移动边缘计算平台中基于业务识别的网络功能编排方法
阅读：1038发布：2020-05-08
专利汇可以提供移动边缘计算平台中基于业务识别的网络功能编排方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种移动边缘计算平台中基于业务识别的网络功能编排方法，本发明实现的具体步骤是：(1)抓取已知业务类型的用户服务 请求 数据流；(2)生成训练集；(3)构建BP神经网络；(4)训练BP神经网络；(5)抓取待识别类型的用户服务请求数据流；(6)识别用户服务请求的业务类型；(7)编排移动边缘计算网络功能；(8)实现业务服务。本发明在设计移动边缘计算网络功能编排过程中，利用BP神经网络实现对用户服务请求业务类型的识别，提高了网络功能编排速度，保证了用户的服务 质量 。，下面是移动边缘计算平台中基于业务识别的网络功能编排方法专利的具体信息内容。
1.一种移动边缘计算平台中基于业务识别的网络功能编排方法，其特征在于，移动边缘计算平台根据接收到的实时用户服务请求，提取数据流特征并输入至训练好的BP神经网络得到业务类型，利用平台设置的容器管理器kubernetes选取对应的移动边缘计算平台网络功能；该方法的具体步骤包括如下：
(1)接收已知业务类型的用户服务请求：
(1a)从可连入运营商通信网络的用户终端中随机选取与已知业务类型数目相同的用户终端；
(1b)每个所选用户终端向移动边缘计算平台发送一种与其它用户终端不同类型的业务请求；
(2)抓取不同类型业务的网络流量：
移动边缘计算平台从每个类型业务中每隔一秒抓取20秒的网络流量，将每秒抓取的网络流量组成一个数据流；
(3)生成训练集：
移动边缘计算平台从每个数据流中提取所有的数据流特征，将每个数据流的数据流特征组成一个数据流特征集合，从每个数据流特征集合中选取元素属性相同的所有数据流特征组成一个训练集；
(4)构建BP神经网络：
搭建一个由输入层、隐含层、输出层组成的BP神经网络，按照训练集中的元素个数设置输入层神经元数目，按照已知业务类型数目设置输出层的节点数目，隐含层的节点数目设置为 隐含层的激活函数选择Log-sigmoid传输函数，其中，P表示输入层神经元数目，Q表示输出层节点数目；
(5)训练BP神经网络：
将训练集输入到BP神经网络中，利用梯度下降法迭代更新BP神经网络的均方误差，直至均方误差小于0.05时得到训练好的BP神经网络；
(6)接收待识别类型的实时用户服务请求：
移动边缘计算平台实时接收一个待识别类型的用户服务请求，平台在接收用户服务请求的过程中抓取一秒的网络流量组成一个数据流；
(7)识别用户服务请求的业务类型：
(7a)移动边缘计算平台从步骤(6)所抓取的数据流中提取与步骤(3)中元素属性相同的数据流特征组成一个数据流特征集；
(7b)将数据流特征集输入到训练好的BP神经网络中，得到用户服务请求的业务类型；
(8)编排移动边缘计算网络功能：
移动边缘计算平台中设置的容器管理器kubernetes，根据识别的用户服务请求的业务类型，从移动边缘计算平台的所有网络功能中选取对应的网络功能，容器管理器kubernetes对所选取的网络功能进行参数配置，并将完成参数配置的网络功能封装成一个调度单元Pod；
(9)实现业务服务：
容器管理器kubernetes为每个调度单元Pod分配相应的资源，并向用户终端提供应用程序编程接口API，用户终端通过编程接口API得到业务服务。
移动边缘计算平台中基于业务识别的网络功能编排方法
技术领域
[0001] 本发明属于通信技术领域，更进一步涉及网络通信技术领域中的一种移动边缘计算平台中基于业务识别的网络功能编排方法。利用本发明的方法，可以支持移动边缘计算平台在实现业务类型识别的基础上通过平台设置的容器管理器kubernetes调度相应的移动边缘计算网络功能，为用户提供多样化业务服务。
背景技术
[0002] 移动边缘计算平台具有提供低时延、大计算和高带宽的能力，应用范围广阔，但由于复杂的业务需求移动边缘计算平台应容纳多种业务服务。为了使移动边缘计算平台能够更全面地发挥其优势，根据业务特征、用户特征、移动边缘计算服务方式及服务提供商的不同，需要为每种类型的业务提供定制化的移动边缘计算服务，即编排移动边缘计算平台的网络功能。同时，由于不同类型的业务对服务质量的要求不同，如速度、安全性、可靠性等，在网络资源有限时，网络设备需要对业务类型进行识别并保证用户所需业务的服务质量。因此，移动边缘计算平台为满足未来第五代移动通信网络5G(the fifth generation)中超高速、超低延时的业务需求，需要一种必要的管理系统来调度不同类型的移动边缘计算网络功能为用户提供高质量服务。
[0003] 上海数讯信息技术有限公司在其申请的专利文献“基于SDN的Kubernetes网络管理系统与方法”(申请号201710965670.0，公开号CN 107947961A)中提供了一种基于软件定义网络SDN(Software Defined Network)的kubernetes网络管理方法。该方法的具体步骤为：第一步，系统控制装置中的分析模块监听kubernetes应用中的北向接口API信息；第二步，在接收到kubernetes应用中的北向接口API信息时，系统分析模块解析API信息获取对虚拟网络的操作请求；第三步，系统分析模块将解析得到的虚拟网络操作请求提交给系统控制装置中的控制模块；第四步，系统控制模块通过虚拟路由装置将虚拟网络映射到物理网络，并在相应物理网络设备上执行网络请求。该方法实现了网络服务的自动化，降低了运营商对资深技术人员的依赖和人员管理成本，极大提升了运维管理的工作效率。但是，该方法仍然存在的不足之处是，现有技术中搭建SDN平台时标准不统一，导致某些SDN平台不支持容器管理器kubernetes，故在进行实际操作时无法实现大规模应用及后续维护升级工作，平台局限性大。
[0004] 重庆邮电大学在其申请的专利文献“一种虚拟化网络功能的编排方法及装置”(申请号201810018263.3，公开号CN 107948006A)中公开了一种虚拟化网络功能的编排方法。该方法的具体步骤为：第一步，网络功能虚拟化编排器根据网络请求制定网络功能生命周期操作指令及网络功能编排模板并发送给虚拟化网络功能管理器；第二步，虚拟化网络功能管理器依据所接收的网络功能虚拟化编排器的网络功能编排模板或网络功能生命周期操作指令信息，制定用于编排网络功能的网络功能编排规则和虚拟资源编排规则；第三步，虚拟化网络功能管理器依据网络功能的编排规则和虚拟资源编排规则，执行用于编排网络功能的编排规则和虚拟资源编排规则。该方法合能够实现网络服务端到端的灵活编排能力和配置能力，满足运营商快速按需的业务部署需求，同时也减少了网络维护的人工运营成本以及网络更新的时间和成本。但是，该方法仍然存在的不足之处是，未考虑到对用户服务请求进行业务识别，造成网络功能编排处理时间较长，难以满足用户对于多样化业务的低时延服务质量要求。
发明内容
[0005] 本发明的目的在于针对上述已有技术的不足，提供一种移动边缘计算平台中基于业务识别的网络功能编排方法，用于解决现有网络功能编排处理时间较长，难以满足用户对于多样化业务的低时延服务质量要求，无法实现大规模应用及后续维护升级工作，平台局限性大的问题。
[0006] 实现本发明目的的思路是：移动边缘计算平台对已知业务类型的用户服务请求抓取网络流量数据，并对网络流量数据进行特征提取，利用提取的训练集训练BP神经网络；当平台接收到实时用户服务请求后，从实时抓取的网络流量数据中提取特征集，将特征集输入至训练好的BP神经网络中得到业务类型，平台设置的容器管理器kubernetes根据业务类型调度对应的移动边缘计算网络功能，为用户提供服务。
[0007] 为实现上述目的，本发明具体实现步骤包括如下：
[0008] (1)接收已知业务类型的用户服务请求：
[0009] (1a)从可连入运营商通信网络的用户终端中随机选取与已知业务类型数目相同的用户终端；
[0010] (1b)每个所选用户终端向移动边缘计算平台发送一种与其它用户终端不同类型的业务请求；
[0011] (2)抓取不同类型业务的网络流量：
[0012] 移动边缘计算平台从每个类型业务中每隔一秒抓取20秒的网络流量，将每秒抓取的网络流量组成一个数据流；
[0013] (3)生成训练集：
[0014] 移动边缘计算平台从每个数据流中提取所有的数据流特征，将每个数据流的数据流特征组成一个数据流特征集合，从每个数据流特征集合中选取元素属性相同的所有数据流特征组成一个训练集；
[0015] (4)构建BP神经网络：
[0016] 搭建一个由输入层、隐含层、输出层组成的BP神经网络，按照训练集中的元素个数设置输入层神经元数目，按照已知业务类型数目设置输出层的节点数目，隐含层的节点数目设置为 隐含层的激活函数选择Log-sigmoid传输函数，其中，P表示输入层神经元数目，Q表示输出层节点数目；
[0017] (5)训练BP神经网络：
[0019] (6)接收待识别类型的实时用户服务请求：
[0020] 移动边缘计算平台实时接收一个待识别类型的用户服务请求，平台在接收用户服务请求的过程中抓取一秒的网络流量组成一个数据流；
[0021] (7)识别用户服务请求的业务类型：
[0022] (7a)移动边缘计算平台从步骤(6)所抓取的数据流中提取与步骤(3)中元素属性相同的数据流特征组成一个数据流特征集；
[0023] (7b)将数据流特征集输入到训练好的BP神经网络中，得到用户服务请求的业务类型；
[0024] (8)编排移动边缘计算网络功能：
[0025] 移动边缘计算平台中设置的容器管理器kubernetes，根据识别的用户服务请求的业务类型，从移动边缘计算平台的所有网络功能中选取对应的网络功能，容器管理器kubernetes对所选取的网络功能进行参数配置，并将完成参数配置的网络功能封装成一个调度单元Pod；
[0026] (9)实现业务服务：
[0027] 容器管理器kubernetes为每个调度单元Pod分配相应的资源，并向用户终端提供应用程序编程接口API，用户终端通过编程接口API得到业务服务。
[0028] 本发明与现有技术相比具有如下优点：
[0029] 第一，本发明方法的实现步骤全部在移动边缘计算平台上实现，克服了现有技术中的SDN平台不支持容器管理器kubernetes，平台局限性大的缺点，使得本发明能够在所有的移动边缘计算平台上实现容器管理器kubernetes的设置及使用，保障了本发明方法的大规模应用。
[0030] 第二，本发明搭建并训练BP神经网络，将待识别类型的实时用户服务请求进行业务类型识别，克服了现有技术中网络功能编排处理时间较长，难以满足用户对于多样化业务的低时延服务质量要求的缺点，使得本发明加快了网络功能编排速度，提高了用户服务质量。附图说明
[0031] 图1为本发明的流程图。
具体实施方式
[0032] 以下结合附图对本发明进行进一步的详细说明。
[0033] 参照附图1，对本发明的实现步骤做进一步的描述。
[0034] 步骤1，接收已知业务类型的用户服务请求。
[0035] 从可连入运营商通信网络的用户终端中随机选取与已知业务类型数目相同的用户终端。
[0036] 每个所选用户终端向移动边缘计算平台发送一种与其它用户终端不同类型的业务请求。
[0037] 步骤2，抓取不同类型业务的网络流量。
[0038] 移动边缘计算平台从每个类型业务中每隔一秒抓取20秒的网络流量，将每秒抓取的网络流量组成一个数据流。
[0039] 步骤3，生成训练集。
[0040] 移动边缘计算平台利用网络流量特征提取工具从每个数据流中提取所有的数据流特征，将每个数据流的数据流特征组成一个数据流特征集合，从每个数据流特征集合中选取元素属性相同的所有数据流特征组成一个训练集。
[0041] 步骤4，构建BP神经网络。
[0042] 搭建一个由输入层、隐含层、输出层组成的BP神经网络，按照训练集中的元素个数设置输入层神经元数目，按照已知业务类型数目设置输出层的节点数目，隐含层的节点数目设置为 隐含层的激活函数选择Log-sigmoid传输函数，其中，P表示输入层神经元数目，Q表示输出层节点数目。
[0043] 步骤5，训练BP神经网络。
[0044] 将训练集输入到BP神经网络中，利用梯度下降法迭代更新BP神经网络的均方误差，直至均方误差小于0.05时得到训练好的BP神经网络。
[0045] 步骤6，接收待识别类型的实时用户服务请求。
[0046] 移动边缘计算平台实时接收一个待识别类型的用户服务请求，平台在接收用户服务请求的过程中抓取一秒的网络流量组成一个数据流。
[0047] 步骤7，识别用户服务请求的业务类型。
[0048] 移动边缘计算平台从步骤6所抓取的数据流中提取与步骤3中元素属性相同的数据流特征组成一个数据流特征集。
[0049] 将数据流特征集输入到训练好的BP神经网络中，得到用户服务请求的业务类型。
[0050] 步骤8，编排移动边缘计算网络功能。
[0051] 移动边缘计算平台中设置的容器管理器kubernetes，根据识别的用户服务请求的业务类型，从移动边缘计算平台的所有网络功能中选取对应的网络功能，容器管理器kubernetes对所选取的网络功能进行参数配置，并将完成参数配置的网络功能封装成一个调度单元Pod。
[0052] 步骤9，实现业务服务。
[0053] 容器管理器kubernetes为每个调度单元Pod分配相应的计算、存储和通信资源，并向用户终端提供应用程序编程接口API，用户终端通过编程接口API得到业务服务。
[0054] 下面结合实验例对本发明做进一步的说明：
[0055] 步骤1，接收已知业务类型的用户服务请求。
[0056] 从可连入运营商通信网络的用户终端中随机选取四个型号相同的用户终端，每个用户终端向移动边缘计算平台发送一种与其它用户终端不同类型的业务请求，所述不同类型的业务请求包括人脸识别、OFDM仿真、视频在线观看和音频缓存。
[0057] 步骤2，抓取不同类型业务的网络流量。
[0058] 移动边缘计算平台从每个类型业务中每隔一秒抓取20秒的网络流量，共抓取80次，将每秒抓取的网络流量组成一个数据流。
[0059] 步骤3，生成训练集。
[0060] 移动边缘计算平台利用网络流量特征提取工具WireShark从每个数据流中提取所有的数据流特征，将每个数据流的数据流特征组成一个数据流特征集合，从每个数据流特征集合中选取元素属性相同的所有数据流特征组成一个训练集，所述元素属性包括端口号、协议、数据流中数据包的数目、数据流中数据包的平均长度、上下行数据包比例、上下行数据包平方差、数据流的TCP协议包比例、数据流的UDP协议包比例、上下行字节流比例和数据流中数据包的峰均比，共10个元素属性。
[0061] 步骤4，构建BP神经网络。
[0062] 搭建一个由输入层、隐含层、输出层组成的BP神经网络，输入层神经元的数目设置为10，输出层的节点数目设置为4，隐含层节点数设置为8，隐含层的激活函数选择Log-sigmoid传输函数。
[0063] 步骤5，训练BP神经网络。
[0064] 将训练集输入到BP神经网络中，利用梯度下降法迭代更新BP神经网络的均方误差，直至均方误差小于0.05时得到训练好的BP神经网络。
[0065] 步骤6，接收待识别类型的实时用户服务请求。
[0066] 移动边缘计算平台实时接收一个待识别类型的用户服务请求，平台在接收用户服务请求的过程中抓取一秒的网络流量组成一个数据流。
[0067] 步骤7，识别用户服务请求的业务类型。
[0068] 移动边缘计算平台从步骤6所抓取的数据流中提取与步骤3中元素属性相同的数据流特征组成一个数据流特征集。
[0069] 将数据流特征集输入到训练好的BP神经网络中，得到用户服务请求的业务类型。
[0070] 步骤8，编排移动边缘计算网络功能。
[0071] 移动边缘计算平台中设置的容器管理器kubernetes，根据识别的用户服务请求的业务类型，从移动边缘计算平台的所有网络功能中选取对应的网络功能，容器管理器kubernetes对所选取的网络功能进行参数配置，并将完成参数配置的网络功能封装成一个调度单元Pod。
[0072] 所述参数配置包括服务类型、服务名称、服务状态、服务计费、计算资源、缓存资源、通信资源、IP地址、端口号等。
[0073] 其中对于人脸识别和OFDM仿真业务类型的用户服务请求，其资源分配参数配置如表1：
[0074] 表1两种业务的资源分配参数配置
[0075] 服务名称 OFDM仿真 人脸识别数据/计算密度 低/高 高/高
计算资源(CPU) 60％ 100％
存储资源(存储Memory) 4MB 8MB
缓存资源(内存Storage) 750MB 1.1GB
通信资源(带宽Bandwidth) 1KB/s 4MB/s
计算资源(CPU) 60％ 100％
存储资源(存储Memory) 4MB 8MB
缓存资源(内存Storage) 750MB 1.1GB
通信资源(带宽Bandwidth) 1KB/s 4MB/s
[0076] 对于视频在线观看业务类型的用户服务请求，其资源分配参数配置如表2：
[0077] 表2在线观看业务资源分配参数配置
[0078]
[0079] 所述移动边缘计算平台的所有网络功能包括11种，即MEC接入和移动性管理功能MEC AMF(Access and Mobility Management Function)、MEC会话管理功能MEC SMF(Session Management Function)、MEC统一数据管理功能MEC UDM(Unified Data Management)、MEC鉴权服务功能MEC AUSF(Authentication Server Function)、MEC网络开放功能MEC NEF(Network Exposure Function)、MEC网络功能贮存功能MEC NRF(NF Repository Function)、MEC网络切片选择功能MEC NSSF(Network Slice Selection Function)、MEC策略管控功能MEC PCF(Policy Control Function)、MEC用户面功能MEC UPF(User Plane Function)、MEC应用功能MEC AF(Application Function)和MEC管理功能MEC MF(MEC Management Function)，共11种网络功能。
[0080] 步骤9，实现业务服务。
[0081] 容器管理器kubernetes中的资源分配单元为每个调度单元Pod分配相应的计算、存储和通信资源，并向用户终端提供应用程序编程接口API，用户终端通过编程接口API得到业务服务。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种非线性大刚体位移参量求解方法 | 2021-02-19 | 2 |
| 一种基于图形处理器的LDPC-BCH译码方法 | 2024-01-01 | 0 |
| 一种基于无人机的物联网系统数据收集方法 | 2021-03-12 | 0 |
| 基于LKJ异常值数据的复杂关联网络分析方法及系统 | 2022-01-29 | 2 |
| 便携式监测装备状态的通用终端及监测方法 | 2022-07-30 | 1 |
| 用于监测温度不稳定性的测试电路 | 2023-01-06 | 1 |
| 一种化学机械研磨模拟方法 | 2021-03-28 | 1 |
| 直流-直流转换器及用于控制直流-直流转换器的方法 | 2022-06-02 | 2 |
| 一种低压差线性稳压电路 | 2020-07-10 | 1 |
| 一种移动无线传感器网络故障诊断方法 | 2023-02-05 | 0 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈