(19)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 202210755831.4 (22)申请日 2022.06.30 (71)申请人 中国人民解 放军空军工程大 学 地址 710038 陕西省西安市霸桥区长乐 东 路甲字1号 (72)发明人 翟东　孟相如　康巧燕　孟庆微　 庄绪春　 (74)专利代理 机构 西安凯多 思知识产权代理事 务所(普通 合伙) 61290 专利代理师 刘新琼 (51)Int.Cl. G06F 11/07(2006.01) G06F 9/48(2006.01) G06F 9/50(2006.01) G06N 3/00(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于故障预测的服 务功能链迁移方法 (57)摘要 本发明涉及一种基于故障预测的服务功能 链迁移方法， 首先采用长短时记忆网络对硬件故 障进行预测， 同时采用模拟退火粒子群算法优化 每层LSTM的神经元数量和时间 窗长度， 提出了基 于改进型LS TM的故障预测方法， 即PMILS TM方法。 其次， 将混沌、 反向学习、 动态权重因子以及变异 操作引入到麻雀搜索算法中， 提出了改进型的麻 雀搜索算法， 即ISSA 。 最后， 将改进型的麻雀 搜索 算法应用SFC迁移方法中， 提出了基于ISSA的服 务功能链迁移方法， 即MMISSA方法。 MMISSA方法 同时考虑了故障节点上所有VNF的迁移服务器节 点， 适应值函数同时考虑了迁移开销进而迁移时 间。 因此， MMISSA方法有效地提高了迁移成功率， 降低了迁移开销和迁移时间。 权利要求书1页 说明书12页 附图11页 CN 115145757 A 2022.10.04 CN 115145757 A 1.一种基于故障预测的服 务功能链迁移方法， 其特 征在于步骤如下： 步骤1： 采用LSTM神经网络来预测硬件故障， 采用SAPSO算法来优化每层LSTM 的神经元 数量以及时间窗长度， 即PMILSM方法； 根据预测结果判断服务器节点上的VNF是否需要迁 移， 即如果 服务节点将要发生故障， 该服 务器节点所承载的所有VNF都需要被迁移； 步骤2： 根据CPU资源约束、 存储资源约束和承载能力约束获得候选迁移服务器节点集 合； 采用改进型 的麻雀搜索算法同时为待迁移VNF在候选迁移服务器节点集合中选择最优 的迁移服 务器节点。 2.根据权利要求1所述的一种基于故障预测的服务功能链迁移方法， 其特征在于所述 步骤1中PMI LSM方法具体如下： 输入： 初始化迭代 次数Ni和学习因子α1、 α2， 初始化时间窗长度以及每层LSTM神经元数 量作为粒子， SMART属性 值 输出： 故障预测结果 (1)训练LSTM模型， 计算初始适应度值； (2)使用SAP SO算法更新粒子的全局最优位置； (3)获得最优的时间窗长度以及每层LSTM神经 元数量； (4)使用步骤(3)获得的参数 更新LSTM模型； (5)使用训练数据训练LSTM模型以及门限值； (6)输入SAMRT属性 值， 通过训练后的LSTM模型 预测硬件驱动故障。 3.根据权利要求1所述的一种基于故障预测的服务功能链迁移方法， 其特征在于所述 步骤2中改进型的麻雀搜索算法： 步骤21： 初始化 参数， 将即将故障服 务器节点承载的VNF 数量值设为搜索空间的维度； 步骤22： 使用生产者、 追随者和警戒者的位置更新函数来更新生产者、 追随者和警戒者 的位置， 计算 适应度值； 步骤23： 判断是否满足迭代停止条件， 如果不满足， 则继续迭代； 如果满足， 则将最优位 置输出， 即为 这些VNF的迁移服 务器节点。 4.一种计算机系统， 其特征在于包括： 一个或多个处理器， 计算机可读存储介质， 用于 存储一个或多个程序， 其中， 当所述一个或多个程序被所述一个或多个处理器执行时， 使得 所述一个或多个处 理器实现权利要求1所述的方法。 5.一种计算机可读存储介质， 其特征在于存储有计算机可执行指令， 所述指令在被执 行时用于实现权利要求1所述的方法。权　利　要　求　书 1/1 页 2 CN 115145757 A 2基于故障预测的服务功能链 迁移方法 技术领域 [0001]本发明属于网络功能虚拟化领域， 涉及一种基于故障预测的服务功能链迁移方 法， 包括改进型 的长短时记忆网络、 改进型 的麻雀搜索算法以及基于改进型麻雀搜索算法 的服务功能链迁移方法。 背景技术 [0002]文献“J.Shen,J.Wan,S.Lim,L.Yu.Random ‑forest‑based failure prediction   for hard disk drives”针对硬件容易发生故障的问题， 提出了随机森 林的故障预测方法, 即RFBP方法。 文献 “A.Santo,A.Galli,M.Gravina,V.Moscato,G.Sperli.Deep  learning   for HDD health assessment:an  application  based on LSTM”针对硬件 容易发生故障的 问题， 提出了基于长短时记忆网络的故障预测方法， 即LSTMP方法。 文献3 “J.Xue, B.Shen.Anovel  swarm intelligence  optimization  approach:sparrow  search  algorithm”提出了麻雀搜索算法(SSA)， 相比于其他群智能优化算法， 麻雀优化算法具有更 强的全局优化能力以及更快的搜索速度。 但是到了迭代后期， 随着种群数量减少， 麻雀搜索 算法也容易陷入局部最优。 文献 “S.Zhou,H.Xie,C.Zhang,Y.Hua,W.Zhang,Q.Chen,G.Gu, X.Sui.Wavefront ‑shaping  focusing  based on a modified  sparrow  search  algorithm ”将交叉变异操作引入到了麻雀搜索算法中， 即MSSA， 从而提高麻雀搜索算法的 全局优化能力。 文献 “Y.Zhu,N.Yousefi.Optimal  parameter  identification  of PEMFC  stacks using adaptive  sparrow search algorithm ”将自适应学习因子引入到了发现 者、 追随者、 警戒者的位置更新函数中， 即ASSA， 从而提高麻雀搜索算法的全局优化能力。 文 献“D.Zhao,G.Sun,D.Liao,S.Xu,V.Chang.Mobile ‑aware service function  chain  migration  in cloud‑fog computing ”针对服务功能链(serv ice function  chain,SFC)的 迁移问题， 提出了两阶段的SFC方法， 即SFCTSM方法。 SFCTSM方法首先迁移最小数量的虚拟 网络功能(virtual  network function， VNF)， 从而快速恢 复服务。 然后再迁移其他VNF， 从 而降低底层资源 开销。 文献 “B.Yi,X.Wang,M.Huang,K.Li.Design  and implementation  of  network‑aware VNF migration  mechanism”针对服务功能链的迁移问题， 提出了基于节点 感知的VNF迁移方法， 即NAVMM。 NAVMM方法优先迁移具有最低迁移开销的VNF， 一直重复这个 过程， 直到没有过 载节点存在。 但目前仍存在以下问题： [0003](1)针对硬件故障， 为了更好的对相应的服务进行迁移和保护， 故障预测方法的性 能仍需进一 步提高。 [0004](2)麻雀算法在迭代后期容易陷入局部最优， 为了更好地将麻雀搜索算法应用到 实际问题中， 麻雀算法的全局优化能力仍需进一 步提高。 [0005](3)针对即将发生硬件故障的服务器节点， 部署在这个服务器节点上的所有VNF都 需要迁移。 这些V NF可能属于不同的SFCs， 这将会使SFC迁移问题更加复杂。 为了更加合理地 使用底层资源以及提高相对应SFCs的迁移性能， 这些V NF的迁移节 点需要同时考虑。 现有的 SFC迁移方法一次只考虑一个VNF的迁移节点， 针对硬件故障， 现有的迁移方法会降低迁移说　明　书 1/12 页 3 CN 115145757 A 3