基于流量预测的5G通信网络资源分配方法.pdf

信息技术 年第 期基于流量预测的 通信网络资源分配方法惠 聪(陕西邮电职业技术学院 陕西 咸阳)摘 要:为实现 通信网络资源的最佳分配提出基于流量预测的 通信网络资源分配方法 在 网络切片的资源分配情况下形成基于 的 通信网络流量预测模型预测 通信网络流量以及资源需求采用布谷鸟优化资源分配结果获取最佳 通信网络资源分配 测试结果表明:该方法具备良好的网络流量预测效果确定性相关系数取值均在.以上可靠预测资源需求应用后网络节点和链路两种资源的利用率均在.以上用户的阻塞概率均低于.关键词:流量预测 通信 网络资源分配 资源需求 时间序列中图分类号:.文献标识码:文章编号:():./.基金项目:陕西省职教协会课题()陕西省教育厅一般专项科研计划项目()作者简介:惠聪()女本科讲师从事移动通信技术专业教学及相关研究工作 ():.:引 言 通信是新一代移动网络通信技术也称为 网络其包含三种类型包括增强移动宽带类通信、可靠性极高的低时延通信、海量机器类通信这三类通信分别用于不同的场景中 网络能够满足应用的多样化需求形成相互平行独立的网络对应提供各自的服务极大程度提升网络资源的利用率 但是在整个 通信系统中网络切片在实际应用过程中服务功能链能够实现动态网络服务的创建并且服务功能链中的虚拟网络功能需在通用服务器中运行 上述的运行方式能够极大程度保证虚拟网络功能的灵活性以及可调性但是同时也对虚拟网络功能的基于流量预测的 通信网络资源分配方法 惠聪部署以及通信网络资源的最佳分配造成影响 流量预测是对网络中的流量实行预测其也可表示网络中剩余资源的预测为网络资源分配提供资源依据 针对网络资源分配问题张德民等人和徐勇军等人分别展开相关研究后各自提出基于奖惩机制和基于非正交多址接入的资源分配算法上述方法能够提升网络通信的吞吐量、降低 移动通信的功耗 但是由于网络中用户的需求为动态性因此上述方法在资源分配实现过程中对于流量的预测和资源需求的结合仍旧不足无法结合动态性的变化进行资源分配 因此本文提出基于流量预测的 通信网络资源分配方法该方法对 通信实行详细分析后对网络中的流量和资源需求实行预测后完成网络资源分配并且对分配结果实行优化获取最佳的网络资源分配结果 基于流量预测的 通信网络资源分配方法设计.通信 通信的发展 基站回传接入带宽增加速度和比例显著提升导致网络通信回传业务量的增加显著 网络切片能够实现综合业务的处理因此也可将其看作切片分组承载网络其将以太网内核作为基础融合多层网络技术实现综合业务的承载满足多元化服务需求 网络切片的构成包含网络功能、资源和连接关系每个切片均具备各自的特性且这些特性之间呈现明显的差异在进行资源分配时依据不同的需求完成 网络切片结构如图 所示图 网络切片结构网络切片可提供多级安全隔离包括网络功能虚拟化基础设施、虚拟网络功能以及管理层其中虚拟网络功能通过逻辑隔离可完成对切片标识以及用户数量的配置该功能需在切片允许的功能范围内执行管理层则完成切片的分配处理包括分权和分域两种为不同的用户提供资源配置等并进行资源分配 通信网络切片虽然具备较好的资源分配能力但是当下网络通信的需求和应用领域翻倍式增加网络切片在实行综合业务承载时仍旧存在网络拥塞现象该现象是由于资源在分配过程中没有实现最佳分配因此本文为实现 通信网络资源的最佳分配对网络流量实行预测同时在预测过程中结合网络资源需求的预测理念判断网络的通信状态流量预测能够为网络资源的合理分配提供可靠的依据.通信网络流量预测由于 通信网络流量具备不同的时间尺度在该情况下具备多种特性例如长相关以及混沌等特性也将网络流量的这些特性统称为多分形特性为了准确预测网络流量需将具备该特性的流量分量实行分离后进行预测 本文采用具备时间序列多层分解能力的 模型融合多粒度特征提取的神经网络()形成基于 的流量预测模型利用该模型完成 通信网络流量预测 基于 的 通信网络流量预测模型结构如图 所示整个预测模型是由两部分组成一是 模型二是 模型 后者是由(卷积神经网络)和(长短期记忆网络)两个网络组成分别用于完成流量序列的细粒度和粗粒度两种特征的提取完成流量序列多粒度特征提取和融合以及资源需求的预测 首先依据 中的 模型对流量序列实行分解处理使其形成不同的项分量即为非线性和附加两个项为:()和()并且 模型对于流量时间序列的季节和节日特性的敏感度极高能够更好地处理异常值较大且变化趋势显著基于流量预测的 通信网络资源分配方法 惠聪图 融合多粒度特征提取的流量预测模型的流量数据因此采用 模型对()实行预测()的预测通过 完成 整个预测主要包括五个步骤:步骤:模型的序列分解设 通信网络流量历史数据为()对其实行分解处理后形成三个函数分别为趋势、随机和季节三个项以及一个节假日用()、()、()、()表示步骤:()的预测采用 模型对()实行预测获取 时段内的预测值()步骤:()的预测采用 对()实行预测获取 时段内的预测值()结合滑动窗口 依据不同时段内的历史网络流量数据实现未来()时刻网络流量的预测在对()实行预测过程中需提取流量序列中的多粒度特征其中细粒度特征的提取通过 完成隐藏在细粒度中的粗粒度采用 进行提取由于流量的时间序列具备复杂度高且长期特点 在对其预测过程中随着预测时间的持续增加对于时间序列的长期依赖程度会发生降低现象因此影响特征提取的结果 基于此引入注意力机制对 隐含层的输出序列()的概率实行计算且依据权重分配完成并采取循环迭代获取最佳的权重参数矩阵()将其和()实行加权求和处理将其作为注意力机制的输出 再采用全连接层进行 计算后完成流量预测以此避免上述现象的发生步骤:流量预测向 全连接层引入激活函数 对 实行计算获取 通信网络流量预测结果()步骤:资源需求预测 在生命周期内对于网络资源的需求存在动态性变化因此为合里的分配网络资源本文在流量预测的基础上引入资源需求预测提升资源分配的合理性实现最佳资源分配 获取 的、内存资源需求特征将该特征输入 模型中通过模型的学习和训练输出资源需求预测结果用()、()表示.网络资源分配.基于用户优先级的资源分配本文在资源分配过程中以资源块为分配单位并采用用户优先级完成网络资源分配为了保证用户优先级的公平性和合理性采用比例公平结合完成用户优先级确定并且结合()、()、()完成定义每一个 网络切片中的用户为一个整体对其实行网络资源分配如果网络资源数量为在资源分配过程中以满足各个网络切片最低资源需求为标准用户优先级()为:()()()()()()()式中()表示速率为瞬时状态对应用户 且在 时刻该时刻的前两个时隙下平均传输速率用()表示对应用户 其需在每个传输时间间隔时计算一次其计算公式为:()()()()()式中 表示时间窗由于每一个 网络切片中的用户为一个整体则切片 中全部用户在 时刻的瞬时速率为:()()()()式中表示切片 中需要的网络资源 时刻的前两个时隙切片 中全部用户的平均传输速率计算公式为:基于流量预测的 通信网络资源分配方法 惠聪()()()()()()切片 在 时刻的优先级确定公式为:()()()()()()()()()()通过公式()即可获取每个 网络切片的优先级按照优先级对网络资源实行分配.基于布谷鸟的分配优化为保证资源分配的最佳效果依据获取的()()结果以及其相关参数同时结合网络服务质量需求采用布谷鸟算法对()()实行寻优获取最佳的分配效果保证网络资源的最大化利用 其寻优过程如下所述:输入迭代次数、次级用户数、主网络数量以及初始发现概率分别用、表示随机生成鸟巢位置其通过一种随机游走方式完成即莱维飞行:对该位置实行判断判断其是否满足用户对网络服务质量的需求如果不满足则实行调整如果满足则采用随机游走的方式其游走范围为局部同时宿主鸟需对外来的鸟卵实行搜索其需依据一定的概率完成并选择新的位置建巢建巢位置选择公式为:()()()()()式中、表示不同位置的计算解且为随机()表示函数对应单个单位阶跃表示最佳鸟巢位置且为全局为获取该值对被发现的鸟巢实行选择通过计算其适应度值完成同时将实行记录并保存到下一代表示两个向量的点乘完成全局位置更新其公式为:()()()()式中 表示缩放因子对应步长且该值大于()的主要作用是完成随机步长的提供且需满足 分布条件以此形成新的鸟巢位置并对其适应度值实行求解 将该求解值与步骤中的鸟巢位置实行对比选取两者中适应度值最佳的位置结果同时删除较差的位置以此可形成一组新的位置用 ()表示形成一个随机数且需满足均匀分布用 表示将其与 实行对比将 中 值最小的位置实行保留对 值较大的鸟巢位置实行调整同时将调整后的位置与步骤中 中的位置实行对比将最佳的位置结果实行保留以此获取更佳的鸟巢位置为 ()对适应度值实行继续求解获取最佳鸟巢位置判断是否满足最大迭代次数如果满足则停止迭代反之回转至步骤和满足最大迭代次数为止输出上一步骤中获取的最佳鸟巢位置该位置即为当前网络资源的分配结果 实验结果分析为测试本文方法在 通信网络资源分配中的应用性能和效果采用 软件进行仿真测试仿真的 通信网络场景为全连接性网络且网络中包含数个主网络每个主网络中均包含主、次两种等级用户 主网络中包含 个虚拟机与 种网络切片业务同时各个虚拟网络功能能够在多个虚拟机上执行仿真参数详情如表 所示表 仿真参数详情参数名称参数值短周期时常长周期时常数据包到达过程泊松分布达到速率/队列缓存大小数据训练窗口神经元数量学习率.仿真时为了最接近 通信网络真实状态虚拟网络功能在处理通信数据包时不改变数据包的大小一个时间窗的大小为 个时隙即为 分钟 为测试本文方法的 通信网络流量预测效果采用确定性相关系数 作为评价指标其计算公式为:基于流量预测的 通信网络资源分配方法 惠聪 ()()()()()式中()、()均表示网络资源流量值前者为实际值后者为预测值()表示均值对应数据样本 表示样本数量 的取值范围为值越大表示本文方法的预测效果越佳依据公式()获取本文方法在不同大小的时间窗下随着历史网络流量大小的逐渐增加本文方法流量预测的 结果如图 所示 依据图 测试结果可知:在不同时间窗下随着网络流量的逐渐增加本文方法对于网络流量预测的 值均在.以上其中最大 值达到.左右因此本文方法具备良好的网络流量预测效果图 本文方法流量预测的 结果为进一步衡量本文方法的预测效果以 资源需求预测为测试指标获取不同时间段内种网络切片中主用户对 资源需求预测的结果并将该结果与实际需求结果进行对比如图 所示 依据图 测试结果可知:在不同的时间段内在两种网络切片中本文方法对主用户 资源需求的预测结果呈现无规律的波动变化是由于网络切片中主用户数量存在动态变化因此 资源需求也发生动态波动变化 但是即使存在动态波动变化本文方法对主用户 资源需求的预测结果与实际结果依据吻合程度极高表明本文方法具备良好的、可靠的资源需求预测效果图 资源需求预测结果为测试本文方法的分配性能获取本文方法在不同的最大内容请求数量下网络中节点和链路两种资源的利用率情况(期望应用标准达到 以上)结果如图 所示 依据图 测试结果可知:在不同的最大内容请求数量下节点和链路两种资源的利用率均在.以上最大内容请求数量的多少对于两种资源的利用率影响较小是由于本文方法能够依据流量预测和资源需求预测两种结果进行网络资源分配因此能够保证资源利用率的最大化图 资源的利用率情况为进一步测试本文方法的网络资源分配效果获取主、次两种用户在不同网络资源数量下用户的阻塞概率结果(期望标准为低于.)如图 所示 依据图 测试结果可知:随着主、次两种用户在不同的网络资源数量下用户的阻塞概率均在.以下满足 通信网络资源分配方法的应用需求基于流量预测的 通信网络资源分配方法 惠聪图 用户的阻塞概率测试结果 结束语本文提出基于流量预测的 通信网络资源分配方法结合具备时间序列多层分解能力的 模型以及融合多粒度特征提取的神经网络模型基于用户优先级分配 通信网络资源获取最佳 通信网络资源分配能够可靠获取网络流量和资源需求的预测结果并且能够依据该预测结果进行网络资源分配实现资源的利用率最大化用户的阻塞概率较低 但是在实际的资源分配工作中网络资源类型较多且资源数量较大存在一些不良资源 下一阶段的研究目标可以在本文设计方法的基础上补充剔除不良网络资源的内容以保证资源分配的最佳效果参 考 文 献:唐伦周钰杨友超等.网络切片场景中基于预测的虚拟网络功能动态部署算法.电子与信息学报():.苏畅张定权谢显中等.面向 通信网络的 内存资源管理方法.计算机科学():.胡铮袁浩朱新宁等.面向 需求的人群流量预测模型研究.通信学报():.陈发堂张云张欢.基于流量预测的随机接入控制方法.计算机工程与设计():.张德民曾艳辉.基于奖惩机制的 资源分配算法.光通信研究():.徐勇军李国权陈前斌等.基于非正交多址接入异构携能网络稳健能效资源分配算法.通信学报():.马忠彧李波闫中江等.毫米波回传与接入一体化网络中用户关联与资源分配联合优化方法.西北工业大学学报():.易冰陈永丽赵瑞雪.毫米波 网络中 通信的资源分配方案.电信科学():.郭芳陈蕾杨子文.基于 的大规模 骨干网络实时流量预测.山东大学学报:工学版():.于浩汪筱巍王韬等.基于 与 的电力网络切片差异化资源分配方案.电测与仪表():.郭佳余永斌杨晨阳.基于全注意力机制的多步网络流量预测.信号处理():.龚文熔庞立华王静等.距离受限的蜂窝网络 通信资源分配算法.西安科技大学学报():.唐伦周钰谭颀等.基于强化学习的 网络切片虚拟网络功能迁移算法.电子与信息学报():.黄晓舸樊伟伟曹春燕等.小蜂窝网络中不活跃用户的最优能量效率资源分配方案.电子与信息学报():.(责任编辑:丁玥)(上接第 页).:.:.():.():.(责任编辑:丁晓清)