5G networks are going to support a variety of vertical services, with a diverse set of key performance indicators (KPIs), by using enabling technologies such as software-defined networking and network function virtualization. It is the responsibility of the network operator to efficiently allocate the available resources to the service requests in such a way to honor KPI requirements, while accounting for the limited quantity of available resources and their cost. A critical challenge is that requests may be highly varying over time, requiring a solution that accounts for their dynamic generation and termination. With this motivation, we seek to make joint decisions for request admission, resource activation, VNF placement, resource allocation, and traffic routing. We do so by considering real-world aspects such as the setup times of virtual machines, with the goal of maximizing the mobile network operator profit. To this end, first, we formulate a one-shot optimization problem which can attain the optimum solution for small size problems given the complete knowledge of arrival and departure times of requests over the entire system lifespan. We then propose an efficient and practical heuristic solution that only requires this knowledge for the next time period and works for realistically-sized scenarios. Finally, we evaluate the performance of these solutions using real-world services and large-scale network topologies. Results demonstrate that our heuristic solution performs better than a state-of-the-art online approach and close to the optimum.

5G网络将通过使用诸如软件定义的网络和网络功能虚拟化之类的支持技术，通过一系列关键性能指标（KPI）来支持各种垂直服务。网络运营商有责任以满足KPI要求的方式有效地将可用资源分配给服务请求，同时考虑到有限数量的可用资源及其成本。一个关键的挑战是，请求可能随时间变化很大，因此需要一种解决方案来考虑其动态生成和终止。以此动机，我们寻求为请求接纳，资源激活，VNF放置，资源分配和流量路由做出联合决策。为此，我们考虑了虚拟设备的设置时间等现实情况，目的是最大程度地提高移动网络运营商的利润。为此，首先，我们提出了一个一次性优化问题，如果在整个系统生命周期中都完全了解请求的到达和离开时间，则可以解决小尺寸问题的最佳解决方案。然后，我们提出了一种高效实用的启发式解决方案，该解决方案仅在下一个时间段内需要此知识，并且适用于切合实际的情况。最后，我们使用实际服务和大规模网络拓扑来评估这些解决方案的性能。结果表明，我们的启发式解决方案比最先进的在线方法性能更好，并且接近最佳状态。目的是使移动网络运营商的利润最大化。为此，首先，我们提出了一个一次性优化问题，如果在整个系统生命周期中都完全了解请求的到达和离开时间，则可以解决小尺寸问题的最佳解决方案。然后，我们提出了一种高效实用的启发式解决方案，该解决方案仅在下一个时间段内需要此知识，并且适用于切合实际的情况。最后，我们使用实际服务和大规模网络拓扑来评估这些解决方案的性能。结果表明，我们的启发式解决方案比最先进的在线方法性能更好，并且接近最佳状态。目的是使移动网络运营商的利润最大化。为此，首先，我们提出了一个一次性优化问题，如果在整个系统生命周期中都完全了解请求的到达和离开时间，则可以解决小尺寸问题的最佳解决方案。然后，我们提出了一种高效实用的启发式解决方案，该解决方案仅在下一个时间段内需要此知识，并且适用于切合实际的情况。最后，我们使用实际服务和大规模网络拓扑来评估这些解决方案的性能。结果表明，我们的启发式解决方案比最先进的在线方法性能更好，并且接近最佳状态。我们提出了一个一次性优化问题，考虑到整个系统生命周期中请求的到达和离开时间的完整知识，该问题可以为小尺寸问题提供最佳解决方案。然后，我们提出了一种高效实用的启发式解决方案，该解决方案仅在下一个时间段内需要此知识，并且适用于切合实际的情况。最后，我们使用实际服务和大规模网络拓扑来评估这些解决方案的性能。结果表明，我们的启发式解决方案比最先进的在线方法性能更好，并且接近最佳状态。我们提出了一个一次性优化问题，考虑到整个系统生命周期中请求的到达和离开时间的完整知识，该问题可以为小尺寸问题提供最佳解决方案。然后，我们提出了一种高效实用的启发式解决方案，该解决方案仅在下一个时间段内需要此知识，并且适用于切合实际的情况。最后，我们使用实际服务和大规模网络拓扑来评估这些解决方案的性能。结果表明，我们的启发式解决方案比最先进的在线方法性能更好，并且接近最佳状态。然后，我们提出了一种高效实用的启发式解决方案，该解决方案仅在下一个时间段内需要此知识，并且适用于切合实际的情况。最后，我们使用实际服务和大规模网络拓扑来评估这些解决方案的性能。结果表明，我们的启发式解决方案比最先进的在线方法性能更好，并且接近最佳状态。然后，我们提出了一种高效实用的启发式解决方案，该解决方案仅在下一个时间段内需要此知识，并且适用于切合实际的情况。最后，我们使用实际服务和大规模网络拓扑来评估这些解决方案的性能。结果表明，我们的启发式解决方案比最先进的在线方法性能更好，并且接近最佳状态。