摘 要：針對融合網(wǎng)絡(luò)中協(xié)同視角不足的問題，以及5G和6G網(wǎng)絡(luò)帶寬密集型應(yīng)用對帶寬需求增長的趨勢，提出了一種基于帶寬感知的資源協(xié)同調(diào)度方法（bandwidth aware SFC mapping algorithm，BASA）。通過動態(tài)感知鏈路帶寬和節(jié)點計算能力，獲取節(jié)點映射策略，然后以帶寬、距離為順序考慮因素，根據(jù)節(jié)點映射策略協(xié)同選擇最佳鏈路映射策略。算法確保了節(jié)點與鏈路映射策略的協(xié)同一致性，提高了網(wǎng)絡(luò)的QoS。實驗表明，該方法具有較好的SFC映射準確性和效率，在SFC映射成功率、帶寬利用率等方面優(yōu)于對比算法，算法帶寬利用率平均可達75%以上。

關(guān)鍵詞：融合網(wǎng)絡(luò)；帶寬感知；SFC映射；資源協(xié)同；資源調(diào)度

中圖分類號：TP393"" 文獻標志碼：A

文章編號：1001-3695（2025）01-035-0257-05

doi：10.19734/j.issn.1001-3695.2024.05.0181

Bandwidth aware resource collaborative scheduling method in fusion networks

Abstract：Aiming at the problem of insufficient collaborative perspective in converged networks and the trend of increasing bandwidth demand for bandwidth-intensive applications in 5G and 6G networks，this paper proposed a BASA algorithm and actively engaged in collaborative scheduling of resources based on bandwidth awareness.The paper dynamically sensed the link bandwidth and node computation capability to obtain the node mapping policy.Afterward，the paper took bandwidth and distance as sequential considerations and collaboratively selected the optimal link mapping policy based on the node mapping policy.The algorithm ensured the collaborative consistency of node and link mapping strategies and improved the QoS of the network.Experiments demonstrate that the method has better SFC mapping accuracy and efficiency，and outperforms the comparative algorithms in terms of the SFC mapping success rate and bandwidth utilization，and the algorithm’s bandwidth utilization can reach more than 75% on average.

Key words：fusion network；bandwidth awareness；SFC mapping；resource collaboration；resource scheduling

0 引言

隨著信息和通信技術(shù)的發(fā)展，未來6G網(wǎng)絡(luò)將為用戶提供豐富的沉浸式體驗，通過協(xié)同和融合的方式實現(xiàn)無處不在的連接［1］。而網(wǎng)絡(luò)切片（NS）技術(shù)通過邏輯和物理資源的分離，支持在公共物理網(wǎng)絡(luò)基礎(chǔ)設(shè)施上進行定制化服務(wù)與隔離［2］，是一種比較理想的5G行業(yè)專網(wǎng)部署的方式［3］，是支持下一代移動通信系統(tǒng)（6G）實現(xiàn)高水平的智能和開放性連接人類、物理和數(shù)字世界的關(guān)鍵技術(shù)［4］。網(wǎng)絡(luò)切片技術(shù)能夠智能協(xié)同資源調(diào)度。盡管存在多種資源分配算法，但適應(yīng)5G和未來6G網(wǎng)絡(luò)特性，以“協(xié)同”為核心進行資源調(diào)度的研究，仍是研究領(lǐng)域需進一步探討的關(guān)鍵問題。文獻［5］將端到端網(wǎng)絡(luò)切片技術(shù)與國際標準化組織3GPP定義的5G三大應(yīng)用場景：增強型移動帶寬（eMBB）、大規(guī)模機器通信（mMTC）以及超高可靠超低時延通信（URLLC）相聯(lián)系起來。文獻［6］針對URLLC和eMBB兩種具有不同QoS要求的5G業(yè)務(wù)，采用建立長期隊列積壓約束的帶寬和功率分配聯(lián)合優(yōu)化問題，再在eMBB時隙上采用切片穿刺的方法解決，實現(xiàn)了帶寬和電力資源最小化的目標，但以協(xié)同為角度的表述較少。文獻［7，8］采用深度強化學(xué)習，實現(xiàn)了資源的自動調(diào)整和智能分配，但關(guān)于資源協(xié)同調(diào)度的理論表述不足。文獻［9］利用SDN和NFV的獨有優(yōu)勢，為5G網(wǎng)絡(luò)切片環(huán)境設(shè)計了一種高效的資源機制，在實現(xiàn)切片間資源共享以及保證網(wǎng)絡(luò)切片的服務(wù)質(zhì)量的前提下，實現(xiàn)了切片的綜合效益最大化。文獻［10］構(gòu)建了一個關(guān)于多跳系統(tǒng)的端到端延遲可靠性分析框架并設(shè)計了帶寬抽象算法，分別對接入網(wǎng)和核心網(wǎng)執(zhí)行了切片實例化策略。同樣，并沒有協(xié)同概念的體現(xiàn)。文獻［11］提出了一種基于SLA的跨域業(yè)務(wù)編排框架，將端到端網(wǎng)絡(luò)切片看做是屬于不同網(wǎng)絡(luò)域的級聯(lián)子網(wǎng)，設(shè)計了兩種延遲均衡策略，實現(xiàn)了基于延遲的不同切片以及不同類型切片之間的協(xié)同。文獻［12］考慮在5G網(wǎng)絡(luò)切片上部署服務(wù)功能鏈（service function chains，SFCs）時的可用性，研究了確定SFC的切片組成以及切片映射到物理傳輸網(wǎng)絡(luò)的問題，但缺乏相關(guān)的資源協(xié)同研究。

在現(xiàn)有研究中，如星地網(wǎng)絡(luò)、電信云融合等，將不同類型網(wǎng)絡(luò)的功能和技術(shù)整合到一個統(tǒng)一的網(wǎng)絡(luò)架構(gòu)中的融合網(wǎng)絡(luò)已變得越來越普遍，而融合網(wǎng)絡(luò)資源調(diào)度分配卻仍然大多以一種固定的體系進行，以“協(xié)同”為角度實現(xiàn)的資源調(diào)度算法相對較少。本文針對高清視頻流、AR/VR、遠程醫(yī)療等帶寬密集型應(yīng)用場景，考慮其對于帶寬資源的較高需求，提出了一種基于帶寬感知的資源調(diào)度算法（bandwidth aware SFC mapping algorithm，BASA）。通過在網(wǎng)絡(luò)切片上部署服務(wù)功能鏈（SFC）實現(xiàn)基于帶寬感知的資源協(xié)同調(diào)度。其中，SFC指的是一種網(wǎng)絡(luò)架構(gòu)方法，它通過網(wǎng)絡(luò)功能虛擬化（NFV）環(huán)境中，利用軟件中間件代替?zhèn)鹘y(tǒng)的硬件中間件來實現(xiàn)。這些軟件中間件，即網(wǎng)絡(luò)虛擬功能（VNF），在標準的服務(wù)器上硬件上運行，為應(yīng)用程序提供所需的網(wǎng)絡(luò)功能［13］。在SFC節(jié)點映射階段，采用指針網(wǎng)絡(luò)結(jié)合長短期記憶網(wǎng)絡(luò)（LSTM）的方式，綜合考慮節(jié)點計算能力和鏈路帶寬資源選擇最適宜的節(jié)點進行映射。在鏈路映射階段，通過考慮已映射VNFs節(jié)點對間鏈路帶寬情況，優(yōu)先嵌入較大帶寬的鏈路。通過這種策略，可以提高網(wǎng)絡(luò)資源利用效率，優(yōu)化整體網(wǎng)絡(luò)性能，并一定程度上提升用戶體驗。

1 系統(tǒng)模型與問題描述

1.1 系統(tǒng)模型

5G中引入的網(wǎng)絡(luò)切片允許在共享基礎(chǔ)設(shè)施上創(chuàng)建和操作多個邏輯網(wǎng)絡(luò)，并根據(jù)商定的SLA服務(wù)需求進行定制，因此，將端到端SLA分解為各個域的需求是資源分配的必然步驟［14，15］。本文對分解得到的核心網(wǎng)（CN）SLA需求進行討論，提出了一種基于帶寬感知的資源協(xié)同調(diào)度方法。重點研究了CN中SLA保證的網(wǎng)絡(luò)切片和網(wǎng)絡(luò)帶寬協(xié)同。在核心網(wǎng)中，底層網(wǎng)絡(luò)層和虛擬網(wǎng)絡(luò)層構(gòu)成了網(wǎng)絡(luò)虛擬化的基本體系結(jié)構(gòu)。對于物理基板網(wǎng)絡(luò)（SN）定義為一個無向加權(quán)圖Gs=（Ns，Es，Cs，BWs）。與SN類似，SFC同樣由無向加權(quán)圖Gn=（Nn，En，Cn，BWn）進行表示。根據(jù)泊松過程將用戶隨機分布在BS覆蓋區(qū)域內(nèi)，將用戶數(shù)量記為Nuser，則用戶集合記為Nu={1，2，…，Nu}。表1總結(jié)了文中常見的一些符號。假設(shè)用戶流量需要經(jīng)過的SFC不同，VNFs不會在SFC之間共享，當SFC中定義的所有服務(wù)功能（VNFs）都已成功映射到網(wǎng)絡(luò)中的特定節(jié)點，并且數(shù)據(jù)流的路由路徑已經(jīng)建立，就設(shè)定用戶已成功訪問網(wǎng)絡(luò)。

1.2 問題描述

1.2.1 SLA分解

假設(shè)本文有n個定義域。典型的SLA參數(shù)包括時延、帶寬、可靠性（系統(tǒng)在一定時間內(nèi)不發(fā)生故障的概率）和吞吐量。本文將E2E SLA建模為一個元組〈S1，S2，…，Sk〉，其中有k個SLA參數(shù)。當跨域分解SLA時，有

Si1Si2…Sin=Si，i∈{1，2，…，n}表示其中一個定義域，Sik表示SLA維數(shù)Si在k域中的比例，而□是一個泛型組合運算符，對于每個SLA參數(shù)類型，它可能是不同的函數(shù)。如延遲是加性的，帶寬可以使用min（）算子，可靠性可以用乘法的方式組成（如1-n域的損失率需要以乘積的方式運算）。本文選擇核心網(wǎng)作為定義域。當接收到端到端用戶請求時會識別出端到端的帶寬需求BWSLA，與SLA指標用戶體驗速率相關(guān)聯(lián)，通常是滿足服務(wù)質(zhì)量需求的最小帶寬值［16］。為了提升用戶體驗以及獲得更高的QoS，本文設(shè)置了帶寬感知機制，使得CN資源映射時，在不造成網(wǎng)絡(luò)擁塞的情況下會優(yōu)先使用較大帶寬，應(yīng)有

BWCN≥BW′CN（1）

即實際完成業(yè)務(wù)所費帶寬應(yīng)當不小于完成該業(yè)務(wù)時滿足QoS的最低帶寬。

1.2.2 基于帶寬感知的資源協(xié)同調(diào)度算法

針對接收到的CN域SLA，端到端帶寬SLA分解之后會形成關(guān)于CN域的SLA，即BW′CN，并以此為最低閾值。在SFC映射時分為兩個步驟進行。在節(jié)點映射時，考慮物理節(jié)點的計算能力以及VNF節(jié)點的計算能力需求，選擇合適的位置放置VNF，盡量避免熱點問題，即某個節(jié)點過載而其他節(jié)點空閑。在鏈路映射階段，綜合考慮已映射的VNFs對之間的路徑，采用優(yōu)先嵌入較大帶寬鏈路的方式完成鏈路映射，當多條路徑具有相同最大帶寬時，選擇距離最短的路徑。SFC映射完成后，得到實際使用帶寬BWCN。根據(jù)各節(jié)點的占用情況以及各鏈路的帶寬占用和剩余帶寬資源，帶寬感知機制動態(tài)協(xié)調(diào)VNF節(jié)點和鏈路的映射。如圖1所示，帶寬感知機制在業(yè)務(wù)完成的過程中，通信資源應(yīng)當通過各個步驟的迭代，整體形成一個閉環(huán)實現(xiàn)。

網(wǎng)絡(luò)虛擬化（NFV）技術(shù)將傳統(tǒng)網(wǎng)絡(luò)中專用的硬件中間件（例如防火墻、入侵系統(tǒng)、網(wǎng)絡(luò)地址轉(zhuǎn)換器）轉(zhuǎn)變?yōu)橥ㄓ迷O(shè)備上基于軟件的虛擬網(wǎng)絡(luò)功能（virtual network function，VNF）實例［17］。而服務(wù)功能鏈（SFC）由一組VNF構(gòu)成，其允許網(wǎng)絡(luò)流量按照特定的順序依次通過。如圖2所示，SFC嵌入過程包括節(jié)點映射和鏈路映射兩個階段。

a）節(jié)點映射階段。定義二元變量ψui表示SFC中虛擬節(jié)點i和物理節(jié)點u之間的映射關(guān)系。

式（3）表示虛擬節(jié)點只能在剩余計算資源滿足需求的SN節(jié)點上實例化。式（4）表示SN服務(wù)器節(jié)點最多只能占用同一個SFC的虛擬節(jié)點，從而保證片內(nèi)隔離。

b）鏈路嵌入階段。定義變量φijuv表示虛擬鏈路Enij是否映射到物理鏈路Esuv中。

一條虛擬鏈路可以嵌入多個SN鏈路，因此，鏈路嵌入時應(yīng)滿足

式（6）表示只有當物理鏈路的帶寬大于等于虛擬鏈路的帶寬需求時，才能將虛擬鏈路嵌入到物理鏈路中。

式（7）表示物理鏈路的總帶寬不能被超過（即所有已成功嵌入的虛擬鏈路的帶寬總和小于等于物理鏈路總帶寬）。

c）評價指標。（a）用戶體驗QoE：成功訪問用戶占總用戶的比例為

其中：二進制變量yn=1表示SFC映射成功，并且滿足CN相關(guān)約束。

（b）帶寬利用率：它是指一定時間內(nèi)，網(wǎng)絡(luò)實際使用帶寬與總帶寬的比例。高帶寬利用率可能意味著網(wǎng)絡(luò)資源得到了充分利用，但可能預(yù)示著網(wǎng)絡(luò)擁塞的風險。

（c）帶寬波動：它通常指網(wǎng)絡(luò)帶寬在一定時間內(nèi)的不穩(wěn)定性，通過檢查網(wǎng)絡(luò)在一段時間內(nèi)帶寬使用的變化來評估的，在這里使用標準差來計算。假設(shè)本文一共由T個時間點的帶寬使用數(shù)據(jù)，則可得標準差計算公式為

式（10）表示了帶寬使用量的平均偏離程度，值越大，表示帶寬波動越大，值越小，表示帶寬使用越穩(wěn)定。

（d）用戶滿意度：它是衡量用戶對網(wǎng)絡(luò)服務(wù)滿意程度的指標，這里通過將用戶實際獲得帶寬與滿足服務(wù)質(zhì)量的最低帶寬之間比較得到，用戶實際獲得帶寬越大，用戶滿意度將越高，反之越低。這里將用戶獲得的實際帶寬用SFC中所有嵌入的物理鏈路中最小帶寬的鏈路表示，則實際帶寬應(yīng)該表示為BWactual=min（BW1，BW2，…，BWn），其中BWn表示在SFC中第n段鏈路的帶寬。與用戶完成業(yè)務(wù)所需最低帶寬BW′CN對比得到用戶的滿意度函數(shù)：

當Ui≥0時，則表示用戶獲得的帶寬超過了期望帶寬，符合預(yù)期目標。

（e）SFC映射成功率：通常定義為在規(guī)定時間內(nèi)成功部署的SFC請求數(shù)量與總的SFC請求數(shù)量的比值。即其計算公式為

2 基于帶寬感知的資源協(xié)同調(diào)度方法

對于SFC映射的節(jié)點映射和鏈路映射兩個階段，在節(jié)點映射時，使用結(jié)合注意力機制的指針網(wǎng)絡(luò)為代理來獲取節(jié)點映射策略。在鏈路映射時，結(jié)合文獻［18］的思想，修改Yen’s算法，優(yōu)先考慮帶寬因素，使得找到SFC順序節(jié)點對之間具有較大帶寬的鏈路進行嵌入。節(jié)點映射策略和鏈路映射策略之間的協(xié)同工作可以實現(xiàn)整個網(wǎng)絡(luò)的最優(yōu)性能。對于整體算法框架如圖3所示。

2.1 節(jié)點映射階段

由于指針網(wǎng)絡(luò)（pointer network）是一種序列到序列（seq2seq）的模型，這使得在輸入SN節(jié)點的信息S={S1，S2，…，SNs}后，最后的輸出會是以此得到的需要映射的SFC節(jié)點序列的順序。LSTM作為一種改進的處理時序數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，通過一個狀態(tài)參量C來實現(xiàn)遺忘功能［19］。LSTM編碼器接收物理網(wǎng)絡(luò)節(jié)點的特征向量作為輸入，經(jīng)過一系列變換并將其轉(zhuǎn)換為隱藏狀態(tài)后，LSTM解碼器使用編碼器的最終隱藏狀態(tài)作為輸入開始解碼過程，解碼器中的注意力機制為所有物理節(jié)點生成一個概率分布。最后根據(jù)這個概率分布，解碼器選擇概率最高的節(jié)點進行映射，直到完成整個序列的選擇。在這個過程中，將綜合考慮節(jié)點計算能力和鏈路帶寬信息計算物理節(jié)點的概率。指針網(wǎng)絡(luò)的輸出是一系列指針，指向輸入序列中的元素，這些指針代表了SFC中虛擬節(jié)點到物理節(jié)點的映射順序。其中，若沒有找到符合映射條件的節(jié)點，將會對節(jié)點映射失敗信息進行打印。

2.2 鏈路映射階段

鏈路映射階段僅在SFC節(jié)點映射成功的前提下進行。結(jié)合得出的SFC節(jié)點映射策略，在鏈路映射階段采用改進的Yen’s算法求出最佳映射策略，如圖4所示。

假設(shè)隨節(jié)點映射策略的形成，A到G是SFC鏈路中的一節(jié)，在該圖中，直線上的數(shù)字表示兩物理節(jié)點間距離，六邊形內(nèi)數(shù)字表示該物理鏈路的帶寬。因此，可以得到如表2所示的結(jié)果。在選擇嵌入鏈路時，會優(yōu)先選擇帶寬較大的鏈路，若具有相同帶寬的鏈路則優(yōu)先選擇距離最短的路徑，如表2所示的A-C-F-G。Yen’s算法是一種尋找網(wǎng)絡(luò)中最短路徑的算法，通常用于解決運輸問題。這里通過修改算法的路徑選擇邏輯，使其優(yōu)先考慮帶寬，其次考慮長度，從而實現(xiàn)鏈路映射，會遍歷SFC節(jié)點映射的順序列表中的每一對連續(xù)節(jié)點。對于每對節(jié)點，會計算每條路徑的最小帶寬，如果找到了具有更大最小帶寬的鏈路，或者帶寬相同情況下找到距離更短的鏈路，就會選擇這條鏈路添加到整個SFC鏈路映射的列表path中，直到找出整個SFC鏈路映射的最佳策略。其偽代碼如算法1所示。

算法1 鏈路映射算法

輸入：Gs，SFC節(jié)點映射的順序列表nodes。

輸出：鏈路映射策略path。

path=［］ //初始化列表

for i=length（nodes）-1 down to 1 //從最后一個節(jié)點倒序遍歷

current_node=nodes［i］

previous_node=nodes［i-1］

max_min_bandwidth=0

chosen_edge=none

for each edge in edges from current_node to previous_node

//遍歷當前節(jié)點到前一節(jié)點的所有鏈路

path_min_bandwidth=min（G.edge.bandwidth for each edge in path from current_node to previous_node）

if path_min_bandwidthgt;max_min_bandwidth or （edge.distancelt;chosen_edge.distance if chosen_edge is not none）：

//選擇合適鏈路

max_min_bandwidth=path_min_bandwidth

chosen_edge=edge //更新選擇的最優(yōu)鏈路

end if

end for

if chosen_edge is not none：

path.insert（0，chosen_edge） //將選擇的鏈路插入到路徑列表

else：

return“無法找到滿足條件的鏈路” //返回鏈路映射錯誤信息

end if

return path //返回完整的鏈路映射策略

整體SFC映射算法應(yīng)用強化學(xué)習的方法實現(xiàn)，強化學(xué)習是機器學(xué)習技術(shù)中的一種。代理通過發(fā)現(xiàn)技術(shù)，從而通過探索動作集來達到最佳目標［20］。對于輸入的SFC映射請求，代理狀態(tài)為當前需要映射的虛擬節(jié)點，狀態(tài)集定義為S={0，1，…，Sn}，其中Sn=|Nn|。動作集為A={0，1，…，aS}，其中aS=|NS|。本文完成整個SFC映射的目標是使SFC接入用戶足夠多的情況下，最大化用戶的滿意程度。即通過式（8）（11）可得獎勵函數(shù)為

Reword=ρQoE+（1-ρ）Ui（13）

其中：ρ∈［0，1］用來平衡用戶接入情況與用戶滿意度。當ρ=1時表示接入用戶數(shù)目最大化，反之使用戶滿意度最大化。當SFC映射符合獎勵后，agent將獲得獎勵，通過最大化獎勵，引導(dǎo)agent找到最優(yōu)映射策略。

2.3 算法復(fù)雜度分析

算法在節(jié)點映射階段使用了指針網(wǎng)絡(luò)結(jié)合長短期記憶網(wǎng)絡(luò)以及注意力機制的方式實現(xiàn)，指針網(wǎng)絡(luò)的時間復(fù)雜度為O（|Ns|），結(jié)合注意力機制來生成指向輸入序列的指針后，時間復(fù)雜度增加到O（|Ns|2）。在鏈路映射時，采用改進的最短路徑算法實現(xiàn)，時間復(fù)雜度為O（|Nn×En|）。因此算法總體的時間復(fù)雜度應(yīng)該是O（|Ns|2+|Nn×En|）。

3 仿真驗證和結(jié)果分析

本文是Windows 64位操作系統(tǒng)下，通過Python 3.10中的Anaconda集成開發(fā)環(huán)境，使用Visual Studio Code編輯器實現(xiàn)。通過仿真實驗，驗證所提基于SLA的帶寬感知SFC映射算法的有效性，并與延遲均衡策略中PN-SFC映射算法［11］以及采用深度Q學(xué)習網(wǎng)絡(luò)（DQN）實現(xiàn)的動態(tài)SFC部署方法（TVM-DQN）［21］在SFC映射成功率、帶寬波動以及帶寬利用率三個方面進行對比分析。其中，PN-SFC算法在節(jié)點映射節(jié)點采用同樣的指針網(wǎng)絡(luò)，在鏈路映射階段直接使用最短路徑算法，與該算法相比，可以更加直觀地體現(xiàn)出BASA算法在帶寬利用率等方面的性能。TVM-DQN算法考慮到了具有長學(xué)習延遲的基于強化學(xué)習的方法可能不足以在高度動態(tài)的物聯(lián)網(wǎng)環(huán)境中部署SFC，提出了潮汐虛擬機的概念。利用深度Q網(wǎng)絡(luò)動態(tài)學(xué)習最優(yōu)的服務(wù)功能鏈部署策略，并借助潮汐虛擬機機制靈活調(diào)整資源，以適應(yīng)網(wǎng)絡(luò)狀態(tài)變化。與該算法相比，能夠體現(xiàn)出BASA算法與同樣是資源利用率相關(guān)的強化學(xué)習算法間，在面對用戶重點關(guān)注的服務(wù)質(zhì)量和網(wǎng)絡(luò)效率等方面不同的適用性。

3.1 仿真設(shè)置

在仿真系統(tǒng)中，模擬了核心網(wǎng)的環(huán)境，核心網(wǎng)拓撲結(jié)構(gòu)使用典型的數(shù)據(jù)中心拓撲，即Fat-tree網(wǎng)絡(luò)［22］，由交換機和服務(wù)節(jié)點組成，規(guī)定每個用戶只能占用一個業(yè)務(wù)策略表。詳細參數(shù)如表3、4所示。

3.2 仿真結(jié)果分析

本文設(shè)置了20～80個用戶的SFC業(yè)務(wù)請求，對于每個SFC實施了嚴格的隔離策略。這意味著即使兩個SFC需要相同功能的VNF，它們也不會共享同一個實例，而是生成新的VNF實例。通過這種方式，可以保證每個SFC的性能不會受到其他SFC流量或資源競爭的影響，從而提高整個網(wǎng)絡(luò)的性能和穩(wěn)定性。這里分別從算法的SFC映射成功率、帶寬波動、帶寬利用率三個方面進行了相關(guān)算法的對比。

a）SFC映射成功率。圖5對比了三個算法成功映射的SFC數(shù)量隨著請求用戶數(shù)量的增多而發(fā)生的變化。當用戶數(shù)量較少時，節(jié)點和鏈路的資源較為充足，三種算法間差異不明顯，隨著用戶請求的增多，三種算法差異性逐漸明顯。PN-SFC算法由于最短路徑算法的局限性，隨用戶請求的增多，可能無法找到滿足SFC需求的可用路徑，從而導(dǎo)致成功映射的SFC數(shù)量有所降低。TVM-DQN算法通過潮汐虛擬機（TVM）控制機制可以實現(xiàn)動態(tài)調(diào)整資源分配，極大地維持了SFC的成功映射數(shù)量，并且由于DQN算法的不斷優(yōu)化決策，使得TVM-DQN算法成功映射的SFC數(shù)量一直處于一個較為穩(wěn)定的狀態(tài)。而BASA算法通過指針網(wǎng)絡(luò)結(jié)合注意力機制綜合考慮節(jié)點計算能力和鏈路帶寬資源，始終選擇映射概率最大的節(jié)點進行映射，這使得隨用戶請求的增多SFC成功映射的數(shù)量一直處于一個較高的水平。

b）帶寬波動。帶寬波動代表了在SFCC鏈路映射過程中，網(wǎng)絡(luò)帶寬在一定時間內(nèi)的穩(wěn)定性。由圖6所示，三種算法在帶寬波動上的顯示呈現(xiàn)了不同的狀態(tài)。其中，BASA算法在鏈路映射時，優(yōu)先考慮帶寬較大的鏈路使得整體的帶寬波動呈現(xiàn)出在一個較高的水平。TVM-DQN與PN-SFC算法在開始運行時，由于缺乏足夠的歷史數(shù)據(jù)，帶寬波動較大，后面隨著算法對網(wǎng)絡(luò)模式的理解加深，帶寬波動的標準差逐漸減小，帶寬波動趨于穩(wěn)定。但由于TVM-DQN算法特有的潮汐虛擬機機制，使得TVM-DQN算法的帶寬波動整體趨勢相對更加穩(wěn)定。

c）帶寬利用率。三種算法的帶寬利用率如圖7所示，隨用戶請求數(shù)目的增長，三種算法的帶寬利用率都呈現(xiàn)著逐步增長的趨勢。TVM-DQN算法的潮汐控制機制能夠很好地與環(huán)境做到交互，使得曲線的變化一直處于一個穩(wěn)定的狀態(tài)，但是帶寬利用率不能達到一個較高的水平。PN-SFC算法在選擇節(jié)點映射時會考慮鏈路帶寬容量等信息，但整體對于帶寬的利用仍處于較低的水平。BASA算法由于其帶寬感知的特性，在帶寬利用率方面一直處于一個較高的位置。但后期稍落后于TVM- DQN算法可能是由于算法的自適應(yīng)能力不能使帶寬利用率一直處于一個穩(wěn)定的狀態(tài)。對整體長期性能而言，BASA的帶寬利用率高于TVM-DQN 約5%、高于PN-SFC約13.3%。

4 結(jié)束語

本文提出了一種融合網(wǎng)絡(luò)中基于帶寬感知的資源協(xié)同映射，并針對核心網(wǎng)實現(xiàn)了帶寬感知的SFC映射資源協(xié)同算法。該算法在節(jié)點映射階段使用指針網(wǎng)絡(luò)結(jié)合LSTM得出最佳的節(jié)點映射策略，在鏈路映射階段使用改進的Yen’s算法會優(yōu)先嵌入帶寬較大的鏈路，當具有多條相同帶寬的鏈路時則嵌入距離最短的鏈路。注意力機制的使用，提高了節(jié)點映射的準確性和效率，而優(yōu)化的鏈路映射算法減少了鏈路選擇不當引起的帶寬波動，提高了網(wǎng)絡(luò)的QoS。仿真結(jié)果表明，BASA算法在SFC映射成功率、帶寬利用率等方面得到了較好的性能效果。但本文僅從帶寬感知的角度出發(fā)，未討論如時延、吞吐量等用戶重點關(guān)注的SLA性能指標。并且，現(xiàn)有研究方法主要針對多域網(wǎng)絡(luò)切片的聯(lián)合以及端到端網(wǎng)絡(luò)切片的資源分配，對于域間或多域的角度仍然是相對匱乏的［23］。所以下一步將重點實現(xiàn)算法向多域及多SLA指標拓展的研究。

參考文獻：

［1］徐暉，陳山枝，艾明.面向6G的星地融合網(wǎng)絡(luò)架構(gòu)［J］.中興通信技術(shù)，2023，29（5）：9-15.（Xu Hui，Chen Shanzhi，Ai Ming.Sate-llite earth fusion network architecture for 6G［J］.ZTE Technology，2023，29（5）：9-15.）

［2］Su Ruoyu，Zhang Dengyin，Venkatesan R，et al.Resource allocation for network slicing in 5G telecommunication networks：a survey of principles and models［J］.IEEE Network，2019，33（6）：172-179.

［3］胡穎.5G網(wǎng)絡(luò)切片關(guān)鍵技術(shù)綜述與應(yīng)用展望［J］.數(shù)字通信世界，2023（9）：111-113，116.（Hu Ying.Key technologies and application prospects of 5G network slicing［J］.Digital Communication World，2023（9）：111-113，116）

［4］Habibi M A，Han B，F(xiàn)ellan A，et al.Towards an open，intelligent，and end-to-end architectural framework for network slicing in 6G communication systems［J］.IEEE Open Journal of the Communications Society，2023，4：1615 - 1658.

［5］張晶，李芳.5G端到端網(wǎng)絡(luò)切片技術(shù)與應(yīng)用［J］.移動通信，2021，45（3）：40-43.（Zhang Jing，Li Fang.5G end-to-end network slicing technology and application［J］.Mobile Communications，2021，45（3）：40-43.）

［6］Zhao Yunzhi，Chi Xuefen，Qian Lei，et al.Resource allocation and slicing puncture in cellular networks with eMBB and URLLC terminals coexistence［J］.IEEE Internet of Things Journal，2022，9（19）：18431-18444.

［7］Alsenwi M，Tran N H，Bennis M，et al.Intelligent resource slicing for eMBB and URLLC coexistence in 5G and beyond：a deep reinforcement learning based approach［J］.IEEE Trans on Wireless Communications，2021，20（7）：4585-4600.

［8］Afolabi I，Prados-Garzon J，Bagaa M，et al.Dynamic resource provisioning of a scalable E2E network slicing orchestration system［J］.IEEE Trans on Mobile Computing，2019，19（11）：2594-2608.

［9］盧旭，易波，王興偉，等.SDN/NFV下的5G網(wǎng)絡(luò)資源切片管理機制［J］.小型微型計算機系統(tǒng)，2021，42（5）：1082-1087.（Lu Xu，Yi Bo，Wang Xingwei，et al.5G Network resource slicing management mechanism under SDN/NFV［J］.Journal of Chinese Computer Systems，2021，42（5）：1082-1087.）

［10］Yu Baozhu，Chi Xuefen，Liu Xuan.Martingale-based bandwidth abstraction and slice instantiation under the end-to-end latency-bounded reliability constraint［J］.IEEE Communications Letters，2021，26（1）：217-221.

［11］Bai Haonan，Zhang Yong，Zhang Zhenyu，et al.Latency equalization policy of end-to-end network slicing based on reinforcement learning［J］.IEEE Trans on Network and Service Management，2022，20（1）：88-103.

［12］Gour R，Ishigaki G，Kong J，et al.Availability-guaranteed slice composition for service function chains in 5G transport networks［J］.Journal of Optical Communications and Networking，2021，13（3）：14-24.

［13］Zhao Shuang，Chi Xuefen，Yu Baozhu，et al.Service function chains deployment for 5G slice with bandwidth coupling［J］.IEEE Communications Letters，2022，26（10）：2425-2429.

［14］Hsu C S H，De Vleeschauwer D，Papagianni C.SLA decomposition for network slicing：a deep neural network approach［J］.IEEE Networking Letters，2023，5（4）：294 - 298.

［15］De Vleeschauwer D，Papagianni C，Walid A.Decomposing SLAs for network slicing［J］.IEEE Communications Letters，2020，25（3）：950-954.

［16］王宇舟，黃儉，俞志豪.面向典型工業(yè)應(yīng)用場景的5G SLA指標研究［J］.電信快報，2023（5）：29-34.（Wang Yuzhou，Huang Jian，Yu Zhihao.Research on 5G SLA indicators for typical industrial application scenarios［J］.Telecom Express，2023（5）：29-34.）

［17］徐九韻，脫穎超，趙耀鵬，等.基于資源感知的多域服務(wù)功能鏈編排成本優(yōu)化［J］.計算機系統(tǒng)應(yīng)用，2024，33（5）：178-186.（Xu Jiuyun，Tuo Yingchao，Zhao Yaopeng，et al.Cost optimization of multi domain service function chain arrangement based on resource perception［J］.Computer System Applications，2024，33（5）：178-186.）

［18］Zhang Peiying，Su Yu，Wang Jingjing，et al.Reinforcement learning assisted bandwidth aware virtual network resource allocation［J］.IEEE Trans on Network and Service Management，2022，19（4）：4111-4123.

［19］何富君，王曉爭，劉凱.基于LSTM與非對稱網(wǎng)絡(luò)的改進DDPG算法研究［J］.計算機應(yīng)用研究，2022，39（1）：183-187.（He Fujun，Wang Xiaozheng，Liu Kai.Research on improved DDPG algorithm based on LSTM and asymmetric network［J］.Application Research of Computers，2022，39（1）：183-187.）

［20］Chen Jia，Cheng Xin，Chen Jing，et al.A lightweight SFC embedding framework in SDN/NFV-enabled wireless network based on reinforcement learning［J］.IEEE Systems Journal，2021，16（3）：3817-3828.

［21］Xu Jiuyun，Cao Xuemei，Duan Qiang，et al.Service function chain deployment using deep Q learning and tidal mechanism［J］.IEEE Internet of Things Journal，2024，11（3）：5401-5416.

［22］Dehury C K，Sahoo P K.Failure aware semi-centralized virtual network embedding in cloud computing fat-tree data center networks［J］.IEEE Trans on Cloud Computing，2020，10（2）：1156-1172.

［23］趙季紅，董莎，胡曉燕，等.多域網(wǎng)絡(luò)中基于域間時延博弈的端到端動態(tài)協(xié)同切片方法［J］.計算機應(yīng)用研究，2024，41（6）：1820-1824.（Zhao Jihong，Dong Sha，Hu Xiaoyan，et al.End-to-end dynamic collaborative slicing method based on inter-domain delay game in multi-domain network［J］.Application Research of Computers，2024，41（6）：1820-1824.）