發(fā)布時(shí)間：2020-11-17 12:38

　　 傳統(tǒng)網(wǎng)絡(luò)中需部署特定物理設(shè)備來提供特制功能以滿足用戶的服務(wù)請求,這會造成網(wǎng)絡(luò)固化,后期升級和維護(hù)將花費(fèi)巨額成本。網(wǎng)絡(luò)功能虛擬化(Network Functions Virtualization,NFV)通過軟硬分離和虛擬化技術(shù),實(shí)現(xiàn)了靈活動態(tài)的部署和遷移網(wǎng)絡(luò)功能,很好的解決了上述問題。NFV體系實(shí)施過程中的一個(gè)關(guān)鍵問題是VNF部署問題,如何在滿足各種資源約束和開銷下,找出盡可能優(yōu)的方案將VNF部署在底層硬件上,是本文研究的核心。本文以端到端時(shí)延最小化為優(yōu)化目標(biāo),提出了三種改進(jìn)的元啟發(fā)式算法來解決,并探索利用Spark平臺并行化算法來提升算法性能,具體內(nèi)容如下:1)提出一種改進(jìn)型鯨魚算法。該算法受到遺傳算法和果蠅優(yōu)化算法啟發(fā),結(jié)合個(gè)體交叉操作和個(gè)體變異策略,并設(shè)計(jì)了一種基于概率濃度的最優(yōu)個(gè)體引導(dǎo)策略來增強(qiáng)解質(zhì)量,加快算法收斂。實(shí)驗(yàn)結(jié)果表明,相比于經(jīng)典的遺傳算法、粒子群算法等,該算法能獲得更優(yōu)的部署方案。2)提出一種改進(jìn)型灰狼算法。該算法設(shè)計(jì)了一種個(gè)體角色自適應(yīng)調(diào)整策略,通過個(gè)體適應(yīng)度值把灰狼個(gè)體動態(tài)的劃分為局部挖掘灰狼和全局搜索灰狼,全局搜索灰狼執(zhí)行基于增量更新的全局搜索操作,增加多樣性,局部挖掘灰狼執(zhí)行基于蟻群尋路的局部挖掘策略,加強(qiáng)搜索結(jié)果。實(shí)驗(yàn)仿真表明,該算法在所有實(shí)現(xiàn)的算法中能獲得最優(yōu)的結(jié)果,且算法相對比較穩(wěn)定。3)提出一種改進(jìn)型布谷鳥算法。該算法受到粒子群算法啟發(fā),在每個(gè)個(gè)體內(nèi)部存儲了搜索至今的歷史最優(yōu)解,并引入全局因子和局部因子控制個(gè)體更新,設(shè)計(jì)了邏輯鄰域搜索和物理鄰域搜索兩種方式來加強(qiáng)局部挖掘。結(jié)果表明,該算法相比于傳統(tǒng)的元啟發(fā)式算法能獲得更優(yōu)的解,且算法速度較快。4)提出了元啟發(fā)式算法的兩種并行化方式。針對基于種群搜索的這類元啟發(fā)式算法簇,本文詳細(xì)分析其特點(diǎn),提出了并行化模型,并基于Spark平臺實(shí)現(xiàn)了一種通用并行化方法,在通用并行化方法的基礎(chǔ)上,針對其缺陷設(shè)計(jì)了一種定制化的改進(jìn)型并行化方法。最終結(jié)果表明,改進(jìn)型并行化方法擁有更好的求解效果,能增強(qiáng)算法穩(wěn)定性,在大規(guī)模場景或問題下,能加快算法執(zhí)行效率,提升運(yùn)行速度。
【學(xué)位單位】：西南交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP393.01
【部分圖文】：

圖 3-2 服務(wù)路徑示例圖給定的個(gè)體編碼1 2{ , ,..., }kX x x x，部署后產(chǎn)生對應(yīng)的服務(wù)路徑 Pa示， 從計(jì)算節(jié)點(diǎn)1x 出發(fā)，到計(jì)算節(jié)點(diǎn)kx 處終止，相鄰兩個(gè)鏈路集合形成子路徑，子路徑(1 2x ,x )，子路徑(2 3x ,x )…子路徑(1k x 成了 。個(gè)體適應(yīng)度評估1 2{ , ,..., }KC f f f，個(gè)體編碼體適應(yīng)度 fitness,…,k](2-2)至(2-4)判斷 VNFif 部署在ix 上是否滿足資源約束，不滿足則該個(gè)體非+= ( )PCSiD f,…,k-1]stra 算法找到子路徑(1,i ix x )，該子路徑的傳輸時(shí)延之和為1( , )sumi iD x x (2-5)判斷該子路徑是否滿足鏈路上的帶寬約束，不滿足則該個(gè)體非法，返回

圖 3-5 NSM 機(jī)制示意圖是 NSM 示意圖，圖中有 4 個(gè)計(jì)算節(jié)點(diǎn)和 3 個(gè) VNF，NSM 按公署在每個(gè)計(jì)算節(jié)點(diǎn)上的概率ufvP ，對1f 用輪盤賭選出其部署在點(diǎn) v4，f3選中節(jié)點(diǎn) v3。的偽代碼如下：進(jìn)型灰狼算法的基于尋路的局部挖掘策略exploitW 個(gè)體編碼1 2{ , ,..., }kX x x x， 狼個(gè)體編碼1 2{ , ,...,X x x 1 2{ , ,..., }kX x x x ， 狼個(gè)體編碼1 2{ , ,..., }kX x x x 、w , k] rnd [0,1]a)arnd w w )

圖 3-5 NSM 機(jī)制示意圖是 NSM 示意圖，圖中有 4 個(gè)計(jì)算節(jié)點(diǎn)和 3 個(gè) VNF，NSM 按公署在每個(gè)計(jì)算節(jié)點(diǎn)上的概率ufvP ，對1f 用輪盤賭選出其部署在點(diǎn) v4，f3選中節(jié)點(diǎn) v3。的偽代碼如下：進(jìn)型灰狼算法的基于尋路的局部挖掘策略exploitW 個(gè)體編碼1 2{ , ,..., }kX x x x， 狼個(gè)體編碼1 2{ , ,...,X x x 1 2{ , ,..., }kX x x x ， 狼個(gè)體編碼1 2{ , ,..., }kX x x x 、w , k] rnd [0,1]a)arnd w w )
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 蔣少丙;劉書剛;;面向過程的任務(wù)并行化設(shè)計(jì)方法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2015年09期

2 本刊編輯部;;“地理計(jì)算并行化”專輯征稿[J];地球信息科學(xué)學(xué)報(bào);2014年06期

3 齊書陽;;迎接并行化的明天[J];軟件世界;2009年06期

4 金國華，陳福接;并行化技術(shù)與工具[J];計(jì)算機(jī)研究與發(fā)展;1996年07期

5 楊桃欄;程序并行化的有力工具——介紹Kuck公司的KAP[J];計(jì)算機(jī)工程與科學(xué);1989年04期

6 本刊編輯部;;“地理計(jì)算并行化”專輯導(dǎo)言[J];地球信息科學(xué)學(xué)報(bào);2015年05期

7 張妮娜;竇衡;;并行化改進(jìn)遺傳算法的FPGA高速實(shí)現(xiàn)方法[J];信息與電子工程;2012年01期

8 蔡砥,滕麗,王錚;一種禁忌搜索算法在計(jì)算網(wǎng)格中的并行化策略[J];微電子學(xué)與計(jì)算機(jī);2004年06期

9 陳水福,孫炳楠,唐錦春;建筑風(fēng)壓數(shù)值模擬的幾種并行化策略[J];計(jì)算力學(xué)學(xué)報(bào);1998年02期

10 曹琳,楊學(xué)軍,金國華;兩種并行化機(jī)制的分析[J];計(jì)算機(jī)研究與發(fā)展;1993年09期

相關(guān)博士學(xué)位論文 前10條

1 張平;并行化編譯器中并行程序自動生成和性能優(yōu)化技術(shù)研究[D];解放軍信息工程大學(xué);2006年

2 董春麗;并行化編譯中數(shù)據(jù)和計(jì)算的自動劃分及優(yōu)化技術(shù)研究[D];解放軍信息工程大學(xué);2007年

3 程興國;仿生算法的動態(tài)反饋機(jī)制及其并行化實(shí)現(xiàn)方法研究[D];華南理工大學(xué);2013年

4 趙巖;復(fù)雜機(jī)電系統(tǒng)仿真的并行化方法研究[D];華中科技大學(xué);2017年

5 傅游;稀薄氣體Monte Carlo數(shù)值仿真并行化技術(shù)研究與實(shí)現(xiàn)[D];西北工業(yè)大學(xué);2002年

6 耿光超;電力系統(tǒng)穩(wěn)定約束最優(yōu)潮流：模型、算法與并行化[D];浙江大學(xué);2014年

7 丁曉寧;面向CFD的交互式并行化技術(shù)研究[D];西北工業(yè)大學(xué);2002年

8 高放;面向片上異構(gòu)多核系統(tǒng)的機(jī)器學(xué)習(xí)算法并行化技術(shù)研究[D];北京工業(yè)大學(xué);2017年

9 周純葆;基因島預(yù)測與隔離遷移模型并行化[D];吉林大學(xué);2012年

10 郭琦;異構(gòu)多核可重構(gòu)平臺指令并行化關(guān)鍵問題研究[D];中國科學(xué)技術(shù)大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 徐熙豪;基于FUSE的MBR編碼的并行化研究[D];華中科技大學(xué);2019年

2 周芯宇;基于元啟發(fā)式算法的VNF部署及其并行化[D];西南交通大學(xué);2019年

3 劉琴;基于種子擴(kuò)展的社區(qū)發(fā)現(xiàn)算法及其并行化[D];南京信息工程大學(xué);2019年

4 劉振羽;基于Spark的基因組學(xué)數(shù)據(jù)比對算法的并行化研究與比對平臺構(gòu)建[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2019年

5 倪寧;一種簇存儲結(jié)構(gòu)中GPU加速并行化R-tree的方法[D];上海交通大學(xué);2017年

6 羅鈺敏;事件知識圖譜并行化研究及應(yīng)用[D];電子科技大學(xué);2019年

7 何宗浩;基于Spark的Top-k高效用項(xiàng)目集挖掘研究[D];重慶郵電大學(xué);2019年

8 許德心;關(guān)聯(lián)規(guī)則挖掘算法的并行化及應(yīng)用研究[D];南京郵電大學(xué);2019年

9 陸俊堯;協(xié)同過濾算法的設(shè)計(jì)及并行化實(shí)現(xiàn)與應(yīng)用[D];南京郵電大學(xué);2019年

10 陶飛;基于姿態(tài)的屬性學(xué)習(xí)并行化方法在行人再識別中的研究[D];江蘇大學(xué);2019年

本文編號：2887509