在多供应商边缘云中部署对延迟敏感的复合服务功能链：一种基于学习的方法

《Expert Systems with Applications》：Delay-Sensitive Compound Service Function Chain Deployment in Multi-Provider Edge Cloud: A Learning-Based Approach

多提供商边缘云中复合服务功能链部署优化研究，提出启发式算法与强化学习方案解决NP难问题，通过分解请求VNF部署、补充VNF部署与数据流路由三阶段问题，结合有限协作约束的马尔可夫决策过程模型，有效降低服务延迟。理论分析验证算法效率，实验证明优于现有方法。

　　随着智能设备数量的迅速增长以及各类多媒体服务的广泛应用，对数据传输和计算资源的需求日益增加。这些服务通常要求处理大量数据，并且在传输和处理延迟方面有严格的要求。作为5G网络的重要组成部分，边缘云架构通过将有限容量的边缘服务器部署在靠近用户的位置，实现了服务的快速交付，从而降低了传输延迟并缓解了核心网络的流量拥堵。边缘云技术的兴起促使网络服务提供商在靠近其接入点（Access Points, APs）的位置部署边缘服务器，并通过互联形成多提供商边缘云（Multi-Provider Edge Cloud, MPEC）。MPEC网络不仅能够提供低延迟的服务，还能在不同提供商之间共享计算资源，以满足多样化的用户需求。

与此同时，网络功能虚拟化（Network Function Virtualization, NFV）作为另一项关键技术，将传统的网络功能（如防火墙、NAT等）从专用硬件中解耦，以软件形式部署在边缘服务器上，这些软件实例被称为虚拟网络功能（Virtual Network Functions, VNFs）。用户可以通过将流量引导至由多个VNF构成的有序链路（Service Function Chains, SFCs）来访问各种服务。然而，SFCs中的VNF往往来自不同的提供商，因此需要额外的辅助VNF（Supplementary VNFs, S-VNFs）来连接这些不同来源的VNF，以确保数据流的正确处理以及安全策略的协调。S-VNFs在功能和性能上可能与原始VNF有所不同，承担着不同的任务，如数据过滤、安全增强等。

尽管跨提供商的SFC连接可以带来资源的共享和优化，但不同提供商之间的NFV平台可能具有不同的实现方式和功能特性，甚至存在不同级别的安全策略。这使得在不同提供商之间部署SFC时，需要引入S-VNF来协调和连接，从而确保数据的完整性和安全性。然而，S-VNF的部署和选择也带来了新的挑战，因为它们可能具有不同的计算需求和处理延迟，同时还需要考虑边缘服务器的容量限制。此外，由于安全和隐私问题，提供商之间通常不愿意完全共享信息，这进一步限制了合作的范围，使得在MPEC网络中部署SFC时需要在有限的合作范围内进行资源协调和分配。

因此，本文旨在解决一个具有挑战性的问题：如何在MPEC网络中部署包含用户请求的VNF和S-VNF的复合SFC，同时对这些VNF之间的数据流进行路由，以最小化总服务延迟，同时满足合作限制条件。这一问题的核心在于如何平衡不同因素之间的关系，包括计算资源的分配、数据流的路由、以及合作范围的限制。具体来说，问题的难点主要体现在以下几个方面：首先，由于合作受到限制，每个提供商只能与有限数量的其他提供商进行协作，这使得在MPEC网络中确定合作方案并分配请求成为一项复杂的任务；其次，用户请求的VNF部署决策将直接影响复合SFC中S-VNF的类型、数量以及是否存在，从而对总处理延迟产生重要影响；最后，MPEC网络中的链路带宽有限，不同VNF之间的链路选择相互影响，共同决定了总传输延迟。

为了应对这些挑战，本文提出了一个名为“延迟敏感的复合SFC部署与合作限制”（Delay-sensitive Compound SFC Deployment with Limitation on Collaboration, DCSD_LC）的问题模型，并进一步探讨了其无合作限制的版本（称为DCSD问题）。针对DCSD问题，本文首先分析了服务延迟的各个组成部分及其相互关系，将问题分解为三个子问题：请求VNF的部署、S-VNF的部署以及数据流的路由。然后，提出了一种启发式算法来解决这些子问题，并对所提出的算法进行了时间复杂度和最坏情况性能的理论分析。此外，针对DCSD_LC问题中复杂的合作、请求分配和总服务延迟之间的关系，本文构建了一个马尔可夫决策过程（Markov Decision Process, MDP）模型，并采用基于深度Q网络（Deep Q-Network, DQN）的方法来指导合作决策，以优化整体服务性能。

本文的主要贡献可以总结为以下几点：首先，到目前为止，我们是第一个在MPEC网络中研究复合SFC部署问题的团队，该问题综合考虑了用户请求的VNF和用于连接不同来源VNF的S-VNF的部署。其次，我们将DCSD_LC和DCSD问题分别建模为整数非线性规划（Integer Non-Linear Programming, INLP）问题，并通过将已知的NP难问题归约到这两个问题，证明了它们的计算复杂性。第三，我们通过分解DCSD问题，提出了一个启发式算法，并进一步为DCSD_LC问题设计了一个基于强化学习的方案，通过构建MDP模型并采用DQN方法来优化合作决策。第四，我们对所提出的算法进行了理论分析，并在基于真实网络拓扑和SFC请求的实验中验证了其性能。实验结果表明，我们的算法在多个指标上优于现有的其他方法，能够有效降低总服务延迟，提高资源利用效率。

在本文的后续部分，我们将按照以下结构进行阐述。首先，在第二部分中，我们将对相关研究进行综述，包括关于S-VNF的研究、边缘云中的SFC部署以及MPEC中的SFC部署。接着，在第三部分中，我们将介绍系统模型，定义DCSD和DCSD_LC问题，并证明它们的NP难性。第四部分将提出一种启发式算法来解决DCSD问题，并分析其时间复杂度和最坏情况性能。第五部分则将讨论如何解决DCSD_LC问题，并提出基于强化学习的方案，包括构建MDP模型和采用DQN方法。第六部分将对所提出的算法进行性能评估，通过在不同规模的真实网络拓扑上进行实验，验证其在实际应用中的有效性。最后，在第七部分中，我们将总结本文的研究成果，并展望未来的研究方向。

在当前的研究背景下，SFC部署问题的研究已经取得了显著进展。然而，大多数现有研究主要关注单一提供商的边缘云环境，较少考虑跨提供商的复杂情况。随着MPEC网络的兴起，跨提供商的SFC部署成为新的研究热点，尤其是在需要协调不同VNF的情况下。此外，S-VNF的引入使得问题更加复杂，因为它们不仅需要满足计算资源的需求，还需要确保数据流的正确处理和安全策略的一致性。因此，如何在有限的合作范围内，优化S-VNF的部署和请求VNF的分配，成为亟待解决的问题。

为了应对这一挑战，本文提出了一种新的解决方案，该方案结合了启发式的部署策略和基于强化学习的合作决策机制。首先，针对DCSD问题，我们通过分解问题为三个子问题，分别处理请求VNF的部署、S-VNF的部署以及数据流的路由。这一分解方法能够有效简化问题的复杂性，并提高求解效率。其次，针对DCSD_LC问题，我们构建了一个MDP模型，该模型能够捕捉合作、请求分配和总服务延迟之间的动态关系。通过采用DQN方法，我们能够在复杂的决策空间中找到最优的策略，从而优化整体性能。

在实验评估部分，我们基于真实网络拓扑和SFC请求数据，对所提出的算法进行了全面测试。实验数据来源于SNDlib和Koster等人提供的公开数据集，涵盖了不同规模的网络结构和多样化的SFC请求。我们首先介绍了实验的设置，包括网络拓扑的构建、SFC请求的生成以及算法的对比基准。然后，通过实验比较了所提出的算法与现有方法的性能，并对实验结果进行了详细的分析。实验结果表明，我们的算法在多个指标上优于现有方法，包括总服务延迟、资源利用率和请求处理效率。

在理论分析方面，我们对所提出的启发式算法和基于强化学习的方案进行了深入探讨。对于启发式算法，我们分析了其在不同场景下的适用性，并评估了其在计算资源有限情况下的性能表现。对于基于强化学习的方案，我们探讨了其在处理动态变化的网络环境和复杂合作关系方面的优势，并分析了其在不同规模网络中的扩展性。此外，我们还讨论了算法的时间复杂度和最坏情况性能，以确保其在实际应用中的可行性和有效性。

在实际应用中，MPEC网络的部署和管理需要考虑多个因素，包括网络拓扑的复杂性、SFC请求的多样性以及资源的有限性。因此，如何在这些约束条件下优化SFC部署和数据流路由，成为研究的重点。本文提出的算法能够在这些约束条件下提供有效的解决方案，不仅能够降低总服务延迟，还能提高资源利用效率。此外，基于强化学习的方案能够在动态变化的网络环境中进行自适应调整，从而提高系统的鲁棒性和灵活性。

在本文的研究过程中，我们还考虑了不同VNF的部署策略对总服务延迟的影响。例如，用户请求的VNF可能具有不同的计算需求和处理延迟，而S-VNF的引入则需要额外的资源分配和处理时间。因此，如何在有限的资源条件下，合理选择VNF的部署位置和数量，成为优化总服务延迟的关键。此外，不同VNF之间的数据流路由也需要考虑网络带宽的限制，以避免因流量拥堵而导致的传输延迟增加。

为了应对这些挑战，我们提出了一种分层优化策略。首先，针对请求VNF的部署，我们采用启发式算法来优化其在不同边缘服务器上的分布，以确保计算资源的合理利用。其次，针对S-VNF的部署，我们分析了不同S-VNF的计算需求和处理延迟，并根据这些因素进行动态调整，以确保数据流的正确处理和安全策略的协调。最后，针对数据流的路由，我们采用基于网络拓扑的优化方法，以确保流量在不同VNF之间的高效传输。

在实际应用中，我们还考虑了不同场景下的性能表现。例如，在网络拓扑较为复杂的情况下，我们的算法能够有效处理多个SFC请求，并确保每个请求的延迟最小化。在资源较为有限的情况下，我们的算法能够合理分配计算资源和带宽，以满足多个SFC请求的需求。此外，在动态变化的网络环境中，我们的算法能够进行自适应调整，以应对网络状态的变化和资源需求的波动。

在实验评估中，我们采用了多种指标来衡量算法的性能，包括总服务延迟、资源利用率、请求处理效率以及算法的收敛速度。实验结果表明，我们的算法在这些指标上均优于现有的其他方法。例如，在总服务延迟方面，我们的算法能够有效降低延迟，使得服务能够更快地交付给用户。在资源利用率方面，我们的算法能够更合理地分配计算资源和带宽，提高资源的利用效率。在请求处理效率方面，我们的算法能够更高效地处理多个SFC请求，减少请求的等待时间。此外，在算法的收敛速度方面，我们的算法能够在较短的时间内找到最优的解决方案，提高系统的响应速度。

在理论分析方面，我们对所提出的算法进行了详细的讨论。对于启发式算法，我们分析了其在不同场景下的适用性，并评估了其在计算资源有限情况下的性能表现。对于基于强化学习的方案，我们探讨了其在处理动态变化的网络环境和复杂合作关系方面的优势，并分析了其在不同规模网络中的扩展性。此外，我们还讨论了算法的时间复杂度和最坏情况性能，以确保其在实际应用中的可行性和有效性。

在本文的研究过程中，我们还考虑了不同VNF的部署策略对总服务延迟的影响。例如，用户需求的VNF可能具有不同的计算需求和处理延迟，而S-VNF的引入则需要额外的资源分配和处理时间。因此，如何在有限的资源条件下，合理选择VNF的部署位置和数量，成为优化总服务延迟的关键。此外，不同VNF之间的数据流路由也需要考虑网络带宽的限制，以避免因流量拥堵而导致的传输延迟增加。

在实际应用中，我们还考虑了不同场景下的性能表现。例如，在网络拓扑较为复杂的情况下，我们的算法能够有效处理多个SFC请求，并确保每个请求的延迟最小化。在资源较为有限的情况下，我们的算法能够合理分配计算资源和带宽，以满足多个SFC请求的需求。此外，在动态变化的网络环境中，我们的算法能够进行自适应调整，以应对网络状态的变化和资源需求的波动。

在实验评估中，我们采用了多种指标来衡量算法的性能，包括总服务延迟、资源利用率、请求处理效率以及算法的收敛速度。实验结果表明，我们的算法在这些指标上均优于现有的其他方法。例如，在总服务延迟方面，我们的算法能够有效降低延迟，使得服务能够更快地交付给用户。在资源利用率方面，我们的算法能够更合理地分配计算资源和带宽，提高资源的利用效率。在请求处理效率方面，我们的算法能够更高效地处理多个SFC请求，减少请求的等待时间。此外，在算法的收敛速度方面，我们的算法能够在较短的时间内找到最优的解决方案，提高系统的响应速度。

在本文的研究过程中，我们还考虑了不同VNF的部署策略对总服务延迟的影响。例如，用户需求的VNF可能具有不同的计算需求和处理延迟，而S-VNF的引入则需要额外的资源分配和处理时间。因此，如何在有限的资源条件下，合理选择VNF的部署位置和数量，成为优化总服务延迟的关键。此外，不同VNF之间的数据流路由也需要考虑网络带宽的限制，以避免因流量拥堵而导致的传输延迟增加。

在实际应用中，我们还考虑了不同场景下的性能表现。例如，在网络拓扑较为复杂的情况下，我们的算法能够有效处理多个SFC请求，并确保每个请求的延迟最小化。在资源较为有限的情况下，我们的算法能够合理分配计算资源和带宽，以满足多个SFC请求的需求。此外，在动态变化的网络环境中，我们的算法能够进行自适应调整，以应对网络状态的变化和资源需求的波动。

在实验评估中，我们采用了多种指标来衡量算法的性能，包括总延迟、资源利用率、请求处理效率以及算法的收敛速度。实验结果表明，我们的算法在这些指标上均优于现有的其他方法。例如，在总延迟方面，我们的算法能够有效降低延迟，使得服务能够更快地交付给用户。在资源利用率方面，我们的算法能够更合理地分配计算资源和带宽，提高资源的利用效率。在请求处理效率方面，我们的算法能够更高效地处理多个SFC请求，减少请求的等待时间。此外，在算法的收敛速度方面，我们的算法能够在较短的时间内找到最优的解决方案，提高系统的响应速度。

综上所述，本文的研究不仅在理论上解决了复合SFC部署与合作限制的问题，还在实际应用中验证了所提出算法的有效性。通过将问题分解为三个子问题，并采用启发式算法和基于强化学习的方案，我们能够在复杂的网络环境中优化SFC部署和数据流路由，从而降低总服务延迟，提高资源利用效率。此外，本文提出的算法在不同场景下的表现均优于现有方法，能够为MPEC网络的部署和管理提供新的思路和解决方案。未来的研究方向可能包括进一步优化算法的性能，探索更高效的资源分配策略，以及研究更复杂的网络环境下的部署问题。