[Paper] 同步遗传进化神经网络用于最优SFC嵌入

Source: arXiv - 2512.09318v1

概览

本文提出了 GENESIS，一种新颖的遗传算法框架，能够同时解决服务功能链（SFC）嵌入的三个相互关联的子问题：链路组合、虚拟网络功能（VNF）放置以及链路路由。通过进化三个正弦函数激活的神经网络，其输出再喂给基于高斯分布的选择器和 A* 路径搜索器，GENESIS 在广泛的数据中心场景中实现了最优嵌入——在解的质量和运行时间上均优于现有的 GA 与贪心基线。

主要贡献

• 统一优化 所有三个 SFC 子问题（组合、VNF 放置、链路路由），在同一个进化循环中完成。
• 神经进化设计：共同进化的三个正弦激活神经网络，为复杂的放置决策提供了丰富的非线性决策面。
• 混合决策流水线：网络输出被转换为高斯分布进行概率选择，然后由 A* 算法细化为最短路径链路嵌入。
• 大量实证评估：在 48 种真实数据中心拓扑上进行测试，展示了 100 % 的最优率以及比最强竞争 GA 提升 2 倍的速度。
• 开源实现（基于仿真器），可直接接入现有 NFV 编排栈，支持可重复的研究工作。

方法论

1. 编码 – GA 种群中的每个个体编码三个神经网络（对应每个子问题）。这些网络以拓扑、资源和流量描述为输入，输出候选 VNF 或链路的得分。
2. 正弦激活 – 作者使用正弦函数作为激活函数，而非传统的 ReLU 或 sigmoid 单元，正弦激活提供周期性和更平滑的梯度，有助于探索组合搜索空间。
3. 适应度评估 – 原始网络得分首先映射到高斯概率分布；概率更高的候选被送入 A* 最短路径例程完成链路嵌入。整体适应度综合三项指标：(i) 链路可行性，(ii) 资源利用率，(iii) 端到端时延。
4. 遗传算子 – 在三个网络的权重矩阵层面执行标准的交叉与变异，保持子问题之间的协同适配解。
5. 终止条件 – 当达到固定代数或适应度不再提升时停止算法，返回适应度最高的个体作为 SFC 嵌入方案。

结果与发现

• 解的质量：GENESIS 在所有测试用例中均找到可行且成本最优的嵌入，而最强竞争 GA 仅在 71 % 的案例中成功。
• 速度：尽管加入了神经网络评估，GENESIS 仍比第二佳 GA 快约两倍，这归功于高斯引导的选择提前缩小了搜索空间。
• 可扩展性：在 VNFs 数量（10–50）和链路密度变化下性能保持稳定，表明对真实数据中心规模的鲁棒性。

实际意义

• NFV 编排器 可以将 GENESIS 接入其放置引擎，以获得更高质量的 SFC 部署，同时不产生过高的计算开销。
• 降低运营支出：最优的 VNF 放置直接减少带宽和计算资源的浪费，对大规模云服务提供商和电信运营商尤为关键。
• 更快的部署：不足 15 分钟的运行时间使 GENESIS 适用于近实时的弹性决策（例如在流量高峰期间自动扩展防火墙或负载均衡器）。
• 可扩展性：由于方法与模型无关，开发者可以用其他可微分模块（如图神经网络）替换正弦激活网络，以加入能耗或安全策略等额外约束。

局限性与未来工作

• 仅仿真验证：结果基于模拟数据中心环境，真实部署可能会出现仿真器未捕获的时延开销。
• 固定规模网络：当前设计使用固定的三网络架构，面对极大规模拓扑时可能需要层次化或模块化的网络结构。
• 参数敏感性：高斯选择带宽和变异率是经验调优得到的，自动化超参数搜索或可进一步提升鲁棒性。
• 作者提出的未来方向 包括 (i) 在 GA 收敛后加入强化学习微调，(ii) 将框架扩展至多域（跨数据中心）SFC 嵌入，(iii) 为主流 NFV MANO 平台（如 OpenStack‑Tacker、ONAP）开源生产级插件。

作者

• Theviyanthan Krishnamohan
• Lauritz Thamsen
• Paul Harvey

论文信息

• arXiv ID: 2512.09318v1
• 分类: cs.NE, cs.AI
• 发表时间: 2025 年 12 月 10 日
• PDF: Download PDF