适用于电动汽车充换电网络的网络切片资源配置方法
技术领域
本发明涉及一种适用于电动汽车充换电网络的网络切片资源配置方法，属于网络切片技术领域。
背景技术
随着电动汽车市场规模的不断扩大，电动汽车智能车载终端技术的不断优化，电动汽车充换电网络除了需要为充电设备提供大规模机器类通信业务外，还需要针对电动汽车车载终端提供支持高移动性的通信业务。大规模机器类通信业务要求网络具有较高的通信设备接入密度，因此需要部署大量的传输网交换设备。而支持高移动性的通信业务则要求网络具备较低的切换时延，因此需要增强核心网中移动性管理实体对用户切换请求的计算处理能力。
其中，对于充电设备所需的大规模机器类通信业务而言，由于用户往往选择夜晚进行充电，期间需要充电设备与数据中心进行频繁的信令交互，因此其网络需求高峰期集中在夜间时段。其对网络的要求在于用户的接入密度，以及设备群需要支持海量连接的高可靠、低时延、安全性强的网络服务，只有通过在接入网内部署更多的微型基站与在传输网内建立更多的虚拟链路，并同步增加服务网关与基站间的虚拟以太网接口才可以满足充电设备网络切片的网络需求。
而对于电动汽车所需的支持高移动性的通信业务而言，由于用户多会在白天驾驶车辆外出，期间电动汽车需要与数据中心进行定期的信令交互。虽然数据量较小，但电动汽车车载终端需要高移动性支持，保证切换时延控制在一定范围内，同时每个设备都需要高可靠低时延的网络服务。为满足电动汽车网络切片的网络需求，不仅需要在接入网和传输网为其部署更多的链路资源，还需要在移动性管理实体上建立更多的计算实例提升其对用户切换请求的处理速度。
由于在电动汽车充换电网络场景中存在着站内充电设备与电动汽车用户两种网络需求迥异的用户，二者的网络需求差异性不仅体现在不同时段内的网络需求不同，同时也体现在为其提供通信的功能实体上。因此，网络管理者不仅需要考虑同时满足两种用户的网络需求，而且还要考虑提升网络资源的利用效率，降低网络的部署成本。为同时满足具备迥异通信需求的两种通信业务，传统的电力专网必须过量部署如传输网交换机、核心网移动性管理实体等网络功能实体。然而由于不同通信业务请求的时空差异性，其在一天之中仅会在某个特定时段具有较高的通信需求，这就造成传统电力专网的网络资源利用效率较为低下。
近年来，随着软件定义网络、网络功能虚拟化等技术的发展，网络切片技术作为一种新兴组网技术具有弹性化、灵活化、定制化的特点。网络切片技术将物理基础设施资源虚拟化为多个相互独立且平行的专用虚拟网络，每个切片都可独立按照业务场景的需求进行网络功能的定制剪裁和相应网络资源的编排管理，从而为用户提供端到端的定制化网络服务，显著提升网络资源利用效率。但目前对于适用于电动汽车充换电网络场景中的网络切片资源配置方法仍然有待开发。
中国发明专利申请公开文件(110809261A)公开了一种H-CRAN网络下联合拥塞控制和资源分配的网络切片动态资源调度方法，该方法通过综合考虑业务接入控制、拥塞控制、无线资源分配和复用，以最大化网络平均和吞吐量为目标，在每个资源调度时隙内动态地为性能需求各异的网络切片用户分配频谱和功率资源。但该技术方案考虑的网络切片资源分配范围仅限于接入网层面，没有解决传输网和核心网的资源分配问题，其仅通过为不同网络切片中的用户分配不同的频谱和功率资源，无法达成传输网和核心网层面的用户端到端逻辑隔离。一方面，当具有通信需求的充电设备数增多时，该方法仅仅可以为其提供更多地频谱资源，提升该网络切片的无线接入能力，而当某一时刻大量的数据包流经传输网和核心网时，无法为其提供专属的网络服务功能链。为防止网络吞吐量不足，将会按照全时段内最大网络吞吐量需求部署传输网与核心网内的网络资源，然而在空闲时段这将会造成网络资源利用率的下降，另一方面，当具有通信需求的电动汽车用户数增多时，该方法无法为其提供降低切换时延的高移动性支持网络，这会降低用户的通信质量。
中国发明专利申请公开文件(CN110768837A)公开了一种网络切片虚拟资源分配方法、系统及装置。其包括：获取物理网络拓扑结构及其网络切片服务链网络，根据所述的网络拓扑结构及其网络切片服务链流量确定所有可能映射的物理节点、传播链路及其传播时延，根据所述的物理节点、传播链路以及传播时延确定约束条件，根据所述约束条件对所述物理节点、传播链路进行路径筛选，得到最佳映射物理节点和链路路径。但该技术方案考虑的网络切片资源分配方法仅限于针对当前的网络状态进行切片资源配置决策，并未提出一种预测不同网络切片通信业务流量的策略。因此，在电动汽车充换电网络场景中应用该方法将使得网络切片的资源配置策略具有滞后性的缺点，而且由于电动汽车用户具备较高的移动性特征，这会导致不同网络切片中的通信业务需求变化较快，如果不具备一种预先式的网络切片资源配置方法，将会导致切片内的资源调度无法随电动汽车用户的移动而及时调整，从而导致资源利用率降低。第三，该方法的不同网络切片资源配置方案求解算法在用户规模上缺乏可扩展性，当不同切片网络的用户数增大，且用户在不同区域中呈现较大的时空差异性时，最优网络切片的资源配置方案求解将非常困难。虽然凭借此方法可以衡量每一种资源配置方案的效率，但随着用户规模不断扩大和用户需求时空差异性不断增加时，遍历所有的资源配置解进而通过比较得出最优解这一过程将占用大量的计算资源且需要较长的计算时间，这会使得该方法无法在有效时间内求解出最优的资源配置方法。
中国发明专利申请公开文件(CN110519783A)公开了一种基于增强学习的5G网络切片资源分配方法。该方法包括以下步骤：通过考虑未来网络切片中的业务流量变化情况，对业务流量进行预测，从而推断出未来网络资源的划分情况；再通过增强学习算法，使得未来时刻的网络资源划分状态对当前划分策略做出影响，从而得到当前的最佳策略，可满足5G网络资源高效分配的需求。该方法虽然考虑了未来网络切片中的业务流量变化情况，但其所采用的方法不够具体，仅说明了通过一段时间长度内的历史数据信息对未来业务流量的变化情况进行预测，并未指出其所采用的具体方法，在电动汽车充换电场景中，无法将该方法直接应用。而且，该方法对不同网络切片的资源分配范围仅限于链路资源，其效果只针对不同网络切片流量的负载均衡。然而，对于电动汽车充换电应用场景来说，考虑不同网络切片中各个功能实体所占用的计算和存储资源也相当关键。电动汽车网络切片和充电设备网络切片的网络需求不仅在早晚间呈现交替增大的趋势，影响其网络需求的功能实体也不尽相同。为保证该场景中的不同网络切片资源配置方法可以有效提升系统的资源利用效率，应当综合考虑链路资源与功能实体所占用的计算与存储资源分配。
发明内容
本发明的目的是：针对传统电力专网面对迥异的用户网络通信需求所暴露出的网络资源利用效率低下问题，提供一种适用于电动汽车充换电网络的网络切片资源配置方法，以提升电动汽车充换电网络的资源利用率，降低网络部署成本。
本发明的技术方案是：一种适用于电动汽车充换电网络的网络切片资源配置方法，其特征在于，包括以下步骤：
第一步、由数据预处理模块对各充电站的历史数据集进行预处理，降低数据的信息冗余度和数据的归一化；
第二步、由用户需求预测模块利用预处理后的充电站历史数据集对人工神经网络进行各充电站用户到达率预测的训练；
第三步、由用户需求预测模块利用预处理后的充电站历史数据集调用经过训练的人工神经网络的预测功能进行各充电站用户到达率的预测，并基于预测的各充电站用户到达率分别计算出电动汽车用户处于充电状态和移动状态的网络需求的量化值；
第四步、由网络切片资源配置模块根据计算出的电动汽车用户充电状态和移动状态的网络需求的量化值运行网络切片资源分配算法，求解出不同网络切片的最优配置策略；
第五步、由NS3切片部署模块根据不同网络切片的最优配置策略对接入网、传输网与核心网的网络资源进行部署。
所述第一步中，数据预处理模块首先通过read_csv函数将CSV格式的待训练的各充电站的历史数据集文件读取至数据结构Dataframe_preprocess中，数据结构Dataframe_preprocess的相关数据成员Dataframe_preprocess.Hour和Dataframe_preprocess.Minute通过调用成员函数Datafunction_sum进行合并，而无关数据成员Dataframe_preprocess.Day与Dataframe_preprocess.Month则调用成员函数Datafunction_delete去除，最后调用成员函数Datafunction_normalization将其字符型数据Dataframe_preprocess.Class转化为归一化的浮点型小数值。
在所述第二步中，用户需求预测模块读取各充电站的历史数据集的历史数据后，得到BPNN训练过程中所需的带标签数据集，训练过程如下：a、调用BPNN_INIT函数对人工神经网络进行参数初始化；b、调用BPNN_PREDICT函数进行人工神经网络前向传播，得出预测结果；c、对预测结果与数据集中的标签值调用BPNN_BACKPRO函数进行后向传播过程的训练，并对各项权重参数进行调整；d、执行人工神经网络是否达到终止条件的判断，如未达到条件，则跳转至第c步重复训练过程，如达到条件，即完成训练。
根据所述人工神经网络的训练可以得知一天中的144个时刻值与对应时刻值各充电站n的到达率函数λn(t)以及区域a内的到达率函数λa(t)，对到达率函数λn(t)和λa(t)求积分可以得出时段内处于充电状态和移动状态的电动汽车用户数量；电动汽车用户处于充电状态的网络需求主要为流量需求，电动汽车用户处于移动状态的网络需求主要为移动切换需求，电动汽车用户的流量需求可以由以下表达式量化：
LG(a，t)表示充电设备网络切片流量，由所有充电站中的充电设备流量函数Lsta(n，t)求和得出；LV(a，t)表示电动汽车网络切片流量，由区域a内的所有电动汽车流量函数Lma(m，t)求和得出；电动汽车用户的移动切换需求可以由以下表达式量化：
式中，ha(m，t)为移动切换请求函数，Nmob(a，t)为区域a内处于移动状态的电动汽车数量，逐个对其可能发出的移动切换请求数求和，即可得到区域a内的移动切换请求预测值Ha(t)。
所述第四步中的网络切片资源分配算法为粒子群优化算法，不同网络切片中的电动汽车用户流量需求与移动切换需求的量化值，作为网络切片资源分配算法的输入，实现预先式的资源配置，资源分配目标函数采用排队论模型，以电动汽车用户流量及移动切换请求到达率和服务速率的比值评估服务质量与资源占用率，其服务速率受虚拟交换机与移动性管理实体中计算实例数量影响，而约束条件主要考虑网络部署成本约束与网络流量约束；流量及移动切换请求到达率通过对充电设备流量函数Lsta(n，t)、电动汽车流量函数LV(a，t)以及移动切换请求预测值Ha(t)进行时间平均求得，如下式所示：
网络切片资源分配算法输入除预测信息外，还需要资源分配方案的抽象表达，因此解集中应当具有表示充电设备网络切片中各充电站虚拟交换机数量的变量S1至Sn，以及表示电动汽车网络切片中虚拟交换机数量与移动性管理实体中计算实例数量的变量Sa和Ma，解集表达如下：
S＝{S1，S2，S3…Sn，Sa，Ma}(7)
网络切片资源分配算法流程如下：
①、以二十分钟为间隔，通过在用户需求预测机制进行车辆移动状态预测，得出Iv(a)，Ista(n)以及h(a)的预测值；
②、初始化资源分配实例中算法的输入值Sp(0)
a、按照下式规则初始化输入值Sp(0)
b、按照下式规则初始化粒子个体最优位置Spb
c、按照式(9)规则初始化最优粒子位置SB
thenSB＝Sj(0) (10)
③、除非满足算法终止条件，否则重复以下步骤：
A、按照式(10)规则更新粒子速度Vp(t+1)
B、按照式(11)规则更新粒子位置Sp(t+1)
C、按照式(12)计算各个粒子的适应度函数f(Sp(t+1))
D、按照式(13)规则更新个体最优状态Spb
thenSpb(p)＝Sp(t+1) (14)
E、按照式(14)规则更新群体最优状态SB
then SB＝Sp(t+1) (15)
④、输出SB策略为网络切片最优配置策略。
所述第四步中，①、首先将用户需求预测模块输出的预测结果作为网络切片资源配置模块的输入并调用粒子群创建并初始化函数Create_Swarm，配置粒子群的各项参数；②、调用目标函数计算函数TargetFunction的各个网络切片资源配置方案中粒子位置坐标对应的目标函数值，同时调用局部最优粒子计算函数Compute_Pbest寻找出局部最优的网络切片资源配置方案；③、然后比较各个局部最优网络切片资源配置方案与全局最优网络切片资源配置方案的目标函数值，若局部最优网络切片资源配置方案的目标函数值较大，则调用全局最优粒子计算函数Compute_Gbest更新全局最优网络切片配置方案为较大的局部资源配置方案，如判断结果相反，则直接进入资源配置方案粒子位置坐标更新过程，调用粒子位置调整速率函数Compute_Swarmvelocity计算出各个网络切片资源配置方案中粒子在本次迭代中的更新调整速率，并以此速率为粒子位置坐标位置更新函数Compute_Swarmposition的输入值进行网络切片资源配置方案的迭代更新；④、当粒子位置更新完成后，判定算法迭代次数是否满足终止条件要求，如不满足条件，则跳转至第②步进行下一次迭代更新，如果满足条件，则将My_Swarm.gbest_position中存储的全局最优网络切片资源配置方案输出。
在所述第五步中，首先根据计算得出的全局最优网络切片资源配置方案的相关参数，确定各个网络切片中功能实体的实例数量，然后根据相应切片的基站与服务网关间的对应关系构建虚拟以太网接口与虚拟IP链路，完成传输网的部署，之后再按照最优网络切片资源配置方案中的各切片基站实例数量部署接入网中不同网络切片的功能节点，最后按照全局最优网络切片资源配置方案的相关参数对不同网络切片的核心网功能节点进行部署。
本发明的有益效果是：本发明根据电动汽车充换电网络场景中存在的两种网络需求迥异的用户设计了用户需求预测机制与网络切片资源配置算法，一方面，该方法通过引入适用于电动汽车充换电网络场景的用户需求预测机制可以达成预先式的资源分配，另一方面，该方法综合考虑了电动汽车充换电网络场景中针对充电设备和电动汽车两种用户的不同需求，通过对不同时段中不同网络切片的需求进行综合考量，可以合理分配接入网、传输网、核心网三个层面中的链路资源与各个功能实体所占用的资源，有效的提升了电动汽车充换电网络场景下的网络资源利用率。
附图说明
图1为本发明适用于电动汽车充换电网络的网络切片资源配置方法的运行原理图；
图2为本发明中数据预处理模块的运行原理框图；
图3为本发明中用户需求预测模块对其后向人工神经网络训练的运行原理框图；
图4为本发明中用户需求预测模块利用后向人工神经网络进行预测的运行原理框图；
图5为本发明中网络切片资源配置模块的运行原理框图；
图6为本发明中切片部署模块的运行原理框图。
具体实施方式
在目前的电动汽车充换电网络场景中存在着站内充电设备与电动汽车用户两种网络需求迥异的用户，二者的网络需求差异性不仅体现在不同时段内的网络需求不同，同时也体现在为其提供通信的功能实体上。其中，对于充电设备网络切片，由于用户往往选择夜晚进行充电，期间需要充电设备与数据中心进行频繁的信令交互，因此其网络需求高峰期集中在夜间时段，其对网络的需求也主要在于用户的接入密度，以及设备群需要支持海量连接的高可靠、低时延、安全性强的网络服务。而对于电动汽车网络切片，由于用户多会在白天驾驶车辆外出，期间电动汽车需要与数据中心进行定期的信令交互。虽然数据量较小，但电动汽车车载终端需要高移动性支持，保证切换时延控制在一定范围内，同时每个设备都需要高可靠低时延的网络服务。为此，网络管理者不仅需要考虑同时满足两种用户的网络需求，而且要考虑提升网络资源的利用效率，降低网络的部署成本。
本发明为解决上述问题，公开了一种适用于电动汽车充换电网络的网络切片资源配置方法，如图1所示，该方法是利用数据预处理模块、用户需求预测模块、网络切片资源配置模块和资源配置部署模块对网络切片进行优化，使其满足充电设备网络切片与电动汽车网络切片的网络需求，提升网络资源的利用效率。首先，数据预处理模块Data_process需要读取信息采集数据库Data_storebase中的历史数据Data.csv，并对其进行数据集预处理降低信息冗余度与标签值的归一化处理；其次则是将预处理后的数据input.csv输出，由用户需求预测模块Data_predict进行读取，同时由该模块利用数据集进行人工神经网络训练，将经由后向传播人工神经网络训练后的结果写入Train_net.txt文件；训练过程完成后，则由数据与处理模块Data_process从数据库Data_storebase中读取近期数据Data.csv，并调用模块中的相应功能进行近期数据集的预处理，将其结果输出为input.csv格式的文件；用户需求预测模块将读取预处理后的近期数据集input.csv，同时读取储存有人工神经网络权重参数的Train_net.txt文件，通过调用人工神经网络预测功能输出用户需求预测结果Data_output.csv；网络切片资源配置模块Resource_Allocation在读取用户需求预测结果Data_output.csv则运行网络切片资源分配算法，求解出不同网络切片的最优配置策略结果Allocation.csv；最后，由NS3中实现的切片部署模块Slicing_Implement执行不同网络切片的资源部署。其具体工作流程包括以下步骤：
第一步、由数据预处理模块对各充电站的历史数据集进行预处理，降低数据的信息冗余度和数据的归一化；
第二步、由用户需求预测模块利用预处理后的充电站历史数据集对人工神经网络进行各充电站用户到达率预测的训练；
第三步、由用户需求预测模块利用预处理后的充电站历史数据集调用经过训练的人工神经网络的预测功能进行各充电站用户到达率的预测，并基于预测的各充电站用户到达率分别计算出电动汽车用户处于充电状态和移动状态的网络需求的量化值；
第四步、由网络切片资源配置模块根据计算出的电动汽车用户充电状态和移动状态的网络需求的量化值运行网络切片资源分配算法，求解出不同网络切片的最优配置策略；
第五步、由NS3切片部署模块根据不同网络切片的最优配置策略对接入网、传输网与核心网的网络资源进行部署。
其中，数据集预处理模块主要功能为实现数据集去冗余以及数据的归一化，其运行的工作原理如图2所示，首先通过read_csv函数将CSV格式的待训练的各充电站的历史数据集文件读取至数据结构Dataframe_preprocess中，数据结构Dataframe_preprocess的相关数据成员Dataframe_preprocess.Hour和Dataframe_preprocess.Minute通过调用成员函数Datafunction_sum进行合并，而无关数据成员Dataframe_preprocess.Day与Dataframe_preprocess.Month则调用成员函数Datafunction_delete去除，最后调用成员函数Datafunction_normalization将其字符型数据Dataframe_preprocess.Class转化为归一化的浮点型小数值。
用户需求预测模块主要功能为训练后向传播人工神经网络并通过训练进行用户需求预测，并以此为下一步的资源分配提供依据。其训练后向传播人工神经网络的运行工作原理如图3所示，用户需求预测模块读取各充电站的历史数据集的历史数据后，得到BPNN训练过程中所需的带标签数据集，训练过程如下：a、调用BPNN_INIT函数对人工神经网络进行参数初始化；b、调用BPNN_PREDICT函数进行人工神经网络前向传播，得出预测结果；c、对预测结果与数据集中的标签值调用BPNN_BACKPRO函数进行后向传播过程的训练，并对各项权重参数进行调整；d、执行人工神经网络是否达到终止条件的判断，如未达到条件，则跳转至第c步重复训练过程，如达到条件，即完成训练并将参数写入文件Train_net.txt。
本发明鉴于电动汽车用户在电动汽车充换电网络场景中的主体位置，用户需求预测机制以车辆移动预测为基础，通过BPNN预测不同充电站中电动汽车用户的到达率，并在此基础上建立用户需求预测模型，得到不同时段内不同网络切片的用户需求。
当用户需求预测模块利用经过训练的后向人工神经网络对用户需求进行预测时，其预测运行原理如图4所示，首先，用户需求预测模块将读取预处理数据集文件Data_input.csv中的时间数据，作为预测未来用户需求的输入值；随后，用户需求预测模块将读取Train_net.txt文件中存储的后向人工神经网络参数，并调用BPNN_PREDICT函数进行后向人工神经网络的用户需求预测，并将其结果将写入文件Data_output.txt中。
基于车辆移动预测的通信需求预测机制以电动汽车用户到达率为基础计算分别处于充电状态与行驶状态的电动汽车用户数，由于充电站一天之中的电动汽车用户到达率与时间具有一定的函数关系，因此通过训练BPNN模型可以得出一天中的144个时刻值与该时刻值充电站n的到达率函数λn(t)以及区域a内的到达率函数λa(t)，对到达率函数求积分可以得出时段内处于某一状态的电动汽车用户数量。其中，电动汽车用户处于充电状态的网络需求主要为流量需求，电动汽车用户处于移动状态的网络需求主要为移动切换需求，电动汽车用户的流量需求可以由以下表达式量化：
LG(a，t)表示充电设备网络切片流量，由所有充电站中的充电设备流量函数Lsta(n，t)求和得出；LV(a，t)表示电动汽车网络切片流量，由区域a内的所有电动汽车流量函数Lma(m，t)求和得出；电动汽车用户的移动切换需求可以由以下表达式量化：
式中，ha(m，t)为移动切换请求函数，Nmob(a，t)为区域a内处于移动状态的电动汽车数量，逐个对其可能发出的移动切换请求数求和，即可得到区域a内的移动切换请求预测值Ha(t)。
网络切片资源配置模块主要功能为应用粒子群优化算法求解最优网络切片的资源配置，其运行原理如图5所示：首先，将用户需求预测模块的输出文件Output.csv作为网络切片资源配置模块的输入并调用粒子群创建与初始化函数Create_Swarm配置粒子群的各项参数；随后，第一次调用目标函数计算函数TargetFunction计算各个资源配置方案粒子位置坐标对应的目标函数值，同时调用局部最优粒子计算函数Compute_Pbest寻找出局部最优的资源配置方案；下一步则进行一次条件判断，比较各个局部最优资源配置方案与全局最优资源配置方案的目标函数值，若前者较大则调用全局最优粒子计算函数Compute_Gbest更新全局最优配置方案为较大的局部资源配置方案；如判断为否，则直接进入资源配置方案粒子位置坐标更新过程，调用粒子位置调整速率函数Compute_Swarmvelocity计算出各个资源配置方案粒子在本次迭代中的更新调整速率，并以此速率为粒子位置坐标位置更新函数Compute_Swarmposition的输入值进行资源配置方案的迭代更新；当粒子位置更新完成后，再进行一次条件判断，判定算法迭代次数是否满足终止条件要求，如不满足条件，则跳转至调用目标函数计算函数处进行下一次迭代，如果满足条件，则将My_Swarm.gbest_position中存储的全局最优资源配置方案输出至文件Allocation.csv中。
在本发明的网络切片资源分配算法中，根据用户需求预测模块得到的不同网络切片中的电动汽车用户流量需求与移动切换需求的量化值，作为网络切片资源分配算法的输入，实现预先式的资源配置，资源分配目标函数采用排队论模型，以电动汽车用户流量及移动切换请求到达率和服务速率的比值评估服务质量与资源占用率，其服务速率受虚拟交换机与移动性管理实体中计算实例数量影响，而约束条件主要考虑网络部署成本约束与网络流量约束；流量及移动切换请求到达率通过对充电设备流量函数Lsta(n，t)、电动汽车流量函数LV(a，t)以及移动切换请求预测值Ha(t)进行时间平均求得，如下式所示：
网络切片资源分配算法输入除预测信息外，还需要资源分配方案的抽象表达，因此解集中应当具有表示充电设备网络切片中各充电站虚拟交换机数量的变量S1至Sn，以及表示电动汽车网络切片中虚拟交换机数量与移动性管理实体中计算实例数量的变量Sa和Ma，解集表达如下：
S＝{S1，S2，S3…Sn，Sa，Ma} (7)
网络切片资源分配算法流程如下：
①、以二十分钟为间隔，通过在用户需求预测机制进行车辆移动状态预测，得出Iv(a)，Ista(n)以及h(a)的预测值；
②、初始化资源分配实例中算法的输入值Sp(0)
a、按照下式规则初始化输入值Sp(0)
b、按照下式规则初始化粒子个体最优位置Spb
c、按照式(9)规则初始化最优粒子位置SB
then SB＝Sj(0) (10)
③、除非满足算法终止条件，否则重复以下步骤：
A、按照式(10)规则更新粒子速度Vp(t+1)
B、按照式(11)规则更新粒子位置Sp(t+1)
C、按照式(12)计算各个粒子的适应度函数f(Sp(t+1))
D、按照式(13)规则更新个体最优状态Spb
thenSpb(p)＝Sp(t+1) (14)
E、按照式(14)规则更新群体最优状态SB
then SB＝Sp(t+1) (15)
④、输出SB策略为网络切片最优配置策略。
资源配置部署模块的主要功能是将求解出的最优网络切片资源分配策略进行部署，其运行流程原理如图6所示，首先，读取网络切片资源配置模块生成的资源配置策略文件Allocation.csv中的相关参数，确定各个网络切片中功能实体的实例数量，然后根据相应切片的基站与服务网关间的对应关系构建虚拟以太网接口与虚拟IP链路，完成传输网的部署，之后再按照最优网络切片资源配置方案中的各切片基站实例数量部署接入网中不同网络切片的功能节点，最后按照全局最优网络切片资源配置方案的相关参数对不同网络切片的核心网功能节点进行部署。
