用于DRL驱动和可重构SFC供应解决方案基准测试与性能评估的新型现实平台

服务功能链（SFC）供应是5G及未来网络领域的一项关键技术。其本质在于针对不同类型的SFC请求，按指定顺序编排VNF（虚拟网络功能）。高效的SFC供应需要快速、可靠且自动化的VNF放置，尤其是在产生大量具有超可靠低延迟通信（URLLC）需求的SFC请求的网络中。尽管该领域已有大量研究，包括基于人工智能（AI）和机器学习（ML）的解决方案，但本文提出了一种先进的基于深度强化学习（DRL）的SFC供应仿真模型，该模型展示了一个现实环境。所提出的仿真平台能够处理大量异构的SFC请求，这些请求在VNF链、带宽和延迟约束方面具有不同特征。此外，该模型可灵活应用于具有不同数据中心（DC）数量、DC间逻辑连接和服务需求的网络配置。详细描述了仿真模型组件以及SFC请求中VNF处理的工作流程。数值结果表明，使用此仿真设置和所提出的算法，可以实现现实的SFC供应，在最小化端到端延迟和资源消耗的同时，获得最优的SFC接受率。