0 概述

在运营商网络中, 流量需要经过不同的虚拟网络功能(Virtual Network Fuction, VNF)处理, 实现不同的网络服务^[1]。网络功能也称为服务功能(Service Function, SF), 一组有序的服务功能列表构成了服务功能链(Service Function Chain, SFC)^[2]。传统的网络功能以“网络应用”或者“中间件”的形式进行部署, 其中软件和硬件紧密耦合, 并且由特定的设备运营商统一提供^[3]。基于专有硬件的中间件实现使得网络僵化、可扩展性差:一方面, 运营商通常按照峰值流量进行网络建设, 资源使用率较低; 另一方面, 设计、部署以及运营端到端的网络服务通常通过手动配置和管理服务功能链, 大量的网络功能设备导致在人工配置和管理过程中极易出错, 新服务的上线时间长^[4]。软件定义网络(Software Defined Network, SDN)^[5]和网络功能虚拟化(Network Function Virtualization, NFV)^[1]的出现, 使得运营商可以动态创建SFC并执行相应的流量转发策略, 实现网络服务的灵活部署。SDN将控制平面和数据平面进行分离, 赋予了网络可编程能力, 允许控制平面对SFC路径转发规则进行编程, 并下发到SDN交换机上。NFV通过虚拟化技术将服务功能与硬件进行解耦, 服务功能软件转化为虚拟网络功能并运行在通用服务器上, 实现了服务功能实例的动态部署和虚拟链路的动态创建^[6-7]。

目前, SFC部署方法已经成为学术研究的热点问题。文献[8]从运营成本优化的角度研究SFC部署问题, 设计基于贪婪思想的启发式算法和遗传算法(Genetic Algorithm, GA)的VNF部署方法, 减少服务功能实例和活跃物理节点的数量, 以降低运营开销。文献[9]提出基于Q-learning算法的SFC部署方法, 该方法首先对SFC部署问题构建了0-1规划模型, 然后将不同部署方案的选取建立为马尔科夫决策模型, 采用Q-学习算法求解最优SFC部署方案。文献[8-9]的工作专注于离线SFC部署问题, 忽略了流量的动态变化, 难以实现虚拟资源使用的动态管理。文献[10]提出在线VNF配置方法, 但是未对该场景下服务功能链部署问题进行研究。文献[11]提出基于业务请求单元缓存负载预测的SFC动态部署方法, 该方法首先采用长短时记忆(Long Short-Term Memory, LSTM)神经网络预测未来缓存负载状态, 然后基于预测结果调整虚拟节点上的VNF计算资源分配, 并重新计算SFC的服务功能路径, 以降低SFC端到端时延, 但该方法没有考虑离线训练的神经网络模型不能适应网络流量模式可能发生的变化, 并且每个时间段对所有SFC路由路径进行调整会造成网络抖动, 增加服务等待时间, 降低网络服务质量。同时, 文献[12]的实验结果表明, 基于RNN、LSTM等传统深度神经网络的时间序列方法在网络流量数据集上的准确率仅为40 %, 该方法没有考虑在难以获得精确预测结果的情况下服务提供的持续性和稳定性问题。文献[13]采用FTRL算法预测每条SFC的网络流量, 当未来时刻所需服务功能实例数量大于当前在用实例数量时, 部署更多的新的服务功能实例, 这种方式不能充分利用空闲的服务功能实例, 造成虚拟资源浪费。

本文面向网络流量难以预测的场景, 提出在线服务功能实例配置算法, 根据服务功能请求的动态变化配置服务功能实例的数量, 并基于雪橇租赁模型设置空闲服务功能实例的生命周期, 实现虚拟资源使用的动态管理, 提高底层资源使用效率, 降低运营开销。基于此, 给出服务功能路径计算方法, 为每一个SFC请求计算路由路径, 实现动态场景下的服务功能链部署。

1 SFC动态体系结构与模型建立 1.1 SFC体系结构

根据IETF R7665^[2]参考文件, SFC体系结构如图 1所示, 由编排平面、控制平面和数据平面三部分组成。编排平面由多种网络功能应用构成, 用户可以通过仪表模板、命令行或者调用应用程序接口(Application Program Interface, API)等方式创建服务功能链并进行部署, 无需关注具体的实现细节。控制平面由策略控制器、SDN控制器和NFV管理与编排(NFV Management and Orchestration, NFV MANO)三部分构成。策略控制器负责将用户指令转化为具体的流分类策略(不同数据流对应的服务功能集合和访问顺序等), 并将其下发至服务流分类器; SDN控制器根据流分类策略制定不同数据流的服务功能路径(Service Function Path, SFP), 并将其下发至服务功能转发器(Service Function Forwarder, SFF), 实现数据流量的灵活调度; NFV MANO负责对底层资源进行管理和编排, 实现对服务功能实例的创建、状态监控、扩展以及删除等全寿命周期管理^[14-15]。数据平面由服务流分类器、服务功能转发器和服务功能三部分构成, 其中流分类器执行策略控制器下发的流分类策略, 对到达的数据流进行分类, 并指定相应的服务功能路径, SFF使用数据包中的SFC头部信息将数据包转发至与其关联的一个或者多个SF; SF负责对接收到的数据流量进行特定的功能性处理, 在虚拟化的网络环境中, 其一般由虚拟组件(如VNF)进行实现, 并部署在物理机上。一个SF实例可以接收一个或者多个SFF的数据流量。

除此之外, 参考文件中还定义了SFC域的概念, 指实现SFC的网络或者网络区域。一个SFC域仅限于单个网络管理域, 本文基于单个SFC域, 在编排平面设计在线服务功能实例配置、服务功能路径计算算法, 实现SFC部署和服务功能实例的动态管理。

1.2 SFC在线部署模型 1.2.1 网络模型

将网络拓扑抽象为赋权无向图G(V, E), 其中, V代表底层节点集合, E代表底层链路集合。每个底层节点代表一个计算节点, 由于基于软件的网络应用大多是CPU密集型, 一般情况下不会占用大量的存储和内存资源^[16], 因此仅考虑其计算资源, 以能够虚拟出的vCPU数量进行表示, 记为C_v。每条链路(u, v)∈E, 带宽记为B_uv, 时延记为L_uv。在基于NFV的网络环境中, 每个虚拟机仅实例化一个VNF, 对应于一个服务功能实例, 服务功能类型用集合F={1, 2, …, f}进行表示, 类型为f的服务功能吞吐量为ct_f, 所需vCPU数量为cr_f, f^k∈f表示类型为f的服务功能的一个具体实例。服务功能实例可以设置活跃(active)和空置(idle)两种状态, 对设置idle状态的VNF实例, 设置其生命周期deadline, 并不再向其映射新的SFC请求。在t时刻系统中的active状态的f类型VNF实例集合为Z_f(t), 数量为z_f(t), 相应地, idle状态的VNF实例集合为W_f(t), 数量为w_f(t)。

1.2.2 SFC请求模型

在任意时刻, 网络环境中的SFC请求集合为S(t), 每个SFC请求s_i可以用六元组$\left\langle {{\alpha _i}, {\beta _i}, G, {b_i}, {l_i}, \Delta {t_i}} \right\rangle $进行表示。其中, α_i和β_i分别为服务功能链流量的流入节点和流出节点, G_i为服务功能链s_i中流量路由经过的服务功能集合, 每个元素g_ij代表流量经由的第j个服务功能, 参量$g_{i j}^{f^{k}}=1 $时代表服务功能链s_i的第j个服务功能为f^k, 否则为0。特别地, 对于流量流入节点, 记$ {g_{i, 0}} = {\alpha _i}, g_{i, 0}^{{f^k}} = 0$, 对于流量流出节点, 记 $g_{i,\left|G_{i}\right|+1}^{f^{k}}=0, b_{i} $ 为请求所需流量带宽, l_i为时延阈值, Δt_t为该请求在系统中的驻留时间。

1.2.3 优化目标

本文建立了动态SFC架构下的自适应扩展开销最小化模型。将网络系统运营的时间划分为离散时刻Γ={0, 1, …}, 每个时间间隔为δ。运营商需要根据SFC请求的动态变化部署或撤销服务功能实例, 以在满足服务需求的情况下减少运营开销。在本文提出的模型中, 将当前时刻提供正常服务所必需的服务功能实例状态设置为active, 其他服务功能实例设置为idle状态, 运营商需要通过网络流量的变化动态调整服务功能实例状态, 自适应扩展提供网络服务所需资源。自适应扩展开销可分为:

1) idle状态服务功能实例运行开销:保留idle状态的服务功能实例会增加能耗开销和虚拟资源占用开销。设ϕ_f为单个时间间隔δ内类型f的服务功能实例运行开销系数, 则在系统运行时间段内, 服务功能实例运行开销为:

$ O = \sum\limits_{t \in \mathit{\Gamma} } {\sum\limits_{f \in F} {{\phi _f}} } {w_f}(t) $

(1)

2) 服务功能实例部署开销:部署新的服务功能实例需要进行虚拟机的镜像传输并增加服务的等待时延, 产生部署开销。设φ_f为类型f的服务功能实例的部署开销系数, d_f(t)为t时隙部署的类型f的服务功能实例数量, 则在整个系统运行时间段内, 服务功能实例的部署开销为:

$ D = \sum\limits_{t \in \mathit{\Gamma} } {\sum\limits_{f \in F} {{\varphi _f}} } {d_f}(t) $

(2)

整个系统在运行时间内的优化目标为:

$ \min (O+D) $

(3)

在每一时刻对服务功能实例进行动态调整后, 需要对到达的SFC请求配置服务功能路径。本文以当前时刻active状态服务功能实例数量和部署情况作为约束条件, 以当前时刻带宽开销最小化为目标部署新到达的SFC请求, 优化目标为:

$ \min \sum\limits_{u \in V} {\sum\limits_{{s_i} \in S(t)} {\sum\limits_{j = 0}^{\left| {{G_i}} \right|} {y_{uv}^{ij}} } } {b_i} $

(4)

其中, 二值变量y_uv^ij值为1时表示g_ij与g_{i, j+1}之间的路径先后经过相邻的两个节点u、v, 否则为0。

1.2.4 SFC请求部署约束

定义二值变量$ x_v^{{f^k}}$, 其值为1时表示服务功能实例f^k部署在节点v上, 否则为0。在任意时刻, 系统中的SFC部署需要满足以下约束:

1) 对于已经成功部署在底层网络的SFC, 式(5)确保其所需的服务功能都能映射到底层节点的服务功能实例上, 且每个服务功能仅映射到一个服务功能实例上。

$ \sum\limits_{v \in V} {g_{ij}^{f_{ij}^k}} x_v^{{f^k}} = 1, \forall {s_i} \in S(t), j \in {G_i}, {f^k} \in {Z_f}(t), f \in F $

(5)

2) 对于每个节点来说, 式(6)表示对每个VNF实例f^k处理的数据流量不能超过其吞吐量, 式(7)表示在节点v上的VNF实例化不能超过该节点的计算资源总量。

$ \sum\limits_{{s_i} \in S(t)} {\sum\limits_{{g_{ij}} \in {G_i}} {g_{ij}^{{f^k}}} } {b_i} \le c{t_f}, \forall {f^k} \in {Z_f}(t), f \in F $

(6)

$ \sum\limits_{f \in F} {\sum\limits_{{f^k} \in {Z_f}(t)} {x_v^{{f^k}}} } c{r_f} \le {C_v}, \forall v \in V $

(7)

对于每一条物理链路, 式(8)表示其上的SFC数据流量不能超过该链路的流量带宽。对于每个SFC数据流量, 式(9)表示其仅能通过一条路径在相邻服务功能之间路由, 同时两个服务功能的路由路径不能出现环路。式(10)表示SFC流量路径中的流量守恒。

$ \sum\limits_{{s_i} \in S(t)} {\sum\limits_{j = 0}^{\left| {{G_i}} \right|} {y_{uv}^{ij}} } {b_i} \le {B_{uv}}, \forall (u, v) \in E $

(8)

$ \begin{array}{*{20}{l}} {\sum\limits_{u \in V} {y_{vu}^{ij}} \le 1, \sum\limits_{u \in V} {y_{uv}^{ij}} \le 1}\\ {\quad \forall {s_i} \in S(t), j \in {{\left[ {0, \left| {{G_i}} \right|} \right]}_z}, v \in V} \end{array} $

(9)

$ \begin{array}{*{20}{l}} {\sum\limits_{u \in V} {\left( {y_{vu}^{ij} - y_{uv}^{ij}} \right)} = g_{ij}^{{f^k}}x_v^{{f^k}} - g_{i, j + 1}^{{f^\prime }k}x_v^{{f^{\prime k}}}}\\ {\forall {s_i} \in S(t), j \in {{\left[ {0, \left| {{G_i}} \right|} \right]}_z}, f, {f^\prime } \in {Z_f}(t), v \in V} \end{array} $

(10)

3) 需要考虑底层链路时延对SFC造成的影响, 式(11)表示SFC请求部署不能超过其时延要求。

$ \sum\limits_{{g_{ij}} \in {G_i}(u, v) \in E} {y_{uv}^{ij}} {L_{uv}} \le {l_i}, \forall {s_i} \in S(t) $

(11)

2 算法设计

在线服务功能链部署算法首先在每个时间间隙t∈Γ, 根据该间隙服务请求到达集合计算当前时刻需要的服务功能实例数量; 然后根据现有的服务功能实例数量和所需的服务功能实例数量, 对服务功能实例进行动态配置, 实现虚拟资源的动态调整; 最后根据调整后的SF实例数量以及网络状态计算新到达的服务请求的服务功能路径, 按需提供网络服务。

算法1   在线服务功能链部署算法

输入    $G(V, E)、{C_v}、{B_{uv}}、{L_{uv}}、F、c{t_f}、c{r_f}、\mathit{\Gamma} 、{\phi _f}、{\varphi _f} $

输出   服务功能实例部署方案, SFC请求部署方案

1.初始化t=0;

2.for t∈Γ

3.读取当前时间间隙SFC请求集合;

4.计算当前时刻服务功能实例需求数量zl_f^*(t);

5.for i=1 : |F|

6.调用在线服务功能实例配置算法对服务功能实例进行自适应扩展;

7.end for

8.对每个到达的服务请求, 调用基于遗传算法的服务功能路径配置算法计算服务功能路径并进行部署;

9.end for

2.1 在线服务功能实例配置算法

在线服务功能实例配置的目的是在保证提供网络服务的同时尽可能降低冗余服务功能实例运行开销和服务功能实例的部署开销, 合理配置冗余服务功能实例的生命周期。在流量动态变化的场景下, 无法获得未来时刻的流量变化, 当前时刻过量配置的服务功能实例是否保留需要进行权衡。若将当前时刻冗余的服务功能实例进行立即删除, 则下一时刻流量增加时, 会增加服务功能实例的部署开销; 反之, 若继续保留冗余的服务功能实例, 当下一时刻流量继续减少时, 则持续保留空置状态实例会增加运行开销。为平衡两种开销之间的矛盾, 本文采用雪橇租赁模型^[14]对状态为idle的服务功能实例的生命周期进行管理。经典的雪橇租赁问题是指在滑雪天数未知的情况下, 确定雪橇的租赁和购买策略, 使滑雪支出接近天数已知情况下的最优解。设雪橇购买价格是租赁价格的m倍, 则按照式(12)概率分布p_n随机选择天数n, 即租赁n－1天, 第n天继续滑雪则购买雪橇, 能够达到与滑雪天数已知的情况下相比下的最优竞争比e/(e－1)。

$ p_{n}=\left\{\begin{array}{l}{\frac{\left(\frac{m-1}{m}\right)^{m-n}}{\left.m\left(1-\left(1-\left(\frac{1}{m}\right)\right)^{m}\right)^{m}\right)}, n \leqslant m} \\ {0, n>m}\end{array}\right. $

(12)

在服务功能实例生命周期管理问题中, 未来时刻流量的变化是未知的, 当前时刻idle状态的服务功能实例再次被设置为active状态所等待的时间也是未知的, 持续idle状态会增加运行开销, 若将其删除则会增加潜在的部署开销, 其本质上为雪橇租赁模型。基于该模型的在线服务功能实例配置算法具体如下:

算法2   在线服务功能实例配置算法

输入    $ G(V, E)、Z_{f}(t-1)、W_{f}(t-1)、z_{f}(t-1)、w_{f}(t-1)、z l_{f}^{*}(t)$

输出   当前时刻服务功能实例集合Z_f(t)、W_f(t)

1.if zl_f^*(t)≥z_f(t－1)+w_f(t－1) then

2.部署zl_f^*(t)－z_f(t－1)－w_f(t－1)个服务功能实例;

3.将系统中所有类型为f的VNF实例状态设为active;

4.更新底层节点剩余资源Z_f(t－1), W_f(t－1);

5.else if zl_f^*(t) < z_f(t－1) then

6.对Z_f(t－1)中的服务功能实例按照负载大小进行升序排列;

7.将序列中前z_f(t－1)－zl_f^*(t)个实例状态设置为idle, 记录idle状态开始时间istart并按照式(12)设置生命周期deadline;

8.更新Z_f(t－1), W_f(t－1);

9.else

10.对W_f(t－1)中的服务功能实例按照istart进行降序排列;

11.将序列中前zl_f^*(t)－z_f(t－1)个实例设置为active状态;

12.更新Z_f(t－1), W_f(t－1);

13.end if

14.end if

15.for集合W_f(t－1)中所有服务功能实例do

16.if该实例的idle状态时间≥deadline then

17.if该实例上有SFC请求的流量承载then

18.调用基于遗传算法的服务功能路径配置算法重新计算服务功能路径并进行流量迁移;

19.end if

20.将该实例删除;

21.end if

22.end for

23.Z_f(t)=Z_f(t－1), W_f(t)=W_f(t－1)

在当前时刻所需的实例数量$ zl_f^*(t) \ge {z_f}(t - 1) + {w_f}{\rm{(}}t{\rm{ - 1)}}$时, 则将系统中所有的服务功能实例状态设置为active, 并部署$ z l_{f}^{*}(t+1)-z_{f}(t)-w_{f}(t)$个服务功能实例, 以满足增长的流量需求(算法2中的步骤1~步骤4)。在部署新的服务功能实例时, 将该问题建模为背包装箱模型^[17], 以尽可能减少部署服务功能实例所占用的物理节点。当$zl_f^*(t) < {z_f}(t - 1) $时, 对$ {z_f}(t - 1)$中状态为active的服务功能实例按照负载进行升序排列, 将序列中前$ {z_f}(t - 1) - zl_f^*(t)$个实例设置为idle状态, 以在将空闲状态实例删除时尽可能减少需要改变服务功能路径的SFC请求数量。对设置为idle状态的服务功能实例, 将φ_f/ϕ_f代入式(12), 设置其生命周期deadline, 并记录idle状态开始时间istart(算法2中的步骤5~步骤8)。当$z_{f}(t-1) \leqslant z l_{f}^{*}(t) <z_{f}(t-1)+{w_f}{\rm{(}}t{\rm{ - 1)}} $时, 对$ {w_f}{\rm{(}}t{\rm{ - 1)}}$中的服务功能实例按照istart进行降序排列, 将前$zl_f^*(t) - {z_f}(t - 1) $个实例由idle状态设置为active状态, 即优先使用idle状态持续时间最短的服务功能实例, 持续时间长的实例很可能被删除, 以减少资源开销(算法2中的步骤9~步骤12), 每进行一次状态改变均对$ {z_f}(t - 1)$和$ {w_f}{\rm{(}}t{\rm{ - 1)}}$进行更新。对$ {w_f}{\rm{(}}t{\rm{ - 1)}}$中到达生命周期的服务功能实例, 若仍有SFC请求部署, 则调用基于遗传算法的服务功能路径配置算法重新计算服务功能路径, 将数据流量迁移完成后对该实例进行删除(算法2中的步骤16~步骤22)。由于OpenNF^[18]支持无损和保留数据的流状态迁移, 因此算法中不考虑具体的流量状态迁移过程。

2.2 基于遗传算法的服务功能路径配置算法

对于每个到达的SFC请求, 需要按照请求中的服务功能需求在网络中找到对应的服务功能实例, 并且设置服务功能实例之间的路由路径, 以实现数据流量的转发, 其本质上是NP难的组合优化问题, 而遗传算法对于求解该类问题非常有效^[19]。本文提出基于遗传算法的SFC服务功能路径配置算法, 以快速找到服务请求的最短服务功能路径。

1) 染色体编码:每个染色体采用一个行向量进行表示, 向量的列数为该SFC中包含的服务功能数量, 向量中第j个元素的数值代表了g_ij所对应的服务功能实例序号。向量中每个元素取值范围为Z_f(t)中剩余吞吐量大于s_i请求带宽的实例构成的集合avail_f(t)。

2) 染色体解码:对应编码方案, 首先确定染色体向量中每个元素对应的服务功能实例所在的节点位置; 然后源节点、服务功能实例承载节点、目的节点之间流量路由采用最短路径算法, 计算得到该染色体对应的SFC部署和路由方案。若相邻的服务功能实例部署在同一物理节点, 则该段路径长度为0。

3) 适应度计算:适应度的计算方法如式(13)所示。

$ f\left(p o p_{i}\right)=\frac{1}{L r_{i}+\varepsilon} $

(13)

其中, Lr_i表示方案pop_i对应的路径长度, ε为常数。适应度值越大, 说明该方案路径长度越小。

4) 选择复制:采用轮盘赌方法进行选择, 每个染色体被选中的概率为$ p\left( {po{p_i}} \right) = f\left( {po{p_i}} \right)/\sum\limits_i f \left( {po{p_i}} \right)$。

此外, 采用单点交叉法和单点变异法进行交叉和变异操作。算法过程具体如下:

算法3  基于GA的服务功能路径配置算法

输入    s_i、G(V, E)、Z_f(t)、种群大小Popsize、交叉概率P_c、变异概率P_m、连续最优次数Opt

输出  SFC部署方案pop_best、服务功能实例负载状态、链路剩余资源

1.根据s_i请求带宽和Z_f(t)中实例剩余吞吐量计算可承载该请求的实例集合avail_f(t);

2.根据avail_f(t)、G(V, E)生成初始种群Pop, 设置n=0, 最优适应度值f_best=0, f ′ _best=0;

3.while n≤Opt do

4.对每个pop_i∈Pop, 计算适应度f(pop_i);

5.得到pop_best和f_best;

6.采用轮盘赌方法进行复制构成新种群Newpop;

7.对种群中的染色体以概率P_c进行交叉;

8.对种群中的染色体以概率P_m进行变异;

9.if f_best==f′ _best then

10.n=n+1;

11.else

12.n=0;

13.end if

14.f ′ _best=f_best;

15.Pop=Newpop

16.end while

17.根据pop_best对s_i进行部署, 更新Z_f(t)中实例剩余吞吐量和链路剩余带宽

3 实验结果与分析 3.1 实验设置

实验在Intel Corei7-7500U、16 GB RAM笔记本电脑上进行, 程序基于Matlab 2018b实现。由于在数据中心网络中大多为胖树结构, 各机架之间可以相互连接, 底层网络视图为10个节点的全连接视图, 每个节点可虚拟出的CPU数量设置为48, 每条链路带宽设置为4 Gb/s。为更加真实地验证算法, 服务请求强度从试验网抓包分析获得, 每隔15 min对抓取的数据包进行分析, 通过对比与前一时间段

不同起始IP数量和协议类型获取该时间段内请求到达强度, 并将每15 min设定为一个单位时间, 生成服务请求到达强度的时间序列, 该数据在GitHub^[20]上进行公开。每个SFC请求带宽在[30 Mb/s, 50 Mb/s]之间均匀分布, 持续时间服从λ=1的负指数分布, 生成的网络流量如图 2所示。

所有SFC请求的服务功能序列统一设置为Firewall→IDS→Proxy, 每种服务功能实例占用的CPU资源和吞吐量^[21]如表 1所示。

为在仿真过程中获得每个时刻服务功能实例需求数量, 采用式(14)进行换算, $\left\lceil \cdot \right\rceil $符号为向上取整。

$ C{R_f}(t) = \left\lceil {\sum\limits_{{s_i} \in S(t)} {{b_i}} /c{t_f}} \right\rceil $

(14)

3.2 性能分析

对不同的服务功能实例生命周期配置策略的开销进行对比分析。设置部署开销系数φ_f=7, 运行开销系数ϕ_f=1, 本文提出的基于雪橇租赁模型的idle状态实例生命周期管理方法(ski07)与在^{[1, 7]}区间中随机选择生命周期方法(rand07)、即刻删除方法(static01)和文献[13]中的固定设置生命周期方法(实验中设置为7, static07)进行对比。

图 3为本文提出方法中Firewall实例的变化曲线。可以看出, 防火墙总量变化与流量变化趋势整体相同, 但其变化剧烈程度较低, 短期内呈现水平阶梯状, 其原因为网络流量在较短时间内呈现出无规律性, 而idle状态实例的存在, 使得已经创建的服务功能实例能够重新设置为active状态进行使用, 避免服务功能实例大量创建, 造成实例数量的剧烈变化。

图 4为idle状态实例运行开销曲线, static01方法对过量配置的服务功能立即进行删除, 其运行开销始终为0。然而, 由于网络流量的剧烈变化, 当未来时刻需要更多的服务功能实例满足服务请求需求时, 则会部署未来时刻需要的更多服务功能实例, 因此图 5中相比于其他保留空闲状态实例的方法, 其对应的部署开销最高。static07方法始终设定idle状态的服务功能实例生命周期为固定值, 则会造成系统中驻留大量的冗余实例, 占用大量的虚拟资源, 造成运行开销最高, 但是预留冗余实例减少了未来时刻流量变化的过程中新服务功能实例的创建, 因此其对应的部署开销最低。基于随机选择的生命周期配置方法rand07在^{[1, 7]}区间中随机配置服务功能实例的生命周期, 基于雪橇租赁模型的ski07方法采用式(12)对idle状态的实例进行生命周期配置, 随着自变量n在[1, m]区间中增加, 概率p_n也相应增加, 即ski07方法与rand07方法相比, 对于每一个idle状态的服务功能实例, 其更倾向于设置更长的生命周期, 因此在图 4中, 其运行开销比rand07方法要大。较长的生命周期意味着空闲状态服务功能实例在系统中驻留时间更长, 在未来时刻需要更多的服务功能实例时, 其能够转换为active状态, 为数据流量提供服务, 而不需要创建更多的新实例, 因此在图 5中ski07方法比rand07方法部署开销小。

图 6为总的自适应扩展开销变化。可以看出, ski07方法所产生的总开销最小, 比rand07方法降低了1.8 % ~2.0 %, 并且随着时间的增加, 各方法之间产生的开销差异也在逐渐加大。

将本文提出的基于GA算法的最短服务功能路径配置方法与OpenDaylight^[22]中的随机选择算法(RAND)和负载均衡算法(LB)的带宽利用率进行对比, 如图 7所示。可以看出, 本文方法能显著降低带宽的使用, 尤其在大流量情况下, 比其他方法降低了4 % ~7 %。主要原因为在大流量条件下, 虚拟机数量增加且集中部署在部分节点上, 算法更倾向于将服务功能链部署在位于同一底层节点或者少量节点的多个虚拟机上, 不同服务功能实例之间的流量传输将在节点内部虚拟交换接口中进行, 从而大幅减少节点之间带宽资源的使用, 而其他两种方法不能很好地利用服务功能实例集中的部署优势, 其带宽利用率较高。

4 结束语

本文研究服务功能链请求到达场景下服务功能实例的动态扩展和服务功能链的动态部署问题, 提出基于雪橇租赁模型的服务功能实例生命周期管理和在线部署方法, 以及基于遗传算法的服务功能路径配置算法, 降低了动态场景下服务功能自适应扩展开销和服务功能链的部署带宽, 为运营商实现云网一体化的自动化运营提供了参考。下一步将结合5G发展需求, 研究5G核心网中服务功能链的动态部署方案。