2.3.4 仿真结果及分析

本小节以G-SA算法[10]为比较对象。该算法首先基于贪心算法对VNF进行部署，然后使用模拟退火对贪心部署结果进行优化，它是典型的两步式算法。

2.3.4.1　仿真环境及参数设定

仿真首先采用一个典型物理网络拓扑[11]，如图2-10所示，共55个节点，平均度数为4。为了验证算法的普适性，本小节进一步使用Waxman生成一个200个节点的随机拓扑进行测试。设置单节点计算资源容量为2000，链路带宽资源容量为2000，链路端到端时延服从均匀分布U(30,130)。单次实验处理500条SFC请求，其长度服从均匀分布U(4,6)。VNF计算资源需求服务均匀分布U(10,20)，VNL链路带宽需求服从均匀分布U(10,20)。

2.3.4.2　仿真数据

SFCDO算法综合优化资源开销、网络负载率及服务端到端时延三项指标。图2-11给出了端到端时延分布图，横坐标表示端到端时延，纵坐标表示端到端时延小于横坐标值的SFC比例。图中显示，SFCDO算法的端到端时延主要集中在160～690ms之间，而G-SA算法主要集中在200～1130ms之间，即SFCDO算法的时延性能要优于G-SA算法。这得益于SFCDO算法基于源节点和目的节点间的最短路径部署SFC，该算法优先选择跳数较少的物理路径，从而优化了端到端时延。

图2-12给出了带宽资源开销分布图。SFCDO算法产生的带宽资源开销主要集中在35～120Mbps之间，而G-SA算法主要集中在40～302Mbps之间。这两项指标与部署路径的长度息息相关，因此尽可能选择跳数少的路径部署SFC能同时优化带宽资源开销和端到端时延。

结合图2-11和图2-12可知，参数λ的变化对端到端时延性能的影响超过对带宽资源开销的影响。这是因为，随着λ增大，端到端时延对最优选择因子OSF的影响变强，此时SFCDO更倾向于选择端到端时延小的链路；而带宽资源开销则更多是由部署路径长度和VNL的带宽需求所决定的。

图2-13给出了两种算法达到的节点负载率分布图：G-SA算法中80%的节点负载率低于70%，网络负载集中在20%的节点上；SFCDO算法中95%的节点负载率低于60%。这说明SFCDO算法的负载均衡机制将任务分摊到了大多数节点上，有效减少了瓶颈点。而G-SA算法贪婪地将尽可能多的VNF集中部署在某个节点上，因而产生了大面积高负载节点。此外，负载率对最优选择因子OSF的影响也直观地体现在图2-13中不同λ的曲线上。

图2-14进一步展示了在两种网络拓扑中平均端到端时延随SFC数量变化情况。针对大规模随机网络，我们将SFC的长度分布从U(4,6)调整为U(6,8)。在两幅图中，随着一组SFC数量的增加，SFCDO算法具有良好的稳定性，平均端到端时延波动小。而G-SA算法的平均端到端时延随SFC数量的增加而增加，并且总大于SFCDO算法。此外，随着λ参数的增加，SFCDO算法平均端到端时延仍有小幅降低。

类似的现象也体现在平均带宽资源开销上，如图2-15所示。不同的是，λ的变化不会对该指标造成明显影响。

为了实验完整性，图2-16、图2-17分别测试了平均端到端时延和带宽资源开销随SFC长度的变化情况：增加SFC长度，两项指标都有所下降（这符合客观规律），但不论从实值上还是从增量上，SFCDO算法的劣化程度都明显低于G-SA算法。综上，这足以说明SFCDO算法的优越性。