预测性网络切片资源编排：一种基于虚拟化网络功能（VNF）的方法

《Future Internet》：Predictive Network Slicing Resource Orchestration: A VNF Approach Andrés Cárdenas, Luis Sigcha and Mohammadreza Mosahebfard

　　

随着网络切片在云计算环境中的应用日益广泛，为实现该技术的优势，亟需高效的管理与编排系统。这类系统必须能够支持跨多个网络切片的虚拟化服务的动态供给与资源优化。然而，服务提供商普遍采用的资源过度预留做法会导致资源利用低效，从而限制移动网络运营商（MNO）向更多垂直行业客户出租新网络切片的能力。因此，必须采用高效的资源分配机制，以实现最优网络性能与成本效益。

本文提出了一种基于虚拟化网络功能（VNF）之间资源共享的网络切片资源优化预测模型。该模型采用基于长短期记忆网络（LSTM）和Transformer的深度学习模型，对中央处理器（CPU）资源使用进行预测，并采用反应式算法实现VNF之间的资源共享。该模型由一个遥测系统提供支撑，该系统作为第3代合作伙伴计划（3GPP）网络切片管理体系结构框架的扩展而提出。扩展后的体系结构框架增强了网络切片生命周期管理的自动化与优化能力。

该模型通过一个实际用例进行了验证，结果表明，资源共享算法在防止VNF过载以及准确预测资源使用方面具有有效性。研究结果显示，共享机制提升了资源优化水平，并确保符合服务等级协议（SLA），从而缓解了服务性能退化。该研究有助于提升5G网络中网络资源的高效管理与利用，并为网络切片资源优化的进一步研究奠定了基础。

该文发表于《Future Internet》，聚焦5G网络切片场景下资源受限环境中的虚拟化网络功能（VNF）资源优化问题。研究背景在于，网络切片作为5G生态中的关键技术，能够按业务需求构建具备特定性能指标、资源属性与隔离能力的虚拟网络实例，适用于增强型移动宽带（eMBB）、超可靠低时延通信（URLLC）和海量机器类通信（mMTC）等异构垂直行业业务。随着网络切片逐步部署至边缘云、接入网、传输网和核心网等多域基础设施，切片全生命周期管理与资源编排复杂度显著提升。尽管3GPP与欧洲电信标准协会（ETSI）已提出网络切片管理和NFV管理与编排（MANO）框架，但在实际运营中，服务提供商和垂直客户通常采用过度预留资源的方式保障高峰期服务稳定，这造成计算资源利用率偏低，削弱了移动网络运营商（MNO）接纳更多切片租户的能力，尤其在边缘计算等资源受限场景中更为突出。

现有研究虽然已从动态扩缩容、流量驱动预测、整数线性规划（ILP）、混合整数线性规划（MILP）以及机器学习预测等角度探索VNF资源编排，但大多依赖反应式机制，或将预测、部署、扩缩容等优化阶段割裂处理，尚未充分解决资源不足时无法继续扩缩容的情况。本文正是在这一问题驱动下展开，旨在提出一种兼具预测性与运行时响应能力的切片资源优化机制，使系统不仅能够预测资源消耗趋势，还能在扩缩容不可行时复用其他VNF的空闲资源，从而提高资源利用效率并维持服务等级协议（SLA）合规性。

研究人员提出了一个预测性网络切片资源编排架构，通过在3GPP网络切片管理框架中增加分层监控系统与基于人工智能（AI）的切片资源优化器（ASRO），实现闭环（closed-loop）自动化资源生命周期管理。该体系结构将监控代理与监控聚合器部署在不同网络域内，持续采集VNF运行时的系统级指标，并将数据送入集中式监控系统与时序数据库。随后，ASRO中的优化引擎基于采集到的资源利用率数据对单个VNF进行预测分析，并通过执行器模块联动NFV编排器（NFVO）、VNF管理器（VNFM）与软件定义网络（SDN）控制器，在切片运行期间执行流量调度、资源共享等动作。研究的核心创新并不止于应用机器学习，而是在标准化编排框架中将预测性资源估计与反应式VNF共享机制进行集成，使系统兼具前瞻性和运行时适应性。

研究人员还提出了资源优化模型的两个关键阶段。第一阶段是面向切片设计与部署期的VNF分类机制。研究基于GWA-T-13公开数据集，利用CPU与RAM特征通过肘部法（elbow method）和k-means聚类将VNF划分为T1、T2、T3三类，对应低、中、高资源需求类型，并与边缘云、中心局站云和核心/公共云等不同计算域进行映射。该机制使系统在服务设计阶段可根据性能指标或资源需求自动确定VNF类型，并选择更合适的部署节点，从而缓解过度配置。第二阶段是面向运行期的VNF共享机制。该机制结合深度学习预测与反应式决策，当某VNF未来CPU、RAM或存储使用量预计超过阈值时，算法优先在同类型、同服务的其他VNF中查找当前负载最低且剩余能力充足的候选实例，通过共享比例、共享成本与安全余量判断是否可执行共享；若位于同一云域，则通过SDN控制器直接重分配流量，并由VNFM执行Day 2配置；若位于不同云域，则进一步考察往返时延（RTT）是否满足SLA，如满足则跨域共享，否则触发扩缩容或建议重新设定SLA与VNF转发图（VNFFG）。为防止系统在阈值附近频繁开启与关闭共享，算法还设计了10%的迟滞（hysteresis）边界。

为实现预测模块，研究人员使用MATERNA云数据中心的GWA-T-13虚拟机监控数据集训练模型。该数据集覆盖3个月、520至547个虚拟机的生产负载数据，包含CPU、RAM、存储和网络吞吐等多种指标。相关性分析显示网络吞吐与CPU、RAM和存储写入存在中等相关性，因此后续实验使用CPU、RAM、存储与吞吐4项特征。研究人员构建并比较了长短期记忆网络（LSTM）与Transformer两类深度学习模型，输入为3个连续历史时间步，输出为下一时刻4种资源使用量预测值。模型训练采用超带（hyperband）方法优化超参数，以平均绝对误差（MAE）作为损失函数、以多变量均方根误差（RMSE）作为评价指标，并使用ADAM优化器与早停策略抑制过拟合。

主要技术方法可概括如下：其一，基于3GPP网络切片管理与ETSI NFV MANO框架构建扩展式闭环资源编排体系，引入分层监控与ASRO模块；其二，基于GWA-T-13公开云工作负载数据集，通过相关性分析、k-means聚类与VNF分型实现资源画像和部署优化；其三，采用LSTM与Transformer进行多变量时间序列预测，用于提前识别CPU等资源阈值越界风险；其四，设计基于阈值、候选VNF筛选、RTT约束与迟滞控制的反应式VNF共享算法，并通过SDN控制器与VNFM联动执行运行时资源重分配。实验样本来源于公开数据集GWA-T-13，系统验证则基于研究人员搭建的多域5G网络切片测试床完成。

研究结果部分具有较清晰的层次结构。

Social Distance Tracking Use Case
研究人员设计了“社交距离跟踪”用例验证所提架构。该用例包含虚拟接入网络（vAN）、虚拟深度包检测（vDPI）、虚拟智能识别引擎（vSRE）与虚拟Web应用（vWapp）4个VNF，用于通过摄像头视频流检测人员距离并告警。服务跨边缘云与核心云分布部署：vAN与vDPI部署在边缘云，vSRE与vWapp部署在核心云。研究人员通过OpenSlice实现通信服务管理功能（CSMF）和网络切片管理功能（NSMF），通过Open Source MANO（OSM）承担NFVO与云域NSSMF角色，利用OpenStack管理两个NFVI域，借助Ryu控制器完成SDN侧编排。该用例展示了从切片请求、需求翻译、资源部署、监控配置到共享触发的完整工作流，证明提出的体系结构可在标准化切片框架中落地。

Exhaustive VNF Evaluation
为刻画vDPI的性能特征，研究人员采用iPerf按30 s窗口逐步提升带宽，模拟摄像头数量增加带来的流量增长，并比较vDPI开启DPI服务与仅作为交换功能时的CPU消耗。结果表明，当vDPI执行DPI任务时，CPU消耗显著高于仅转发场景：相对于边缘云中切片分配CPU总量，其占用可超过24%；若按vDPI自身vCPU利用率计算，可达60%，而仅作为交换节点时约为30%。据此，研究人员将ASRO触发共享的CPU阈值设定为60%，并指出当带宽超过70 MB时应动态增加vDPI可用资源。这一实验说明，VNF压力测试与资源画像可为VNF分型、部署选址及阈值配置提供依据。

Evaluation of Shared VNFs
在共享机制验证中，研究人员针对即将过载的vDPI-exhausted与可共享的vDPI-shared，开发了运行于Ryu控制器上的SDN应用，实现二者之间的流量均衡。ASRO在预测到阈值即将突破后，自动修改SDN流表参数，包括源/目的IP地址、带宽比例与服务质量（QoS）队列，并在vAN中的开放虚拟交换机（OVS）上安装流规则。实验结果显示，vDPI-shared向vDPI-exhausted共享的CPU资源规模受到算法控制，其共享比例上限约为共享方CPU资源的10%，而在切片总CPU视角下仅约占3.5%。更重要的是，相比未共享时的独立运行状态，vDPI-exhausted在共享资源支持下执行DPI服务时，CPU消耗降低约30%。该结果表明，VNF共享机制能够在不新增VNF副本的前提下缓解热点VNF过载，减少性能退化并支持SLA维持。

Deep Learning Model Evaluation
在预测模型评估中，研究人员比较了LSTM与Transformer两种架构。结果显示，LSTM取得更优性能，其RMSE为0.0189，而Transformer的RMSE为0.0259，说明在本研究使用的数据与时间窗口设置下，LSTM在资源使用预测方面更准确。因此，运行时系统可优先采用LSTM作为预测引擎。研究还给出了训练环境，包括Intel Xeon 2.30 GHz处理器、12 GB RAM及NVIDIA Tesla K80 12 GB显卡，并指出架构本身并不限定具体模型类型，未来仍可继续扩展更复杂的预测器。该结果支持了本文关于“预测+共享”联合编排策略的可行性：精确预测可提前触发资源调整，降低纯反应式机制在资源耗尽后才采取措施的滞后性。

讨论部分主要强调了体系结构与机制设计的综合意义。研究人员指出，有效的监控框架是切片资源自动化优化的前提，而本文提出的分层监控系统能够与3GPP框架兼容，在多个NSSMF域分摊采集负载，避免集中式采集瓶颈。ASRO以VNF为粒度执行预测，计算负担随受管VNF数量近似线性增长，而共享算法仅在本地域候选实例中筛选，使整体编排在大规模多域部署中仍具可扩展性。与传统扩缩容相比，共享机制通过复用现有VNF闲置能力，减少附加实例部署需求，从而降低时延与资源开销。文中也明确指出，尽管训练数据来自企业云工作负载，但模型依赖的是通用资源时序模式，且实际运营环境中可通过实时监控数据进行周期性再训练，以适配运营商基础设施中的特定业务负载。未来工作则包括按协议或应用类型开展更细粒度流量分析，以及面向容器化NFVI收集新数据集以修正分类阈值。

研究结论部分可译为：本文系统阐述了如何通过特定机制实现网络切片资源管理的自动化与增强。这些机制依托闭环编排框架，利用监控系统采集的数据实施纠正动作，以维持网络切片的运行状态与性能协议。研究同时提出了一种与3GPP网络切片管理体系结构一致的分布式监控架构，用于从网络切片各组成部分收集指标。有效的监控框架是实现网络切片资源自动化与优化管理的基础。在此框架中，一个重要的增强型资源管理机制是依据服务类型对VNF进行分类，该过程通过分析历史服务指标实现，并结合以往网络切片中VNF资源分配与使用的历史数据持续优化分类参数。此类VNF分类有助于在网络切片创建过程中优化节点选择，从而提升移动网络运营商（MNO）与垂直客户双方的资源利用效率。除此之外，研究还提出了一种面向运行时资源优化的VNF共享机制，适用于无法执行VNF扩缩容的资源受限情形，使提供相同服务的其他VNF的未使用资源能够被复用。该机制利用未来事件预测系统识别最适合参与共享的VNF，并在资源仍不足时重新评估SLA协议。所提出的网络切片计算资源优化方法避免了通过额外部署副本VNF来解决负载问题的需要。由于VNF实例化时间与其资源需求相关，资源需求越高，部署时间越长，服务质量越容易下降，因此预测性共享机制有助于缓解实例部署耗时问题。总体而言，该研究为5G网络切片资源优化提供了一个兼容标准、具备预测能力且支持运行时资源共享的编排框架。