基于特征权重感知的VNF资源需求预测方法.pdf

h t t p:/ww wj s j k x c o mD O I:/j s j k x 到稿日期:返修日期:基金项目:国家自然科学基金()T h i sw o r kw a ss u p p o r t e db yt h eN a t i o n a lN a t u r a lS c i e n c eF o u n d a t i o no fC h i n a()通信作者:王海艳(w a n g h y n j u p t e d u)基于特征权重感知的V N F资源需求预测方法王怀芹骆健,王海艳,南京邮电大学计算机学院南京 南京邮电大学江苏省大数据安全与智能处理重点实验室南京 (n j u p t e d u c n)摘要虚拟网络功能(V i r t u a lN e t w o r kF u n c t i o n,VN F)以服务功能链(S e r v i c eF u n c t i o nC h a i n,S F C)的形式提供服务,能够满足不同服务的性能需求.由于网络具有动态性,为VN F实例分配固定资源会导致VN F实例的资源过多或者不足的问题.以往的研究对于VN F配置文件相关网络负载特征的重要性未做区分,因此,提出了一种基于特征权重感知的动态VN F资源需求预测方法.首先,使用E C AN e t学习VN F特征的权重值,以此来减少无用特征对模型预测结果的消极影响.其次,由于VN F配置文件数据集具有结构化特性,构建V N F资源预测模型时需要考虑以加强特征交互的方式来挖掘特征间深层的相互关系,提出使用深度特征交互网络(D e e pF e a t u r e I n t e r a c t i v eN e t w o r k,D I N)增强网络负载特征与V N F性能特征之间的交互能力,提高模型预测精度.最后,在基准数据集上将所提方法与同类方法进行对比实验,发现其在预测的有效性与精确性上更具优势.关键词:资源预测;服务功能链;虚拟网络功能;高效通道注意力网络;特征交互中图法分类号T P F e a t u r eW e i g h tP e r c e p t i o n b a s e dP r e d i c t i o no fV i r t u a lN e t w o r kF u n c t i o nR e s o u r c eD e m a n d sWANG H u a i q i n,L UOJ i a n,a n dWAN G H a i y a n,S c h o o l o fC o m p u t e rS c i e n c e,N a n j i n gU n i v e r s i t yo fP o s t a n dT e l e c o mm u n i c a t i o n s,N a n j i n g ,C h i n aJ i a n g s uH i g hT e c h n o l o g yR e s e a r c hK e yL a b o r a t o r y f o rW i r e l e s sS e n s o rN e t w o r k s,N a n j i n gU n i v e r s i t yo f P o s t a n dT e l e c o mm u n i c a t i o n s,N a n j i n g ,C h i n aA b s t r a c t V i r t u a ln e t w o r kf u n c t i o n(VN F)p r o v i d e s s e r v i c e s i nt h e f o r mo f s e r v i c e f u n c t i o nc h a i n(S F C)t om e e t t h ep e r f o r m a n c er e q u i r e m e n t so fd i f f e r e n t s e r v i c e s D u e t o t h ed y n a m i cn a t u r e o f t h en e t w o r k,a l l o c a t i n g f i x e dr e s o u r c e s t oVN F i n s t a n c e sw i l l l e a dt oe x c e s s i v eo r i n s u f f i c i e n t r e s o u r c e s f o rVN Fi n s t a n c e s P r e v i o u ss t u d i e sh a v en o td i s t i n g u i s h e dt h e i m p o r t a n c eo fn e t w o r kl o a dc h a r a c t e r i s t i c sr e l a t e dt oVN Fp r o f i l e s T h e r e f o r e,ad y n a m i cVN Fr e s o u r c ed e m a n dp r e d i c t i o nm e t h o db a s e do nf e a t u r ew e i g h tp e r c e p t i o n i sp r o p o s e d F i r s t l y,E C AN e t i su s e dt o l e a r nt h ew e i g h t v a l u e so fVN Ff e a t u r e s,t or e d u c e t h en e g a t i v e i m p a c t o fu s e l e s s f e a t u r e so nt h em o d e lp r e d i c t i o nr e s u l t s S e c o n d l y,b e c a u s et h eVN Fp r o f i l ed a t as e th a ss t r u c t u r a lc h a r a c t e r i s t i c s,w h e nb u i l d i n gt h eVN Fr e s o u r c ep r e d i c t i o nm o d e l,i t i sn e c e s s a r yt oc o n s i d e rm i n i n gt h ed e e pi n t e r r e l a t i o n s h i pb e t w e e nf e a t u r e sb ys t r e n g t h e n i n gf e a t u r e i n t e r a c t i o n I t i sp r o p o s e dt ou s e t h ed e e pf e a t u r e i n t e r a c t i v en e t w o r k(D I N)t oe n h a n c et h e i n t e r a c t i o nb e t w e e nn e t w o r kl o a df e a t u r e sa n dVN Fp e r f o r m a n c e f e a t u r e s,s oa s t o i m p r o v e t h ep r e d i c t i o na c c u r a c yo f t h em o d e l F i n a l l y,c o m p a r e dw i t hs i m i l a rm e t h o d so nt h eb e n c h m a r kd a t a s e t,i t i s f o u n dt h a t t h ep r o p o s e dm e t h o dh a sm o r ea d v a n t a g e s i nt h ee f f e c t i v e n e s sa n da c c u r a c yo fp r e d i c t i o n K e y w o r d s R e s o u r c ep r e d i c t i o n,S e r v i c e f u n c t i o nc h a i n,V i r t u a l n e t w o r kf u n c t i o n,E f f i c i e n t c h a n n e l a t t e n t i o nn e t w o r k,F e a t u r e i n t e r a c t i o n引言软件定义网络(S o f t w a r eD e fin e dN e t w o r k,S D N)和网络功能虚拟化(N e t w o r kF u n c t i o nV i r t u a l i z a t i o n,N F V)的虚拟网络技术正受到越来越多人的关注.网络功能虚拟化使传统网络功能从专用硬件设备中抽象出软件化的虚拟网络功能(VN F),推动了网络服务部署由僵化的“网元”部署模式转向相对灵活的切片部署模式.该方法使得网络资源分配更加灵活,能够实现网络实时业务、应用智能的快速响应,提高服务质量.传统的VN F资源分配方法是用固定大小的网络资源对VN F实例进行实例化,但是这会导致各种网络资源分配不足或过度分配,从而造成资源的浪费.研究一种有效的VN F资源需求分配方法,是一项巨大的挑战.已经有研究者对VN F动态资源分配方法进行研究,其中的一些方法对S F C数据进行分析或特征提取,通过统计学或者传统机器学习的模型来预测VN F资源需求.主流的方法是依据流经每个VN F的网络流量随时间的变化或从VN F网络拓扑结构中构建预测VN F资源需求的模型.但是,使用机器学习方法预测的准确度往往受研究者特征工程构建的影响,而且特征工程的步骤十分繁琐.为了降低特征工程构造的繁琐性和主观性带来的影响,研究者们使用深度学习技术对VN F资源进行预测.文献 根据VN F配置文件对VN F网络负载特征进行选择,但是没有考虑到输入不同特征会有不同权重,权重越大对预测结果的影响越大.由于VN F配置文件数据集包含执行环境信息、VN F处理信息等具有结构化特性的数据特征,因此显式地建模VN F特征之间的交互关系,充分捕获不同VN F特征之间的非线性关系,有助于提高VN F资源需求预测的准确性.文献 依据VN F组件的拓扑结构,使用图神经网络构建预测VN F资源需求的模型.文献仅利用VN F配置历史数据,没有考虑VN F特征之间的交互对预测结果的影响.然而,这类方法仍然存在一些问题:)以往的研究对于VN F配置文件相关网络负载特征的权重未做区别,将所有VN F相关特征对预测结果的影响都看作相同;)由于VN F配置文件数据集具有结构化特性,构建VN F资源预测方法时未考虑特征交互.为解决以上问题,本文提出了基于特征权重感知的VN F资源需 求 预 测 方 法(F e a t u r e W e i g h tP e r c e p t i o nw i t hE C A N e t,FWP E C AN e t).FWP E C AN e t方 法 中,使 用E C AN e t模块学习VN F特征向量的权重.E C AN e t是一种拥有轻量级通道注意力机制的卷积神经网络,进行局部跨通道交互且自适应确定卷积核大小,能够降低模型复杂度并且提高性能.将通过E C AN e t网络得到的VN F特征向量权重与原始的VN F特征向量进行乘积操作,以此来减少无用特征对模型预测结果的消极影响.另外,由于VN F配置文件数据集具有结构化特性,构建VN F资源预测的重点就是以加强特征交互的方式挖掘特征间深层的相互关系,增强网络负载特征与VN F性能特征之间的交互能力,提高模型预测精度,从而提高VN F动态预测资源分配的准确度.本文的工作如下:)使用E C AN e t网络动态学习嵌入特征的权重,得到带有权重的VN F特征嵌入向量.)提出深度特征交互网络(D e e p F e a t u r e I n t e r a c t i o nN e t w o r k,D I N)挖掘网络负载特征与VN F性能特征之间的特征交互,丰富原有特征的表达内容,并提出了一种新的VN F动态资源预测方法.)在两个真实数据集N g i n xVN F和S q u i dVN F上将所提方法与基线对比,并对结果进行分析,验证了所提方法的有效性与精确性.相关工作 传统的V N F资源分配方法以往的VN F部署算法大多使用固定的资源对每个VN F进行实例化 .当网络流量变化时,传统方法利用函数对VN F性能和资源之间的关系进行简单建模.在文献 中,将VN F性能和资源之间的关系建模为简单的线性函数关系.为了描述VN F性能和所需资源之间的非线性关系,文献 中使用了分段线性函数.但是对于高度非线性的函数,使用分段线性函数来近似代替会变得非常不准确.文献 使用数据包长度、流量数据率和流量状态(假设周期固定流量)来建模VN F性能和资源需求的关系,但需要预先知道网络状态等先验知识.以上方法表明VN F性能和资源需求的非线性关系并不能用函数建模,因此有学者提出使用机器学习方法来预测VN F实例所需资源.基于机器学习的V N F资源预测文献 使用L S TM和A t t e n t i o n机制对S F C序列数据建模,预测VN F资源需求.文献 中使用机器学习方法构建VN F资源需求预测模型,预测的准确度往往受研究者的特征工程构建的影响,而且特征工程的步骤十分繁琐.为了降低特征工程构造的繁琐性和主观性带来的影响,研究者们使用深度学习技术对VN F资源进行预测.文献 通过考虑预算约束或容量约束,解决了VN F节点部署和容量分配问题.在机器学习或者统计学的方法中,特征工程的构建和算法模型的选取非常重要,而特征工程的构建又非常繁琐.文献 使用机器学习对流量特征建模,得到VN F的C P U消耗特征,以此来预测VN F资源需求.文献 使用S e q u e n c e t o S e q u e n c e范例以及卷积长短期记忆,来解决网络边缘多种流量特征复杂的问题.以上方法表明,在VN F的特征提取和表示上,基于机器学习的方法比传统学习的方法更加简便和灵活.E C A N e t模块受人类视觉注意力运行机制的影响,一些研究者提出了注意力机制.注意力机制在多个领域都有应用,但一般以权重的形式存在.例如在机器翻译、语音识别智能应用中,通过给不同的词赋予不同的权重,使得语言处理更富有针对性.E C AN e t 是一种具有轻量级通道注意力机制的卷积神经网络,它在S E N e t 网络的基础上避免了降维并实现了跨通道交互,并利用E C AN e t模块进行局部跨通道交互且自适应确定卷积核大小,能够降低模型复杂度并提高性能.文献 将注意力机制E C AN e t嵌入到U N e t的编码阶段,以提高模型的语义特征能力,从而提高绝缘子检测的准确性.文献 使用自注意模块学习深度融合特征各时间步的权重,为不同子区域的特征赋予不同的权重.文献 基于高度递归注意、宽度递归注意以及通道递归注意力个方面计算特征权重,最后使用权重融合注意的方法,提高了模型的预测精度.上述工作使用E C AN e t,通过局部跨通道连接,在不压缩特征通道维度的前提下,降低了模型的复杂度,在相应的特征权重学习任务中达到了良好的效果.FWP E C A N e t方法本文利用机器学习建模和预测VN F资源需求,并提出了FWP E C AN e t方法.FWP E C AN e t框架如图所示,主要包括VN F特征表示模块、E C AN e t特征权重感知模块、特征交互融合模块以及预测输出模块.C o m p u t e rS c i e n c e计算机科学V o l ,N o ,S e p 图FWP E C AN e t资源预测模型图F i g O v e r v i e wa r c h i t e c t u r eo f t h ep r o p o s e dFWP E C AN e tm o d e l 特征表示模块嵌入层:由于独热编码在数据量比较大、特征比较多的情况下得到的VN F特征过于稀疏,不利于神经网络学习,因此我们使用嵌入向量层,将独热编码得到的高维稀疏向量变成低维稠密向量.用一个低维稠密向量来表示VN F特征,公式如下:eiWixi()其中,Wi是特征i的嵌入矩阵,xi是独热编码的特征向量,ei是低维稠密向量,构成了FWP E C AN e t模型的嵌入层.最终将低维稠密向量表示成:E(e,e,e,em)()E C A N e t特征权重感知模块受到计算机视觉领域中E C AN e t网络的影响,FWP E C AN e t方法中使用了E C AN e t特征权重表示模块,该模块可以使VN F资源预测模型对不同特征重要程度进行区分.使用E C AN e t网络层得到VN F特征嵌入向量的权重大小,以此来区分VN F不同特征的重要性,削弱对VN F资源预测任务影响较小的特征影响,从而对VN F特征重要性做出区分.FWP E C AN e t框架图中的E C AN e t网络层的结构如图中间部分所示.首先,采用平均值方法将式()得到的VN F特征嵌入向量层的向量进行池化.它的嵌入向量ei表示为ei,ei,ei,ei k,则其平均值池化方法计算公式如下:eiT(ei)kkdei d()其中,i,t,ei表示第i个特征域的VN F特征嵌入向量,k表示VN F特征嵌入向量的维度数.由于S E N e t中采用的降维操作会对通道注意力的预测产生负面效果,因此FWP E C AN e t方法引入了E C AN e t模块.它使用一维卷积代替原来的两层全连接层,避免了降维操作,并且实现了跨通道交互.由此,把 上 面 得 到 的 特 征 向 量 记 为 向 量e e i,e i,e i,e i k,采用一维卷积来获取它们之间的关系,公式如下:we(Wke)()其中,表示S i g m o i d激活函数,Wk是E C AN e t中计算通道注意力的参数矩阵.的计算公式如下:(x)ex()Wk的定义如下:Wkw,w,kw,wc,c它可以使用卷积核为k的维卷积实现,所以特征权重记为:we(Wke)()本文的实验中,根据模型参数的数量以及运算速度,将一维卷积核k设置为.最后,将得到的权重值与原来的VN F特征嵌入向量相乘,计算得到带有权重的VN F特征嵌入向量,并将它 记作 向量V,即 v,v,v,vt.其 计 算 公 式如下:VTu p d a t e(We,E)wee,wee,wetetv,v,v,vt()其中,E表示原有的VN F特征嵌入向量,ei表示第i个VN F特征的嵌入向量,wi表示嵌入向量的权重值,vi表示VN F特征嵌入向量与对应权重值相乘的结果向量.特征交互融合模块该模块分为两个层:特征交互层和特征融合层.经 过E C AN e t网络层,VN F特征嵌入向量被转换为带有相应权重值的嵌入向量.由于每个VN F实例所分配的资源量不仅与VN F网络负载特征相关,而且与VN F性能特征之间也存在关联,因此特征交互层通过矩阵乘法来捕捉VN F网络负载特征和VN F性能特征之间的交互特征.使用矩阵乘法可以实现VN F网络负载特征向量之间的内部交互.该方法可以实现不同类型的特征之间的交互建模,从而增加特征的表示能力.)利用矩阵乘法进行特征交互将E C AN e t层得到的嵌入向量X记为原始特征图WlRmD,其为参数矩阵.将二阶特征交互的结果表示为原始特征和参数矩阵的乘积.VN F特征向量二阶交互的结果向量可以表示如下:XlXWX()其中,XlRmD是VN F特征向量二阶交互的结果.XWx x x x x x i i i i I()上述公式得到的矩阵元素表示VN F原始特征向量的线性组合.为了对VN F网络负载特征的高阶特征建模,在二阶特征交互的基础上引入残差网络,这不会产生额外的参数,也不会增加计算复杂度.高阶特征交互的一般形式为:XlXWlXlblXl()其中,b为偏置,Wl为参数矩阵,Xl为l层网络的输出,l为高阶特征交互的层数.王怀芹,等:基于特征权重感知的VN F资源需求预测方法)特征融合层在FWP E C AN e t方法中,特征融合层使用的卷积神经网络(C o n v o l u t i o n a lN e u r a lN e t w o r k,C NN)来实现.对于特征交互层得到的特征向量,通过的卷积核保留其高阶VN F特征之间的非线性关系,输出形式为:Y(Wc o n vXb)()其中,XC o n c a t(X,X,X,Xl),XRmDl,L为卷积核参数矩阵,b为偏置,XRmDl,为R e l u激活函数.将Y变形为Pp,p,p,pl,pl 作为特征交互后的特征.预测层模块该部分主要由全连接网络以及预测层组成.经过特征交互层和特征融合层之后,已经提取到VN F相关网络负载特征与VN F性能特征之间的交互.但是VN F数据特征具有多样性,只考虑低级交互会影响预测结果.为了提高模型预测精度,需要考虑高阶的VN F特征交互,因此使用全连接层去捕捉高阶非线性特征交互,将E C AN e t权重感知模块的输出特征V(v,v,v,vl)输入该层.全连接层表示如下:zl(Wlzlbl)()其中,l为神经网络的层数;为激活函数R e L u;Wl,zl和bl分别为网络的参数矩阵、网络第l层的输出值,以及每一层的偏置.预测层:该层将全连接层的输出与特征交互融合模块的输出结果进行拼接并转为最终的VN F资源预测值.模型的最终预测结果如下:ygTzlhTpb()其中,hT和gT表示权重,b表示偏置.损失函数考虑到VN F资源预测属于连续数值预测的问题,选取均方损失(M e a nS q u a r eE r r o r,M S E)作为损失函数.MS Exxi(yiy)()其中,x代表训练集.为了优化目标函数,使用小批量梯度下降法将样本分成m个小批次,加快训练速度.实验及结果分析 数据集介绍与评价指标为了验证基于特征感知的VN F资源需求预测方法的有效性,利用S D N Z o o 中发布的个VN F基准数据集进行实验,如表所列.该数据集主要通过分析指定的V N F,对其分配不同的资源并记录相应的V N F性能,得到V N F配置文件.我们主要在N g i n xV N F和S q u i dV N F数据集上进行实验.表S D N Z o o中发布的个VN F基准数据集概述T a b l eO v e r v i e wo f e i g h tVN Fb e n c h m a r kd a t a s e t sp u b l i s h e d i nS D N Z o o名称类别VN F测试配置实验序列特征S e c I D SS u r i c a t a S e c 网络安全S n o r t S e c 网络安全S n o r t W e b 负载均衡器N g i n x W e b HA P r o x y W e b 代理服务器S q u i d l o T MQ T T服务器M o s q u i t t o l o T EMQX 本文选取均方根误差(R o o tM e a nS q u a r eE r r o r,RM S E)和修正R决定系数作为FWP E C AN e t模型的评价指标.)均方根误差RMS Emmi(yiyi)()该指标表示估计值与真实值的差异,其中m表示样本数量,yi表示真实值,yi表示预测值.)修正R决定系数普通R是利用均值作为误差基准,修正后的R能够对模型添加的非显著变量设置惩罚项,不断添加变量并不会使模型拟合度上升.本文利用修正后的R作为评价指标,计算公式如下:R(R)(n)np()其中,n为样本数量,p为特征数量.b a s e l i n e选取与参数设置为了验证FWP E C AN e t方法的有效性,将其与以下基于不同回归算法训练得到的种预测模型进行比较.L o g i s t i cR e g r e s s i o n:只能建模VN F特征和目标值之间的线性依赖关系,但其具有简单性,线性模型易于快速训练,只需调整很少的超参数.R i d g e:线性回归的正则化版本,尤其适用于多个相关特征(如以字节/秒和数据包/秒为单位的流量负载)关系的建模,但是线性回归不能很好地逼近常见的非线性VN F数据.D T r e e:将数据集分成越来越小的子集来执行回归.即使在非标度数据上,决策树也能很好地工作.由于决策树可以可视化,因此预测结果很容易解释.C A T L S TM:使用注意力机制获取S F C中VN F之间的连接依赖性来预测VN F的未来资源需求.实验环 境 为:C P UI n t e l(R)C o r e(T)i X E GH z,G B内存和两块T i t a nX P显卡.使用科学计算库N u m P y和P a n d a s进行数据处理,并使用T e n s o r F l o w和P y t o r c h实现算法.对于超参数,应用网格搜索来为每个任务找到最佳设置.其中,学习速率以 ,搜索,批处理大小以,搜索,优化方法包括A d a m和S G D.学习率设置为 ,优化方法设置为A d a m.实验结果及分析)实验结果与比较表列出了在N g i n xVN F和S q u i dVN F两个数据集上,FWP E C AN e t模型与基准方法预测VN F的C P U时间需求结果.可以看出,FWP E C AN e t模型在两个数据集上两个评价指标均获得了较好的结果.与传统机器学习模型相比,FWP E C AN e t模型减少了手工建立特征工程的繁琐过程和特征工程步骤对模型表现的影响.其次,C A T L S TM 方法中使用了注意力机制对VN F特征之间的关系建模,与该方法相比,E C AN e t特征权重感知方法对VN F特征重要性进行了区分,在N g i n xVN F和S q u i dVN F数据集上R E S M分别提升了 和 ,另一个评价指标R在两个数据集上分别提升了 和 .这是因为本文使用的E C AN e t网络是一种轻量级模块,可以使得复杂注意力模块C o m p u t e rS c i e n c e计算机科学V o l ,N o ,S e p 获得性能提升,同时降低了模型的复杂性.此外,我们还加强了特征交互的方式,挖掘特征间深层的相互关系,从而进一步提高模型预测精度.表数据集N g i n xVN Fd a t a s e t和S q u i dVN F上 的实验结果T a b l eE x p e r i m e n t a l r e s u l t so nN g i n xVN Fd a t a s e t a n dS q u i dVN Fd a t a s e tM e t h o d sN g i n xVN FRMS ERS q u i dVN FRMS ERL o g i s t i c R e g r e s s i o n R i d g e D T r e e C AT L S TM FWP E C AN e t )模型变体分析为了验证E C AN e t特征权重感知模块和特征交互融合模块的有效性,设计了种变体:()变体D I N N R E不考虑E C AN e t模块,VN F特征重要性未进行区分;()变 体D I N NR F不考虑特 征 交 互 融 合,未 挖 掘 特 征 间 的 交 互 关 系;()D I N同时使用E C AN e t模块对VN F特征重要性进行区分,考虑VN F特征之间的交互;()变体D I N N R F E既不考虑E C AN e t模块,也不考虑特征交互融合模块.图和图分别显示了不同变体在不同数据集上的结果.(a)RM S Eo nN g i n xVN Fd a t a s e t(b)Ro nt h eN g i n xVN Fd a t a s e t图N g i n xVN F数据集上的预测结果F i g P r e d i c t i o nr e s u l t so nN g i n xVN Fd a t a s e t从图和图中可以看出,将VN F资源预测模型中的E C AN e t模块移除时,模型性能下降明显,这验证了E C AN e t权重感知模块设计的有效性,因为E C AN e t网络层能够学习VN F特征的不同权重,削弱无用特征的影响,增加与预测结果相关的特征权重.当不考虑特征交互融合,未挖掘特征间交互关系时,实验结果稍差,这说明对VN F不同特征之间的交互关系进行建模,从而丰富VN F特征的最终表示,是合理的.当实验中同时移除E C AN e t特征权重感知模块与特征交互融合模块时,实验预测结果最差,这说明动态学习特征权重能削弱无用特征对预测结果的影响,同时增加特征交互可以有效获取VN F配置文件中非结构化数据特征的交互关系,丰富VN F特征表示.(a)R E SMo nS q u i dVN Fd a t a s e t(b)Ro nt h eS q u i dVN Fd a t a s e t图S q u i dVN F数据集上的预测结果F i g P r e d i c t i o nr e s u l t so nS q u i dVN Fd a t a s e t)模型参数分析图展示了不同的嵌入维度对VN F资源预测效果的影响.在其他超参数保持不变的情况下,使用 到 的嵌入维度进行比较实验.从实验结果可以明显看出,模型的性能不会随着维度的增加而增加.更大的隐藏维度并不一定会带来更好的模型性能,这主要是由于过拟合导致的.从图中可以看出嵌入维度在 时模型的表现最好,所以最终选择的嵌入维度为 .(a)RM S Eu n d e rd i f f e r e n td i m e n s i o n s(b)Ru n d e rd i f f e r e n td i m e n s i o n s图特征维度d对VN F资源预测结果的影响F i g I n f l u e n c eo f f e a t u r ed i m e n s i o ndo nVN Fr e s o u r c ep r e d i c t i o nr e s u l t s结束语本文提出了一种基于特征权重感知的VN F资源需求 预 测 方 法.该 方 法 通 过 使 用E C AN e t网 络 层 获 取VN F嵌入特征的权重,以此来减少无用特征对模型预测结果的消极影响.此外,为了丰富原有特征的表达内容,挖掘了网络负载特征与VN F性能特征之间的特征交互关系,使得预测结果更加准确.目前,FWP E C AN e t主要考虑使用VN F王怀芹,等:基于特征权重感知的VN F资源需求预测方法配置文件中的VN F特征进行VN F资源需求预测.在未来工作中,针对网络状态动态变化的挑战,我们将考虑在VN F实际部署过程中研究如何自适应地调整VN F的部署数量,从而更好地优化网络性能,提高服务质量.参 考 文 献HE R R E R AJG,B O T E R OJF R e s o u r c ea l l o c a t i o ni nN F V:Ac o m p r e h e n s i v es u r v e yJ I E E E T r a n s a c t i o n so nN e t w o r ka n dS e r v i c eM a n a g e m e n t,():WUJW,J I AN GLY,L I U XJ VN Fr e s o u r c ed e m a n dp r e d i c t i o nm e t h o db a s e do nf e a t u r es e l e c t i o nJ C o m p u t e rA p p l i c a t i o nR e s e a r c h,():,KA F A F Y M,F AHMYY J o i n t c o d i n gb i t r a t ea n da c t i v i t yr a t eo p t i m i s a t i o ni nw i r e l e s sv i s u a ls e n s o rn e t w o r k sJ I E T C o m m u n i c a t i o n s,():L IX,T ANY,MA R E E L SI,e ta l C o m p a t i b l e f o r m a t i o ns e t f o ru a v sw i t hv i s u a l s e n s i n gc o n s t r a i n tC A n n u a lAm e r i c a nC o n t r o lC o n f e r e n c e(A C C)I E E E,:D I E Y E M,AHVA RS,S AHO OJ,e ta l C P VN F:C o s t e f f i c i e n tp r o a c t i v eVN Fp l a c e m e n ta n dc h a i n i n gf o rv a l u e a d d e ds e r v i c e si nc o n t e n t d e l i v e r yn e t w o r k sJ I E E ET r a n s a c t i o n s o nN e t w o r ka n dS e r v i c eM a n a g e m e n t,():GAUR H O p t i m a l t r a f f i ce n g i n e e r i n ga n dp l a c e m e n to fv i r t u a lm a c h i n e s i nS D N sw i t hs e r v i c ec h a i n i n gC I E E EC o n f e r e n c eo nN e t w o r kS o f t w a r i z a t i o n(N e t S o f t)I E E E,:D R X L E RS,S C HN E I D E RS,KA R LH S c a l i n ga n dp l a c i n gb i d i r e c t i o n a ls e r v i c e sw i t hs t a t e f u lv i r t u a la n dp h y s i c a ln e t w o r kf u n c t i o n sC t hI E E E C o n f e r e n c eo n N e t w o r kS o f t w a r i z a t i o na n dW o r k s h o p s(N e t S o f t)I E E E,:D R A X L E RS,KA R LH,MANNZA J o i n to p t i m i z a t i o no fs c a l i n ga n dp l a c e m e n to fv i r t u a ln e