摘 要：為了實現(xiàn)5G網(wǎng)絡場景下服務功能鏈的低成本高效率部署，提出了一種基于改進麻雀搜索算法的服務功能鏈優(yōu)化映射算法。在服務功能鏈映射過程中，采用雙層編碼方式，將服務請求的組鏈方案和映射方案進行混合編碼，然后使用改進離散麻雀搜索算法進行求解，得到該請求的服務功能鏈部署方案，并計算其映射權(quán)重。當同一時間片內(nèi)存在多個請求類型時，按照映射權(quán)重對所有服務功能鏈進行排序，優(yōu)先映射權(quán)重高的請求，以此減少延遲開銷，提高節(jié)點計算資源利用率和鏈路資源利用率。仿真結(jié)果表明，該算法可以有效減少部署開銷，提高資源利用率。

關(guān)鍵詞：服務功能鏈；網(wǎng)絡功能虛擬化；虛擬網(wǎng)絡功能；離散麻雀搜索算法

中圖分類號：TP393 文獻標志碼：A

文章編號：1001-3695（2022）07-032-2120-04

doi：10.19734/j.issn.1001-3695.2021.11.0655

基金項目：國家自然科學基金資助項目（61371087）

作者簡介：朱國暉（1969-），男，陜西西安人，副教授，碩導，博士，主要研究方向為新一代移動互聯(lián)網(wǎng)和復雜網(wǎng)絡路由算法；景文煥（1996-），女（通信作者），陜西榆林人，碩士研究生，主要研究方向為網(wǎng)絡功能虛擬化、5G網(wǎng)絡下的服務功能鏈映射（1448209595@qq.com）；李世昌（1997-），男，湖北武漢人，碩士研究生，主要研究方向為物聯(lián)網(wǎng)技術(shù)與應用．

Optimized mapping algorithm of service function chain based on improved sparrow search algorithm

Zhu Guohui，Jing Wenhuan?，Li Shichang

（School of Communication amp; Information Engineering，Xi’an University of Posts amp; Telecommunications，Xi’an 710121，China）

Abstract：This paper proposed an optimized mapping algorithm for service function chain based on improved sparrow search algorithm to realize the low-cost and efficient deployment of service chain in 5G network scenario.It coded the composition schemes and the mapping schemes of service requests together by a double-layer coding method in the mapping process，and then used an improved sparrow search algorithm to obtain the service function chain deployment scheme of the request and calculated the mapping weight.When there were multiple request types in the same time slice，it sorted all service function chains according to the mapping weight，and mapped the requests that had high weight as priority，so as to reduce the delay overhead and improve the utilization of node computing resources and link resources.Simulation results show that the algorithm can effectively reduce deployment overhead and improve resource utilization.

Key words：service function chain；virtualization of network functions；virtual network function；discrete sparrow search algorithm

0 引言

5G網(wǎng)絡中采用了網(wǎng)絡功能虛擬化（network function virtualization，NFV）對核心網(wǎng)進行部署。網(wǎng)絡功能虛擬化分為組鏈、部署和調(diào)度三個階段^［1］。其中，組鏈即服務功能鏈的構(gòu)建過程，解決的是各虛擬網(wǎng)絡功能（virtualized network function，VNF）之間的邏輯關(guān)系，不同的組鏈方式會影響網(wǎng)絡服務的性能^［2］；部署過程是指在底層物理網(wǎng)絡上尋找一條物理鏈路，該鏈路中的物理節(jié)點可承載對應的VNF功能類型并滿足計算資源的需求，物理鏈路應滿足帶寬資源需求^［3］，該過程應該尋找服務功能鏈（service function chain，SFC）部署的最優(yōu)。調(diào)度是指網(wǎng)絡服務對SFC映射順序的優(yōu)化決策^［4］，合理的映射順序可以降低延遲開銷，提高節(jié)點資源利用率和帶寬資源利用率^［5］。因此，如何對服務功能進行組鏈、部署和優(yōu)化調(diào)度是熱點問題。

文獻［6～8］分別在接入網(wǎng)、跨域映射和核心網(wǎng)的場景下，使用了深度強化學習網(wǎng)絡，提出了服務功能鏈的映射算法。文獻［9］提出了一種面向時延與可靠性的服務功能鏈部署方法，該算法通過虛擬網(wǎng)絡功能聚合解決了服務功能鏈的構(gòu)建問題，通過評價物理節(jié)點重要度進行映射。由于服務功能鏈的構(gòu)建和映射是分步考慮的，所以得到的解為次優(yōu)解。文獻［10］提出了一種資源感知的服務功能鏈協(xié)同構(gòu)建和映射的算法，考慮到了底層網(wǎng)絡狀態(tài)，但是沒有考慮到同一時間片內(nèi)服務請求的映射順序，會增加延遲開銷。文獻［11］提出了一種通過優(yōu)先映射需求較少的服務功能鏈來減少延遲開銷，提高資源利用率的優(yōu)化映射策略，該方法在確定映射優(yōu)先級時，只考慮了服務功能鏈構(gòu)建階段的需求，而不是實際映射階段的需求，因此容易陷入局部最優(yōu)。

現(xiàn)有文獻中主要存在兩個問題：a）分步考慮服務功能鏈組鏈和映射會導致解空間縮小；b）以組鏈階段的方案而不是映射階段的方案計算服務功能鏈的映射權(quán)重，會導致映射順序有偏差。為此，本文提出了一種基于改進麻雀搜索算法的服務功能鏈優(yōu)化映射算法（ISSA-SFC）。通過對SFC組鏈方案和映射的物理節(jié)點進行編碼，得到組鏈階段和映射階段的協(xié)同部署方案，利用改進離散麻雀搜索算法的全局尋優(yōu)能力，實現(xiàn)服務功能鏈部署方案的快速求解。同時，對與同一時間片內(nèi)的SFC，以SFC的實際映射所需帶寬需求、節(jié)點計算資源需求和跳數(shù)需求之和的倒數(shù)作為映射權(quán)重，權(quán)重高的SFC優(yōu)先映射。

1 網(wǎng)絡場景和問題描述

1.1 網(wǎng)絡場景

本文通過對5G核心網(wǎng)絡中的NFV合理部署，實現(xiàn)降低部署開銷、提高資源利用率等需求。圖1所示為NFV編排與控制架構(gòu)，系統(tǒng)的管理編排器分為三部分，其中編排器負責SFC請求，VNF管理器負責VNF連接，基礎(chǔ)設施管理器負責全局資源的管理^［12］。

1.2 問題描述

1）物理網(wǎng)絡 物理網(wǎng)絡用無向圖G=（V，E）表示，其中V為物理節(jié)點集合，E為物理鏈路集合，每個物理節(jié)點可以承載多種特定類型的VNF。對于任一物理節(jié)點v∈V，使用Ca表示該節(jié)點的總計算資源，使用em，n表示節(jié)點vm到vn之間的物理鏈路，Bm，n為該物理鏈路的帶寬資源。設置每個物理節(jié)點的資源消耗都不超過其總資源的90%以保證負載均衡。

2）SFC請求 一個服務請求可由源節(jié)點vs、目的節(jié)點vd、初始流量速率τinit、服務功類型集合能F和服務請求時延閾值T組成。使用λ表示服務功能輸入流量與輸出流量的比值，μ表示處理1 Mbps的流量所需的處理單元數(shù)量。文獻［10］描述了服務功能之間的依賴關(guān)系并定義了依賴矩陣D。在服務功能進行組鏈的過程中，每個服務功能f能作為下一組鏈目標的條件是：當前組鏈方案中，包含了該服務功能所依賴的所有服務功能。因此，SFC是根據(jù)服務功能之間的依賴關(guān)系而構(gòu)建的有向圖。

因為服務功能鏈的組鏈、映射和調(diào)度三個過程相互關(guān)聯(lián)，如果不能對SFC進行協(xié)同組鏈和映射，會導致結(jié)果陷入局部最優(yōu)^［10］；而如果將調(diào)度與組鏈、映射方案分步考慮，會導致映射權(quán)重出現(xiàn)偏差。因此，在進行服務功能鏈部署時應當對三個過程進行協(xié)同考慮。

1.3 服務功能鏈映射優(yōu)先級

對于已知構(gòu)建及映射方案的SFC，定義其映射優(yōu)先級計算公式如式（1）所示。

其中：ctV為節(jié)點計算資源開銷；ctB為帶寬開銷；J為部署總跳數(shù)；γ1、γ2和γ3為權(quán)重系數(shù)。

1.4 優(yōu)化目標

本文要解決的問題是：將服務功能鏈的組鏈、映射和調(diào)度進行協(xié)同考慮，使得服務請求的部署開銷最小化。目標函數(shù)為

其中：α和β為歸一化權(quán)重因子。映射滿足的約束條件為

式（5）（6）為節(jié)點部署約束條件。式（5）表示服務請求中所有的服務功能只能部署在同一物理節(jié)點上；式（6）表示從節(jié)點v流出的流量僅能從一條物理鏈路流出。式（7）～（9）為服務功能構(gòu)建約束條件。式（7）表示服務鏈任一位置只能有一種網(wǎng)絡功能，其中pf，i=1表示服務功能f位于服務功能鏈的第i位；式（8）表示服務鏈中每種網(wǎng)絡功能僅有一個；式（9）表示如果服務功能g依賴f，則流量需要先經(jīng)過f。式（10）（11）為物理網(wǎng)絡的容量約束。其中式（10）表示節(jié)點現(xiàn)有的計算資源大于需要承載的數(shù)據(jù)流量；式（11）表示鏈路的剩余帶寬大于需求帶寬。式（12）為路由約束條件，表示f到g的路由路徑中，除了路徑端點外，中間節(jié)點的流出鏈路數(shù)量與流入鏈路數(shù)量相等。

2 基于改進麻雀搜索算法的服務功能鏈優(yōu)化映射算法

服務功能鏈的映射問題是NP-hard問題^［13］，而要求解最優(yōu)的服務功能鏈組鏈、映射及調(diào)度方案，問題的復雜度更高。麻雀搜索算法（sparrow search algorithm，SSA）作為一種群智能優(yōu)化算法，與傳統(tǒng)優(yōu)化算法相比，具有尋優(yōu)能力強、收斂速度快等優(yōu)點，非常適合在動態(tài)、多目標場景下尋優(yōu)^［14］。但是麻雀搜索算法常應用于解決連續(xù)型問題，很難直接應用于離散問題^［15］。因此，本文提出了改進麻雀搜索算法（improved sparrow search algorithm，ISSA），該算法在麻雀搜索算法的基礎(chǔ)上添加了優(yōu)化算子，對種群更新后的位置進行了限制，解決了搜索過程中隨機性過高的問題，提高了算法的收斂性和穩(wěn)定性。為了協(xié)同考慮服務功能鏈的組鏈和映射過程，引入了雙層編碼的方式，將組鏈方案和映射方案相結(jié)合，使得VNF和物理節(jié)點對應起來，得到服務功能鏈的部署方案。使用改進麻雀搜索算法對部署方案進行尋優(yōu)得到最優(yōu)部署方案，并計算每條SFC的映射權(quán)重，在同一時間片內(nèi)的SFC按照權(quán)重高低先排序后映射。

2.1 個體編碼與解碼

對服務功能鏈的構(gòu)建方案和映射方案進行編碼處理，長度為2|F|。前|F|位表示服務功能鏈的構(gòu)建方案，后|F|位表示服務功能鏈前|F|位服務功能所映射的物理節(jié)點的位置。圖2為個體編碼示意圖，表示VNF1、VNF2、VNF3和VNF4分別映射在底層網(wǎng)絡9、4、1和8號節(jié)點上。利用蟻群搜索算法，計算任意兩個物理節(jié)點之間的所有路徑作為路徑集合。在解碼過程中，在路徑集合中找到滿足路由轉(zhuǎn)發(fā)關(guān)系和帶寬需求的最短路徑。

2.2 適應度值

個體的適應度被用來評價個體在種群中的優(yōu)劣程度，本文將服務功能鏈的部署開銷作為適應度值，則個體的適應度越小，個體越優(yōu)。第i只麻雀的適應度表達式如式（13），其計算方式與式（4）相同。

2.3 麻雀搜索算法

在麻雀搜索算法中，每只麻雀代表問題的一個可行解，使用矩陣表示由m只麻雀組成的種群如下：

其中：m表示麻雀的種群數(shù)；n表示待解決問題變量的維數(shù)。麻雀種群的適應度值如下：

通常情況下，發(fā)現(xiàn)者和偵察者各占麻雀種群的10%～20%，剩余為加入者。發(fā)現(xiàn)者的位置更新公式如下：

其中：k為當前迭代次數(shù)；IterMax為最大迭代次數(shù)；i=1，2，…，m，j=1，2，…，n；xij表示第i只麻雀在第j維的位置；α∈（0，1］是一個隨機數(shù)，R2∈［0，1］和ST∈［0.5，1］分別表示預警值和安全值；Q為服從正態(tài)分布的隨機數(shù)；L為1×d的全1矩陣。當R2lt;ST時，表示種群周圍沒有捕食者，發(fā)現(xiàn)者可以引導種群順著適應度更好的方向搜索；當R2gt;ST時，表示麻雀種群中的警戒者發(fā)現(xiàn)了捕食者，向其他麻雀發(fā)出警告，麻雀整體飛向安全區(qū)域進行覓食。

加入者的位置更新公式為

其中：xkbj為第k次迭代過程中，適應度最好的麻雀所占據(jù)的最優(yōu)位置；xkwj則為適應度最差的麻雀所占據(jù)的位置；A為元素值隨機為1或者-1的1×d的矩陣，并且A+=AT·（AAT）^-1。

警戒者的位置更新公式為

其中：β是步長控制參數(shù)，是服從N（0，1）正態(tài)分布的隨機數(shù)；隨機數(shù)k∈［-1，1］表示麻雀種群的移動方向；ε是一個極小常數(shù)，用來避免出現(xiàn)分母為零的情況；fi為當前麻雀個體的適應度值。當figt;fb時，表示此時麻雀正處于種群的邊緣，極易受到捕食者的威脅；當fi=fb時，表示種群中間的麻雀意識到威脅，需要向其他麻雀靠近，以此來減少被捕食的風險。

2.4 改進離散麻雀搜索算法

服務功能鏈的映射為離散型問題，而SSA一般應用于求解連續(xù)性問題，不能直接應用于離散型問題，因此對麻雀搜索算法進行改進，加入優(yōu)化算子，使之可以用來解決離散問題。

在使用改進離散麻雀搜索算法解決服務功能鏈的部署問題時，對于種群中的任意一個個體C={xi1，xi2，…，xin}，前n/2位為服務功能鏈構(gòu)建編碼，為固定編碼。因此在進行位置更新時，僅對服務功能鏈映射編碼部分進行更新，為完成編碼的服務功能尋找合適的映射位置。

優(yōu)化算子：每位編碼代表著映射節(jié)點，對經(jīng)過位置更新的每個個體的編碼進行檢查，如果該編碼對應的映射節(jié)點可以承載對應構(gòu)建編碼位置的虛擬網(wǎng)絡功能，則保留該編碼；如果不能，則分別計算該編碼值與可承載對應虛擬網(wǎng)絡功能的所有物理節(jié)點的歐拉距離，選擇歐拉距離最小的物理節(jié)點的編碼替換原始編碼值。

2.5 算法描述

算法1 基于改進麻雀搜索算法服務功能鏈優(yōu)化映射算法

輸入：底層網(wǎng)絡參數(shù)G=（V，E）、Ca、Bm，n、Vf、λf、μf；服務請求參數(shù)vs、vd、τinit、α、β、組鏈方案RSFC；算法參數(shù)為種群個體數(shù)pop、迭代次數(shù)max_iter、發(fā)現(xiàn)者比例rf、警戒值w。

輸出：群體最優(yōu)個體Gbest及適應度ctbest和映射權(quán)重P。

/*初始化*/

for i=1：pop

隨機選擇rSFC∈RSFC；

對rSFC中的每個VNF，從集合Vf中隨機選擇映射節(jié)點，構(gòu)成映射編碼Cemb；

rinit，i=［rSFC，Cemb］；rinit，i進入麻雀種群Sinit；

end for

計算麻雀種群Sinit的個體適應度，得到全局最優(yōu)個體Gnow_best和適應度ctnow_best；

for j=1：max_iter

更新發(fā)現(xiàn)者、加入者、捕食者的位置得到新的種群Snew；

for z=1：pop

if 個體的映射節(jié)點不能滿足VNF的映射需求

使用優(yōu)化算子調(diào)整個體位置；

end if

end for

計算Snew的個體適應度，得到當前群體最優(yōu)個體Gnew_best及其適應度ctnew_best；

if ctnow_bestgt;ctnew_best

Gnow_best=Gnew_best；

ctnow_best=ctnew_best

end if

end for

Gbest=Gnow_best；

ctbest=ctnow_best；

計算Gbest的映射權(quán)重.

2.6 ISSA-SFC算法時間復雜度分析

設SSA的種群大小為K，最大迭代次數(shù)為M，函數(shù)維度為d，則SSA算法的時間復雜度為O（K×M×d）。ISSA-SFC算法的復雜度分為基本SSA時間復雜度、ISSA的時間復雜度和蟻群算法的時間復雜度三個部分。由于對種群位置更新的改進并不會影響算法的時間復雜度，所以ISSA的時間復雜度為O（K×M×d）；設蟻群搜索算法的最大迭代次數(shù)為M，種群大小為a，物理節(jié)點數(shù)量為n，則蟻群算法的時間復雜度為O（M×a×n²）；由于在ISSA-SFC中，改進麻雀搜索算法與蟻群算法的關(guān)系為串行運行，且蟻群算法的時間復雜度大于ISSA，所以ISSA-SFC算法的時間復雜度為O（an²M），即ISSA-SFC每輪可以在an²M次的運算次數(shù)中得到結(jié)果，算法的復雜度對算法的實際運行效果無影響。

3 仿真實驗

3.1 實驗設置

本文使用MATLAB 2017b軟件對算法進行仿真與性能評估。物理網(wǎng)絡拓撲包含15個節(jié)點，45條鏈路，每個節(jié)點初始處理資源為256個處理單元，且任意承載兩種服務功能，鏈路帶寬為700 Mbps。服務請求類型和各服務功能參數(shù)采用文獻［10］中提供的類型及數(shù)據(jù)，其中參數(shù)數(shù)據(jù)如表1所示。映射過程中隨機選擇服務請求的源節(jié)點和目的節(jié)點。權(quán)重因子α=1，β=0.05。

3.2 實驗分析

設置服務請求帶寬Binit=30 Mbps，最大迭代次數(shù)max_iter=200，麻雀種群的發(fā)現(xiàn)者和警戒者均為整個種群的20%。以服務請求1為例，驗證本文提出的改進麻雀搜索算法的收斂性和有效性。取200次仿真得到的數(shù)據(jù)的平均值。圖3為ISSA與GA和文獻［10］提出的PSO-GA的適應度對比。

由于適應度代表了映射的資源開銷，所以適應度越小越好。從圖3中可以看出GA的收斂效果最差，適應度也最大；PSO-GA收斂速度比ISSA較慢，且適應度也較大；而ISSA算法在第20次左右的時候就開始收斂了，收斂速度較快，更接近最優(yōu)解。接著，從服務請求接受率、平均部署開銷、計算資源利用率和帶寬資源利用率四個方面對本文所提ISSA-SFC進行分析，并與文獻［10］提出的RACCM算法和隨機選取服務鏈構(gòu)建策略的RANDOM算法進行對比。設置每次仿真所用到的服務請求類型從給定三種服務請求類型中隨機挑選一個，任意服務請求帶寬服從［20，30］Mbps的均勻分布，對每種算法運行10次并取平均值，實驗結(jié)果如圖4～7所示。

圖4為三種算法在不同服務請求數(shù)量下的服務請求接受率對比，可以看出，在服務請求數(shù)量超過800時，RACCM算法的服務請求接受率開始下降；當服務請求數(shù)量超過1 000時，RACCM算法的接受率開始直線下降。而ISSA-SFC的服務請求接受率比RACCM算法提高了4%左右，比RADOM算法提高了18%左右。這主要是因為使用ISSA-SFC部署服務請求所消耗的節(jié)點資源和帶寬資源比另外兩種算法低，所以在資源相同的情況下，可以部署更多的服務請求。

圖5為三種算法在不同服務請求數(shù)量下成功部署的服務請求的歸一化平均部署開銷對比。從圖中可以看出，在節(jié)點計算資源和帶寬資源充足的情況下，ISSA-SFC、RACCM和RANDOM算法的平均部署開銷約為4.9、5.0和5.9，即ISSA-SFC的平均部署開銷最低。這是因為ISSA-SFC在映射過程中，能夠根據(jù)底層節(jié)點所能承載的服務功能類型和現(xiàn)有資源情況得到映射的最優(yōu)路徑。

圖6和7分別為三種算法在不同服務請求數(shù)量下節(jié)點計算資源和帶寬資源利用率對比。從圖中可以看出，在服務請求數(shù)量小于900時，ISSA-SFC的節(jié)點計算資源利用率比RACCM算法減少了約3%，帶寬資源利用率比RACCM算法減少了約10%。

4 結(jié)束語

本文針對5G網(wǎng)絡需要靈活的網(wǎng)絡部署方式，主要研究了虛擬化環(huán)境下服務功能鏈的部署和優(yōu)化問題，提出了一種基于底層物理網(wǎng)絡資源感知的服務功能鏈協(xié)同構(gòu)建、映射和優(yōu)化調(diào)度的部署算法，實現(xiàn)了服務功能鏈的部署優(yōu)化。仿真結(jié)果表明，本文算法提高了請求接受率，降低了節(jié)點資源開銷和帶寬開銷。如何在5G網(wǎng)絡下確定合理的SFC遷移方案，降低遷移開銷，將在下一步研究中進行完善。

參考文獻：

［1］祖家琛，胡谷雨，嚴佳潔，等.網(wǎng)絡功能虛擬化下服務功能鏈的資源管理研究綜述［J］.計算機研究與發(fā)展，2021，58（1）：137-152.（Zu Jiachen，Hu Guyu，Yan Jiajie，et al.Resource management of service function chain in NFV enabled network：a survey［J］.Journal of Computer Research and Development，2021，58（1）：137-152.）

［2］Jalalitabar M，Guler E，Zheng D，et al.Embedding dependence-aware service function chains［J］.Journal of Optical Communications and Networking，2018，10（8）：64-74.

［3］Bu Chao，Wang Xingwei，Cheng Hui，et al.Enabling adaptive routing service customization via the integration of SDN and NFV［J］.Journal of Network and Computer Applications，2017，93（9）：123-136.

［4］Qu Long，Assi C，Shaban K.Delay-aware scheduling and resource optimization with network function virtualization［J］.IEEE Trans on Communications，2016，64（9）：3746 - 3758.

［5］Pham C，Tran N H，Hong C S.Virtual network function scheduling：a matching game approach［J］.IEEE Communications Letters，2018，22（1）：69- 72.

［6］王曉，唐倫，賀小雨，等.基于深度強化學習的服務功能鏈多維資源優(yōu)化［J］.計算機工程與應用，2021，57（4）：68-76.（Wang Xiao，Tang Lun，He Xiaoyu，et al.Multi-dimensional resource optimization of service function chain based on deep reinforcement learning［J］.Computer Engineering and Applications，2021，57（4）：68-76.）

［7］朱國暉，李慶，梁申麟.基于深度強化學習的服務功能鏈跨域映射算法［J］.計算機應用研究，2021，38（6）：1834-1837，1842.（Zhu Guohui，Li Qing，Liang Shenlin.Cross-domain mapping algorithm of service chain based on deep reinforcement learning［J］.Application Research of Computers，2021，38（6）：1834-1837，1842.）

［8］金明，李琳琳，張文瑾，等.基于深度強化學習的服務功能鏈映射算法［J］.計算機應用研究，2020，37（11）：3456-3460，3466.（Jin Ming，Li Linlin，Zhang Wenjin，et al.SFC mapping algorithm based on deep reinforcement learning［J］.Application Research of Compu-ters，2020，37（11）：3456-3460，3466.）

［9］翟東，孟相如，康巧燕，等.面向時延與可靠性優(yōu)化的服務功能鏈部署方法［J］.電子與信息學報，2020，42（10）：2386-2393.（Zhai Dong，Meng Xiangru，Kang Qiaoyan，et al.Service function chain deployment method for delay and reliability optimization［J］.Journal of Electronics and Information Technology，2020，42（10）：2386-2393.）

［10］孫士清，彭建華，游偉，等.5G網(wǎng)絡下資源感知的服務功能鏈協(xié)同構(gòu)建和映射算法［J］.西安交通大學學報，2020，54（8）：140-148.（Sun Shiqing，Peng Jianhua，You Wei，et al.A coordinating composition and mapping algorithm for a service function chain with resource-aware［J］.Journal of Xi’an Jiaotong University，2020，54（8）：140-148.）

［11］程洪閃，孟歡，張曉輝.服務功能鏈的優(yōu)化映射策略［J］.計算機與網(wǎng)絡，2021，47（8）：54-56.（Cheng Hongshan，Meng Huan，Zhang Xiaohui.Optimized mapping strategy of service function chain［J］.Computer and Network，2021，47（8）：54-56.）

［12］邱航，湯紅波，游偉.基于深度Q網(wǎng)絡的在線服務功能鏈部署方法［J］.電子與信息學報，2021，43（11）：3122-3130.（Qiu Hang，Tang Hongbo，You Wei.Online service function chain deployment method based on Q network［J］.Journal of Electronics amp; Information Technology，2021，43（11）：3122-3130.）

［13］Khebbache S，Hadji M，Zeghlache D.Scalable and cost-efficient algorithms for VNF chaining and placement problem［C］//Proc of the 20th Conference on Innovations in Clouds，Internet and Networks.Piscataway，NJ：IEEE Press，2017：92-99.

［14］Xue Jiankai，Shen Bo.A novel swarm intelligence optimization approach：sparrow search algorithm［J］.Systems Science amp; Control Engineering，2020，8（1）：22-34.

［15］王建新，李騰旭，王曄茹.基于離散型麻雀搜索算法的食品抽檢路徑優(yōu)化［J］.中國食品衛(wèi)生雜志，2021，33（4）：409-414.（Wang Jianxin，Li Tengxu，Wang Yeru.Optimization of food sampling inspection based on discrete sparrow search algorithm［J］.Chinese Journal of Food Hygiene，2021，33（4）：409-414.）