吴晓春，洪晨，张岳，张俊楠，周静静

基于微服务架构的粒度可变服务功能链映射算法

吴晓春，洪晨，张岳，张俊楠，周静静

（浙江工商大学信息与电子工程学院，浙江 杭州 310018）

针对5G环境下服务功能链（SFC）端到端时延无法满足时延敏感型应用需求的问题，将传统虚拟网络功能（VNF）拆分成粒度不一的映射单元，提出了基于微服务架构的粒度可变服务功能链映射（VG-SFCM）算法。首先将传统粗粒度的VNF解耦成细粒度的微服务单元，随后通过SFC内冗余微服务单元的合并及SFC间微服务单元的复用，减少微服务单元的实例化，降低SFC的处理时间。仿真结果表明，所提算法在降低平均部署网络成本的同时，其SFC端到端时延相较于传统的映射算法降低了14.81%。

网络功能虚拟化；微服务架构；服务功能链；时延

0 引言

随着互联网的不断普及和物联网相关技术的飞速发展，人们对网络的需求呈指数级增长，各式各样的服务请求日新月异。为了应对不断增长且纷繁复杂的服务请求，网络功能虚拟化（network function virtualization，NFV）技术应运而生。NFV通过虚拟化的技术将网络功能以软件化的形式呈现，形成虚拟网络功能（virtualized network function，VNF），实现了网络功能与专用物理设备的解耦，使资源可以灵活共享，并大大降低了运营商的运营成本（operating expense，OPEX）及资本支出（capital expenditure，CAPEX）[1]。不同的VNF按照一定逻辑顺序进行链接并形成服务功能链（service function chain，SFC）[2]。通过SFC，运营商可以更加快速且灵活地为用户提供所需的服务，当用户的服务需求或网络环境发生变化时也可快速进行VNF的迁移、创建、销毁等操作。

5G等技术的发展使许多应用对时延的要求提高，因此，如何合理地部署VNF或对SFC本身进行一定优化，使得SFC端到端时延得到一定程度的降低是映射问题的一大挑战。目前，已有不少学者对SFC的映射及部署问题展开了研究。当前该问题通常被建模成整数线性规划（integer linear programming，ILP）模型或混合整数线性规划（mixed integer linear programming，MILP）模型等数学规划模型。文献[3]使用基于混合整数线性规划的可变邻域搜索方法对时延受限情况下的SFC映射问题进行求解。文献[4]在最小化时延的约束下，利用混合整数二次约束规划建模对SFC映射问题进行求解。但此类数学规划方法仅在面对小规模网络时拥有较快的求解速度，在大规模网络中求解速度较慢并且会带来较高的运行成本，因此各类启发式算法被相继提出。文献[5]采用可拓展的启发式算法，每次针对单个网络节点进行映射，若映射不成功则不断回溯当前的结果，直至完成映射。文献[6]提出了一种基于改进多阶段图的启发式算法，从而实现服务功能链的高效部署。然而，启发式算法虽然拥有较快的求解速度，但无法保证所得的解总是全局最优解。因此，元启发式算法在启发式算法的基础上进行改进，结合了随机算法以及局部搜索的策略以避免陷入局部最优解。文献[7]融合遗传算法与模拟退火算法进行求解，同时通过判断个体约束及纠正遗传的方法来规避局部最优解，从而达到降低服务功能链端到端时延的目的，但该算法需要反复迭代才能求出最优解，时间消耗较大，无法对VNF进行快速部署。文献[8]首先通过广度优先搜索完成服务功能链的构建，随后利用改进的遗传粒子群算法对映射问题进行求解，提高了服务功能链请求接受率，同时降低了资源开销，但在对映射问题求解时没有考虑映射顺序，产生了一定的时延。文献[9]针对服务功能链端到端时延优化以及服务可用性最大化问题，建立模型后通过遗传算法进行求解，但面对大规模物理拓扑时容易陷入局部最优解。而随着人工智能领域研究的不断深入，强化学习算法凭借其在求解组合优化问题方面的先天优势在多个领域得到应用。文献[10]提出了基于深度强化学习的服务功能链可靠部署算法，在保证可靠性的同时有效减少了服务功能链的损失。文献[11]使用强化学习算法寻找匹配的VNF调度策略，并提出基于Q学习的VNF部署算法，但在大规模网络环境中强化学习算法无法准确地描述网络资源的动态变化，会对VNF的部署产生不良影响。

上述研究大多将作为SFC构成单位的VNF视作一个整体，统一进行设计、开发和部署，尚未考虑进一步细化的优化方案。VNF虽然实现了与专用硬件设备的解耦，但这种单体式的映射方法内部各逻辑功能间的耦合程度仍较高，且灵活性较差，难以被扩展或伸缩。因此提出将微服务架构运用到SFC映射及部署的问题中，对VNF进行微服务化的拆分及合并，以实现端到端时延的最优化。

微服务体系架构[12]的核心在于对传统应用进行功能上的分解，将细粒度的微服务单元作为执行相关逻辑操作的最小单元，每个微服务单元均能被独立部署、运行。文献[13]提出的OpenBox框架首次探索了SFC中多个VNF的拆分优化，并完成了拆分后微服务单元的定义，但并未考虑SFC中出现不可拆分VNF的状况。文献[14]首次探讨了服务功能链的优化问题与微服务架构结合的可能性，随后通过实例将传统的粗粒度服务功能链进行微服务化的拆分及合并，绘制了新的有向服务图，但在拆分过程中并未考虑中间状态，容易产生过多的资源开销。

与上述文献不同，本文针对服务功能链中虚拟网络功能的逻辑功能重复执行问题，考虑时延优化，提出一种基于微服务架构的粒度可变服务功能链映射（variable granularity service function chain mapping，VG-SFCM）算法，对VNF进行微服务化的拆分时，进一步考虑映射时网络拓扑中的资源使用情况和具体的服务功能链请求，以确定粒度不一的映射单元，从而达到降低SFC端到端时延及提高资源利用率的目的。该算法通过基于典型VNF的快速拆分策略将相关VNF拆分为最细粒度的微服务单元，随后对单一SFC内的冗余微服务单元进行合并，以实现端到端时延的最优化。针对物理拓扑中已完成部分SFC部署的情况，通过SFC之间的微服务单元复用策略，根据可复用微服务单元所处的网络节点及其邻近节点的资源状况，判断复用及新到达SFC中剩余微服务单元的部署可能性，减少微服务单元的实例化。仿真结果表明，VG- SFCM能够有效降低SFC的平均端到端时延及平均部署网络成本，提高网络资源利用率。

1 问题描述与系统模型

1.1 问题描述

在传统网络中，每个中间件都有相对应的专用服务器，网络功能服务设备多并且复杂，不利于按需扩展和调整。虚拟化技术的出现，使得通用服务器取代传统的专用物理设备成为可能，从而有效降低网络功能的平均部署网络成本。然而，单条SFC内的不同单体VNF间存在许多重复执行的逻辑功能，如数据包的输入输出、报文分类等。在SFC映射的过程中，考虑映射的最小粒度并进行微服务化的拆分及合并，可有效地去除这些冗余的逻辑功能，降低根据映射方案部署时产生的端到端时延及资源开销。

不同映射方案对比如图1所示，两种方案均将单体VNF作为SFC的最小映射单元。单SFC的拆分、合并及映射如图2所示，该方案首先对服务功能链中的各VNF进行逻辑功能分析，并根据分析结果执行相应的拆分工作，将映射的最小单元转化为粗粒度的微服务单元。完成SFC中所有VNF的拆分后，按照不改变初始逻辑顺序的原则进行相同微服务单元的合并并构建新服务图，合并后剩下的AtomNF个数相较于拆分初期减少了44.4%。合并完成后按照原始的逻辑顺序进行新服务功能链的构建。此类合并操作的对象为单SFC内部的微服务单元，微服务单元的实例是按照映射方案创建并部署的，当新服务功能链请求（service function chain request，SFCR）到来时，相同的实例又会再次创建。因此通过合并及复用可有效地减少相关资源的浪费，并降低端到端时延。

针对多个SFCR到来的情况，后续到达的SFCR将依据上一SFCR的映射方案进行可复用微服务单元的筛选及节点资源分析。SFC间的微服务单元复用及映射如图3所示。多SFC映射方案中共有两个SFC需完成映射及后续的部署，SFC1的映射方案与如图2（b）一致。SFC2包含AtomNF1、AtomNF3这两个与SFC1相同的可复用微服务单元，通过判断节点B中的计算资源是否能够支持AtomNF6和AtomNF7的映射来确定映射方案。该映射方案复用了AtomNF1和

图1 不同映射方案对比

图2 单SFC的拆分、合并及映射

图3 SFC间的微服务单元复用及映射

AtomNF3两个微服务单元，并将剩余单元映射至已激活节点中，相较于传统映射方案减少了节点的激活数量，并通过减少微服务单元实例数降低了SFC2的端到端时延及资源开销。

1.2 网络模型

为了更好地形式化描述问题，列出了与底层网络、服务功能链请求相关的符号及其含义，相关符号及其含义见表1。

1.3 约束分析及优化目标

考虑底层网络中节点资源约束和链路带宽资源约束，为了最小化SFC的端到端时延，SFC与VNF的映射及部署问题可以建模为一个整数规划模型。相较于传统粗粒度的单体VNF映射方案，基于微服务架构的映射方案的主要创新在于映射粒度变为细粒度的微服务单元，因此在资源约束方面与传统映射方案的区别之处在于其中的映射单元，未拆分的VNF在建模过程中除开销方面的差异外，表现形式与AtomNF保持一致。

表1 相关符号及其含义

在服务功能链的部署中，计算资源可具体化为CPU资源以及内存资源，因此必须确保某个节点上部署的全部AtomNF的CPU开销及内存开销不超过该节点可提供的相关资源。节点的CPU资源约束如式（1）所示。

完成对SFC的部署后，数据流量按照AtomNF部署后的各个节点顺序进行遍历。网络拓扑中每条物理链路的带宽资源有限，因此SFC产生的需求所占用的链路带宽资源需要小于带宽总容量，相关约束如式（3）所示。

由于不同应用对时延的敏感程度有差异，用户对SFC端到端时延的需求也各有不同，因此需要进行时延约束的相关定义。SFC的整体端到端时延可根据时延产生的位置划分为链路时延和节点时延两大部分，其中链路时延包括传播时延、传输时延及排队时延，节点时延即处理时延。因此，SFC部署在物理链路上产生的链路时延如式（5）所示。

结合式（6）与式（8），单条服务功能链的端到端时延构成如式（9）所示。

式（10）的优化目标是在满足式（1）～式（3）的情况下，最小化服务功能链端到端时延。

2 基于微服务架构的粒度可变服务功能链映射算法设计

基于微服务架构的粒度可变服务功能链构建问题的关键在于根据SFC进行合理的逻辑拆分，继而根据拆分所得微服务单元集合筛选重复执行部分，并根据SFC原始逻辑进行服务图的绘制。其中，若拆分所得单元的标准不一致，则会导致后续重复执行的操作无法正常合并及复用，因此需将对数据流执行操作的最小逻辑功能作为最小工作单元并定义为微服务单元。

2.1 基于典型VNF的快速拆分策略

VNF的拆分主要根据构成SFC的VNF集合及其相应的逻辑功能，将VNF拆分成若干个细粒度的微服务单元，并定义为AtomNF，一个微服务单元代表对数据进行操作的最小逻辑单元。

服务功能链构成关系如图4所示，表述了微服务单元、虚拟网络功能及服务功能链之间的构成关系。3类个体之间的关系可用式（11）与式（12）表述。

（12）

服务功能链拆分过程如图5所示，该SFC包含边缘防火墙、监视器、应用防火墙3个VNF。通过逻辑分析，构成这3个VNF的微服务单元如图5（b）所示。这些微服务单元经过拆分断开相互间原有的关系后，最终形成的微服务单元集合如图5（c）所示。

为了实现SFC的快速拆分并降低拆分所带来的资源开销，基于典型VNF的快速拆分将逻辑分析与拆分工作前置，通过预先对出现频率较高的VNF进行逻辑分析，提前准备高频VNF所对应的微服务单元镜像文件并放入仓库。当SFCR到达时，即可快速根据相关的VNF拆分方案查找并直接拉取相关镜像。

此外用户的需求各有不同且无法预测，SFC中出现未经前置拆分的VNF情况不可避免。针对此类情况，基于典型NFV的快速拆分将不对镜像仓库中未包含的VNF执行相关拆分操作，仍将其视作粗粒度的单一整体。

根据上述相关流程的描述，基于典型NFV的快速拆分算法流程如下。

算法1：基于典型NFV的快速拆分算法

输入：服务功能链

输出：AtomNF集合

2.2 SFC内的微服务单元合并策略

观察SFC拆分所得的微服务单元，可以发现3个VNF拆分后均存在部分共有的微服务单元。经过分析可以发现，重复执行相同的微服务单元并不会对数据流带来实际的改变，反而会增加所对应的映射节点的资源开销及端到端时延，因此可以对这些多次出现的微服务单元进行分析及合并。合并可以有效地缩短服务功能链的总长度，以降低端到端时延。此外，减少微服务单元的重复执行可以相应地降低相关计算资源的开销。

鉴于不同微服务单元对数据流的操作各有不同，参考MicroNF[16]的分类规则，SFC内的冗余微服务单元合并策略将微服务单元分为端点、区分、修改、重构、流量控制及静态6类，AtomNF分类见表2。

为了保证合并后的新SFC所提供的服务与合并前保持一致，同时最大限度地降低端到端时延，微服务单元的合并需要遵守以下原则：

（1）数据包须经历与原始服务功能链相同的处理步骤，但可减少部分冗余步骤的执行次数；

（2）每一个多次执行的微服务单元均需进行合并可能性分析，力求尽可能压缩服务功能链的端到端长度；

表2 AtomNF分类

图6 合并后的服务功能链

（3）与原始SFC相比，微服务单元在新SFC中的位置均可发生变化，但变化后不可使数据流发生改变。

合并后的服务功能链如图6所示，仅需8个微服务单元便可实现原始SFC的相关功能，最大路径长度为7，相较于原始SFC拆分后的路径长度14降低了50%。微服务单元间的通信将采用网络服务分组头（network service header，NSH）进行数据的交互[17]，该方法可以有效地处理单一微服务单元，然后将其传递给多个微服务单元。

根据上述条件，SFC内的微服务单元合并算法流程如下。

算法2：SFC内的微服务单元合并算法、

输入：AtomNF集合

输出：服务图

2.3 SFC间的微服务单元复用策略

在实际应用场景中，不同的SFCR内部往往包含相同的VNF，此外，从细粒度的角度进行观察，可进一步发现不同的VNF内存在大量相同的逻辑处理部分。从单一SFC内部的角度进行观察，相同逻辑处理部分可以通过合并的形式进行优化。若从多个SFC的角度进行观察，单一SFC内重复逻辑部分的合并形式可转化为复用的形式，以减少节点的激活，进一步降低服务功能链部署产生的网络成本。

VNF或AtomNF实例的复用目前可通过多租户技术实现，多租户技术可以使得一个软件实例为多个租户提供相应服务[18-19]。相较于传统不可复用的映射方案，在SFC映射过程中，通过一个可复用的微服务单元实例为多个SFCR提供服务，可以有效提高节点资源利用率。

为了实现后续请求的复用，首次到达的SFCR需通过改进的灰狼优化（grey wolf optimizer，GWO）算法确定最佳映射方案。后续SFCR将以此映射方案为基准，通过对应映射节点的资源状况判断复用的可能性。

后续到达的SFCR在完成前期的编排及拆分合并工作后，将自身的微服务单元集合与上一SFCR的微服务单元集合进行对比，重复出现的微服务单元即可复用的微服务单元，随后进行相关微服务单元映射节点的复用能力判断工作。判断节点的剩余资源能否承载该SFC其余不可复用的微服务单元。若不能，则将相关微服务单元部署至资源足够的邻近节点中。当出现邻近节点的可用资源均无法满足相关需求时，对该SFC再次通过改进的灰狼优化算法进行映射方案的确定。

根据上述工作流程，SFC间的微服务单元复用算法流程如下。

算法3：SFC间的微服务单元复用算法

输入：服务功能链请求

学术期刊的周期性、定时性和多目标等特点及相关主体众多、编校质量受控和刊物内容多样等特征，导致出版流程呈现出多、细、杂、乱的特点，且执行时间受限。以《船研所学报》的编辑出版工作为例，该期刊为季刊，其自由状态下的事项梳理见图3。

输出：映射方案

2.4 映射算法设计

基于微服务架构的粒度可变服务功能链映射算法流程如下。首先与粗粒度单体 VNF映射方案确定流程一致，根据用户请求的源节点和目的节点，通过最短路径算法搜索可能的映射方案；然后通过基于典型VNF的快速拆分算法进行SFC的拆分，并得到相关微服务单元集合；最后执行SFC内的微服务单元合并操作，以得到端到端长度尽可能压缩的新服务功能链。

用户的SFCR往往是先后到达的，对于首个到来的SFCR，网络中尚无已经部署的SFC，因此无法执行相关微服务单元的复用，故需利用改进的灰狼优化算法进行映射方案的确定。针对后续到来的SFCR，同样通过拆分及合并得到细粒度的服务功能链后，根据SFC间的微服务单元复用策略进行映射方案的确定。

算法4：基于微服务架构的粒度可变服务功能链映射算法

输入：网络拓扑、服务功能链请求集合

输出：映射方案

3 仿真与结果分析

为了验证VG-SFCM算法的性能和有效性，本文将其与几种基线算法进行比较，分别是OpenBox解耦（OpenBox decoupling，OBD）算法、队列感知可靠嵌入（queue-aware reliable embedding，QARE）算法、基于动态规划的成本优化算法（dynamic programming based cost optimization algorithm，DP-COA）以及SFC动态编排（SFC dynamic orchestration，SFCDO）算法，并采用服务功能链请求的平均端到端时延、请求接受率以及平均部署网络成本作为评价指标。仿真使用MATLAB 2020b软件在配置为AMD Ryzen 7 5800H CPU、16.0 GB RAM的计算机上完成。OBD算法利用OpenBox解耦的思想，将处理块作为映射的最小单元，映射时基于贪婪策略进行节点的选择[20]；QARE算法根据节点队列信息对VNF进行部署[21]；DP-COA算法将VNF部署看成多阶段决策过程[22]，并基于动态规划的思想进行求解；SFCDO算法采用广度优先搜索对SFC部署进行优化[23]。

3.1 仿真设计

为了便于进行仿真分析，本文采用典型物理网络拓扑——国家科学基金会网络（National Science Foundation Network，NSFNET）[24]，NSFNET拓扑如图7所示。网络拓扑中某个时间段内到达的SFCR数量从0增加至1 200。

图7 NSFNET拓扑

仿真中产生的不同虚拟网络功能预设为10种，并对其中的三层路由器、二层交换机、IP层防火墙、应用层防火墙、虚拟专用网设备、负载均衡及监视器共计6种VNF进行拆分方案的前置确定，而入侵检测系统、入侵防御系统、深度报文检测及虚拟专用网络则仍保持粗粒度的单体VNF，以模拟实际情况中VNF未进行前置拆分的情况。各网络功能的具体CPU资源开销及内存资源开销各不相同，需进行前期的设定，AtomNF级的微服务单元的CPU需求及内存需求均为1单位。

每条SFC的长度即拆分前的虚拟网络功能数量，为4～6间的随机整数，每个服务功能链中具体的VNF随机产生于前期预设的10种VNF，由经过前置拆分方案确认的VNF及未经前置拆分方案确认的VNF构成。物理拓扑中网路节点间链路的传输时延设置为1 ms，排队时延及处理时延通过式（6）和式（7）结合当前时刻的资源利用率进行计算。

3.2 性能指标

为了验证NFV环境中VG-SFCM算法的可用性，本文使用以下3个性能指标作为仿真分析对象。

（3）服务功能链请求的平均部署网络成本定义如式（21）所示。

3.3 仿真结果分析

式（18）～式（20）描述的各项性能指标均将SFCR数量作为自变量。不同算法的服务功能链请求的平均端到端时延如图8所示，展示了部署映射方案后SFC的平均端到端时延随SFCR数量变化的趋势。通过观察，可得VG-SFCM算法始终保持较低的平均端到端时延。这是因为该算法在确定映射方案前总会进行SFC的微服务化拆分及合并，减少了冗余微服务单元的执行，缩短了处理时间。随着SFCR数量的增加，各算法的平均端到端时延均呈现上升趋势，这种现象主要归因于各节点的计算资源和节点间的链路带宽资源不断被消耗。

图8 不同算法的服务功能链请求的平均端到端时延

表3 该拓扑的具体参数及仿真过程中所需的其他参数

不同算法的服务功能链请求接受率如图9所示，展示了不同算法在相同SFCR数量下的请求接受率。由图9可以得到，当服务功能链请求数量不断增加时，各算法的请求接受率均呈下降趋势，但VG-SFCM的性能优于其他算法。当请求数量超过1 000时，SFCDO算法的接受率开始直线下降。VG-SFCM算法的请求接受率最后比SFCDO算法高5%左右，比OBD算法高15%左右。这是因为VG-SFCM算法改变了最小的映射单元，有效避免了对比算法中物理节点剩余资源无法进行单体VNF的部署时产生资源碎片的情况。此外，通过微服务单元的合并及复用操作减少微服务单元的实例化，处理更多SFC，进一步提高了SFCR接受率。

图9 不同算法的服务功能链请求接受率

图10 不同服务功能链请求数量下的平均部署网络成本

表4 算法性能对比

为了更加直观地体现出VG-SFCM算法的优势，对VG-SFCM和其他算法的整体性能进行总结，算法性能对比见表4。通过观察可以看出，在同一实验环境下，与其他算法相比，VG-SFCM算法确实有效降低了服务功能链的端到端时延，提高了服务功能链请求接受率并且减少了平均部署网络成本。

4 结束语

本文研究了NFV环境中考虑时延优化和可变粒度的服务功能链映射问题，旨在最小化服务功能链的端到端时延，并降低映射及部署产生的平均部署网络成本。针对这一优化目标，提出了基于微服务架构的粒度可变服务功能链映射算法，该算法首先对服务功能链进行快速拆分，并执行合并操作以减少不必要的微服务单元重复执行。随后通过SFC间的微服务单元复用策略，减少后续到达的SFCR相关实例的映射及部署，提高节点资源利用率。仿真结果表明，该算法在保证用户需求的情况下，有效降低了服务功能链的平均端到端时延，提高了请求接受率，减少了节点激活成本。但目前该算法对服务功能链的拆分均基于人工的逻辑分析及微服务化前置，无法实时地对未经相关前置操作的虚拟网络功能进行微服务化。在后续的研究中，笔者将对该算法进行相关优化，设计对应的自动化微服务拆分算法，以满足网络状态动态变化的特征。

[1] SCHARDONG F, NUNES I, SCHAEFFER-FILHO A. NFV resource allocation: a systematic review and taxonomy of VNF forwarding graph embedding[J]. Computer Networks, 2021, 185: 107726.

[2] 翟东, 孟相如, 康巧燕, 等. 面向时延与可靠性优化的服务功能链部署方法[J]. 电子与信息学报, 2020, 42(10): 2386-2393.

ZHAI D, MENG X R, KANG Q Y, et al. Service function chain deployment method for delay and reliability optimization[J]. Journal of Electronics ＆ Information Technology, 2020, 42(10): 2386-2393.

[3] REDDY V S, BAUMGARTNER A, BAUSCHERT T. Robust embedding of VNF/service chains with delay bounds[C]//Proceedings of 2016 IEEE Conference on Network Function Virtualization and Software Defined Networks. Piscataway: IEEE Press, 2016: 93-99.

[4] MEHRAGHDAM S, KELLER M, KARL H. Specifying and placing chains of virtual network functions[C]//Proceedings of 2014 IEEE 3rd International Conference on Cloud Networking (CloudNet). Piscataway: IEEE Press, 2014: 7-13.

[5] MECHTRI M, GHRIBI C, ZEGHLACHE D. A scalable algorithm for the placement of service function chains[J]. IEEE Transactions on Network and Service Management, 2016, 13(3): 533-546.

[6] QI D D, SHEN S B, WANG G H. Towards an efficient VNF placement in network function virtualization[J]. Computer Communications, 2019, 138: 81-89.

[7] 陈卓, 冯钢, 刘怡静, 等. MEC中基于改进遗传模拟退火算法的虚拟网络功能部署策略[J]. 通信学报, 2020, 41(4): 70-80.

CHEN Z, FENG G, LIU Y J, et al. Virtual network function deployment strategy based on improved genetic simulated annealing algorithm in MEC[J]. Journal on Communications, 2020, 41(4): 70-80.

[8] 孙士清, 彭建华, 游伟, 等. 5G网络下资源感知的服务功能链协同构建和映射算法[J]. 西安交通大学学报, 2020, 54(8): 140-148.

SUN S Q, PENG J H, YOU W, et al. A coordinating composition and mapping algorithm for a service function chain with resource-aware[J]. Journal of Xi’an Jiaotong University, 2020, 54(8): 140-148.

[9] YALA L, FRANGOUDIS P A, KSENTINI A. Latency and availability driven VNF placement in a MEC-NFV environment[C]//Proceedings of 2018 IEEE Global Communications Conference. Piscataway: IEEE Press, 2018: 1-7.

[10] 唐伦, 曹睿, 廖皓, 等. 基于深度强化学习的服务功能链可靠部署算法[J]. 电子与信息学报, 2020, 42(12): 2931-2938.

TANG L, CAO R, LIAO H, et al. Reliable deployment algorithm of service function chain based on deep reinforcement learning[J]. Journal of Electronics ＆ Information Technology, 2020, 42(12): 2931-2938.

[11] LI J L, SHI W S, ZHANG N, et al. Reinforcement learning based VNF scheduling with end-to-end delay guarantee[C]// Proceedings of 2019 IEEE/CIC International Conference on Communications in China (ICCC). Piscataway: IEEE Press, 2019: 572-577.

[12] 冯志勇, 徐砚伟, 薛霄, 等. 微服务技术发展的现状与展望[J]. 计算机研究与发展, 2020, 57(5): 1103-1122.

FENG Z Y, XU Y W, XUE X, et al. Review on the development of microservice architecture[J]. Journal of Computer Research and Development, 2020, 57(5): 1103-1122.

[13] BREMLER-BARR A, HARCHOL Y, HAY D. OpenBox: a software-defined framework for developing, deploying, and managing network functions[C]//Proceedings of the 2016 ACM SIGCOMM Conference. New York: ACM Press, 2016: 511-524.

[14] CHOWDHURY S R, SALAHUDDIN M A, LIMAM N, et al. Re-architecting NFV ecosystem with microservices: state of the art and research challenges[J]. IEEE Network, 2019, 33(3): 168-176.

[15] DWARAKI A, WOLF T. Adaptive service-chain routing for virtual network functions in software-defined networks[C]//Proceedings of the 2016 workshop on Hot Topics in Middleboxes and Network Function Virtualization. New York: ACM Press, 2016: 32-37.

[16] MENG Z L, BI J, WANG H P, et al. MicroNF: an efficient framework for enabling modularized service chains in NFV[J]. IEEE Journal on Selected Areas in Communications, 2019, 37(8): 1851-1865.

[17] NEKOVEE M, SHARMA S, UNIYAL N, et al. Towards AI-enabled microservice architecture for network function virtualization[C]//Proceedings of 2020 IEEE Eighth International Conference on Communications and Networking (ComNet). Piscataway: IEEE Press, 2020: 1-8.

[18] MA H J, ZHANG J Y, WANG Z X. Implementation of multi-tenancy adaptive cache admission model[J]. Journal of Physics: Conference Series, 2021, 2026(1): 012045.

[19] LEIVADEAS A, FALKNER M. VNF placement problem: a multi-tenant intent-based networking approach[C]//Proceedings of 2021 24th Conference on Innovation in Clouds, Internet and Networks and Workshops (ICIN). Piscataway: IEEE Press, 2021: 143-150.

[20] LI D F, HONG P L, XUE K P, et al. Virtual network function placement considering resource optimization and SFC requests in cloud datacenter[J]. IEEE Transactions on Parallel and Distributed Systems, 2018, 29(7): 1664-1677.

[21] TANG L, ZHAO G F, WANG C M, et al. Queue-aware reliable embedding algorithm for 5G network slicing[J]. Computer Networks, 2018, 146: 138-150.

[22] 刘昀. 虚拟网络功能资源分配与服务功能链路由研究[D]. 合肥: 中国科学技术大学, 2020.

LIU Y. Virtual network function resource allocation and service function chain routing[D]. Hefei: University of Science and Technology of China, 2020.

[23] SUN G, XU Z, YU H F, et al. Low-latency and resource-efficient service function chaining orchestration in network function virtualization[J]. IEEE Internet of Things Journal, 2020, 7(7): 5760-5772.

[24] STRAWN G. Masterminds of the NSFnet: jennings, wolff, and van houweling[J]. IT Professional, 2021, 23(6): 67-69.

Variable granularity service function chain mapping algorithm based on microservice architecture

WU Xiaochun, HONG Chen, ZHANG Yue, ZHANG Junnan, ZHOU Jingjing

School of Information and Electronic Engineering, Zhejiang Gongshang University, Hangzhou 310018, China

For the problem that the end-to-end delay of the service function chain (SFC) cannot meet the demand of delay-sensitive applications in 5G environment, a variable granularity service function chain mapping (VG-SFCM) algorithm based on microservice architecture was proposed by splitting the traditional virtualized network function (VNF) into mapping units of varying granularity. Firstly, the traditional coarse-grained VNF was decoupled into fine-grained microservice units, and then the instantiation of microservice units was reduced through the consolidation of redundant microservice units within SFC and the reuse of microservice units between SFC, thus reducing the processing time of SFC. The simulation results show that the algorithm reduces the end-to-end delay of SFC by 14.81% compared to the traditional mapping algorithm while reducing the average deployment network cost.

network function virtualization, microservice architecture, service function chain, delay

TN915，TP393

A

10.11959/j.issn.1000–0801.2022289

2022-06-09；

2022-11-14

洪晨，2281026509@qq.com

浙江省自然科学基金资助项目（No. LY19F020002，No. Y19F020031），浙江省新型网络标准与应用技术重点实验室项目（No. 2013E10012）

吴晓春（1983-），女，博士，浙江工商大学信息与电子工程学院高级实验师、硕士生导师，主要研究方向为新一代网络技术架构、软件定义网络、网络功能虚拟化、人工智能与网络安全的结合等。

洪晨（1998-），女，浙江工商大学信息与电子工程学院硕士生，主要研究方向为知识图谱、新一代网络技术架构。

张岳（1998-），女，浙江工商大学信息与电子工程学院硕士生，主要研究方向为知识图谱、新一代网络技术架构。

张俊楠（1997-），男，浙江工商大学信息与电子工程学院硕士生，主要研究方向为新一代网络技术架构。

周静静（1980-），女，博士，浙江工商大学信息与电子工程学院副教授、硕士生导师，主要研究方向为新一代网络技术架构、软件定义网络、网络流量建模与分析、大数据处理、深度学习等。

s: The Zhejiang Province Natural Science Foundation (No. LY19F020002, No. Y19F020031), Zhejiang Provincial Key Laboratory of New Network Standards and Application Technology (No. 2013E10012)