鄧偉健，陳 曦，2*

（1.西南民族大學計算機科學與工程學院，成都 610041；2.電子科技大學信息與通信工程學院，成都 611731）

0 引言

新網(wǎng)絡協(xié)議、算法、架構(gòu)的先期研發(fā)依賴于網(wǎng)絡模擬仿真環(huán)境來開展，通過在硬件開發(fā)前對設計的協(xié)議及算法進行嚴格測試，來確保其能在實際網(wǎng)絡環(huán)境中運行。由于容器保留了基本完整的網(wǎng)絡協(xié)議棧，且相較于虛擬機，容器具有更高效的啟動和更少的性能開銷［1-2］，使得容器化技術(shù)開始流行起來，并為網(wǎng)絡實驗平臺的構(gòu)建提供了新的思路。在本文的前期工作中，結(jié)合Docker［3］和OVS（Open vSwitch）［4］技術(shù)設計并初步實現(xiàn)了容器化的網(wǎng)絡實驗平臺，成功構(gòu)建容器化虛擬網(wǎng)絡，并將其部署在物理宿主機上，用于高保真、易編程的網(wǎng)絡仿真。然而，在計算、網(wǎng)絡、存儲資源受限的物理宿主機上，要基于Docker+OVS 實現(xiàn)大規(guī)模網(wǎng)絡仿真［5］，網(wǎng)絡實驗平臺需要在虛擬網(wǎng)絡拓撲與物理宿主機計算集群之間進行合理、自動、高效地映射和必要的切塊部署，以保證分布式網(wǎng)絡仿真資源需求與負載平衡，提升網(wǎng)絡仿真的性能。因此，虛擬網(wǎng)絡映射算法設計是網(wǎng)絡實驗平臺設計的關(guān)鍵［6］。

事實上，學術(shù)界對相關(guān)問題已有相關(guān)研究，虛擬網(wǎng)絡映射（Virtual Network Embedding，VNE）問題［7-8］的求解具有相當高的復雜性甚至NP（Non-deterministic Polynomial）難［9］。早期學者通過純啟發(fā)式的方法對該問題進行求解［8］，但由于純啟發(fā)式求解可能會得到局部最優(yōu)解，利用元啟發(fā)式求解能有效解決局部最優(yōu)解問題，如文獻［10］提出一種基于蟻群元啟發(fā)式算法的可擴展映射策略；文獻［11］提出一種結(jié)合GRASP（Greedy Randomized Adaptative Search Procedure）和RVNS（Reduced Variable Neighborhood Search）元啟發(fā)式算法的混合算法，以及一種在線策略，該策略考慮了虛擬網(wǎng)絡映射的執(zhí)行速度，以確保最小的延遲，在多域環(huán)境中提供了快速的解決方案。近些年也有部分學者將強化學習應用到該問題上，如文獻［12］將虛擬網(wǎng)絡映射問題建模為馬爾可夫決策過程（Markov Decision Process，MDP），提出了一種基于時間差分學習（一種強化學習方法）的虛擬神經(jīng)網(wǎng)絡算法VNETD（Virtual Network Embedding base on Temporal-Difference learning）；文獻［13］針對云數(shù)據(jù)中心之間虛擬網(wǎng)絡映射的復雜性，設計了基于強化學習的預測模型。

現(xiàn)有文獻中的映射算法主要面向基于虛擬機的應用場景，主要從虛擬機資源分配高效性及映射成功率方面進行設計。本實驗平臺以Docker 技術(shù)構(gòu)建虛擬網(wǎng)絡，除了要考慮資源分配高效性和映射成功率之外，映射算法還需要結(jié)合Docker 自身的技術(shù)特點進行設計與優(yōu)化：1）Docker 容器模擬的虛擬網(wǎng)絡節(jié)點在宿主機上表現(xiàn)為低開銷進程，粒度更細，時變性更為明顯，因此要求映射算法具有更好的動態(tài)性，需對資源消耗及變化敏感、敏捷；2）Docker 作為輕量級虛擬化技術(shù)，不僅有利于構(gòu)建規(guī)模更大的虛擬網(wǎng)絡，還有望部署在多臺低配X86 宿主機上，兩者均要求充分考慮宿主機的資源受限特征，靈活地對虛擬網(wǎng)絡進行自動優(yōu)化切塊和映射；3）需結(jié)合OVS 等虛擬交換機的技術(shù)特征，對映射算法進行協(xié)同優(yōu)化，做到實際可部署。

因此，本文首先通過對松散的虛擬網(wǎng)絡設備進行聚合預處理；然后利用一種評分機制對聚合后的虛擬網(wǎng)絡節(jié)點進行選擇，利用廣度優(yōu)先與貪心策略將其映射到資源匹配的物理主機中；通過上述步驟使虛擬網(wǎng)絡切塊映射后更為緊湊；最后通過對已部署虛擬網(wǎng)絡的持續(xù)監(jiān)控，定時將資源利用情況反饋給映射模型，對虛擬網(wǎng)絡映射模型作運行時調(diào)整，以此提高物理資源利用率。

1 問題及模型描述

為方便闡述，這里以一個實例來介紹虛擬網(wǎng)絡切塊、映射、部署的流程。

1）虛擬網(wǎng)絡的拓撲結(jié)構(gòu)描述。假設用戶想要部署一個如圖1（a）所示的虛擬網(wǎng)絡（虛擬網(wǎng)絡規(guī)?？梢院艽螅@里為方便闡述，僅繪制一個2 個端系統(tǒng)、2 個路由器的拓撲結(jié)構(gòu)），該虛擬網(wǎng)絡可以采用JSON 文件格式描述，并由前端界面通過圖形化拖拽生成。

2）虛擬網(wǎng)絡的切塊與映射。①算法輸入，將JSON 文件作為算法的輸入，算法讀取虛擬網(wǎng)絡的拓撲結(jié)構(gòu)之后，根據(jù)現(xiàn)有各物理宿主機的剩余計算、網(wǎng)絡、存儲資源情況，決定是否對該虛擬網(wǎng)絡進行切塊和映射（若單臺宿主機能夠容納整個虛擬網(wǎng)絡則無需切塊和映射）、怎樣進行切塊和映射（具體算法后詳）。②算法輸出，若需要切塊和映射，則生成若干切塊JSON 文件，如圖1（b）部分所示。

3）虛擬網(wǎng)絡的部署。各物理宿主機收到切塊JSON 文件，各自按照JSON 的描述，利用Docker、OVS 等技術(shù)生成各類虛擬網(wǎng)元。這將涉及到網(wǎng)絡虛擬化，主要包括兩個方面：①節(jié)點虛擬化，使用Docker 容器模擬端系統(tǒng)、路由器等多層設備；使用OVS 技術(shù)模擬二層交換設備。②鏈路虛擬化，使用veth-pair［14］技術(shù)連接利用節(jié)點虛擬化得到的各類虛擬網(wǎng)元。

4）虛擬網(wǎng)絡的重新連接。虛擬網(wǎng)絡經(jīng)過切塊和映射之后，不同的切塊分別部署在不同的宿主機，在某些鏈路上破壞了虛擬網(wǎng)絡原有的拓撲結(jié)構(gòu)。因此，需要對其原有的拓撲結(jié)構(gòu)進行跨宿主機的重新連接，主要采用OVS+VXLAN（Virtual eXtensible Local Area Network）［15］通過隧道技術(shù)實現(xiàn)，如圖1 虛擬網(wǎng)絡切塊部分所示。考慮到OVS+VXLAN 隧道會造成一定的網(wǎng)絡性能損耗［15-16］，為了使虛擬網(wǎng)絡有較高的保真度，算法設計使應盡可能使同一次部署的虛擬網(wǎng)絡緊湊，減少跨底層物理主機鏈路，即：本算法不宜將原有的虛擬網(wǎng)絡切得過“碎”。

圖1 虛擬網(wǎng)絡切塊、映射、部署流程示意圖Fig.1 Schematic diagram of virtual network segmentation，mapping，and deployment process

1.1 物理網(wǎng)絡

本文網(wǎng)絡驗證平臺中，作為部署載體的底層物理環(huán)境具有較高的性能和一致性，其物理拓撲如圖2，由物理主機和交換機組成，各物理機連接到交換機上，構(gòu)成星型物理拓撲。將物理拓撲表示為無向圖Gp={Np，Lp}，其中Np=表示物理主機集合，Lp=表示物理鏈路集合。對于每臺物理主機，定義為物理主機擁有的可用資源矢量和，包括CPU、內(nèi)存、磁盤等；鏈路擁有的可用資源矢量和，如帶寬等。

圖2 物理網(wǎng)絡拓撲示意圖Fig.2 Schematic diagram of physical network topology

1.2 容器化虛擬網(wǎng)絡

為便于闡述，圖3 為一個較小規(guī)模的虛擬網(wǎng)絡拓撲，該網(wǎng)絡拓撲包含路由器、端系統(tǒng)、二層交換機等設備（亦稱網(wǎng)元），多個虛擬網(wǎng)絡設備組成局域網(wǎng)，局域網(wǎng)間通過域間路由設備連接。可見，該虛擬網(wǎng)絡能較為真實地反映現(xiàn)實網(wǎng)絡。利用本文網(wǎng)絡實驗平臺進行模擬仿真時，可多次部署不同的虛擬網(wǎng)絡拓撲，與物理網(wǎng)絡類似，采用無向圖表示第i次實驗部署的虛擬網(wǎng)絡，其中：表示第i次實驗部署的虛擬網(wǎng)絡設備集合；表示第i次實驗部署的虛擬鏈路集合。

圖3 虛擬網(wǎng)絡拓撲示意圖Fig.3 Schematic diagram of virtual network topology

1.3 虛擬網(wǎng)絡映射模型

虛擬網(wǎng)絡映射問題的本質(zhì)［12］是在物理資源受限的條件下將虛擬網(wǎng)絡拓撲圖映射到物理基礎設施拓撲圖中，即：將每個虛擬網(wǎng)絡設備映射到物理基礎設施，并實現(xiàn)虛擬網(wǎng)絡設備間虛擬鏈路與物理鏈路的映射。

綜上所述可以得出一個簡單的虛擬網(wǎng)絡映射模型：

其中：R(Gp)≥。

對于每臺物理主機與物理鏈路：

約束條件為：

1.4 基于時變資源的虛擬網(wǎng)絡映射模型

上述簡單模型中并沒有考慮到容器化輕量級虛擬網(wǎng)絡在運行過程中資源的動態(tài)變化情況：同一虛擬網(wǎng)絡設備在不同時段運行的業(yè)務不同，導致在不同時段對資源矢量的需求不同。僅為實驗前測量的理論值，由于Docker 的特殊性，其值在容器運行時并不恒為該值，甚至可能出現(xiàn)個別虛擬網(wǎng)絡設備實際運行時資源需求值與實驗前測量理論值相差較大的情況，因此，在下文模型中引入時間變量。

對于物理拓撲，R(Np，T)表示T時Np擁有的資源矢量，即在ti時擁有的資源矢量；同理，在ti時擁有的資源矢量。對于虛擬網(wǎng)絡拓撲，表示T時第i次實驗部署的需要的資源矢量；表示T時第i次實驗部署的需要的矢量和；表示為初始資源需求上限值，也稱理論值。

為了能更準確反映虛擬網(wǎng)絡設備在運行時的資源需求量實際值，對虛擬網(wǎng)絡設備運行時資源矢量占用量進行計算時可采用均值的方式。若tk時刻資源矢量占用為，每間隔Δt進行資源占用量記錄，則在tk+1時刻進行實際資源占用量計算時可采用如下方式：

綜上，可以得出如下映射時變模型：

對于每臺物理主機與物理鏈路：

約束條件為：

其中：α為理論值與實際值的平衡因子，根據(jù)Pareto 定律，在實際中可設定資源矢量負載因子為0.8。

1.5 優(yōu)化目標

由于跨物理主機鏈路映射時會造成網(wǎng)絡性能的損失，算法設計時，在符合約束條件情況下，應該使同一虛擬網(wǎng)絡內(nèi)的網(wǎng)元盡可能映射到同一物理主機，使得虛擬網(wǎng)絡設備的映射盡可能緊湊，因此以下給出模型優(yōu)化目標。

定義3跨主機鏈路占比Φ=，跨主機鏈路數(shù)=。

定義4Γ為映射到物理網(wǎng)絡拓撲中虛擬總虛擬網(wǎng)元數(shù)量，即虛擬網(wǎng)絡規(guī)模。

2 算法設計

本文通過對大規(guī)模虛擬網(wǎng)絡進行預處理，將網(wǎng)絡拓撲進行簡化；在對虛擬網(wǎng)絡設備進行映射時，先計算其聚集程度，將聚集程度高的優(yōu)先部署到資源最空閑的物理主機；通過廣度優(yōu)先對整個預處理后的虛擬網(wǎng)絡拓撲進行遍歷，完成每個虛擬網(wǎng)絡設備的映射。

2.1 虛擬網(wǎng)絡聚合

在本文的虛擬網(wǎng)絡實驗中，通常為一個三層網(wǎng)絡拓撲（如圖3 所示）。因此，可以以虛擬路由設備為基節(jié)點，將與路由網(wǎng)元連接的二層及以下的設備抽象聚合形成一個以虛擬路由設備為基節(jié)點的抽象聚合虛擬節(jié)點，如圖4 所示。

圖4 虛擬網(wǎng)絡聚合示意圖Fig.4 Schematic diagram of virtual network aggregation

設C(i，j)為以路由網(wǎng)元為基點的抽象聚合網(wǎng)元，則：

在對虛擬網(wǎng)絡進行預處理后，跨物理主機鏈路數(shù)量遠少于在同一主機內(nèi)虛擬鏈路數(shù)量，且物理鏈路的模擬仿真能力遠遠超于虛擬鏈路。為了進一步簡化算法，提高虛擬網(wǎng)絡映射效率，跨物理主機虛擬鏈路在預處理后可暫時不考慮。

2.2 虛擬聚合節(jié)點聚集度

經(jīng)上述對虛擬網(wǎng)絡拓撲進行預處理后，需要建立抽象聚合虛擬節(jié)點與物理主機之間的映射關(guān)系。為了使虛擬網(wǎng)絡設備盡可能緊湊，下文將引入聚集程度來對虛擬節(jié)點的重要性進行描述。

抽象聚合虛擬節(jié)點C(i，j)聚集程度計算公式如下：

其中：ρ(i，j)表示C(i，j)的聚集程度；D(i，j)為C(i，j)無向圖的度；D(i，k)為C(i，j)鄰接抽象聚合網(wǎng)元的度；Di為第i次部署的整個虛擬網(wǎng)絡的度。

通過以上步驟計算每個抽象聚合虛擬節(jié)點的聚集程度，對抽象聚合虛擬節(jié)點按其聚集程度進行排序，聚集程度越高，則認為該抽象聚合虛擬節(jié)點越重要，在映射時進行優(yōu)先選擇。

2.3 基于時變資源模型的廣度優(yōu)先搜索算法

廣度優(yōu)先搜索（Breadth First Search，BFS）算法通過先訪問圖中的節(jié)點x，隨后依次將x鄰接節(jié)點中沒有被訪問過的節(jié)點加入后續(xù)訪問隊列中，然后分別從這些節(jié)點出發(fā)，依次訪問隊列中各節(jié)點的鄰接節(jié)點，直到圖中所有已被訪問的節(jié)點的鄰接節(jié)點都被訪問過。如果上述過程結(jié)束后，依然有節(jié)點未被訪問，就選擇圖中一個未被訪問的節(jié)點作為初始節(jié)點y，重復上述過程，直到圖中所有節(jié)點都被訪問。

可見使用廣度優(yōu)先搜索算法對聚集程度高的聚合虛擬節(jié)點進行優(yōu)先搜索后，可以使得虛擬網(wǎng)絡中節(jié)點的映射更加緊湊，使虛擬網(wǎng)絡中相鄰的節(jié)點在被映射后仍然保持鄰接關(guān)系，也達到減少跨物理主機虛擬鏈路的目的，降低虛擬網(wǎng)絡性能的損耗?；跁r變資源模型的廣度優(yōu)先搜索（Time Varying-BFS，TV-BFS）算法中，初始聚合虛擬節(jié)點和物理主機的選擇是關(guān)鍵。在虛擬網(wǎng)絡拓撲進行預處理后，通過計算抽象聚合虛擬節(jié)點的聚集程度，選擇聚集程度高的抽象聚合虛擬節(jié)點為廣度優(yōu)先搜索的初始點，選擇該時刻時變資源模型中，擁有資源矢量最多的物理主機為映射的初始對象。

綜上所述，下面給出基于時變資源模型的廣度優(yōu)先搜索算法（TV-BFS）偽代碼。

3 實驗與結(jié)果分析

對上述虛擬網(wǎng)絡映射算法進行性能測試，評價指標除了部署的網(wǎng)元數(shù)量外，還包含網(wǎng)元間網(wǎng)絡性能（如抖動、丟包率等）指標；并同基于廣度優(yōu)先搜索的映射方法［17］、基于遺傳算法（Genetic Algorithm，GA）的映射方法［18］、基于粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法的映射方法［19］進行了性能對比。

3.1 實驗環(huán)境

實驗通過本平臺的前端系統(tǒng)設計生成大規(guī)模虛擬網(wǎng)絡拓撲，網(wǎng)絡拓撲中包含多種網(wǎng)元，包括二層交換設備、路由設備、運行不同業(yè)務的服務器、客戶端等，且每類網(wǎng)元對資源的需求不相同，相同種類網(wǎng)元運行的業(yè)務也可能不相同。圖5為本實驗平臺的架構(gòu)簡圖。

圖5 網(wǎng)絡實驗平臺架構(gòu)簡圖Fig.5 Diagram of network test platform architecture

圖5 中：

1）Topology-design 為前端拓撲設計；

2）Docker-Registry 為各類型虛擬網(wǎng)絡設備鏡像倉庫；

3）VNE 為虛擬網(wǎng)絡映射算法；

4）Worker-Monitor 為監(jiān)控模塊，包括物理主機和容器及網(wǎng)絡的監(jiān)控；

5）Container-Monitor 為監(jiān)控運行時的容器及其網(wǎng)絡；

6）Topology-Build 為拓撲構(gòu)建模塊，完成虛擬網(wǎng)絡拓撲的實際部署。

為了更直觀地展現(xiàn)基于時變模型的廣度優(yōu)先搜索算法，本次實驗中通過以下兩種方式部署不同的虛網(wǎng)絡拓撲：1）一次性部署不同規(guī)模的虛擬網(wǎng)絡拓撲，即每次部署完成后先將上一次部署的網(wǎng)絡拓撲銷毀，再進行更大規(guī)模的部署，直至到達物理宿主機能容納的虛擬網(wǎng)絡規(guī)模上限為止，該部署方式對應靜態(tài)部署場景；2）多次地追加部署虛擬網(wǎng)絡拓撲，即不銷毀之前部署的網(wǎng)絡拓撲，追加地部署新的網(wǎng)絡拓撲，直至到達物理宿主機能容納的虛擬網(wǎng)絡規(guī)模上限為止，該部署方式對應多用戶同時部署或單用戶多次部署的動態(tài)部署場景。實驗平臺監(jiān)控模塊，每20 s 更新一次監(jiān)控數(shù)據(jù)，即Δt=20。部署完成后采用iperf、ping 等工具對網(wǎng)絡性能進行測試。

在進行虛擬網(wǎng)絡部署前需要獲取各類網(wǎng)元在虛擬網(wǎng)絡運行時所需的初始資源矢量（即理論值）。本文通過在表1 規(guī)格的物理主機中部署相當規(guī)模的網(wǎng)絡拓撲并在網(wǎng)元中運行業(yè)務后，進行數(shù)據(jù)收集得到如表2，該表表明了生成虛擬網(wǎng)絡網(wǎng)元時，CPU 及內(nèi)存的初始配置，實際運行中該值不固定，根據(jù)虛擬網(wǎng)元運行的業(yè)務和應用按需分配，具有時變特征。

表1 物理主機配置Tab.1 Configuration of physical hosts

表2 部分網(wǎng)元資源使用理論值數(shù)據(jù)Tab.2 Part theoretical value data of network element resource usage

3.2 實驗結(jié)果與分析

在實驗過程中，由于Docker 采用輕量級虛擬化技術(shù)對網(wǎng)絡節(jié)點進行構(gòu)建，內(nèi)含較完整的TCP/IP 協(xié)議棧，即基于Docker 構(gòu)建的虛擬網(wǎng)絡也是一個實際運行著的網(wǎng)絡，具有高保真特性，完整地再現(xiàn)了網(wǎng)絡的整個流程（包括DHCP 的IP地址分配、路由發(fā)現(xiàn)等控制平面行為），其代價就是在配置較低的物理宿主機上部署時間為分鐘級。盡管如此，如圖6（a）和圖7（a）可見，部署100 個節(jié)點左右的網(wǎng)絡僅5～8 min，考慮到其高保真的良好特性，可以較好地用于網(wǎng)絡研究，該部署時間在可接受范圍；同時，利用更高配置的物理宿主機將較好地改善該問題。以下通過不同的實驗場景來對四種虛擬網(wǎng)絡映射算法結(jié)果進行分析。

3.2.1 靜態(tài)部署

圖6 為在靜態(tài)部署場景下四種映射算法的實驗結(jié)果，該場景下部署的虛擬網(wǎng)元資源初始估值均以計算?？梢钥吹诫S著虛擬網(wǎng)絡規(guī)模的增長，底層物理資源使用量均呈上升態(tài)勢。TV-BFS 和BFS 算法在680 網(wǎng)元左右開始出現(xiàn)跨宿主機鏈路，即虛擬網(wǎng)絡開始進行分布式部署，而兩種啟發(fā)式算法（PSO 和GA）則在400 網(wǎng)元左右開始進行虛擬網(wǎng)絡分布式部署。盡管PSO 和GA 擁有更為均衡的資源利用，且在部署時間上有一定的優(yōu)勢，但在同等規(guī)模虛擬網(wǎng)絡拓撲中PSO 和GA 需要建立更多的跨宿主機鏈路（即Φ更大）；因此，從圖7 靜態(tài)場景下，向虛擬網(wǎng)絡中注入流量后網(wǎng)絡性能比較中可以看到，PSO 和GA 網(wǎng)絡抖動上升較TV-BFS 和BFS 更快，網(wǎng)絡抖動曲線位于后兩者上方，在虛擬網(wǎng)絡規(guī)模為300網(wǎng)元后尤為明顯：網(wǎng)絡規(guī)模從400 網(wǎng)元增加到860 過程中，TV-BFS 網(wǎng)絡抖動從0.014 ms 上升到0.039 ms，此時PSO 和GA 分別從0.038 ms、0.03 ms 上升到0.097 ms、0.093 ms。隨著網(wǎng)絡規(guī)模的增大，差距越明顯。這表明僅僅簡單地對資源進行分布式部署，而不考慮跨宿主機鏈路的資源損耗，將對用戶在虛擬網(wǎng)絡上進行高保真的網(wǎng)絡實驗帶來不利的影響。尤其是，用戶在實驗過程中看到的是一體化的虛擬網(wǎng)絡，分布式映射和部署對于用戶而言是透明的，過多的跨宿主機鏈路造成的時延等方面額外損耗可能和實際的網(wǎng)絡性能表現(xiàn)有較大出入。因此TV-BFS 和BFS 在較少額外部署時間開銷的情況下，在實驗性能的保真度上更具優(yōu)勢。

圖6 網(wǎng)絡靜態(tài)部署實驗Fig.6 Network static deployment experiment

圖7 網(wǎng)絡動態(tài)部署實驗Fig.7 Network dynamic deployment experiment

3.2.2 動態(tài)部署

圖8 為在動態(tài)部署場景下四種映射算法的實驗結(jié)果。在該實驗中初次部署100 多網(wǎng)元的虛擬網(wǎng)絡拓撲，隨后每次追加約為100 網(wǎng)元規(guī)模的不同類型（如星型、樹型等）的虛擬網(wǎng)絡拓撲?？梢钥闯觯琓V-BFS 能部署1 400 多網(wǎng)元的虛擬網(wǎng)絡拓撲，而兩種啟發(fā)式算法（PSO 和GA）部署1 000 多網(wǎng)元的虛擬網(wǎng)絡拓撲，BFS 部署900 多網(wǎng)元虛擬網(wǎng)絡拓撲；即TVBFS 更能充分利用底層物理資源，在同等規(guī)格的物理資源條件下，部署更大規(guī)模的虛擬網(wǎng)絡（即Γ更大），同時幾種映射算法的部署時間也大致相同。從圖9 動態(tài)場景下向，虛擬網(wǎng)絡注入流量后網(wǎng)絡性能比較中可以看到，即使TV-BFS 部署了更大規(guī)模的虛擬網(wǎng)絡，但其網(wǎng)絡性能仍優(yōu)于其余三種算法，在網(wǎng)絡規(guī)模為500 多網(wǎng)元后，其網(wǎng)絡抖動曲線明顯位于最下方。而兩種啟發(fā)式算法（PSO 和GA）隨著網(wǎng)絡規(guī)模的增大，網(wǎng)絡抖動變化越劇烈。網(wǎng)絡規(guī)模從400 網(wǎng)元上升到860過程中，TV-BFS 網(wǎng)絡抖動從0.015 ms 上升到0.03 ms，此時PSO 和GA 分別從0.04 ms、0.038 ms 上升到0.1 ms、0.12 ms，且在網(wǎng)元數(shù)量超過1 300 時，TV-BFS 網(wǎng)絡抖動仍然維持在0.1 ms 以下。

圖8 流量注入網(wǎng)絡性能比較（靜態(tài)部署）Fig.8 Comparison of traffic injection network performance（static deployment）

圖9 流量注入網(wǎng)絡性能比較（動態(tài)部署）Fig.9 Comparison of traffic injection network performance（dynamic deployment）

從上述兩種部署場景可以看出，在靜態(tài)場景下，TV-BFS通過虛擬網(wǎng)元聚合的前置處理能保證具有緊密關(guān)系間的網(wǎng)元盡可能緊湊，減少了跨宿主機鏈路的建立，使網(wǎng)絡性能得到保障；而在動態(tài)場景下，TV-BFS 通過對時變模型中資源評估進行動態(tài)調(diào)節(jié)，將網(wǎng)元實際的資源消耗量與理論資源消耗量進行加權(quán)調(diào)整，能更有效利用底層物理資源，相比其余三種映射算法能部署更大規(guī)模的虛擬網(wǎng)絡。PSO 和GA 盡管能獲得更均衡的負載，但也增加了跨主機鏈路數(shù)，導致網(wǎng)絡性能下降，因此，采用TV-BFS 能很好地兼顧網(wǎng)絡性能與底層物理資源使用率。

4 結(jié)語

本文提出的基于時變資源的容器化虛擬網(wǎng)絡映射模型，用于解決容器化虛擬網(wǎng)絡模擬仿真實驗平臺中大規(guī)模網(wǎng)絡切塊映射部署問題，結(jié)合容器平臺資源需求動態(tài)變化特征，可有效提高底層物理資源的利用率，同時使虛擬網(wǎng)絡的網(wǎng)絡性能得到有效保證。

由于大規(guī)模模擬仿真實驗中的虛擬網(wǎng)絡映射問題涉及到單個虛擬網(wǎng)絡設備與周邊虛擬網(wǎng)絡設備協(xié)同優(yōu)化的問題，本文基于時變資源的容器化虛擬網(wǎng)絡映射模型考慮了虛擬網(wǎng)絡設備及其鄰接設備的關(guān)系，同時也考慮了Docker 平臺容器化的虛擬網(wǎng)絡設備時變資源的特點，給大規(guī)模網(wǎng)絡實驗平臺在進行虛擬網(wǎng)絡切塊映射部署時提供了一種新思路。實驗結(jié)果表明，在靜態(tài)與動態(tài)部署場景中，基于時變資源模型的廣度優(yōu)先搜索算法，在底層資源利用率和網(wǎng)絡性能等方面更有優(yōu)勢。下一步的工作是嘗試使用機器學習算法，對不同網(wǎng)元資源的使用特征進行學習，對其下一時段的資源使用進行預測，進一步提高映射算法對底層資源的利用率與算法的可靠性。