ONAP架构:自动化平台应对通信运营商挑战与解决方案

需积分: 14 16 下载量 27 浏览量 更新于2024-07-16 收藏 2.07MB PDF 举报
ONAP架构概述 ONAP全称为Open Network Automation Platform(开放网络自动化平台),是一个由电信运营商、云服务提供商以及相关方案提供商共同推动的项目,旨在解决在数字化转型过程中面临的挑战。随着需求的增长,ONAP的目标是创建一个通用的自动化平台,帮助运营商提供差异化的、按需定制的网络服务,尤其是在SDN(Software-Defined Networking,软件定义网络)和NFV(Network Functions Virtualization,网络功能虚拟化)技术的支持下。 核心挑战在于人工调整的规模化和高成本,这涉及到从数据中心扩展到客户端设备的各种任务。通过标准化的TOSCA(Topology and Orchestration Specification for Cloud Applications)数据模型,ONAP提供了统一、开放且可互操作的北向REST接口,支持YANG和TOSCA,从而提升了业务敏捷性。ONAP的模块化和分层设计强化了不同组件之间的交互性和集成简易性,它能无缝连接多个VIM(Virtual Infrastructure Managers,虚拟基础设施管理者)、VNFM(Virtual Network Function Manager,虚拟网络功能管理器)、SDN控制器以及传统的网络设备,以支持多租户的虚拟网络功能(VNF)部署。 ONAP的核心价值在于其闭环流程能力,允许最终用户和网络/云服务提供商动态地协同创建和管理网元及服务。这个平台强调三个方面的需求: 1. **设计与规范框架**:ONAP提供了一个健壮的设计框架,用于规范化业务的各个方面,包括资源建模、关系管理以及业务策略规则的制定,确保业务的稳定性和弹性。 2. **流程与策略驱动的编排与控制**:ONAP的业务编排器和控制器支持自动化业务实例化,具备根据业务需求进行灵活调整的能力,实现了业务流程的高效管理。 3. **分析与监控框架**:通过深入分析设计、策略和执行情况,ONAP框架能够实时监控业务生命周期,确保业务质量,并响应事件驱动的实时操作。 随着ONAP的持续发展,特别是其第四版的发布,该平台不仅优化了运营商的物理和虚拟基础设施,降低了资产投入和运营成本,还降低了设备集成的复杂性,促进了业务的创新。ONAP通过标准化和整合,极大地减少了网络管理的碎片化问题,提升了整体的运营效率和用户体验。

def define_gan(self): self.generator_aux=Generator(self.hidden_dim).build(input_shape=(self.seq_len, self.n_seq)) self.supervisor=Supervisor(self.hidden_dim).build(input_shape=(self.hidden_dim, self.hidden_dim)) self.discriminator=Discriminator(self.hidden_dim).build(input_shape=(self.hidden_dim, self.hidden_dim)) self.recovery = Recovery(self.hidden_dim, self.n_seq).build(input_shape=(self.hidden_dim, self.hidden_dim)) self.embedder = Embedder(self.hidden_dim).build(input_shape=(self.seq_len, self.n_seq)) X = Input(shape=[self.seq_len, self.n_seq], batch_size=self.batch_size, name='RealData') Z = Input(shape=[self.seq_len, self.n_seq], batch_size=self.batch_size, name='RandomNoise') # AutoEncoder H = self.embedder(X) X_tilde = self.recovery(H) self.autoencoder = Model(inputs=X, outputs=X_tilde) # Adversarial Supervise Architecture E_Hat = self.generator_aux(Z) H_hat = self.supervisor(E_Hat) Y_fake = self.discriminator(H_hat) self.adversarial_supervised = Model(inputs=Z, outputs=Y_fake, name='AdversarialSupervised') # Adversarial architecture in latent space Y_fake_e = self.discriminator(E_Hat) self.adversarial_embedded = Model(inputs=Z, outputs=Y_fake_e, name='AdversarialEmbedded') #Synthetic data generation X_hat = self.recovery(H_hat) self.generator = Model(inputs=Z, outputs=X_hat, name='FinalGenerator') # Final discriminator model Y_real = self.discriminator(H) self.discriminator_model = Model(inputs=X, outputs=Y_real, name="RealDiscriminator") # Loss functions self._mse=MeanSquaredError() self._bce=BinaryCrossentropy()

2023-07-12 上传