网络信息流中虚拟网络映射算法研究

盛权为

(长沙医学院 信息工程学院,湖南 长沙 410219)

0 引 言

网络映射是将路由器的所有通信端口全部指向内网组织,其主要目的是把个人电脑做成一个区域服务器,使地域问题不再成为阻碍网友访问服务器的物理障碍。为实现完整的网络映射,在局域网环境中需要配置具备共享功能的文件夹或驱动器,且在多台计算机同时接入服务时,该文件夹或驱动器组织必须始终保持较强的连接响应状态[1-2]。为避免网络内部资源出现混乱占用情况,内网用户在接入网络映射时,需要输入固定的账号密码,且该密码条件必须同时满足路由器与服务器的登录需求。随着网络容纳量的不断提升,如何兼顾目标性能与优化处理目标数量,早已成为各科研单位的重点研究问题。针对虚拟网络映射问题,目前已有一些专家学者给出了较好的研究。毛宇星等[3]提出了一种基于资源区域聚集度的自适应虚拟网构建算法,对链路负载均衡性和节点负载均衡性都进行了考虑,但这种算法假定节点映射是已知的,因而只能从边映射的角度来分析虚拟网络映射问题,具有一定的局限性,各项参数的性能值较低;陈晓华等[4]提出一种主动休眠节点和链路的高效节能虚拟网络映射算法,根据底层网络资源利用率的训练方法以及主动休眠底层节点和链路算法,提高休眠节点和链路数量,实现高效节能虚拟网络映射,但该方法没有考虑虚拟网络请求成功率的优化，导致优化任务不能在指定时间内完成;蔡志平等[5]在满足虚拟网络资源需求的前提下,考虑将虚拟网络植入到合适的底层物理节点和链路的虚拟网络映射方法,但是该方法的计算复杂度较高,短时间内优化处理的目标数量较少;此外,还有通过计算网络交叉算子的传统技术手段,扩大路由器端口的搜索寻优空间,再根据非支配排序原理,建立目标算子与网络信息间的物理映射关系，这种方法虽然有效解决了网络资源的负载均衡问题,但其实际应用效果始终与理想标准间保持一定的物理差距。

为解决现有方法中存在的不足,本文通过构建底层信息网络，定义PSO算子等方式实现网络信息流中虚拟网络映射算法。按照资源信息节点的映射能力进行物理排序,建立信息流的分配评价标准,对映射资源进行处理;定义PSO映射算子,分析虚拟网络的全局映射能力,设计网络信息流中虚拟网络映射算法。并通过实验对比的方式,说明本文所提新型算法的实际应用意义。

1 网络信息流中的映射资源分配

网络信息流映射资源分配是新型映射算法搭建的基础环节,在底层信息网络构建、资源信息节点映射能力排序等步骤的支持下,根据信息流分配评价标准，对映射资源进行分配。

1.1 底层信息网络构建

底层信息网络具备3个赋权物理节点,分别代表 CPU、LOC、FTSP 3 个网络组织,且每个节点可直接支配该节点所属的信息层结构。其中,CPU 赋权节点作为底层网络结构的第一级物理组织,可以综合虚拟网络的信息存储和信息处理能力,并根据资源节点所处的具体位置,为其分配建立映射关系所必须的带宽和时延条件,以保证网络信息处理功能的顺利执行。LOC 赋权节点作为底层网络结构的次级物理组织,可以根据虚拟网络的运行要求,判断映射关系两端的资源信息节点是否具备完整的数据处理能力,并根据具体判断结果,微调映射制约线的物理结构[6-7]。FTSP 赋权节点作为底层网络结构的末级物理组织,可以总结虚拟网络的完整运行状态,并根据映射关系的建立配比,判断网络信息流的传输可行性。 完整底层信息网络结构如图1所示。

图 1 底层信息网络结构图Fig.1 The underlying information network structure

1.2 资源信息节点映射能力排序

资源信息节点映射能力排序是在底层网络的基础上,对虚拟映射关系建立理想性逼近规划[8-9]。假设底层信息网络中存在i个待排序的资源信息节点,且每个节点又与w个属性标量保持直接对应关系,在满足网络信息聚合适应标准的前提下,可将资源节点的原始映射能力矩阵Q表示为

(1)

矩阵Q中数据脚注分别代表与该资源节点相关的网络位置信息和属性标量数值,Qiw则代表第i个属性标量为w的资源节点映射参量。根据上述矩阵,设e代表资源节点在底层信息网络中的固定映射条件,则关于Q的标准化映射能力系数可表示为

(2)

式中：n为待排序资源信息节点的最少个数值。联立式(2)可将资源信息节点的映射能力排序结果表示为

(3)

1.3 信息流分配评价标准

在底层信息网络中,CPU赋权节点可以按照虚拟资源需求对映射节点进行匹配调度。但由于受到网络链路带宽资源的物理限制,OpenFlow虚拟交换机必须根据信息流表为映射关系两端的资源节点,分配合理的存储空间,而在上述操作过程中产生的约束标准,即为信息流的分配评价标准[10-11]。当有虚拟映射请求从网络环境中发出时,底层信息网络会首先根据资源节点的映射能力排序结果,判断网络自身是否具备接收该请求的物理能力,若判断结果为否,可认为不存在与本次虚拟映射请求相匹配的信息流分配评价标准;反之可认为存在单一信息流分配评价标准,与本次虚拟映射请求相匹配[12-13]。设y代表标准的信息流映射参量,联立式(3)可将理想状态下的评价标准表示为

(4)

式中：t，r分别为虚拟映射力度的最大、最小取值空间；χ为信息流的理想分配权限参量；k，l为2个不同的待提取映射算子。

2 虚拟网络映射算法

在网络信息流映射资源分配的基础上,按照虚拟网络描述、PSO算子定义、全局能力分析的物理操作步骤,完成新型映射算法的搭建处理。

2.1 虚拟网络描述

虚拟网络描述是新型映射算法搭建的初始环节,可分为单向基础映射、多项复杂映射2个主要方向。其中,单向基础映射又可细化为静态虚拟网络映射、动态虚拟网络映射2个操作过程中[14]。静态虚拟网络映射分为一阶段连接、二阶段连接、整合连接3个物理环节,但所有执行操作都集中于一阶段、二阶段映射过程中,整合映射仅起到融合处理作业。动态虚拟网络映射包含选择性重置和基础化重置2个阶段。其中,选择化重置拒绝了不合理的映射周期关系和信息流物理传送量,而基础化重置则直接在映射连接过程中,对网络信息流的物理传输路径进行拼接或分割处理[15-16]。多项复杂映射仅对网络信息流传输策略和连接机制起到调节作用,不与单向基础映射流程产生直接影响关系。详细的虚拟网络描述分配情况如图2所示。

图 2 虚拟网络描述分类图Fig.2 Description classification diagram of virtual network

2.2 PSO映射算子定义

PSO映射算子是在虚拟化网络中,对信息映射关系进行的深入解释说明,具备计算精度高、连续优化性强等应用优势。而对该算子结构进行的定义处理操作,既要体现信息流最佳位置的动态调节能力,也要符合网络映射关系的全局性要求。但从根本上来说,虚拟网络是一个离散化的区域环境,每一个信息化资源节点都代表一个可能出现映射连接的物理粒子[17-18]。因此,PSO映射算子定义应该反映的是一个阶段性函数在适应度区间内的总体纵向趋势,而不是适度的定点函数值。设s、a分别代表虚拟网络的上、下限边界数值,f代表阶段性函数的物理定义项。联立式(4)可将PSO映射算子的定义结果表示为

(5)

2.3 全局映射能力分析

全局映射能力分析是新型算法搭建的末尾环节,可根据虚拟节点在底层物理网络中的固定位置,确定映射关系的建立标准。通常情况下,待候选的网络信息流虚拟节点量必须大于待匹配的映射节点量[19-20]。在虚拟网络中,PSO算子规范了算法的基本映射权限,且在此基础上,利用虚拟网络请求参量,可得出算法全局的映射能力关系。设z代表PSO映射算子的综合利用条件,η代表全局利用效率,联立式(5)可将虚拟网络的VN请求参量表示为

(6)

式中：C为网络信息流在虚拟关系构建中存在的最大映射连接条件；m、x为2个不同的边界映射误差量。在式(6)的基础上,以θ作为虚拟网络的极限映射向量,则利用θ可将算法自身的全局映射能力表示为

(7)

3 实验结果及讨论

为验证本文所提的网络信息流中虚拟网络映射算法的有效性,设计对比实验。以2台配置相同的核心网络计算处理机器作为实验对象,其中实验组仪器搭载新型虚拟网络映射算法,对照组仪器搭载传统映射算法。在其他外界条件不变的情况下,分别记录实验组、对照组相关实验数据的具体变化趋势,并对比其结果。

3.1 前期实验准备

为避免不公平事件的发生,实验组、对照组的实验参数始终保持一致。实验时间70 min,网络虚拟连接系数0.96,网络目标性能参数的理想最大1.13,基础映射参量0.65,理想优化处理目标数量最大9.04×1013T。

3.2 网络目标性能参数对比

分别记录在70 min的实验时间内,实验组、对照组设备应用不同映射算法后,网络目标性能参数的变化情况。详细实验对比结果如表1所示。

表 1 网络目标性能参数变化表

注：实验组平均值为1.08，对照组平均值为0.81

由表1可知,实验组网络目标性能参数呈现下降、上升交替出现的变化趋势。初始上升值与末尾上升值相比,增加了0.18,初始下降值与末尾下降值相比,减小了0.20,因此整体上升幅度始终大于下降幅度。从实验初始阶段起,每个处于上升状态的网络目标性能参数均大于理想最大值1.13,整个实验阶段的最大网络目标性能参数1.41，与理想最大值1.13相比,上升了0.28;对照组网络目标性能参数呈现先上升、再稳定、最后下降的变化趋势,且整个上升阶段的变化幅度逐渐缩小。整个实验阶段网络目标性能参数的最大值可达0.84,能够稳定保持20 min,与理想最大值1.13相比,下降了0.29,但整体实验数值远低于实验组。综上可知,在网络虚拟连接系数为0.96的条件下,应用网络信息流中的虚拟网络映射算法,可达到提升目标性能参数平均值的目的。

3.3 单位时间内优化处理目标数量对比

在基础映射参量为0.65的条件下,将单位时间设置为10 min,分别记录在7个单位时间内,实验组、对照组设备应用不同映射算法后,虚拟网络优化处理目标数量的变化情况。对比结果如图3所示。

图 3 单位时间内优化处理目标数量对比图Fig.3 Contrast chart of optimized number of targets per unit time

从图3可知,实验组、对照组虚拟网络优化处理目标数量在每个单位时间段内均保持不同的变化状态。从整体角度来看,实验组虚拟网络优化处理目标数量始终保持在9.78×1013T左右,对照组虚拟网络优化处理目标数量始终保持在7.20×1013T左右,与理想最大值9.04×1013T相比,实验组上升了0.74×1013T,对照组下降了1.84×1013T。综上可知,在基础映射参量为0.65的条件下,应用网络信息流中的虚拟网络映射算法,可使单位时间内的优化处理目标数量得到适度提升。

4 结 论

(1) 本文所提方法不仅充分利用了网络信息流的分配评价能力,也充分发挥了PSO算子等参量的约束能力。从实验数据看,各项指标提升明显,证明本文算法确实具备较强的实际推广价值。

(2) 随着网络用户的激增以及日益增长的用户需求,网络的能耗日益增加。如果虚拟网络映射算法的能耗减小,那么网络就可以承载更多的虚拟网络请求,也可以在请求高峰时段合理安排资源进行映射。因此,在未来阶段,节能将作为一项重要的研究内容。