黃萬(wàn)偉 李 松 張超欽 王蘇南 張校輝

①(鄭州輕工業(yè)大學(xué)軟件學(xué)院 鄭州 450002)

②(鄭州輕工業(yè)大學(xué)計(jì)算機(jī)與通信工程學(xué)院 鄭州 450001)

③(深圳職業(yè)技術(shù)學(xué)院電子與通信工程學(xué)院 深圳 518005)

④(河南信安通信技術(shù)股份有限公司 鄭州 450000)

1 引言

5G網(wǎng)絡(luò)旨在為用戶提供高速率、低延遲的多樣化網(wǎng)絡(luò)功能定制服務(wù)，這些網(wǎng)絡(luò)功能服務(wù)通常以服務(wù)功能鏈[1](Service Function Chain， SFC)的形式提供給用戶。傳統(tǒng)網(wǎng)絡(luò)功能服務(wù)中網(wǎng)絡(luò)功能(如防火墻、深度數(shù)據(jù)包檢測(cè)、入侵檢測(cè)等)都部署在專用硬件設(shè)備上，網(wǎng)絡(luò)功能與專用硬件存在較強(qiáng)的耦合性，使SFC存在更新難、成本高和維護(hù)性差等問(wèn)題。網(wǎng)絡(luò)功能虛擬化[2](Network Function Virtualization， NFV)和軟件定義網(wǎng)絡(luò)[3](Software Defined Networking， SDN)技術(shù)將網(wǎng)絡(luò)功能虛擬化，擺脫專用硬件設(shè)備的限制，以虛擬網(wǎng)絡(luò)功能[4](Virtualization Network Function， VNF)的形式運(yùn)行在通用硬件設(shè)備平臺(tái)上，通過(guò)SDN控制器對(duì)服務(wù)功能鏈請(qǐng)求(SFC Request， SFCR)進(jìn)行統(tǒng)一管理，利用流量管控能力引導(dǎo)流量按序通過(guò)VNFs，從而生成SFC路徑。

網(wǎng)絡(luò)功能種類繁多，每類網(wǎng)絡(luò)功能有多個(gè)虛擬網(wǎng)絡(luò)功能實(shí)例[5](VNF Instance， VNFI)。隨著服務(wù)功能鏈長(zhǎng)度的增加，符合SFCR的可選路徑數(shù)目呈超指數(shù)級(jí)增長(zhǎng)?？紤]到實(shí)際網(wǎng)絡(luò)服務(wù)請(qǐng)求中用戶對(duì)網(wǎng)絡(luò)功能的需求具有多樣性與可變性，針對(duì)原需求的路徑生成方案不能較好地適用于新需求路徑生成，造成路徑時(shí)延大、負(fù)載能力小，不具有泛化性?；谝陨戏治?，如何在眾多SFC路徑中選擇一條時(shí)延與負(fù)載能力綜合評(píng)價(jià)較優(yōu)的服務(wù)功能路徑是當(dāng)前SFC路徑選擇問(wèn)題的研究重點(diǎn)。Liu等人[6]通過(guò)優(yōu)化中間件放置位置，以端到端延遲作為評(píng)價(jià)標(biāo)準(zhǔn)，可以有效降低路徑時(shí)延，但是在給定網(wǎng)絡(luò)信息和策略規(guī)范的情況下，不能適用于節(jié)點(diǎn)變化的情況；Bremler-Barr等人[7]通過(guò)將來(lái)自不同服務(wù)請(qǐng)求中相同的虛擬網(wǎng)絡(luò)功能進(jìn)行合并，實(shí)現(xiàn)虛擬網(wǎng)絡(luò)功率實(shí)例復(fù)用，減少功能實(shí)例個(gè)數(shù)以提高路徑選擇效率，但沒(méi)考慮節(jié)點(diǎn)的負(fù)載能力，造成節(jié)點(diǎn)負(fù)載率過(guò)大。

隨著人工智能技術(shù)的興起，智能化SFC路徑選擇成為當(dāng)前研究熱點(diǎn)。Gu等人[8]設(shè)計(jì)了一個(gè)用模型輔助的深度強(qiáng)化學(xué)習(xí)框架實(shí)現(xiàn)SFC的業(yè)務(wù)調(diào)度，但模型訓(xùn)練消耗時(shí)間過(guò)長(zhǎng)，且不能適用于動(dòng)態(tài)變化的SFCR；Subramanya等人[9]采用神經(jīng)網(wǎng)絡(luò)的方法預(yù)測(cè)所需的虛擬網(wǎng)絡(luò)功能實(shí)例數(shù)量來(lái)實(shí)現(xiàn)自動(dòng)縮放，利用整數(shù)線性規(guī)劃進(jìn)行SFC路徑選擇從而達(dá)到了最小時(shí)延，但未考慮節(jié)點(diǎn)負(fù)載能力，造成路徑負(fù)載過(guò)大，業(yè)務(wù)處理效率降低，影響服務(wù)質(zhì)量(Quality of Service，QoS)。綜上所述，目前傳統(tǒng)的SFC路徑選擇算法和基于機(jī)器學(xué)習(xí)的智能路徑選擇主要存在兩個(gè)問(wèn)題：(1)泛化性弱，針對(duì)的是單一SFCR下的路徑生成，不能很好地適應(yīng)實(shí)時(shí)多變的SFCR。(2)評(píng)價(jià)機(jī)制不完備，大多數(shù)路徑選擇都只以路徑時(shí)延作為評(píng)價(jià)標(biāo)準(zhǔn)，未考慮節(jié)點(diǎn)負(fù)載能力，易造成路徑擁堵。

針對(duì)上述問(wèn)題，本文基于圖注意力網(wǎng)絡(luò)(Graph ATtention network， GAT)[10]中注意力機(jī)制(attention mechanism)針對(duì)節(jié)點(diǎn)特征對(duì)邊進(jìn)行聚合的能力，提出一種服務(wù)功能鏈路徑注意力模型(SFC-GAT)。將SFC路徑圖重構(gòu)為帶權(quán)有向圖結(jié)構(gòu)，功能節(jié)點(diǎn)與邏輯鏈路的屬性進(jìn)行向量化表示；以相鄰的兩列節(jié)點(diǎn)構(gòu)成的全連接網(wǎng)絡(luò)作為一個(gè)訓(xùn)練層，采用attention機(jī)制，得到節(jié)點(diǎn)之間注意力權(quán)重，對(duì)其進(jìn)行加權(quán)求和后得到預(yù)測(cè)路徑，通過(guò)與真實(shí)標(biāo)簽對(duì)比對(duì)SFC-GAT進(jìn)行更新，使模型精度逐漸提高；在存在多條服務(wù)路徑或SFCR變更的情況下，經(jīng)過(guò)訓(xùn)練的SFC-GAT能優(yōu)選時(shí)延與負(fù)載能力綜合評(píng)價(jià)指數(shù)較好的服務(wù)功能路徑生成方案。

本文主要貢獻(xiàn)概括如下：

(1)分析傳統(tǒng)SFC路徑生成與智能化SFC路徑生成策略中普遍存在泛化能力弱、評(píng)價(jià)機(jī)制不完備問(wèn)題，基于圖注意力網(wǎng)絡(luò)的注意力機(jī)制能針對(duì)節(jié)點(diǎn)特征對(duì)邊進(jìn)行聚合的能力，提出了一種服務(wù)功能鏈路徑注意力模型(Service Function Chain-Graph ATtention network， SFC-GAT)。

(2)建立SFC路徑選擇圖重構(gòu)規(guī)則，增強(qiáng)對(duì)不同SFCR情況下網(wǎng)絡(luò)拓?fù)涞姆夯芰?；使用圖注意力網(wǎng)絡(luò)對(duì)SFC重構(gòu)后路徑選擇圖進(jìn)行優(yōu)化訓(xùn)練，得到路徑時(shí)延和節(jié)點(diǎn)負(fù)載能力對(duì)選擇路徑評(píng)價(jià)質(zhì)量的重要指數(shù)，從而提高路徑對(duì)鏈路時(shí)延和負(fù)載能力的綜合評(píng)價(jià)指數(shù)。

2 相關(guān)研究

2.1 服務(wù)功能鏈

服務(wù)功能鏈?zhǔn)侵父鶕?jù)用戶需求將VNF按網(wǎng)絡(luò)流量通過(guò)的順序所構(gòu)成的一條順序邏輯鏈[11]，在SDNNFV環(huán)境下，一個(gè)網(wǎng)絡(luò)功能節(jié)點(diǎn)可以部署多種不同的網(wǎng)絡(luò)功能實(shí)例。圖1為SDNNFV環(huán)境下服務(wù)功能鏈路拓?fù)浣Y(jié)構(gòu)圖，在SDNNFV環(huán)境下，服務(wù)功能鏈拓?fù)浣Y(jié)構(gòu)圖是一個(gè)無(wú)向圖，網(wǎng)絡(luò)流量轉(zhuǎn)發(fā)業(yè)務(wù)全部通過(guò)SDN控制器進(jìn)行轉(zhuǎn)發(fā)。SFC路徑選擇問(wèn)題在結(jié)構(gòu)上與傳統(tǒng)網(wǎng)絡(luò)路由選擇問(wèn)題類似，大量研究都是將端到端時(shí)延作為服務(wù)功能鏈路徑選擇質(zhì)量的主要評(píng)價(jià)指標(biāo)，忽視了其他指標(biāo)對(duì)路徑質(zhì)量的影響。Gu等人[12]提出了基于分層圖的SFC編排方案，以延遲作為分層圖中鏈路權(quán)值，并基于模擬退火的批量處理算法尋找最短服務(wù)路徑，但未考慮網(wǎng)絡(luò)節(jié)點(diǎn)負(fù)載情況，鏈路資源利用率低。Clayman等人[13]提出了服務(wù)功能鏈路徑選擇問(wèn)題的動(dòng)態(tài)優(yōu)化部署模型，分別設(shè)計(jì)了針對(duì)負(fù)載均衡、降低路徑花銷和保障QoS 3個(gè)目標(biāo)的優(yōu)化算法，但缺乏對(duì)多種類型參數(shù)的聯(lián)合優(yōu)化。

圖1 SDNNFV環(huán)境下服務(wù)功能鏈拓?fù)浣Y(jié)構(gòu)圖

2.2 圖注意力網(wǎng)絡(luò)

3 SFC-GAT模型

3.1 模型約束

(1)將服務(wù)功能鏈路拓?fù)浣Y(jié)構(gòu)圖進(jìn)行重構(gòu)為有向圖G=(u，V，E)，u表示SFCR，是選擇SFC路徑的約束條件。V表示網(wǎng)絡(luò)功能實(shí)例節(jié)點(diǎn)的集合，E表示虛擬鏈路的集合。

(2)基于SFCR對(duì)虛擬網(wǎng)絡(luò)功能順序的約束，相鄰的兩個(gè)功能節(jié)點(diǎn)在物理鏈路中并不一定是相鄰關(guān)系，故在構(gòu)建過(guò)程忽略物理鏈路中節(jié)點(diǎn)的位置關(guān)系，只考慮節(jié)點(diǎn)之間邏輯鏈路關(guān)系，采用虛線指向性箭頭表示節(jié)點(diǎn)間的鏈接關(guān)系，以表示節(jié)點(diǎn)在物理鏈路中不確定的相鄰關(guān)系。虛線權(quán)值代表該鏈路時(shí)延(傳輸時(shí)延+響應(yīng)時(shí)延)。

(3)在SDNNFV環(huán)境中，VNF往往是多實(shí)例進(jìn)行部署，故將同一類型的VNF排在一列。節(jié)點(diǎn)的權(quán)值代表當(dāng)前節(jié)點(diǎn)的負(fù)載能力，從而形成N層的圖結(jié)構(gòu)。

圖2 圖注意力層操作圖

相關(guān)性得分表示該列節(jié)點(diǎn)相對(duì)重要性，滿足

3.2 SFC-GAT模型架構(gòu)

SFC-GAT是結(jié)合SFC路徑選擇圖與圖注意力網(wǎng)絡(luò)而構(gòu)建的模型，旨在通過(guò)圖注意力網(wǎng)絡(luò)所具有的靈活、結(jié)構(gòu)化的輸入輸出特點(diǎn)和根據(jù)節(jié)點(diǎn)特征對(duì)邊進(jìn)行聚合的能力，從而對(duì)SFC路徑選擇做出精準(zhǔn)預(yù)測(cè)。SFC-GAT模型由圖構(gòu)建、信息傳遞和整合預(yù)測(cè)3部分組成，如圖4所示。

圖4 SFC-GAT模型

(1)圖構(gòu)建：將服務(wù)功能鏈路拓?fù)浣Y(jié)構(gòu)圖重構(gòu)為帶權(quán)有向圖結(jié)構(gòu)，將每個(gè)虛擬網(wǎng)絡(luò)功能實(shí)例作為一個(gè)節(jié)點(diǎn)，按SFCR對(duì)節(jié)點(diǎn)進(jìn)行排列，同一列為具有相同網(wǎng)絡(luò)功能的虛擬網(wǎng)絡(luò)功能節(jié)點(diǎn)，后一列是前一列網(wǎng)絡(luò)流或業(yè)務(wù)的流向方向。若SFCR長(zhǎng)度為N，生成圖則對(duì)應(yīng)一個(gè)N×N的矩陣。

圖3 重構(gòu)后服務(wù)功能鏈路徑選擇圖

3.3 路徑性能評(píng)估

4 SFC-GAT映射

4.1 圖構(gòu)建

4.2 消息傳遞

4.3 整合預(yù)測(cè)

在消息傳遞過(guò)程中通過(guò)更新節(jié)點(diǎn)表示，根據(jù)每

1.1 試驗(yàn)材料 “新超越”黃瓜種子由蘇州市種子管理站提供。“苗壯素”由蘇州農(nóng)業(yè)職業(yè)技術(shù)學(xué)院、蘇州科技大學(xué)合作研制，其主要成分為6類微生物(表1)與黃腐殖酸配制而成的特殊生物制劑。其組成成分中微生物成分占10%，微生物營(yíng)養(yǎng)占8%(4%的有機(jī)酸和4%的海草灰)，其他成分占82%(基于葡萄糖的培養(yǎng)基)，具有微生物菌群多、營(yíng)養(yǎng)互補(bǔ)、功能強(qiáng)等特點(diǎn)。

5 仿真實(shí)驗(yàn)

5.1 參數(shù)設(shè)置

為了對(duì)SFC-GAT模型選擇服務(wù)功能鏈路徑的性能進(jìn)行驗(yàn)證，該實(shí)驗(yàn)運(yùn)行在i5-10600KF-CPU，16 GB-DDR4內(nèi)存和兩塊GTX-1080 8GB顯卡的設(shè)備上，基于Python3.5，tensorflow1.6-gpu進(jìn)行仿真實(shí)驗(yàn)。使用Networkx按照Waxman-Salam模型隨機(jī)生成網(wǎng)絡(luò)拓?fù)?，網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù)為10，每個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)能提供的負(fù)載能力為10 Mb/s，網(wǎng)絡(luò)中可提供10種不同種類的網(wǎng)絡(luò)功能，每類網(wǎng)絡(luò)功能可選擇實(shí)例數(shù)為1～3個(gè)。在該網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中各功能實(shí)例隨機(jī)分布在所有節(jié)點(diǎn)中，任意相鄰節(jié)點(diǎn)間的鏈路總時(shí)延在1～10 ms。

圖5為Networkx所生成網(wǎng)絡(luò)拓?fù)涫疽鈭D，圖中節(jié)點(diǎn)屬性包括網(wǎng)絡(luò)功能節(jié)點(diǎn)名稱、所部署功能實(shí)例以及當(dāng)前節(jié)點(diǎn)所剩負(fù)載大小，邊的屬性為鏈路時(shí)延。服務(wù)請(qǐng)求中的源節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)在網(wǎng)絡(luò)中隨機(jī)選擇，服務(wù)功能鏈請(qǐng)求由2～10個(gè)互不相同的網(wǎng)絡(luò)功能隨機(jī)組成，每次服務(wù)請(qǐng)求中占網(wǎng)絡(luò)節(jié)點(diǎn)負(fù)載為1 Mb/s，考慮到隨著實(shí)驗(yàn)進(jìn)行，網(wǎng)絡(luò)節(jié)點(diǎn)會(huì)被重復(fù)利用，節(jié)點(diǎn)的負(fù)載能力會(huì)逐漸下降，因此規(guī)定一個(gè)服務(wù)請(qǐng)求在經(jīng)過(guò)3次請(qǐng)求后會(huì)釋放該次請(qǐng)求所占的網(wǎng)絡(luò)節(jié)點(diǎn)的負(fù)載。為了提高算法評(píng)估的精確性，采用蒙特卡洛方法，在每個(gè)實(shí)驗(yàn)場(chǎng)景下都進(jìn)行了100組仿真測(cè)試，取100組仿真測(cè)試的平均值作為測(cè)試結(jié)果。

圖5 Networkx生成網(wǎng)絡(luò)拓?fù)涫疽鈭D

表1 GAT-SFC路徑優(yōu)化算法

5.2 路徑優(yōu)化效果分析

本文從SFC平均路徑時(shí)延、平均路徑負(fù)載能力和路徑綜合評(píng)價(jià)指數(shù)3方面對(duì)SFC路徑選擇優(yōu)化效果進(jìn)行對(duì)比，對(duì)比方法選擇了約束最短路徑算法(Constrained Shortest Path， CSP)和最小過(guò)載算法[15](Least Busy Path， LBP)。其中，CSP是通過(guò)路徑矩陣來(lái)計(jì)算每組實(shí)例節(jié)點(diǎn)的累計(jì)時(shí)延，使用回溯搜索符合SFCR的最短時(shí)延路徑；LBP將每個(gè)功能可選的功能實(shí)例節(jié)點(diǎn)的剩余負(fù)載進(jìn)行排序，并選擇剩余負(fù)載最大的節(jié)點(diǎn)。為了驗(yàn)證本模型對(duì)SFC路徑生成具有良好的泛化能力，分別設(shè)計(jì)了在兩種情景下對(duì)生成路徑的優(yōu)化效果進(jìn)行評(píng)估。其中：(1)SFCR不變時(shí)，網(wǎng)絡(luò)中網(wǎng)絡(luò)功能實(shí)例個(gè)數(shù)變化對(duì)SFC路徑時(shí)延和節(jié)點(diǎn)負(fù)載能力的影響；(2)SFCR變化時(shí)，服務(wù)功能鏈長(zhǎng)度對(duì)SFC路徑時(shí)延和節(jié)點(diǎn)負(fù)載能力的影響。

5.2.1 訓(xùn)練優(yōu)化

為了避免模型在與對(duì)比算法開(kāi)始對(duì)比時(shí)誤差過(guò)大，需先對(duì)模型進(jìn)行前期訓(xùn)練以提高模型的對(duì)優(yōu)選路徑的準(zhǔn)確率。圖6給出了在SFCR長(zhǎng)度為5時(shí)以時(shí)延和負(fù)載能力為特征，SFC-GAT模型損失值和準(zhǔn)確率優(yōu)化訓(xùn)練過(guò)程，總訓(xùn)練次數(shù)為500次。從圖6(a)可以看出，隨著訓(xùn)練次數(shù)的增加，損失值呈逐漸降低的趨勢(shì)；圖6(b)可以看出，隨著訓(xùn)練次數(shù)的增加，優(yōu)選路徑的準(zhǔn)確率呈現(xiàn)逐漸增高的趨勢(shì)，并在訓(xùn)練約470次之后模型預(yù)測(cè)準(zhǔn)確率達(dá)到85%。

圖6 SFC-GAT模型損失值和準(zhǔn)確率優(yōu)化訓(xùn)練過(guò)程

5.2.2 SFCR不變時(shí)路徑選擇優(yōu)化

本次實(shí)驗(yàn)旨在發(fā)現(xiàn)在給定SFCR情況下，SFCGAT模型能否在給定的網(wǎng)絡(luò)拓?fù)湎聦ふ业捷^低時(shí)延且具有較高負(fù)載能力的SFC路徑。圖7(a)給出了在SFCR長(zhǎng)度為5的情況下，路徑時(shí)延隨網(wǎng)絡(luò)功能實(shí)例個(gè)數(shù)變化的仿真結(jié)果，仿真結(jié)果取100次隨機(jī)實(shí)驗(yàn)的平均值。從圖7(a)可以看出，由于CSP算法是根據(jù)滿足SFCR下的最短時(shí)延路徑，因此路徑時(shí)延最低；經(jīng)過(guò)訓(xùn)練后的SFC-GAT模型是將路徑時(shí)延作為綜合路徑優(yōu)化目標(biāo)的一部分，生成路徑的時(shí)延略高于CSP；而LBP是根據(jù)節(jié)點(diǎn)剩余負(fù)載選擇，對(duì)路徑時(shí)延并無(wú)要求，因此選擇路徑時(shí)延遠(yuǎn)大于其他兩種。

圖7(b)給出了與在SFCR長(zhǎng)度為5的情況下，路徑負(fù)載能力隨網(wǎng)絡(luò)功能實(shí)例個(gè)數(shù)變化的仿真結(jié)果，仿真結(jié)果取100次隨機(jī)實(shí)驗(yàn)的平均值。從圖7(b)可以看出，LBP是針對(duì)節(jié)點(diǎn)負(fù)載能力性能選擇SFC，因此它對(duì)SFC節(jié)點(diǎn)負(fù)載能力優(yōu)化效果最好；SFCGAT將負(fù)載能力作為一個(gè)優(yōu)化目標(biāo)，得到的SFC負(fù)載優(yōu)化效果與LBP算法接近；而CSP在選擇服務(wù)路徑時(shí)沒(méi)有考慮節(jié)點(diǎn)負(fù)載能力，因此路徑負(fù)載能力最差。在實(shí)驗(yàn)過(guò)程中，每經(jīng)過(guò)3次請(qǐng)求，節(jié)點(diǎn)會(huì)釋放1次請(qǐng)求所占負(fù)載，因此隨著功能實(shí)例個(gè)數(shù)的增加，節(jié)點(diǎn)負(fù)載釋放的比例會(huì)增加，導(dǎo)致負(fù)載能力呈上升趨勢(shì)，總體實(shí)驗(yàn)結(jié)果符合預(yù)測(cè)趨勢(shì)。

圖7 SFCR不變情況下時(shí)延與負(fù)載能力變化

在SFCR不變時(shí)，網(wǎng)絡(luò)功能實(shí)例個(gè)數(shù)的增加表示符合SFCR的可選路徑數(shù)目呈指數(shù)級(jí)增長(zhǎng)。CSP和LBP路徑選擇算法在面對(duì)指數(shù)級(jí)數(shù)量的可選路徑時(shí)，只針對(duì)單一評(píng)價(jià)進(jìn)行選擇路徑，造成選擇路徑的時(shí)延與負(fù)載能力之間存在較大偏差，路徑綜合指數(shù)較低。本模型的路徑優(yōu)化算法以時(shí)延與節(jié)點(diǎn)負(fù)載能力作為預(yù)測(cè)路徑的綜合評(píng)價(jià)指標(biāo)，模型在優(yōu)化訓(xùn)練時(shí)也是以兩個(gè)指標(biāo)的綜合值為優(yōu)化方向。根據(jù)式(5)可以計(jì)算得到SFC-GAT選擇的SFC路徑綜合評(píng)價(jià)指數(shù)相比CSP提高12.43%，比LBP提高7.59%。實(shí)驗(yàn)結(jié)果如圖8所示。

圖8 SFCR不變情況SFC路徑綜合評(píng)價(jià)指數(shù)

5.2.3 SFCR變化時(shí)路徑選擇優(yōu)化

真實(shí)網(wǎng)絡(luò)場(chǎng)景中SFCR往往是動(dòng)態(tài)變化的，因此設(shè)計(jì)在存在30個(gè)功能實(shí)例的情況下，SFC鏈路長(zhǎng)度變化下各個(gè)算法在評(píng)價(jià)路徑時(shí)延與節(jié)點(diǎn)負(fù)載能力方面的對(duì)比，仿真結(jié)果取100次隨機(jī)實(shí)驗(yàn)的平均值。圖9(a)為在SFCR變化時(shí)，SFC鏈路長(zhǎng)度增加對(duì)路徑時(shí)延產(chǎn)生的影響。從圖9(a)可以看出，隨著SFC鏈路長(zhǎng)度的增加，CSP以路徑總時(shí)延大小為評(píng)價(jià)標(biāo)準(zhǔn)，選擇的路徑時(shí)延最??；LBP以總路徑負(fù)載能力為評(píng)價(jià)指標(biāo)，未考慮選擇路徑的時(shí)延，選擇的路徑時(shí)延最大；SFC-GAT路徑優(yōu)化算法在選擇路徑時(shí)以路徑時(shí)延與負(fù)載能力為綜合評(píng)價(jià)指標(biāo)，故選擇路徑的平均時(shí)延比LBP算法低，比CSP算法高。

圖9(b)為在SFCR變化時(shí)，SFC鏈路長(zhǎng)度增加對(duì)路徑負(fù)載能力影響的仿真結(jié)果，仿真結(jié)果取100次隨機(jī)實(shí)驗(yàn)的平均值。從圖9(b)可以看出，LBP以總路徑剩余負(fù)載為評(píng)價(jià)指標(biāo)，所選擇SFC路徑平均負(fù)載效果最好；CSP單以路徑時(shí)延為評(píng)價(jià)指標(biāo)，未考慮路徑負(fù)載能力對(duì)路徑效果的影響，所選擇路徑的平均負(fù)載能力效果最差；SFC-GAT路徑優(yōu)化算法以路徑負(fù)載能力與時(shí)延為路徑優(yōu)化的綜合評(píng)價(jià)，其選擇路徑的平均負(fù)載效果在LBP之下，SCP之上；在實(shí)驗(yàn)過(guò)程中，每經(jīng)過(guò)3次請(qǐng)求，節(jié)點(diǎn)會(huì)釋放1次請(qǐng)求所占負(fù)載，但SFC鏈路長(zhǎng)度的增加會(huì)造成SFC通過(guò)網(wǎng)絡(luò)功能節(jié)點(diǎn)數(shù)量增加，導(dǎo)致整體負(fù)載能力呈上升趨勢(shì)，總體實(shí)驗(yàn)結(jié)果符合預(yù)測(cè)趨勢(shì)。

圖9 SFCR變化情況下時(shí)延與負(fù)載能力變化

隨著SFCR請(qǐng)求長(zhǎng)度的增加，固定數(shù)量的網(wǎng)絡(luò)功能實(shí)例導(dǎo)致可選擇路徑數(shù)目減少，但可選路徑長(zhǎng)度增加會(huì)導(dǎo)致選擇路徑復(fù)雜度上漲。CSP通過(guò)計(jì)算路徑的累計(jì)時(shí)延，使用回溯搜索符合SFCR的最短時(shí)延路徑，忽略了負(fù)載能力對(duì)路徑的影響；LBP按SFCR通過(guò)的節(jié)點(diǎn)順序，將節(jié)點(diǎn)按剩余負(fù)載大小排列，并選擇剩余負(fù)載大的節(jié)點(diǎn)構(gòu)成最大負(fù)載能力路徑，缺少對(duì)時(shí)延的評(píng)價(jià)；SFC-GAT路徑優(yōu)化算法以時(shí)延和負(fù)載作為訓(xùn)練優(yōu)化指標(biāo)，在對(duì)路徑綜合評(píng)價(jià)時(shí)，優(yōu)于單指標(biāo)評(píng)價(jià)策略的CSP和LBP。根據(jù)式(5)可以計(jì)算得到SFC-GAT選擇的SFC路徑綜合評(píng)價(jià)指數(shù)相比CSP提高14.58%，比LBP提高7.69%。實(shí)驗(yàn)結(jié)果如圖10所示。

圖10 SFCR變化時(shí)SFC路徑綜合評(píng)價(jià)指數(shù)

6 結(jié)束語(yǔ)

針對(duì)服務(wù)功能鏈路徑選擇優(yōu)化問(wèn)題，本文提出一種基于GAT的SFC路徑優(yōu)化模型SFC-GAT，采用圖注意力機(jī)制以時(shí)延與節(jié)點(diǎn)負(fù)載能力作為特征，進(jìn)行優(yōu)化訓(xùn)練，在給定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)下針對(duì)SFCR有無(wú)變化，對(duì)網(wǎng)絡(luò)功能實(shí)例個(gè)數(shù)和SFC鏈路長(zhǎng)度對(duì)SFC路徑選擇優(yōu)化影響進(jìn)行仿真實(shí)驗(yàn)，以提高SFC路徑在時(shí)延與節(jié)點(diǎn)負(fù)載能力的綜合評(píng)價(jià)指數(shù)。文中將SFC-GAT模型與CSP， LBP路徑選擇算法進(jìn)行對(duì)比，表明了SFC-GAT模型對(duì)比兩種路徑選擇算法CSP， LBP至少能提升SFC路徑綜合性能指數(shù)12%和7%，并且SFC-GAT模型通過(guò)對(duì)網(wǎng)絡(luò)拓?fù)鋱D進(jìn)行重構(gòu)，能夠?qū)崿F(xiàn)不同網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的推廣，增強(qiáng)了模型泛化能力。后續(xù)工作將進(jìn)一步考慮優(yōu)化SFCGAT模型路徑選擇優(yōu)化算法設(shè)計(jì)結(jié)構(gòu)，提高模型預(yù)測(cè)準(zhǔn)確率，加入對(duì)鏈路抖動(dòng)、節(jié)點(diǎn)失效概率等特征的關(guān)注，提高模型綜合評(píng)價(jià)指數(shù)的優(yōu)化范圍。