"基于IQGA-Viterbi算法的SDN服务功能链优化部署研究"

本文针对网络功能虚拟化(NFV)环境下现有的服务功能链部署方法无法在优化映射代价的同时保证服务路径时延的问题，提出了一种基于IQGA-Viterbi学习算法的服务功能链优化部署方法。在隐马尔可夫模型参数训练过程中，传统的Baum-Welch算法容易陷入局部最优，为解决此问题，本文改进了量子遗传算法并应用于模型参数的训练优化，通过等比例复制适应度最佳种群的方式，在每一迭代周期内保持可行解多样性和扩大空间搜索范围，进一步提高模型参数的精确度。在隐马尔可夫链求解过程中，利用Viterbi算法解决有向图网络中服务路径的优化选择问题。实验结果表明，所提出的IQGA-Viterbi学习算法相比于其他部署算法，能有效降低网络时延和映射代价的同时，提高了网络服务的请求接受率。本文的研究成果发表在《电子与信息学报》2019年第041期，共9页，关键词包括网络功能虚拟化、服务功能链部署、隐马尔可夫模型和量子遗传算法。 该研究的贡献在于针对NFV环境下服务功能链部署优化问题，提出了一种新的IQGA-Viterbi学习算法，通过改进量子遗传算法进行参数优化，以及利用Viterbi算法求解服务路径的优化选择问题。实验结果表明，该算法在降低网络时延和映射代价的同时，提高了网络服务的请求接受率。这对于优化NFV环境下的服务功能链部署具有重要的实际意义。 在方法上，本文通过量子遗传算法对隐马尔可夫模型参数进行训练优化，保持了可行解的多样性，扩大了搜索空间，提高了模型参数的精确度，有效地避免了传统Baum-Welch算法容易陷入局部最优的缺陷。同时，利用Viterbi算法精确求解隐含序列，在优化选择服务路径的问题上取得了较好的效果。 该研究的局限性在于实验数据和场景的局限性，需要在更多的真实网络环境中进行验证。未来的研究方向可以考虑结合深度学习算法，进一步优化服务功能链部署，提高网络的性能和服务质量。同时，也可以在其他网络虚拟化领域中应用IQGA-Viterbi学习算法，探索其更广泛的应用前景。 综上所述，本文提出了一种针对NFV环境下服务功能链部署的IQGA-Viterbi学习算法，在实验中取得了良好的效果，为优化网络时延和映射代价提供了新的思路和方法，具有一定的创新性和实际应用价值。希望该研究能为相关领域的学者和工程师提供借鉴和参考，推动NFV环境下网络功能虚拟化的发展与应用。