论文部分内容阅读
随着网络的蓬勃发展,网络资源管控模式也在不停演进,以适应庞大的用户数量、快速发展的智能设备和日益丰富的应用类型。以区分服务(Differentiated services,Diff Serv)为代表的静态描述模式,会预先对不同的业务类型进行定义或描述,但由于难以对应用层的指标进行量化和缺乏应用层对网络资源动态需求的感知,其性能受限。以应用知晓的网络(Application-Aware Networks,AAN)与网络知晓的应用(Network-Aware Applications,NAA)为代表的单向感知模式,通过主动探测获知另一方的行动来调整自身策略,但这种不直接和不准确的信息交流带来的收益是有限的。软件定义网络(Software-Defined Networking,SDN)能够实现应用和网络之间更多维度和更为灵活的管控信息沟通机制,为实现资源管控协同模式提供了基础。但这一协同机制面临诸如应用和网络优化目标不一和二者的决策交替影响难以收敛等困难。应用与网络协同的决策方法的研究已经成为近年研究热点,本文主要关注应用与网络协同决策的三种方式,分别是网络集中点借助应用实体所提供的数据进行集中决策(集中决策方式)、网络集中点为具有一定自适应能力的应用实体提供引导(提供引导方式)和网络集中点和应用实体合作进行资源管控(合作管控方式)。本文通过在以下四个场景中使用上述三种协同决策方式来解决相应的网络资源管控的问题:1.针对多个动态自适应视频流竞争网络资源的场景,利用集中决策方式,研究用户客户端码率选择和带宽资源分配联合优化问题的快速求解方法。首先通过广义Benders分解(Generalized Benders Decomposition,GBD)方法对该问题进行求解并利用仿真平台产生监督学习所需的样本数据集。基于该数据集,设计了基于监督学习和深度神经网络(Deep Neural Networks,DNN)的快速求解方法,称为FAIR-AREA方案。该方案能够在毫秒级的时间内完成一次联合优化问题的求解,同时求解的性能接近最优解。2.针对移动边缘计算环境中的任务卸载和计算资源分配联合优化问题,利用集中决策方式,研究快速求解方法。根据问题的约束和问题分解方式的不同,设计了两种方案。第一个方案(称为FAST-RAM方案)在对该联合优化问题进行数学建模的基础上,对原始优化问题进行分解,使用DNN对其中涉及整数决策变量(任务卸载至某个边缘基站或在本机执行)的优化子问题进行快速求解,然后利用凸优化方法求解联合优化问题中的连续变量(边缘基站为每个计算任务分配的计算资源)。第二个方案(称为ARM方案)考虑服务器具有单一应用类型的约束。将原始优化问题拆分成基站着色(BS-Color)子问题和任务放置(Task Placement)子问题。这两个子问题分别对应基站服务器能够处理的任务类型和用户卸载的计算任务应该交由哪个基站进行处理。本文利用了DNN快速求解这两个子问题。实验结果表明,这两个方案都能够在毫秒级的时间内完成问题求解,同时都具有良好求解性能。3.针对移动增强现实(Mobile Augmented Reality,MAR)业务场景,研究应用层业务参数自适应调整和网络侧计算资源动态调度问题。这方面工作采用了两种应用与网络协同决策的方式。首先,利用提供引导方式,基于单智能体深度强化学习(Deep Reinforcement Learning,DRL)方法设计了DRAM方案。DRAM方案站在网络集中点的角度,根据用户的业务请求情况,动态调整MAR服务器处理用户请求时使用的配置参数以及为每个用户分配的计算资源份额,从而实现对MAR客户端应用层参数的自适应调整进行引导。然后,利用合作管控方式,基于多智能体DRL方法设计了COLLAR方案,以实现多用户协作的应用层参数智能调整。在其智能策略的训练过程中,各MAR应用实体共享网络集中点提供的信息,从而在策略更新时能够考虑整个系统的效用,达到各应用实体通过协作对整个系统的效用进行优化的效果。4.针对多条联盟链共用网络通信链路带宽资源的场景,利用合作管控方式,研究多联盟链路由和带宽资源分配的联合优化问题。使用多智能体DRL方法设计了CO-CAST方案。该方案的执行包含两个步骤,首先应用实体(即各联盟链的主节点)根据自身队列中的区块数量和上层交易到达情况,决策各自的区块广播的路由;然后网络集中点(即网络资源的管理者)根据这些路由,确定每条链路上为各联盟链分配的带宽资源。仿真实验表明,CO-CAST方案可以显著降低联盟链中区块的广播时延。