0 引言

在能源互联网建设背景下，高比例新能源的接入促使碳足迹监测、精准负荷调控、需求响应等一系列新兴业务产生[1-4]，这些业务对通信网络性能提出更高要求。作为电网调度、运营的专用通信网络，能源互联网通信体系支撑各类电网业务数据传输，保障电网安全稳定运行。然而，现有通信网软硬件高度耦合，网络功能的实现需要专用的网元设备，导致通信网资源调度困难，难以满足多类型能源互联网业务服务质量（quality of service，QoS）需求[5-6]。因此，如何对通信网资源进行合理编排，保障能源互联网业务差异化QoS需求成为亟待解决的问题。

软件定义网络（software-defined network，SDN）和网络功能虚拟化（network function virtualization，NFV）为通信网资源智能编排提供了有效解决方案[7-9]。SDN将通信网的控制和数据转发功能分离，实现网络的集中控制和管理[10-11]。NFV将网络解耦为硬件单元和多样化的虚拟化网络功能（virtualized network function，VNF），通过动态部署VNF实现网络资源的智能编排[12-13]。在能源互联网场景中，分布式能源调控、智能电网监控、电动车充电、电力市场交易等业务通常对网络资源编排的灵活性、实时性要求较高，需要应用SDN的控制与转发分离、管理与控制分离和网络切片管理和NFV的网络设备虚拟化、动态能源服务编排等功能。其中，SDN可以将网络控制功能与转发功能分离，把网络控制逻辑集中到一个中心化的SDN控制器，实现网络资源的统一管理和智能编排；NFV将网络功能从传统的硬件中解耦，转化为软件，实现了网络功能的灵活性和可编程性，SDN和NFV可根据不同业务需求提供灵活的网络资源安全编排策略，动态调整网络带宽、计算和存储资源分配，以提高能源互联网业务的QoS。在NFV场景中，SDN控制器将多维网络资源整合为虚拟资源池，根据能源互联网业务网络需求将资源池中的VNF嵌入网络节点，一系列预定义顺序配置的VNF形成服务功能链（service function chain，SFC），能源互联网业务数据按顺序流经SFC完成处理[14]。

如何解决能源互联网业务的SFC部署问题是SDN和NFV通信网资源智能编排的核心 [15-16]。SDN需要通过流调度为不同业务选择SFC，以保障业务可靠性、时延等QoS需求。文献[17]从通信网和公共通信网融合的角度出发，将SFC部署问题描述为一个二进制整数规划问题，并提出基于最小生成树SFC编排算法优化业务时延性能。文献[18]考虑业务流量拥塞和业务时延性能，提出一种基于多目标遗传的业务流调度算法进行网络资源编排。文献[19]将业务时延和业务带宽作为优化目标，采用全局贪婪算法迭代部署业务SFC。文献[17]主要针对电力通信业务开展电力网和通信网融合的时延优化研究，通过部署服务功能子链优化时延；文献[18]仅针对业务带宽需求提出4种遗传算法，以减少总带宽消耗和最大链路利用率；文献[19]主要优化VNF链组成、VNF转发图嵌入和VNF调度3个步骤。然而，上述文献仅考虑了某个网络或单个场景业务下的QoS需求，若引入多目标决策，则会导致算法的复杂度大幅提升，易陷入局部最优而无法兼顾差异化业务需求与多类型网络资源的协同。结合能源互联网业务涉及到能源、信息、通信等多场景，及对网络资源编排实时性和可靠性的严苛要求，当前通信网资源智能编排仍面临以下挑战。

首先，在新型电力系统构建背景下通信网多类型业务并发，每种业务在时延、可靠性方面具有不同要求，通信网络资源编排应实时感知业务差异化需求，保障不同类型能源互联网业务的协调稳定运行。其次，多节点能源互联网业务的路径、带宽决策相互耦合，造成通信网业务资源编排复杂度随业务数量的增加指数上升，使原问题成为NP-Hard问题。最后，在通信网络资源受限前提下，多能源互联网业务请求之间的资源分配相互影响且互为冲突，即当多个节点业务请求选择同一个VNF或者链路时，每个业务调用的计算、通信资源减少，造成业务QoS下降。

匹配理论通过在匹配双方之间建立稳定的匹配关系，能够有效解决多主体之间的决策冲突问题。文献[20]采用基于升价匹配的VNF嵌入算法进行SFC部署，有效避免了不同VNF嵌入决策的冲突问题。文献[21]利用转移匹配算法进行异构网络资源的分配，解决不同用户之间的频谱资源分配冲突问题。然而，如何将匹配算法与业务差异化需求感知相结合，在保障通信网多类型业务需求的基础上合理分配网络资源，成为提升能源互联网通信网资源编排智能化水平面临的重要挑战[22]。

本文提出面向能源互联网环境的通信网资源智能编排技术。首先，构建通信网资源智能编排架构，基于NFV技术将网络资源抽象为VNF，利用SDN控制器进行网络资源和业务路由智能编排；其次，分析能源互联网业务的差异化时延与可靠性需求，建立以保障不同类型业务需求为目的的优化问题；最后，提出一种基于自适应匹配的通信网资源智能编排算法，将原问题转化为业务请求、SFC、和带宽选择的三维匹配问题，通过资源块聚合降低匹配维度，并采用升价匹配算法进行问题求解。

1 模型构建

1.1 系统模型

能源互联网业务中NFV通过部署虚拟化软件平台，对通信、计算、存储等资源进行统一管理，实现按需分配，提升网络资源智能化编排效率。图1表示面向能源互联网的通信网资源智能编排架构，包括数据平面、控制平面和应用平面。其中，数据平面将各种电网的设备数据接入到通信网中，利用NFV技术将设备和服务器的通信、计算和存储资源抽象为一个统一的虚拟资源池，通过对虚拟资源灵活部署形成VNF，并嵌入到网络节点中。不同的VNF按照特定顺序排列形成SFC，每个业务结合自身特点通过相应SFC对业务数据进行处理。控制平面通过网络控制器感知差异化业务需求，并进行网络资源的智能化编排，保障不同业务协调平稳运行。应用平面支撑新型能源互联网业务的开展，将业务数据流程分解为不同环节并与相应的VNF进行匹配。

图1 面向能源互联网的通信网资源智能编排架构
Fig.1 Energy Internet-oriented intelligent resource orchestration architecture for communication network

1.2 网络模型

本文将面向能源互联网的通信网表示为G =(V , E)，其中：V 是网络节点集合，表示为V ={V 1, … , Vi,…,VI} ； E 是链路集合， 表示为Ε ={Ei , j|∀Vi ,V j ∈V }。一部分网络节点嵌入VNF，可同时提供业务数据处理和数据转发服务；另一部分网络节点中没有嵌入VNF，只能提供数据转发服务。网络中能源互联网业务请求集合表示为S={S 1,…, Sm,…,S M}，每个业务所需处理的数据量用Am ( t)表示。假设每个业务请求的SFC中VNF的总数为X，且任一VNF集合表示为Cx ={C 1, … ,Cx}，则对于每个业务请求而言，备选的SFC路径共有条，即

对于每个SFC路径，VNFx到VNFx+1之间的链路均为采用Dijkstra算法生成的最短路径。同时定义路径指示变量为αm ,n ( t ) ∈{0,1 }，αm ,n ( t ) =1 表示Sm选择Rm ,n 处理业务数据，否则αm ,n ( t ) =0 。由于业务的不可分割性，每个业务每个时隙至多选择一条路径，即αm , n( t ) ≤1。

1.3 时延模型

每个能源互联网业务请求时延包括传输时延和处理时延，为简化模型，假设业务请求在经过不同的VNF后数据量不变。其中，传输时延与节点间分配的链路带宽有关，可表示为

式中：Am(t)表示业务请求到达数据量；Dm , n表示SFC路径Rm , n需要经过的网络节点数量；Bm , n(t )表示时隙t内分配给路径Rm , n的链路带宽。其中带宽采用梯度化分配方式，假设链路总带宽为KB0，则Bm ,n(t )={ kB0}，k=1,… ,K。

由于网络中总带宽资源有限，因此能源互联网业务请求路径的选择应满足总带宽约束，即

式中：B ( Ei ,j,{αm ,n(t )} ,B{αm ,n(t )})表示当前路径选择与带宽分配决策情况时链路Ei , j使用带宽大小。

每个能源互联网业务请求的处理时延大小为SFC上所有VNF处理时延的总和，即

式中：λm表示Sm数据的计算复杂度；fm , n , x( t)表示SFC路径Rm , n上VNFx提供的计算资源。考虑到VNFx的并行处理能力限制，每个时隙可至多同时为Hx个能源互联网业务请求提供数据处理服务，因此fm , n , x(t )=f x(t )Hx ，f x( t)表示当前时隙内VNFx能提供的总计算资源。各个业务请求路径选择完成后，应当满足所有VNF的配额约束，即

式中：H(x,{αm , n( t)})表示当前路径选择决策情况下VNFx被占用的配额数量。

因此，每个能源互联网业务请求总时延为

在通信网实际运行过程中，不同业务对于时延有差异性需求，如果业务数据处理时延超过上限，导致业务响应超时，会影响电网的安全稳定运行。因此，构建能源互联网业务请求总时延约束，即

式中：τm,max表示能源互联网业务请求Sm的时延上限。

1.4 可靠性模型

由于通信网络硬件故障以及部署环境电磁干扰复杂的特点，网络节点在转发能源互联网业务数据时容易产生丢包或者误码现象，造成业务可靠性下降。本文定义每个网络节点的业务损失概率为pi(t)，则业务请求Sm选择路径Rm,n时对应的业务可靠性为

在通信网实际运行过程中，不同业务对于可靠性有差异化需求，构建能源互联网业务请求可靠性约束，即

式中：Pm,min表示能源互联网业务请求Sm的可靠性阈值，一般来说，精准负荷调控等可靠性敏感业务的可靠性阈值高于电能数据采集等一般业务。

1.5 问题建模

本文旨在通过对通信网通信和计算资源的智能化编排保障业务的差异化时延和可靠性需求，因此将网络资源编排问题构建为最小化能源互联网业务请求时延和可靠性加权差，即

式中：ωm用于衡量业务对于时延和可靠性的差异化性能需求，分为时延敏感业务、可靠性敏感业务、一般业务3类；C1为路径选择指示变量约束，表示一个能源互联网业务请求选择一条路径进行业务数据的处理与转发；C2表示能源互联网业务路径选择应满足电力网络链路的总带宽约束；C3表示满足所有VNF同时处理的能源互联网业务数量不能超过其配额；C4表示业务总时延约束；C5表示业务可靠性约束。

2 基于自适应匹配的通信网资源智能编排技术

优化问题P1涉及到能源互联网业务请求和网络资源之间的相互选择，由于VNF配额和网络总带宽的限制以及业务差异化需求的影响，该问题难以采用传统凸优化方法进行求解。而匹配理论通过分析多个参与者之间的竞争行为，可以实现多业务资源协同并获得最优组合关系。基于匹配理论，将优化问题P1转化为能源互联网业务请求、路径、链路带宽之间的三维匹配问题。每个业务请求根据自身的需求选择路径和链路带宽支撑高效业务数据传输与处理。三维匹配的求解复杂度较高，因此，进一步将路径和链路带宽进行资源编排聚合，定义资源块为SFC路径Rm,n和请求带宽kB0的组合，将原问题化简为业务请求与资源块之间的二维一对一匹配博弈问题。定义匹配决策变量为βm , n ,k ( t ) ∈{0,1 }，其中βm , n ,k ( t ) =1 表示业务请求Sm选择路径Rm,n与带宽kB0进行业务数据的处理和转发，否则βm , n ,k ( t ) =0 。在每个时隙，每个能源互联网业务请求只能选择1个资源块，即

基于上述定义，提出一种基于自适应匹配的通信网资源编排算法。一方面，基于不同类型业务的时延、可靠性需求构建偏好列表，保证不同类型业务的差异化需求得到满足。另一方面，采用升价匹配方法来解决资源竞争冲突。所提算法包含初始化、偏好列表构建、竞价匹配、决策执行4个阶段。具体实施步骤如下。

1） 初始化：定义未匹配的能源互联网业务请求集合为π，能源互联网业务选择资源块{Rm , n, k }的匹配成本为Ym , n , k(t )。每个时隙初，对于∀{Rm , n, k }、∀ Sm∈S，初始化变量Ym , n , k( t) = 0、βm , n , k( t ) = 0，初始化集合π =S。设置空集Ω用于存储发生匹配冲突的资源块。

2） 偏好列表构建：由于能源互联网业务请求更倾向于选择具有更低业务数据处理时延和更高可靠性的资源块进行数据处理。因此将能源互联网业务请求Sm对资源块{Rm , n, k}的偏好定义为

式中：Ym , n , k(t )表示将资源块{Rm , n, k}匹配给能源互联网业务请求Sm的虚拟成本，其初始值为0。每个能源互联网业务请求Sm基于Zm , n , k(t )的大小将候选的资源块进行降序排列，从而构造偏好列表Lm (t )。

3）竞价匹配：基于Lm (t )，每个能源互联网业务向具有最大偏好值Zm , n , k(t )的资源块{Rm , n, k}发出匹配请求。若{Rm , n, k}中存在链路带宽请求超过其上限KB0或VNF处理的能源互联网业务数量超过其配额Hx，将该资源块加入Ω。集合Ω中的资源块提升其匹配成本Ym , n , k(t)，即

式 中 ： ΔYm , n , k为 初 始 梯 度 成 本 增 量 ；τm,max/ωm Pm,min Am (t )用于实现业务差异化需求感知。对于业务数据量大，以及时延、可靠性需求严苛的业务，应当减少成本增量，从而确保其在资源竞争中处于有利地位。根据公式（ 13） 更新偏好值Zm,n,k(t)，根据更新后的偏好值进行偏好列表重构，重复执行步骤3），直到所有能源互联网业务请求都完成资源块匹配或满足所有资源块配额。每个能源互联网业务根据重构后的偏好列表向相应的资源块建立匹配关系，并更新匹配决策变量βm , n , k( t ) = 1。

4） 决策执行：所有Sm ∈ S根据{βm , n , k( t)}执行数据传输与处理决策。

3 仿真分析

3.1 仿真参数设置

本文所考虑的资源智能编排场景中通信网络拓扑结构如图2所示，网络采用基于STM-4的同步数字体系进行业务数据传输，共包含31个网络节点，3种VNF，每种VNF分别嵌入到4个不同的网络节点中。场景中共包含时延敏感型业务、可靠性敏感型业务、一般业务3种类型，每种业务需要依次经过3种VNF进行数据处理。时延敏感型业务优化目标中时延所占比重高，即ωm =20；可靠性敏感型业务优化目标中业务可靠性所占比重高，即ωm =200；一般业务对时延和可靠性需求均衡，即ωm =100。其余参数仿真设置如表1所示。

表1 仿真参数
Table 1 Simulation parameters

参数值参数值T 500 Hx5 B062.2 Mbit/sK10 p t i( )[0.3%, 0.8%]λm800 CPU cycles/bit f t x( )64 GHzA t m ,n ( )[0.2, 0.6] Mbit

图2 通信网络拓扑结构
Fig.2 Power communication network topology

在仿真实验中，本文将所提算法与2种具有启发性的资源编排算法进行对比：第1种为基于静态匹配的网络资源编排（fixed matching-based resource orchestration algorithm，FMRA）算法[23]，该算法竞价时仅通过初始梯度成本增量提高匹配成本；第2种为基于贪婪匹配的网络资源编排（greedy matching-based resource orchestration algorithm，GMRA）算法[24]，该算法不考虑匹配成本，能源互联网业务请求在满足配额约束情况下选择偏好值最大的资源块处理业务数据。此外，FMRA和GMRA均未考虑业务差异性需求对资源编排决策的影响。

3.2 仿真结果分析

图3展示了在资源块数量固定情况下平均业务处理时延随业务请求数量的变化情况。仿真结果表明，随着能源互联网业务请求数量的增加，GMRA平均业务处理时延上升速率最快，FMRA次之，所提算法最慢。在业务请求数量为30个时，与FMRA和GMRA相比，所提算法能够分别降低平均业务处理时延60.93%和73.34%。其原因在于所提算法在提升匹配成本时考虑业务差异化需求，能够使数据量大或时延敏感型业务获得较多网络资源。FMRA以固定步长提高匹配成本，容易对可靠性敏感型业务或一般业务分配较多的网络资源。GMRA未考虑业务之间资源竞争，导致部分业务请求可使用的资源块数量不足。

图3 平均业务处理时延随业务请求数量变化情况
Fig.3 Average service processing delay versus the number of service requests

图4展示了在资源块数量固定情况下平均业务可靠性随业务请求数量的变化情况。仿真结果表明，随着能源互联网业务请求数量的增加，GMRA平均业务可靠性下降最快，FMRA次之，所提算法最慢。在业务请求数量为30个时，所提算法与FMRA和GMRA相比能够分别提高平均业务可靠性39.93%和72.92%。其原因在于所提算法在构建偏好值列表时考虑业务差异化需求，使可靠性敏感型业务能够获取到业务损失概率最小的SFC路径，而FMRA将一部分业务损失概率小的路径分配给了时延敏感型业务或一般业务，GMRA未考虑业务资源竞争，导致部分业务只能请求到业务损失概率大的SFC路径。

图4 平均业务可靠性随业务请求数量变化情况
Fig.4 Average service reliability versus the number of service requests

图5展示了业务请求数量固定情况下平均业务拥塞率随资源块数量的变化情况。仿真结果表明，资源块数量越小业务竞争程度越剧烈，平均业务拥塞率越高。当资源块数量为1280时，所提算法与FMRA都可通过提高匹配成本解决业务竞争冲突，因此业务拥塞率相差不明显。当资源块少于640时，所提算法通过感知业务差异化需求缓解不同类型业务之间的资源竞争，表现出更好的优化性能。GMRA未能解决业务资源竞争问题，业务拥塞率始终最高。资源块数量为320时，所提算法相较于FMRA和GMRA能够分别降低平均业务拥塞率37.74%和46.03%。

图5 平均业务拥塞率随资源块数量变化情况
Fig.5 Average service congestion rate versus the number of resource blocks

图6和图7分别表示了3种算法对不同类型业务（时延敏感型业务、可靠性敏感型业务、一般业务）的时延和可靠性优化效果。仿真结果表明，对于时延敏感型业务，所提算法侧重于优化业务数据处理时延，并且对业务可靠性的优化效果与FMRA相差不明显。对于可靠性敏感型业务，所提算法侧重于优化业务可靠性，并且同时保证了业务时延的优化效果。其原因在于，所提算法通过调节参数ωm感知业务差异化需求，最大程度上缓解能源互联网业务请求资源竞争。对于时延敏感型业务，所提算法相较于FMRA和GMRA时延优化性能分别提升68.72%和77.23%。对于可靠性敏感型业务，所提算法相较于FMRA和GMRA可靠性优化性能分别提升48.65%和61.72%。

图6 不同类型业务的时延优化效果
Fig.6 Delay optimisation performance of different types of services

图7 不同类型业务的可靠性优化效果
Fig.7 Reliability optimization effect of different types of services

图8展示了3种算法计算复杂度与能源互联网业务请求数量的关系。所提算法与FMRA均通过提升匹配成本解决资源冲突，而所提算法通过感知业务差异化需求使不同类型业务资源冲突概率下降，同等条件下计算复杂度比FMRA低62.60%。与GMRA相比，所提算法在提高计算复杂度22.58%的同时，降低业务平均时延73.34%，提高业务平均可靠性72.92%。其原因在于所提算法通过竞价匹配和业务差异性需求感知能够实现更合理的网络资源分配。

图8 计算复杂度随业务请求数量变化
Fig.8 Calculation complexity versus the number of service requests

4 结论

针对能源互联网背景下通信网业务数据与计算需求的爆发式增长问题，本文引入SDN/NFV技术实现网络资源的虚拟化，并提出了面向能源互联网环境的通信网资源智能编排技术，实现基于能源互联网多业务差异化需求感知的通信网资源智能编排。相较于FMRA和GMRA，所提算法可通过资源智能编排方案的动态调整有效降低业务平均加权时延60.93%和73.34%，且可以通过业务差异化需求感知保障不同类型业务的实时、可靠处理，支撑电网安全稳定运行。未来研究中，将进一步考虑电网高频采集业务的发展以及电力系统信息安全的影响，研究更为安全高效的能源互联网通信支撑体系资源智能编排方案。