[發明專利]使用機器學習算法來滿足SLA要求的系統和方法

在審

• 申請號: 201780031964.4
• 申請日: 2017-05-19
• 公開（公告）號: CN109155743A
• 公開（公告）日: 2019-01-04
• 發明（設計）人: 丹尼什·喬普拉;安素·納朗;因德普里特·布拉爾;赫曼特·帕特爾;沙希達爾·斯里尼瓦沙
• 申請（專利權）人: 思科技術公司
• 主分類號: H04L12/24
• 分類號: H04L12/24;G06F9/455;H04L12/26
• 代理公司: 北京東方億思知識產權代理有限責任公司 11258
• 代理人: 林強

1.一種方法，包括：

從相應容器化虛擬網絡功能收集虛擬網絡功能關鍵性能指標數據；

維持所述相應容器化虛擬網絡功能的狀態信息；

運行機器學習算法，所述機器學習算法一經訓練便學習并預測所述相應容器化虛擬網絡功能是否需要縮放、修復或上下文切換到同類型虛擬網絡功能中的一者以產生確定，其中，所述機器學習算法包括：

T(s)＝(∑(M(v)+R(a)))％T(m)

R(a)＝R_vnf/R_total<＝全局中間資源使用

T(m)＝M(v)_max+R(a)_max，其中

T(s)是針對所述相應容器化虛擬網絡功能的所述縮放、所述修復或所述上下文切換到所述同類型虛擬網絡功能的閾值；

M(v)是數值變量；

R(a)包括多個容器化虛擬網絡功能之中的所述相應容器化虛擬網絡功能的絕對單獨資源使用；

R_vnf包括給定的虛擬網絡功能的資源使用；

R_total包括具有一組虛擬網絡功能的網絡服務的總資源使用；

T(m)是閾值最大值；并且

Σ包括從i＝1到N的總和，其中，N是所述縮放、所述修復或所述上下文切換的所述閾值T(s)已經成功的次數。

2.根據權利要求1所述的方法，其中，在監控與恢復節點處進行所述收集和運行步驟。

3.根據權利要求1或2所述的方法，還包括：當所述T(s)閾值被滿足N次并且所述確定表明應采取措施時，向供應節點提供指令以執行針對所述相應容器化虛擬網絡功能的所述縮放、所述修復和所述上下文切換中的一者。

4.根據權利要求1至3中任一項所述的方法，其中，通過多個信道來進行收集所述虛擬網絡功能關鍵性能指標數據的步驟。

5.根據權利要求4所述的方法，其中，所述多個信道包括IPSLA、NETCONF和SNMP中的至少兩者。

6.根據權利要求3至5中任一項所述的方法，其中，當所述機器學習算法預測所述相應容器化虛擬網絡功能需要縮放時，向所述供應節點提供指令以添加新的虛擬網絡功能實例。

7.根據權利要求6所述的方法，其中，所述供應節點使用新的docker容器或虛擬機來添加所述新的虛擬網絡功能實例。

8.一種系統，其包括：

處理器；以及

計算機可讀介質，存儲有指令，該指令在被所述處理器執行時使得所述處理器執行操作，所述操作包括：

從相應容器化虛擬網絡功能收集虛擬網絡功能關鍵性能指標數據；

維持所述相應容器化虛擬網絡功能的狀態信息；

運行機器學習算法，所述機器學習算法一經訓練便學習并預測所述相應容器化虛擬網絡功能是否需要縮放、修復或上下文切換到同類型虛擬網絡功能中的一者以產生確定，其中，所述機器學習算法包括：

T(s)＝(Σ(M(v)+R(a)))％T(m)

R(a)＝R_vnf/R_total<＝全局中間資源使用

T(m)＝M(v)_max+R(a)_max，其中

T(s)是針對所述相應容器化虛擬網絡功能的所述縮放、所述修復或所述上下文切換到所述同類型虛擬網絡功能的閾值；

M(v)是數值變量；

R(a)包括多個容器化虛擬網絡功能之中的所述相應容器化虛擬網絡功能的絕對單獨資源使用；

R_vnf包括給定的虛擬網絡功能的資源使用；

R_total包括具有一組虛擬網絡功能的網絡服務的總資源使用；

T(m)是閾值最大值；并且

Σ包括從i＝1到N的總和，其中N是所述縮放、所述修復或所述上下文切換的所述閾值T(s)已經成功的次數。