[發(fā)明專利]一種面向智能配電業(yè)務(wù)的虛擬網(wǎng)絡(luò)資源分配方法

有效

• 申請?zhí)枺?/td>: 202110633073.4
• 申請日: 2021-06-07
• 公開（公告）號: CN113347589B
• 公開（公告）日: 2022-03-25
• 發(fā)明（設(shè)計）人: 李慧;李一鳴;劉堅;紀(jì)越峰
• 申請（專利權(quán)）人: 北京郵電大學(xué)
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;H04W4/35;H04W72/04;H04W72/08;G06K9/62
• 代理公司: 北京永創(chuàng)新實專利事務(wù)所 11121
• 代理人: 易卜

1.一種面向智能配電業(yè)務(wù)的虛擬網(wǎng)絡(luò)資源分配方法，其特征在于，具體步驟如下：

首先，針對基礎(chǔ)設(shè)施層的各條鏈路，分別計算各自的鏈路故障率，鏈路剩余帶寬，鏈路帶寬利用率和鏈路業(yè)務(wù)阻塞率四個評價指標(biāo)；并將四個評價指標(biāo)一起輸入訓(xùn)練好的隨機森林分類器模型中，輸出各鏈路對應(yīng)的可靠度；

然后、利用基礎(chǔ)設(shè)施層各鏈路的故障率指標(biāo)，計算所有鏈路對應(yīng)的風(fēng)險方差和；

所述的風(fēng)險方差和的具體過程如下：

首先、利用鏈路故障率η_fault計算當(dāng)鏈路l_s同時承載N個業(yè)務(wù)時的風(fēng)險；

計算公式如下：

其中a_i為當(dāng)前鏈路l_s第i個業(yè)務(wù)對應(yīng)的優(yōu)先級；

同理，計算出基礎(chǔ)設(shè)施層中其余各鏈路同時承載多個業(yè)務(wù)時各自的風(fēng)險；

然后、根據(jù)各鏈路的風(fēng)險計算總的鏈路風(fēng)險均值μ；

計算公式如下：

E_s為基礎(chǔ)設(shè)施層中所有鏈路的集合，E代表基礎(chǔ)設(shè)施層中鏈路總數(shù)；

最后、利用各鏈路的風(fēng)險以及鏈路風(fēng)險均值，計算基礎(chǔ)設(shè)施層中所有鏈路的風(fēng)險方差和；

風(fēng)險方差和計算公式為：

接著、利用各鏈路的可靠度以及所有鏈路的風(fēng)險方差和進(jìn)行加權(quán)求和，建立目標(biāo)函數(shù)，并在滿足目標(biāo)函數(shù)最小的情況下，基于主鏈路映射算法求解，按照優(yōu)先級從高到低的順序為各業(yè)務(wù)分配從大到小的可靠度對應(yīng)的主鏈路；

目標(biāo)函數(shù)公式為：

min:

其中α為業(yè)務(wù)j對應(yīng)的優(yōu)先級，為基礎(chǔ)設(shè)施層中所有鏈路上的所有業(yè)務(wù)的可靠度之和；L^j為基礎(chǔ)設(shè)施層中第j個業(yè)務(wù)請求的所有鏈路的總數(shù)；J為基礎(chǔ)設(shè)施層中請求業(yè)務(wù)的總數(shù)；β為鏈路風(fēng)險方差和的權(quán)重；

最后、針對當(dāng)前已分配主鏈路的各請求業(yè)務(wù)，通過基于帶寬資源共享的輔鏈路映射算法，為其分別選擇保護(hù)路徑作為各請求業(yè)務(wù)對應(yīng)的輔鏈路。

2.如權(quán)利要求1所述的一種面向智能配電業(yè)務(wù)的虛擬網(wǎng)絡(luò)資源分配方法，其特征在于，所述的四個評價指標(biāo)具體為：

鏈路的故障率為：使用神經(jīng)網(wǎng)絡(luò)模型對當(dāng)前鏈路進(jìn)行下一時刻故障率的預(yù)測；

鏈路剩余帶寬B_s(l_s)的計算公式如下：

B_s(l_s)＝B_max(l_s)-B_master-B_slva

B_max(l_s)是鏈路l_s的最大帶寬資源；B_slva為當(dāng)前鏈路l_s所有業(yè)務(wù)已映射的輔鏈路占用的帶寬資源之和；B_master為當(dāng)前鏈路l_s所有業(yè)務(wù)已映射的主鏈路占用的帶寬資源之和；

鏈路帶寬利用率的計算公式如下：

鏈路業(yè)務(wù)阻塞率η_link-block的計算公式如下：

其中是鏈路l_s上被阻塞的業(yè)務(wù)數(shù)，N_max表示整個網(wǎng)絡(luò)虛擬的阻塞業(yè)務(wù)總數(shù)。

3.如權(quán)利要求2所述的一種面向智能配電業(yè)務(wù)的虛擬網(wǎng)絡(luò)資源分配方法，其特征在于，所述的鏈路故障率具體為：

首先，收集樣本鏈路在不同時刻的故障率，共得到n個故障率樣本；

然后，對每個樣本分別進(jìn)行歸一化處理；將歸一化后的樣本數(shù)據(jù)按時間先后順序排序后分成n-k組，每組樣本集合都包括k+1個樣本；前k個樣本作為神經(jīng)網(wǎng)絡(luò)模型的輸入，最后一個樣本作為輸出；最后，對輸出的各組樣本結(jié)果進(jìn)行反歸一化計算，反歸一化值即為下一時刻的故障率η_fault。