王穎 張龍龍

摘 要：為降低化工智能園區(qū)虛擬網(wǎng)絡(luò)功能部署成本問題，以最小化虛擬網(wǎng)絡(luò)功能部署代價為目標函數(shù)，考慮容量、延遲等約束條件，提出化工智能園區(qū)虛擬網(wǎng)絡(luò)功能部署方案。采用長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）預(yù)測化工園中網(wǎng)絡(luò)用戶未來可能的位置，并利用基于模型預(yù)測控制（MPC）的算法求解最小部署總代價，以使得虛擬網(wǎng)絡(luò)功能部署成本最小。仿真結(jié)果表明：相對于Heuristic和Heuristic With Predict的求解方法，遷移部署虛擬網(wǎng)絡(luò)功能的總代價最小，為13 628。所提方案具有一定的有效性，可節(jié)約化工智能工業(yè)園區(qū)的虛擬網(wǎng)絡(luò)功能部署成本。

關(guān)鍵詞：虛擬網(wǎng)絡(luò)功能部署；5G網(wǎng)絡(luò)切片；LSTM網(wǎng)絡(luò)；MPC算法

中圖分類號：TP399

文獻標志碼：A

文章編號：1001-5922（2023）07-0132-05

Research on virtual network function simulation in intelligent chemical industrial parks based on 5G technology

WANG Ying1，ZHANG Longlong2

（1.CNOOC? Energy Logistics Co.，Ltd.，Tianjin 300452，China；

2.CNOOC （Huizhou） Logistics? Co.，Ltd.，Huizhou 516000，Guangdong China

）

Abstract：To reduce the high cost of virtual network function deployment caused by the dynamic change of user location in the chemical logistics park， a virtual network function deployment scheme for the chemical logistics park was designed with the objective function of minimizing the cost of virtual network function deployment， considering the constraints such as capacity and delay.Long Short Term Memory （LSTM） neural network was used to predict the future location of users， and the algorithm based on Model Predictive Control （MPC） was used to solve the minimum total deployment cost， saving the cost of virtual network function deployment.The simulation results showed that.Compared with the Heuristic algorithm and Heuristic With Predict algorithm，the migration-based deployment of virtual network functions had the lowest total cost， which was 13 628.This proposed approach proves to be effective in reducing the virtual network function deployment costs in intelligent chemical industrial parks..

Key words：virtual network function deployment;5G network slice;LSTM network;MPC algorithm

伴隨化工智能園區(qū)工業(yè)生產(chǎn)和運輸?shù)男枨?，對網(wǎng)絡(luò)功能要求也越來越高。為提高化工智能園區(qū)的網(wǎng)絡(luò)，工程中往往采用網(wǎng)絡(luò)功能虛擬化的方式，這種虛擬化部署方式可解決成本，所以備受關(guān)注。目前，針對虛擬網(wǎng)絡(luò)功能部署問題，眾多學者進行了大量研究，如對VNF服務(wù)鏈性能問題，提出一種支持硬件加速的VNF部署模型，有效提高了網(wǎng)絡(luò)中加速硬件的資源利用率［1］；提出一種基于預(yù)測的虛擬網(wǎng)絡(luò)功能動態(tài)部署算法，具體通過LSTM感知網(wǎng)絡(luò)流量，然后通過按需分配的方式最大化計算資源利用率，實現(xiàn)了網(wǎng)絡(luò)的在線監(jiān)測，同時也降低了整體VNF調(diào)度產(chǎn)生的平均端到端時延［2］；提出一種DAP（Deadline-Aware VNF Placement）算法來部署實時應(yīng)用的虛擬網(wǎng)絡(luò)功能，有效地減少實時網(wǎng)絡(luò)應(yīng)用的時間期限丟失率，減少網(wǎng)絡(luò)應(yīng)用的部署成本［3］。上述研究結(jié)果表明，現(xiàn)有虛擬網(wǎng)絡(luò)功能部署已取得一定的成果，但有學者認為現(xiàn)有部署方案忽略了用戶位置隨時間變化帶來的影響，存在5G網(wǎng)絡(luò)切片場景下部署成本高的問題［4］。針對該問題，本研究以化工智能園區(qū)虛擬網(wǎng)絡(luò)功能部署為研究對象，考慮用戶位置動態(tài)變化，通過利用LSTM預(yù)測用戶未來位置，并采用MPC算法進行求解的虛擬網(wǎng)絡(luò)功能部署方案。

1 系統(tǒng)模型

1.1 場景描述

本研究在圖1所示小型區(qū)域內(nèi)中進行。該系統(tǒng)為某化工智能園區(qū)網(wǎng)絡(luò)系統(tǒng)模型，包括多名用戶及2個5G網(wǎng)絡(luò)切片服務(wù)請求［5］。根據(jù)不同的服務(wù)請求，接入對應(yīng)不同5G網(wǎng)絡(luò)切片，即如圖1中左側(cè)的2個5G網(wǎng)絡(luò)切片。

若t時刻用戶1位于位置a，則t+1時刻其位置可能位于區(qū)域b、c、d。因此，則需要根據(jù)該信息部署用戶1在t+1時刻的虛擬網(wǎng)絡(luò)功能s。所以在部署虛擬網(wǎng)絡(luò)功能時，應(yīng)考慮用戶未來位置信息，同時使系統(tǒng)花費的代價最小。

根據(jù)上述分析，研究設(shè)計了5G網(wǎng)絡(luò)切片場景中化工智能園區(qū)虛擬網(wǎng)絡(luò)功能部署的目標函數(shù)和約束條件。

2 5G網(wǎng)絡(luò)切片場景中智能園區(qū)虛擬網(wǎng)絡(luò)功能部署

2.1 基于LSTM的用戶位置預(yù)測設(shè)計

當系統(tǒng)向用戶提供5G切片服務(wù)是部署虛擬網(wǎng)絡(luò)功能s時，用戶位置的變化會對部署結(jié)果造成一定影響。因此，為使化工物流園區(qū)虛擬網(wǎng)絡(luò)功能的部署方案最佳，需同時保證方案部署總代價最小，且滿足用戶的5G切片服務(wù)需求［9］。

考慮到用戶位置變化的影響，研究首先對用戶位置進行了預(yù)測。LSTM網(wǎng)絡(luò)是一種時間遞歸神經(jīng)網(wǎng)絡(luò)，具有可學習長期依賴性的特點，常用于預(yù)測和處理時間序列中延遲長等重要問題［10-11］。

忘記門負責對上一時刻單元狀態(tài)通過sigmoid激活函數(shù)進行選擇忘記，并將保留部分信息作為當前時刻單元狀態(tài)傳輸?shù)捷斎腴T。輸入門則負責對輸入的當前時刻單元狀態(tài)進行舍棄無用信息以及添加新信息的處理，以將處理后的信息傳輸?shù)捷敵鲩T。輸出門則是對需要的信息進行輸出。重復(fù)上述操作，即可實現(xiàn)對時間序列信息的處理。

根據(jù)5G網(wǎng)絡(luò)切片場景中化工智能園區(qū)虛擬網(wǎng)絡(luò)功能部署過程中，對用戶位置預(yù)測是一個復(fù)雜且隨時間變化的過程［11］。因此，研究設(shè)計了一層LSTM網(wǎng)絡(luò)和2層全連接層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖2所示。其中，LSTM網(wǎng)絡(luò)層負責對用戶位置時間序列進行記憶。整個神經(jīng)網(wǎng)絡(luò)選用relu函數(shù)作為激活函數(shù)。圖中，X、Y為用戶位置歷史K個和未來K個時刻的經(jīng)緯度位置坐標。

2.2 基于MPC的虛擬網(wǎng)絡(luò)功能部署算法設(shè)計

利用LSTM網(wǎng)絡(luò)對用戶位置進行預(yù)測后，考慮用戶位置隨時間變化，采用MPC算法求解虛擬網(wǎng)絡(luò)功能總代價目標函數(shù)，即可實現(xiàn)5G網(wǎng)絡(luò)切片場景中化工物流園區(qū)虛擬網(wǎng)絡(luò)功能部署［12］。

具體步驟為：

（1）根據(jù)化工智能園區(qū)用戶位置前K時刻經(jīng)緯度坐標信息，利用LSTM預(yù)測未來K時刻用戶位置的經(jīng)緯度坐標nvtl，'t∈t+1，…，t+K；

（2）根據(jù)LSTM預(yù)測結(jié)果，構(gòu)建t～t+K時間內(nèi)的部署虛擬網(wǎng)絡(luò)功能位置的問題P，是系統(tǒng)總代價最?。?/p>

（3）利用MPC算法求解t時刻構(gòu)建的P問題，得到t～t+K每個時刻虛擬網(wǎng)絡(luò)功能的部署方案；

（4）記錄求解的t時刻部署方案，并將其作為整個t時刻得到的解；

（5）繼續(xù)采用MPC算法求解t+1時刻的P問題，以此類推直到進行到T時刻；

（6）計算出每個時間點的虛擬網(wǎng)絡(luò)功能遷移部署情況；

（7）根據(jù)最小化系統(tǒng)總代價目標函數(shù)，求解得到系統(tǒng)運行總成本。

通過上述處理，即可實現(xiàn)每個時刻部署虛擬網(wǎng)絡(luò)功能的代價，進而選擇出最低代價的部署方案，即實現(xiàn)了對5G網(wǎng)絡(luò)切片場景中物流園區(qū)虛擬網(wǎng)絡(luò)功能部署。

3 仿真實驗

3.1 實驗環(huán)境搭建

本次實驗基于tensorflow深度學習框架搭建所提模型，通過python語言實現(xiàn)，并在Emacs軟件上運行。系統(tǒng)配置Intel Core i5 CPU，NVIDA GeForce RTX 960M GPU，2G顯存，12 GB內(nèi)存和1 TB磁盤容量［13］。

3.2 數(shù)據(jù)來源及預(yù)處理

本次實驗數(shù)據(jù)來自GPS軌跡數(shù)據(jù)集［14］。該數(shù)據(jù)集通過定位每個用戶所在點的經(jīng)緯度形成的軌跡，并根據(jù)用戶所在位置的經(jīng)緯度進行定位。

3.3 參數(shù)設(shè)置

本次實驗根據(jù)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，即一層LSTM和兩層全連接層，設(shè)置第一層LSTM層的神經(jīng)元數(shù)量為200，激活函數(shù)為relu函數(shù)，第1層全連接層神經(jīng)元數(shù)量為100，激活函數(shù)為relu函數(shù)，第2層全連接層神經(jīng)元數(shù)量為輸出層的K個節(jié)點數(shù)量。

損失函數(shù)選擇均方差（MSE）函數(shù)，優(yōu)化器為adam優(yōu)化器。訓(xùn)練過程中的具體參數(shù)設(shè)置為：批量大小為20，代數(shù)為200，每層神經(jīng)網(wǎng)絡(luò)規(guī)格為［200，100，5］。

3.4 實驗方案設(shè)計

為檢驗所提模型在5G切片場景中對化工智能園區(qū)虛擬網(wǎng)絡(luò)功能部署的情況，提出以下假設(shè)：

假設(shè)1：整個仿真系統(tǒng)中共包含加速器、入侵檢測系統(tǒng)（IDS）、深度數(shù)據(jù)包檢測（DPI）、代理、編碼解碼器5種類型的虛擬網(wǎng)絡(luò)功能，其處理時延均服從（1，2）均勻分布，分別對應(yīng)編號0～4，對應(yīng)處理能力為100、60、90、200、100;

假設(shè)2：系統(tǒng)中共包括游戲服務(wù)和視頻服務(wù)2種類型的5G切片。游戲服務(wù)類和視頻類5G切片所需虛擬網(wǎng)絡(luò)功能s的SFC分別由標號0、1、2和0、3、4組成，最高允許時延分別為30 ms和100 ms;

假設(shè)3：系統(tǒng)中共包括3名游戲用戶和2名視頻用戶，分別對應(yīng)接入5G切片中的帶寬為30 M和100 M，所容忍的最大時延為30 ms和100 ms;

假設(shè)4：若存在X、Y、Z 3點的經(jīng)緯度分別為（X，X′）和（Y，Y′）、（Z，Z′），則計算X、Y距離時，會進行以下轉(zhuǎn)換：若東經(jīng)則將經(jīng)度值設(shè)置為正值表示為Z，若西經(jīng)則將經(jīng)度值設(shè)置為負值-Z若北緯則將緯度值設(shè)置為90-Z，若南緯則將緯度值設(shè)置為90+Z′。因此，X、Y 2點的經(jīng)緯度通過M轉(zhuǎn)換后的經(jīng)緯度可標記為（ZX，ZX′）和（ZY，ZY′）。

然后根據(jù)式（8）～式（9）三角公式即可計算X、Y2點的距離［15］：

C=sin（ZX′）×sin（ZY′）×cos（ZX-ZY）+cos（ZX′）×cos（ZY′）（8）

Distance=R×arccos（C）×π/180（9）

式中;R為地球半徑。根據(jù)上述公式，即可得到系統(tǒng)中5名用戶的位置分布情況以及兩兩用戶間的距離。最后，根據(jù)經(jīng)緯度最大差值，可將用戶劃分到一個經(jīng)緯度組成的二維平面內(nèi)。

考慮到實際5G基站的覆蓋半徑為400 m，為確?；究蔀橛脩籼峁┓?wù)，實驗根據(jù)離散思想對用戶所在位置進行來網(wǎng)格劃分，并設(shè)置網(wǎng)格長度為800 m，即在每800×800的網(wǎng)格區(qū)域內(nèi)需一個5G基站。如圖3為5名用戶在15個時間步長內(nèi)在網(wǎng)格中的軌跡分布。假設(shè)單跳網(wǎng)格時延為5 ms，單位CPU資源代價為100。

由圖3可知，時間線長度為15，共12個節(jié)點，含5種類型的虛擬網(wǎng)絡(luò)功能，每種類型虛擬網(wǎng)絡(luò)功能遷移代價服從（20，25）均勻分布，處理時延服從（1，2）均勻分布。

3.5 結(jié)果與分析

3.5.1 LSTM預(yù)測結(jié)果分析

設(shè)置訓(xùn)練周期為200。為分析LSTM的收斂性，實驗通過設(shè)置不同K值進行觀察，結(jié)果如圖4所示。

由圖4可知，不同K值下，模型的loss損失均隨著迭代進行逐漸減小并趨于穩(wěn)定；當K=2時，loss損失下降速度最快，達到穩(wěn)定時的loss損失最小，即利用過去3個時刻位置預(yù)測未來3個時刻位置效果最好。

為進一步分析不同K值對LSTM預(yù)測用戶位置的效果，實驗分別統(tǒng)計了不同K值下LSTM預(yù)測用戶位置與真實位置的差距，結(jié)果如圖5所示。圖5（a）表示預(yù)測值與真實值的MSE，圖5（b）為預(yù)測值與真實值的平均距離誤差，圖5（c）為預(yù)測值與真實值的平均網(wǎng)格誤差。

由圖5（a）可知，當K=2時，MSE最小，取值范圍為（0，0.001 5），說明LSTM模型的預(yù)測準確率較高。由圖5（b）可知，當K=2時，預(yù)測值與真實值的平均距離誤差最小。由圖5（c）可知，平均每組的預(yù)測網(wǎng)格誤差在1個網(wǎng)格之內(nèi)，當K=2時誤差最小。

3.5.2 MPC結(jié)果分析

為檢驗所提MPC模型的性能，實驗設(shè)置不同K值檢驗了模型的性能，并將其與Optimum算法和Heuristic算法以及Heuristic With Predict算法性能進行對比。不同算法對5G網(wǎng)絡(luò)切片場景中化工物流園區(qū)虛擬網(wǎng)絡(luò)功能部署及遷移虛擬網(wǎng)絡(luò)功能的總代價如圖6所示。

由圖6可知，當K=2時，所提MPC算法的遷移部署虛擬網(wǎng)絡(luò)功能的總代價為13 892；當K=3時，所提MPC算法的遷移部署虛擬網(wǎng)絡(luò)功能的總代價為13 628；當K=4時，所提MPC算法的遷移部署虛擬網(wǎng)絡(luò)功能的總代價為14 717；Optimum算法遷移部署虛擬網(wǎng)絡(luò)功能的總代價為13 541；Heuristic算法遷移部署虛擬網(wǎng)絡(luò)功能的總代價為16 855。對比不同K值下所提MPC算法總代價結(jié)果可知，當K=3時算法的總代價最小，最接近全局最優(yōu)解。對比所提MPC算法和Optimum算法和Heuristic算法可知，所提算法的總代價最小，與Optimum算法結(jié)果最接近。由此說明，當K=3時，所提MPC算法的性能良好，優(yōu)于Heuristic算法，與Optimum算法接近。

圖7為所提不同K值的MPC算法與對比算法求解平均每個節(jié)點的資源利用率結(jié)果。

由圖7可知，相較于Heuristic算法，所提不同K值MPC算法的資源利用率更高，其中，當K=3時MPC算法的資源利用率最高，與Optimum算法接近，即接近最優(yōu)解。分析其原因是，所提MPC算法考慮了未來用戶請求信息，使系統(tǒng)在滿足用戶請求條件下可重復(fù)使用存在的虛擬網(wǎng)絡(luò)功能，進而使每個節(jié)點的資源利用率接近最優(yōu)解。

4 結(jié)語

綜上所述，所提的5G網(wǎng)絡(luò)切片場景中智能園區(qū)虛擬網(wǎng)絡(luò)功能部署方法，通過利用基于LSTM網(wǎng)絡(luò)預(yù)測用戶移動性，并考慮計算資源和時延，以最小化系統(tǒng)成本為目標，采用MPC算法進行求解，實現(xiàn)了化工智能園區(qū)用戶位置動態(tài)變化時的虛擬網(wǎng)絡(luò)功能部署，節(jié)約了系統(tǒng)成本。相較于Heuristic算法和Heuristic With Predict算法，所提的結(jié)合LSTM網(wǎng)絡(luò)和MPC算法的部署方法，具有一定的有效性，遷移部署虛擬網(wǎng)絡(luò)功能的總代價以及平均基尼指數(shù)更小，平均每個節(jié)點的資源利用率更高。

【參考文獻】

［1］ 胡宇翔，范宏偉，蘭巨龍，等.一種支持硬件加速的虛擬網(wǎng)絡(luò)功能部署模型［J］.電子與信息學報，2019，41（8）：1893-1901.

［2］ 唐倫，周鈺，楊友超，等.5G網(wǎng)絡(luò)切片場景中基于預(yù)測的虛擬網(wǎng)絡(luò)功能動態(tài)部署算法［J］.電子與信息學報，2019，41（9）：2071-2078.

［3］ 王俊超，龐建民，隋然，等.面向?qū)崟r網(wǎng)絡(luò)應(yīng)用的虛擬網(wǎng)絡(luò)功能部署［J］.信息工程大學學報，2020，21（2）：189-195.

［4］ 馬悅，張玉梅.面向多接入邊緣計算的VNFM分布式部署方案［J］.西安電子科技大學學報，2021，48（4）：20-26.

［5］ 趙東成，謝景昭，孫罡.面向時延敏感業(yè)務(wù)的服務(wù)功能鏈部署［J］.電子科技大學學報，2021，50（6）：852-860.

［6］ 徐澤汐，莊雷，張坤麗，等.基于知識圖譜的服務(wù)功能鏈在線部署算法［J］.通信學報，2022，43（8）：41-51.

［7］ 袁泉，湯紅波，黃開枝，等.基于Q-learning算法的vEPC虛擬網(wǎng)絡(luò)功能部署方法［J］.通信學報，2017，38（8）：172-182.

［8］ 李凌書，鄔江興.面向云網(wǎng)融合SaaS安全的虛擬網(wǎng)絡(luò)功能映射方法［J］.計算機工程，2021，47（12）：30-39.

［9］ 王澤南，李佳浩，檀朝紅，等.面向網(wǎng)絡(luò)安全資源池的智能服務(wù)鏈系統(tǒng)設(shè)計與分析［J］.網(wǎng)絡(luò)與信息安全學報，2022，8（4）：175-181.

［10］ 蔣卓伽，王瑾偉，徐煒，等.云數(shù)據(jù)中心環(huán)境下NFV虛擬資源計算算法研究［J］.信息技術(shù)，2022（8）：53-58.

［11］ 韓昆良，孔令剛，楊桂芹.中心環(huán)境下時延感知的DAO-GA服務(wù)功能鏈部署方法［J］.信息技術(shù)與信息化，2022（7）：110-114.

［12］ 朱富麗，楊磊，姬波.一種面向大規(guī)模物聯(lián)設(shè)備通信的移動5G-RAN連接方法［J］.計算機應(yīng)用與軟件，2022，39（8）：119-124.

［13］ 胡致遠，游梓霖，徐鑫，等.電力5G通信網(wǎng)絡(luò)可靠性組網(wǎng)及部署技術(shù)［J］.高電壓技術(shù)，2022，48（8）：3048-3058.

［14］ 傅妍芳，宋新美，張趙晨子，等.基于Mininet的LRMC QoS路由算法仿真研究［J］.計算機仿真，2022，39（8）：212-217.

［15］ 趙尚維康，孫君.工業(yè)物聯(lián)網(wǎng)中基于SMDP的協(xié)同卸載方案［J］.計算機技術(shù)與發(fā)展，2022，32（9）：76-81.