性大、突發(fā)性強(qiáng)等特征，可以作為驗(yàn)證本文方法的數(shù)據(jù)集。

3.1.2 數(shù)據(jù)預(yù)處理

由于區(qū)域內(nèi)不同服務(wù)涉及與其他不同區(qū)域的交互，需要預(yù)先對(duì)某塊區(qū)域內(nèi)的服務(wù)交互數(shù)據(jù)進(jìn)行整理。由于數(shù)據(jù)采集時(shí)間間隔10 min，對(duì)于每種網(wǎng)絡(luò)業(yè)務(wù)服務(wù)每天有24×6個(gè)數(shù)據(jù)，兩周數(shù)據(jù)為24×6×14即2 016個(gè)數(shù)據(jù)，則兩個(gè)月有24×6×60即8 640個(gè)數(shù)據(jù)。兩周的數(shù)據(jù)集記為DS，作為支持向量回歸模型的訓(xùn)練及測(cè)試；兩個(gè)月的數(shù)據(jù)集記為DL。DS用于SVR模型的訓(xùn)練及測(cè)試，DL用于GRU模型的訓(xùn)練及測(cè)試。整理的數(shù)據(jù)格式如表2所示。

表2 數(shù)據(jù)預(yù)處理格式

分別對(duì)整理的數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理，加快模型的收斂及最優(yōu)解的尋優(yōu)過(guò)程。標(biāo)準(zhǔn)化后的數(shù)據(jù)均值為和方差為常數(shù)，模型的訓(xùn)練集數(shù)據(jù)與測(cè)試集數(shù)據(jù)的比例為3∶1。此外，隨機(jī)選取12組數(shù)據(jù)(12×144個(gè))作為訓(xùn)練好的SVR和GRU模型的輸入數(shù)據(jù)，從而進(jìn)一步依據(jù)方差并計(jì)算出不同測(cè)試數(shù)據(jù)得到的權(quán)重均值，確定模型的權(quán)重。

3.1.3 仿真流程

在數(shù)據(jù)預(yù)處理完成之后需要構(gòu)建SVR-GRU模型并對(duì)該模型的預(yù)測(cè)效果進(jìn)行有效分析，實(shí)驗(yàn)仿真流程如圖3示。

圖2 實(shí)驗(yàn)仿真流程

對(duì)于每一種的網(wǎng)絡(luò)服務(wù)數(shù)據(jù)，將預(yù)處理之后的數(shù)據(jù)分為兩組，分別為權(quán)重確定數(shù)據(jù)組和測(cè)試數(shù)據(jù)組。其中權(quán)重確定數(shù)據(jù)組作為SVR模型與GRU模型的輸入，計(jì)算出相應(yīng)的誤差，通過(guò)方差倒數(shù)法得到多組權(quán)重值，分別取權(quán)重的均值作為最終兩種模型的權(quán)重。測(cè)試數(shù)據(jù)組是為驗(yàn)證與自回歸移動(dòng)平均模型(ARMA)、RNN和LSTM模型的對(duì)比，輸入多組測(cè)試數(shù)據(jù)，得到相應(yīng)模型的預(yù)測(cè)結(jié)果，計(jì)算相應(yīng)的RMSE參數(shù)并進(jìn)行分析。

3.2 結(jié)果分析

文獻(xiàn)[5]通過(guò)分析預(yù)測(cè)值和實(shí)際值對(duì)比了文中提出的CAT-LSTM和基本LSTM的模型，也分析了其準(zhǔn)確性和誤差。文獻(xiàn)[4]通過(guò)實(shí)驗(yàn)分析不同網(wǎng)絡(luò)切片預(yù)測(cè)MAPE誤差參數(shù)以及LSTM平均誤差。文獻(xiàn)[16]通過(guò)計(jì)算預(yù)測(cè)值與實(shí)際值之間的RMSE參數(shù)說(shuō)明其預(yù)測(cè)精度。文獻(xiàn)[12]基于ARMA的方法對(duì)資源需求進(jìn)行了預(yù)測(cè)。為保證不同預(yù)測(cè)模型預(yù)測(cè)誤差分析是有效合理的，選取多組數(shù)據(jù)作為測(cè)試數(shù)據(jù)，且每組數(shù)據(jù)有144個(gè)數(shù)據(jù)。最后，通過(guò)對(duì)比不同模型的計(jì)算得到的RMSE參數(shù)，驗(yàn)證本文提出的SVR-GRU組合模型效果。實(shí)驗(yàn)參數(shù)設(shè)置為如表3所示。

表3 不同模型相關(guān)參數(shù)

圖3是SVR-GRU模型對(duì)SMS網(wǎng)絡(luò)服務(wù)流量的預(yù)測(cè)值與實(shí)際值對(duì)比圖，可以看出，模型除卻波動(dòng)極大的時(shí)刻有一定的誤差，其他時(shí)刻能夠比較準(zhǔn)確地預(yù)測(cè)。

圖3 SVR-GRU模型預(yù)測(cè)效果圖

RMSE參數(shù)越小，代表模型預(yù)測(cè)效果越好。圖4是由6組數(shù)據(jù)計(jì)算權(quán)重、其他測(cè)試數(shù)據(jù)相同的條件下計(jì)算得到的RMSE參數(shù)，可以看出SVR-GRU模型的RMSE總是最小，也即SVR-GRU模型預(yù)測(cè)的誤差最小，在這幾種模型中預(yù)測(cè)效果最好。

(a)SMS服務(wù)中四種算法預(yù)測(cè)誤差

(b)通話服務(wù)中四種算法預(yù)測(cè)誤差

(c)互聯(lián)網(wǎng)服務(wù)中四種算法預(yù)測(cè)誤差圖4 由6組數(shù)據(jù)計(jì)算權(quán)重時(shí)不同模型的RMSE

為探討權(quán)重值與測(cè)試數(shù)據(jù)組數(shù)的關(guān)系，依次增多確定權(quán)重的數(shù)據(jù)組，分別對(duì)短信服務(wù)、通話服務(wù)及互聯(lián)網(wǎng)服務(wù)進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖5所示。由圖可以看出，在其他條件相同時(shí)，SVR-GRU模型的RSME參數(shù)隨著權(quán)重確定的數(shù)據(jù)組的增加而一定程度的降低，也即預(yù)測(cè)效果會(huì)有所提升，在數(shù)據(jù)組數(shù)增加到10組之后，RMSE參數(shù)會(huì)逐漸趨于平緩。實(shí)驗(yàn)結(jié)果表明，多的數(shù)據(jù)組確定權(quán)重，可以避免單組數(shù)據(jù)確定權(quán)重造成的偶然性，降低RMSE值，提升預(yù)測(cè)效果。

(a)SMS服務(wù)RMSE與測(cè)試數(shù)據(jù)組的關(guān)系

(b)通話服務(wù)RMSE與測(cè)試數(shù)據(jù)組的關(guān)系

(c)互聯(lián)網(wǎng)服務(wù)RMSE與測(cè)試數(shù)據(jù)組的關(guān)系圖5 測(cè)試數(shù)據(jù)組與RMSE的關(guān)系

圖6是與圖5相對(duì)應(yīng)的權(quán)重值變化過(guò)程，可以看出，隨著測(cè)試數(shù)據(jù)組數(shù)的增加，兩種模型的權(quán)重值會(huì)逐漸達(dá)到一個(gè)相對(duì)穩(wěn)定的值。權(quán)重的大小也與模型預(yù)測(cè)效果相對(duì)應(yīng)，模型預(yù)測(cè)效果越好，對(duì)應(yīng)的賦予的權(quán)重值就會(huì)越大，反之越小。此外，由于不同網(wǎng)絡(luò)服務(wù)產(chǎn)生的流量數(shù)據(jù)特征的不同，會(huì)影響不同模型的權(quán)重分配，隨著測(cè)試數(shù)據(jù)組的增加，SVR模型和GRU模型的權(quán)重會(huì)逐漸達(dá)到一個(gè)相對(duì)穩(wěn)定的范圍。

(a)SMS服務(wù)重權(quán)重與測(cè)試數(shù)據(jù)組的關(guān)系

(b)通話服務(wù)中權(quán)重與測(cè)試數(shù)據(jù)組的關(guān)系

(c)互聯(lián)網(wǎng)服務(wù)中權(quán)重與測(cè)試數(shù)據(jù)組的關(guān)系圖6 測(cè)試數(shù)據(jù)組對(duì)應(yīng)的權(quán)重

4 結(jié)束語(yǔ)

本文針對(duì)當(dāng)前VNF需求預(yù)測(cè)方法準(zhǔn)確率較低且不適用于邊緣網(wǎng)絡(luò)的問(wèn)題，提出了一種適用于邊緣網(wǎng)絡(luò)的VNF需求預(yù)測(cè)方法。該方法考慮到邊緣網(wǎng)絡(luò)中網(wǎng)絡(luò)服務(wù)流量的特點(diǎn)，利用真實(shí)的網(wǎng)絡(luò)服務(wù)歷史數(shù)據(jù)將SVR和GRU模型組合，通過(guò)仿真證明了該方法能夠適當(dāng)降低誤差，提高預(yù)測(cè)準(zhǔn)確率。但本文對(duì)于邊緣資源不足時(shí)VNF的放置以及邊緣節(jié)點(diǎn)之間的協(xié)作策略并未透徹分析，后續(xù)將展開(kāi)深入研究。