(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111641009.7 (22)申请日 2021.12.2 9 (71)申请人 山东省计算中心 （国家超 级计算济 南中心） 地址 250014 山东省济南市经十路东首 科 学院路19号 (72)发明人 刘礼彬　张凯　史慧玲　张玮　 (74)专利代理 机构 北京轻创知识产权代理有限 公司 11212 代理人 尉保芳 (51)Int.Cl. H04L 41/0895(2022.01) G06F 9/455(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种支持网络功能虚拟化的动态扩展 方法、 平台及计算机 (57)摘要 本发明涉及一种支持网络功能虚拟化的动 态扩展方法， 包括S1、 基于网络功能虚拟化架构， 创建原始VNF实例； S2、 采用基于注意力机制的 CNN‑LSTM方法预测原始VNF 实例的时序数据流的 流量大小， 从而预测未来原始VNF实例的流量负 载； S3、 通过监测原始VNF实例的流量负载， 触发 VNF缩放事件； S4、 监听VNF缩放事件， 当VNF缩放 事件触发时， 创建新VNF实例； S5、 根据时序数据 流的流量大小指定待迁移的时序数据流； S6、 将 指定的时序数据流 以及与指定的时序数据流相 对应的数据流状态迁移至新VNF实例； 本发明实 现了在VNF实例的数据流迁移过程中的网络 数据 流级别的SLA保证和高效的资源利用。 权利要求书2页 说明书8页 附图3页 CN 114401194 A 2022.04.26 CN 114401194 A 1.一种支持网络功能虚拟化的动态扩展方法， 其特 征在于： 包括如下步骤， S1、 基于网络功能虚拟化架构， 创建原 始VNF实例； S2、 根据所述原 始VNF实例的流 量负载触发VNF缩放事 件； S3、 监听所述VNF缩放事 件， 当所述VNF缩放事 件触发时， 创建新VNF实例； S4、 采用基于注意力机制的CNN ‑LSTM方法预测所述原始VNF实例的时序数据流的未来 流量大小， 并根据所述原始V NF实例的时序数据流的未来流量大小 预测所述原始V NF实例的 未来流量负载； S5、 根据所述原始VNF实例的时序数据流的未来流量负载， 在所述原始VNF实例中指定 待迁移的时序数据流； S6、 将所述原始VNF实例中待迁移的时序数据流以及与待迁移的所述时序数据流相对 应的数据流状态迁移至所述 新VNF实例。 2.根据权利要求1所述的支持网络功能虚拟化的动态扩展方法， 其特征在于： 根据 所述 原始VNF实例的流 量负载触发VNF缩放事 件， 具体包括如下步骤， S10、 建立环形缓冲器以及队列监视器， 并为所述队列监视器设置队列大小阀值； S20、 将所述原始VNF实例的时序数据流直接存入所述环形缓冲器， 得到数据流缓存队 列； S30、 利用所述队列监视器监视所述数据流缓存队列大小， 当所述数据流缓存队列大小 超过所述队列监视器的所述队列大小阀值时， 触发所述VNF缩放事 件。 3.根据权利要求1所述的支持网络功能虚拟化的动态扩展方法， 其特征在于： 采用基于 注意力机制的CNN ‑LSTM方法预测所述原始VNF实例的时序数据流的流量大小的方法包括如 下步骤， S101、 建立基于注意力机制的CN N‑LSTM模型； S102、 采集原始VNF实例的时序数据流， 并对所述原始VNF实例的时序数据流的带宽时 间序列进行 预处理， 得到预处 理序列数据； S103、 将所述预处 理序列数据输入至所述CN N‑LSTM模型中； S104、 利用所述预处 理序列数据训练所述CN N‑LSTM模型， 得到 CNN‑LSTM训练模型； S105、 将所述原始VNF实例的时序数据 流输入所述CNN ‑LSTM训练模型， 得到预测未来流 量带宽的时间序列的预测结果； S106、 根据所述CNN ‑LSTM训练模型的预测结果来计算所述原始VNF实例在未来流量带 宽的时间序列下的数据流 量大小。 4.根据权利要求1所述的支持网络功能虚拟化的动态扩展方法， 其特征在于： 在所述原 始VNF实例中指 定待迁移的时序数据流的方法具体为， 采用模拟退火算法在所述原始V NF实 例中指定待迁移的时序数据流。 5.一种支持网络功能虚拟化的动态扩展平台， 其特 征在于： 包括以下模块， 原始VNF实例创建模块， 其用于基于网络功能虚拟化架构， 创建原 始VNF实例； VNF缩放事 件触发模块， 其用于根据所述原 始VNF实例的流 量负载触发VNF缩放事 件； VNF缩放事件监听及新VNF实例创建模块， 其用于监听所述VNF缩放事件， 当所述VNF缩 放事件触发时， 创建新VNF实例； 未来流量负载预测模块， 其用于采用基于注意力机制的CNN ‑LSTM方法预测所述原始权　利　要　求　书 1/2 页 2 CN 114401194 A 2VNF实例的时序数据流的未来流量大小， 并根据所述原始V NF实例的时序数据流的未来流量 大小预测所述原 始VNF实例的未来 流量负载； 待迁移时序数据流指定模块， 其用于根据所述原始VNF实例的时序数据流的未来流量 负载， 在所述原 始VNF实例中指定待迁移的时序数据流； 迁移模块， 其用于将所述原始VNF实例中待迁移的时序数据流以及与待迁移的所述时 序数据流相对应的数据流状态迁移至所述 新VNF实例。 6.根据权利要求5所述的支持网络功能虚拟化的动态扩展平台， 其特征在于： 所述VNF 缩放事件触发模块具体用于 建立环形缓冲器以及队列监视器， 并为所述队列监视器设置队 列大小阀值； 将所述原始V NF实例的时序数据流直接存入 所述环形缓冲器， 得到数据流缓存 队列； 利用所述队列监视器监视所述数据流缓存队列大小， 当所述数据流缓存队列大小超 过所述队列监视器的所述队列大小阀值时， 触发所述VNF缩放事 件。 7.根据权利要求5所述的支持网络功能虚拟化的动态扩展平台， 其特征在于： 所述未来 流量负载预测模块具体用于， 建立基于注 意力机制的CNN ‑LSTM模型； 采集原始V NF实例的时 序数据流， 并对 所述原始V NF实例的时序数据流的带宽时间序列进 行预处理， 得到预 处理序 列数据； 将所述预处理序列数据输入至所述CNN ‑LSTM模型中； 利用所述预处理序列数据训 练所述CNN ‑LSTM模型， 得到CNN ‑LSTM训练模型； 将所述原始VNF实例的时序数据流输入所述 CNN‑LSTM训练模型， 得到预测未来流量带宽的时间序列的预测结果； 根据所述CNN ‑LSTM训 练模型的预测结果来计算所述原始VNF实例在未来流量带宽的时间序列下的数据流量大 小， 并根据所述原始VNF实例在未来流量带宽的时间序列下的数据流量大小预测所述原始 VNF实例的未来 流量负载。 8.根据权利要求5所述的支持网络功能虚拟化的动态扩展平台， 其特征在于： 所述待迁 移时序数据流指 定模块具体用于， 根据所述原始V NF实例的时序数据流的未来流量负载， 采 用模拟退火算法在所述原 始VNF实例中指定待迁移的时序数据流。 9.根据权利要求5所述的支持网络功能虚拟化的动态扩展平台， 其特征在于： 所述迁移 模块具体用于， 将所述原始VNF实例中待迁移的时序数据流以及与待迁移的所述时序数据 流相对应的数据流状态迁移至所述 新VNF实例， 并修改对应的交换机中的流表。 10.一种计算机， 其特征在于： 包括处理器和存储器， 所述存储器存储有计算机程序， 所 述计算机程序被所述处理器执行时实现如权利要求1至4任一项所述的支持网络功 能虚拟 化的动态扩展方法。权　利　要　求　书 2/2 页 3 CN 114401194 A 3