CN108881028A - 基于深度学习实现应用感知的sdn网络资源调度方法 - Google Patents

基于深度学习实现应用感知的sdn网络资源调度方法 Download PDF

Info

Publication number
CN108881028A
CN108881028A CN201810573044.1A CN201810573044A CN108881028A CN 108881028 A CN108881028 A CN 108881028A CN 201810573044 A CN201810573044 A CN 201810573044A CN 108881028 A CN108881028 A CN 108881028A
Authority
CN
China
Prior art keywords
network
sdn
data
application
node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810573044.1A
Other languages
English (en)
Other versions
CN108881028B (zh
Inventor
王敬宇
王晶
戚琦
孙海峰
徐军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201810573044.1A priority Critical patent/CN108881028B/zh
Publication of CN108881028A publication Critical patent/CN108881028A/zh
Application granted granted Critical
Publication of CN108881028B publication Critical patent/CN108881028B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/50—Queue scheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/74—Address processing for routing
    • H04L45/745—Address table lookup; Address filtering
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/70—Admission control; Resource allocation
    • H04L47/80—Actions related to the user profile or the type of traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L49/00—Packet switching elements
    • H04L49/25—Routing or path finding in a switch fabric

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

基于深度学***面的虚拟网络功能VNF上部署深度神经网络DNN，该DNN对交换机转发的应用数据流进行学习和分类，并把分类结果上报给SDN控制器，SDN控制器根据分类结果进行网络资源调度，生成满足该应用数据流网络资源需求的路由信息，并把该路由信息下发给交换机，本发明的方法大大提高了***的灵活性和鲁棒性，实现了根据应用的资源需求对网络资源进行合理调度，从而提高了网络的服务质量。

Description

基于深度学习实现应用感知的SDN网络资源调度方法
技术领域
本发明涉及一种基于深度学习实现应用感知的SDN网络资源调度方法，属于信息技术领域，特别是属于SDN网络技术领域。
背景技术
在物联网中会存在各种各样的接入设备，不同的接入设备可能会承载着不同类型的网络应用，这些网络应用对网络资源有着不同的需求。例如对于互联网承载的音频(VOIP)，这类应用对网络的时延有着较高的要求，我们应该尽量为这类应用分配低时延的路径。而对于视频监控应用，它既需要低时延的网络路径，又需要占用足够大的带宽才能实现视频数据的实时传输。在物联网场景下，要实现网络的按需调度关键在于获取流量的具体类型信息。
传统的流量调度大多基于数据报包头信息进行流量分类，国际互联网工程任务组(The Internet Engineering Task Force，简称IETF)为一些标准协议分配了固定的端口号，通过对应的端口号可以把网络流量分成不同的应用类别,但基于端口号的分类存在许多问题：一是随着网络应用的增多，很多应用层协议并没有分配专门的端口号，这部分应用协议无法通过端口号进行区分；二是某些应用层协议可能会承载了多种不同类型的应用内容，不同的应用内容对于网络的需求也截然不同。例如http协议是目前应用最为广泛的应用层协议，当http协议用于网页浏览时，它对时延会有一定的要求，当http协议用于承载视频流量时，它是带宽敏感的，大带宽链路能够充分减少视频的加载时间，提升用户体验，而对于时延并没有很高的要求。结合以上分析，单纯的依靠包头信息进行流量分类是远远不够的。另一种用于流量识别的常用手段是深度包检测技术(DPI)。DPI技术是一种基于应用层的流量检测技术，称为“深度包检测”。DPI除了对包头信息进行分析，它还会识别各种应用具体的负载内容。当IP数据包、TCP或UDP数据流通过基于DPI技术的带宽管理***时，该***通过深入读取IP包载荷的内容来对OSI七层协议中的应用层信息进行重组，从而得到整个应用程序的内容，然后按照***定义的管理策略对流量进行整形操作。DPI技术一定程度解决了传统基于包头字段进行流量识别的问题，但是它也存在很多问题：(1)可扩展性差：由于该方法对新P2P应用的流量识别具有滞后性，即在未升级特征库前无法检测新的应用，必须找到新应用的载荷特征后，才能对该应用实施有效检测。这一点成为限制该方法的瓶颈。(2)缺乏加密数据分析功能：某些应用载荷采用了加密传输，隐藏了应用的协议和数据特征，因此深度数据包检测技术对加密应用的检测能力非常有限。(3)代价较高：由于需要完成协议解析还原和特征匹配等操作，因此计算和存储开销大，流量检测算法性能低。载荷特征越复杂，检测代价越高，算法性能也越差。
综上，在物联网场景下，如何快速有效识别数据流量的具体类型成为物联网技术领域的一个急需解决技术难题。
发明内容
软件定义网络SDN是一种新型的网络架构，实现了网络数据平面和控制平面的分离，提供了数据平面设备的可编程性，能够实现网络的智能化管理。SDN控制器是控制平面的枢纽，能够获取到网络的全部信息，这些信息包括网络的拓扑，链路的带宽，时延等等。结合这些信息，控制器可以为不同类型的应用流量分配满足其网络需求的传输路径。但是SDN控制器是通过特定的控制信道向SDN交换机下发控制策略的，一旦控制器出现故障，网络就会失去控制甚至会崩溃。
有鉴于此，本发明的目的是基于SDN网络，发明一种网络流量类型识别方法，让SDN控制器能够感知应用的类型，进而实现对网络资源的按需调度。
为了达到上述目的，本发明提出了基于深度学***面的虚拟网络功能VNF上部署深度神经网络DNN，该DNN对交换机转发的应用数据流进行学习和分类，并把分类结果上报给SDN控制器，SDN控制器根据分类结果进行网络资源调度，生成满足该应用数据流网络资源需求的路由信息，并把该路由信息下发给交换机。
所述的DNN要预先进行训练，训练的方法是：通过交换机预先收集不同类型应用的流量数据，采用监督学习的方法对DNN进行训练。
所述方法包括如下操作步骤：
(1)客户端主机应用向服务器主机发出数据包，该数据包进入SDN网络；所述的客户端主机与SDN网络的边缘节点SA相联，所述的服务器主机与SDN网络的边缘节点SB相联；
(2)所述的SDN网络的边缘节点SA收到该数据包后查询流表，如果有相应的匹配流表，则按流表规则转发该数据包；如果没有匹配流表，则把该数据包通过packet_In消息上传给SDN控制器；
(3)SDN控制器收到该packet_In消息，解析上报的数据包，根据网络拓扑获取该数据包的源节点和目的节点，分别为SA和SB；
(4)SDN控制器使用最短路径算法计算出一条从节点SA到节点SB的传输路径，并将该路径转换成OpenFlow流表，然后把该流表下发到所述的路径上所有的交换节点；所述的客户端主机应用发出的所有数据包都会匹配到上述流表并最终根据该流表的动作转发到服务器主机；
(5)SDN控制器使用最短路径算法计算出一条源为节点SA，目的为所述VNF所连接的SDN网络边缘节点SC的路径，该路径会被转换成流表并下发到该路径上的所有节点；此时在SA处，所述客户端主机应用发送的数据包会被拷贝两份，其中一份会被转发到节点SB，这部分数据包最终会被转发到服务器主机，另一份数据包会被转发到VNF所连接的节点SC；
(6)VNF按照设定的采样时长对所述客户端主机应用的数据包进行采样，采样完成后，VNF计算出流量数据的特征向量并将该特征向量送入所述的DNN中进行分类；
(7)分类结果被标记在数据包的IP包头中的DSCP字段，之后所述的数据包会通过packet_In消息上报给SDN控制器；
(8)SDN控制器收到VNF上报的分类结果，将分类结果映射成预置的资源需求，所述的资源需求主要指带宽要求和时延要求；
(9)SDN控制器使用深度优先算法DFS(Depth First Search)在源为SA目的为SB的所有路径中搜索一条满足资源需求的路径，并将该路径转化为流表，该流表会被下发到所述路径上的所有节点；这些流表具有较高的优先级会覆盖之前下发的流表，此时所述客户端主机应用的后续流量都会沿着满足其资源需求的所述路径进行转发。
步骤(6)中所述的特征向量是指：根据应用的数据流的时序特征所计算的特征向量；所述的应用的数据流定义为具有相同{源IP，目的IP，源端口号，目的端口号，协议(TCP或UDP)}，即{Source IP,Destination IP,Source Port,Destination Port and Protocol(TCP or UDP)}的一系列连续的数据包。
所述的特征向量具体由以下特征构成：前向数据报的到达时间间隔，包括最大值、最小值、平均值和标准差；后向数据报的到达时间间隔，包括最大值，最小值，平均值，标准差；双向数据报的到达时间间隔，包括最大值，最小值，平均值，标准差；前向数据报每秒发送的报文个数和字节数；后向数据报每秒发送的报文个数和字节数；每秒时间内到达的前向数据报和后向数据报的包数之比和字节数之比；所述前向数据报是指客户端发送给服务器的上行流量，所述后向数据报是指服务器回复给客户端的下行流量。
本发明的有益效果在于：本发明的方法将流量的分类任务部署在VNF中，VNF工作在SDN网络的数据平面，数据的采样是由交换机直接转发完成的，不会占用控制信道，而且VNF的故障并不会影响控制器的基本功能，故本发明的方法大大提高了***的灵活性和鲁棒性，实现了根据应用的资源需求对网络资源进行合理调度，从而提高了网络的服务质量。
附图说明
图1是本发明一个实施例的SDN网络的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述。
基于SDN网络的网络特性，在位于数据平面的虚拟网络功能VNF(VirtualizedNetwork Function)上部署深度神经网络DNN，该DNN对交换机转发的应用数据流进行学习和分类，并把分类结果上报给SDN控制器，SDN控制器根据分类结果进行网络资源调度，生成满足该应用数据流网络资源需求的路由信息，并把该路由信息下发给交换机。
所述的DNN要预先进行训练，训练的方法是：通过交换机预先收集不同类型应用的流量数据，采用监督学习的方法对DNN进行训练。
参见表1，为了验证本发明方法的可行性，发明人将采集自18种不同应用程序的流量数据归类为8种类型，分别为网页浏览,即时通讯,视频流,音频流,邮件,IP电话,P2P以及文件传输。本发明关注的是应用对网络的资源需求，上述8种类型中可能某几种类型对网络的需求是类似的，因此发明人将上述的8种类型聚类为表1所示的4个分类。
表1
类型 应用类别 资源需求
1 即时通讯\IP电话 低时延低带宽
2 视频流\音频流 高带宽中等时延
3 网页浏览 时延较低带宽较低
4 P2P\文件传输 高带宽
参见图1，所述方法包括如下操作步骤：
(1)客户端主机(h1)应用向服务器主机(h3)发出数据包，该数据包进入SDN网络；所述的客户端主机与SDN网络的边缘节点S1相联，所述的服务器主机与SDN网络的边缘节点S7相联；
(2)所述的SDN网络的边缘节点S1收到该数据包后查询流表，如果有相应的匹配流表，则按流表规则转发该数据包；如果没有匹配流表，则把该数据包通过packet_In消息上传给SDN控制器；
(3)SDN控制器收到该packet_In消息，解析上报的数据包，根据网络拓扑获取该数据包的源节点和目的节点，分别为S1和S7；
(4)SDN控制器使用最短路径算法计算出一条从节点S1到节点S7的传输路径PathA，并将该路径转换成OpenFlow流表，然后把该流表下发到所述的路径上所有的交换节点；所述的客户端主机应用发出的所有数据包都会匹配到上述流表并最终根据该流表的动作转发到服务器主机；
(5)SDN控制器使用最短路径算法计算出一条源为节点S1，目的为所述VNF所连接的节点S3的路径PathB，该路径会被转换成流表并下发到该路径上的所有节点；此时在节点S1处，所述客户端主机应用发送的数据包会被拷贝两份，其中一份会被转发到节点S7，这部分数据包最终会被转发到服务器主机，另一份数据包会被转发到VNF所连接的节点S3；
(6)VNF按照设定的采样时长(例如15秒)对所述客户端主机应用的数据包进行采样，采样完成后，VNF计算出流量数据的特征向量并将该特征向量送入所述的DNN中进行分类；(7)分类结果被标记在数据包的IP包头中的DSCP(Differentiated Services CodePoint)字段，例如：如果分类结果为类型1则将DSCP字段置位为00100000，之后所述的数据包会通过packet_In消息上报给SDN控制器；
(8)SDN控制器收到VNF上报的分类结果，将分类结果映射成预置的资源需求，所述的资源需求主要指带宽要求和时延要求；
(9)SDN控制器使用DFS算法在源为节点S1目的为节点S7的所有路径中搜索一条满足资源需求的路径PathC，并将该路径转化为流表，该流表会被下发到所述路径上的所有节点；这些流表具有较高的优先级会覆盖之前下发的流表，此时所述客户端应用的后续流量都会沿着满足其资源需求的所述路径进行转发。
步骤(6)中所述的特征向量是指：根据应用的数据流的时序特征所计算的特征向量；所述的应用的数据流定义为具有相同{源IP，目的IP，源端口号，目的端口号，协议(TCP或UDP)}，即{Source IP,Destination IP,Source Port,Destination Port and Protocol(TCP or UDP)}的一系列连续的数据包。
所述的特征向量具体由以下特征构成：前向数据报的到达时间间隔，包括最大值、最小值、平均值和标准差；后向数据报的到达时间间隔，包括最大值，最小值，平均值，标准差；双向数据报的到达时间间隔，包括最大值，最小值，平均值，标准差；前向数据报每秒发送的报文个数和字节数；后向数据报每秒发送的报文个数和字节数；每秒时间内到达的前向数据报和后向数据报的包数之比和字节数之比；所述前向数据报是指客户端发送给服务器的上行流量，所述后向数据报是指服务器回复给客户端的下行流量。
发明人基于Mininet搭建了仿真实验环境，其中交换机采用二次开发的OVS软交换机，控制器基于OpenDayLight二次开发。发明人对本发明的方法进行了仿真实验，仿真结果表明本发明的方法是完全有效的。

Claims (5)

1.基于深度学***面的虚拟网络功能VNF上部署深度神经网络DNN，该DNN对交换机转发的应用数据流进行学习和分类，并把分类结果上报给SDN控制器，SDN控制器根据分类结果进行网络资源调度，生成满足该应用数据流网络资源需求的路由信息，并把该路由信息下发给交换机。
2.根据权利要求1所述的基于深度学习实现应用感知的SDN网络资源调度方法，其特征在于：所述的DNN要预先进行训练，训练的方法是：通过交换机预先收集不同类型应用的流量数据，采用监督学习的方法对DNN进行训练。
3.根据权利要求1或2所述的基于深度学习实现应用感知的SDN网络资源调度方法，其特征在于：所述方法包括如下操作步骤：
(1)客户端主机应用向服务器主机发出数据包，该数据包进入SDN网络；所述的客户端主机与SDN网络的边缘节点SA相联，所述的服务器主机与SDN网络的边缘节点SB相联；
(2)所述的SDN网络的边缘节点SA收到该数据包后查询流表，如果有相应的匹配流表，则按流表规则转发该数据包；如果没有匹配流表，则把该数据包通过packet_In消息上传给SDN控制器；
(3)SDN控制器收到该packet_In消息，解析上报的数据包，根据网络拓扑获取该数据包的源节点和目的节点，分别为SA和SB；
(4)SDN控制器使用最短路径算法计算出一条从节点SA到节点SB的传输路径，并将该路径转换成OpenFlow流表，然后把该流表下发到所述的路径上所有的交换节点；所述的客户端主机应用发出的所有数据包都会匹配到上述流表并最终根据该流表的动作转发到服务器主机；
(5)SDN控制器使用最短路径算法计算出一条源为节点SA，目的为所述VNF所连接的SDN网络边缘节点SC的路径，该路径会被转换成流表并下发到该路径上的所有节点；此时在SA处，所述客户端主机应用发送的数据包会被拷贝两份，其中一份会被转发到节点SB，这部分数据包最终会被转发到服务器主机，另一份数据包会被转发到VNF所连接的节点SC；
(6)VNF按照设定的采样时长对所述客户端主机应用的数据包进行采样，采样完成后，VNF计算出流量数据的特征向量并将该特征向量送入所述的DNN中进行分类；
(7)分类结果被标记在数据包的IP包头中的DSCP字段，之后所述的数据包会通过packet_In消息上报给SDN控制器；
(8)SDN控制器收到VNF上报的分类结果，将分类结果映射成预置的资源需求，所述的资源需求主要指带宽要求和时延要求；
(9)SDN控制器使用深度优先算法DFS算法在源为SA目的为SB的所有路径中搜索一条满足资源需求的路径，并将该路径转化为流表，该流表会被下发到所述路径上的所有节点；这些流表具有较高的优先级会覆盖之前下发的流表，此时所述客户端主机应用的后续流量都会沿着满足其资源需求的所述路径进行转发。
4.根据权利要求3所述的基于深度学习实现应用感知的SDN网络资源调度方法，其特征在于：步骤(6)中所述的特征向量是指：根据应用的数据流的时序特征所计算的特征向量；所述的应用的数据流定义为具有相同{源IP，目的IP，源端口号，目的端口号，协议(TCP或UDP)}，即{Source IP,Destination IP,Source Port,Destination Port and Protocol(TCP or UDP)}的一系列连续的数据包。
5.根据权利要求4所述的基于深度学***均值和标准差；后向数据报的到达时间间隔，包括最大值，最小值，平均值，标准差；双向数据报的到达时间间隔，包括最大值，最小值，平均值，标准差；前向数据报每秒发送的报文个数和字节数；后向数据报每秒发送的报文个数和字节数；每秒时间内到达的前向数据报和后向数据报的包数之比和字节数之比；所述前向数据报是指客户端发送给服务器的上行流量，所述后向数据报是指服务器回复给客户端的下行流量。
CN201810573044.1A 2018-06-06 2018-06-06 基于深度学习实现应用感知的sdn网络资源调度方法 Active CN108881028B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810573044.1A CN108881028B (zh) 2018-06-06 2018-06-06 基于深度学习实现应用感知的sdn网络资源调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810573044.1A CN108881028B (zh) 2018-06-06 2018-06-06 基于深度学习实现应用感知的sdn网络资源调度方法

Publications (2)

Publication Number Publication Date
CN108881028A true CN108881028A (zh) 2018-11-23
CN108881028B CN108881028B (zh) 2020-06-26

Family

ID=64337123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810573044.1A Active CN108881028B (zh) 2018-06-06 2018-06-06 基于深度学习实现应用感知的sdn网络资源调度方法

Country Status (1)

Country Link
CN (1) CN108881028B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110298381A (zh) * 2019-05-24 2019-10-01 中山大学 一种云安全服务功能树网络入侵检测***
CN110380940A (zh) * 2019-08-22 2019-10-25 北京大学深圳研究生院 一种路由器及其数据包的评估方法
CN110581802A (zh) * 2019-08-27 2019-12-17 北京邮电大学 基于深度信念网络的全自主智能路由方法及装置
CN110601916A (zh) * 2019-08-14 2019-12-20 天津大学 一种基于机器学习的流量采样和应用感知的***
CN110708260A (zh) * 2019-11-13 2020-01-17 鹏城实验室 数据包传输方法及相关装置
CN111355670A (zh) * 2018-12-24 2020-06-30 中移（杭州）信息技术有限公司 一种流量识别方法、装置、电子设备及存储介质
CN112311578A (zh) * 2019-07-31 2021-02-02 ***通信集团浙江有限公司 基于深度强化学习的vnf调度方法及装置
CN113452559A (zh) * 2021-06-24 2021-09-28 同济大学浙江学院 基于深度学习的网络资源分配方法、***及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104518984A (zh) * 2014-12-22 2015-04-15 北京航空航天大学 一种基于多重分类器对数据包进行流量分类的sdn控制器
CN104994033A (zh) * 2015-05-13 2015-10-21 南京航空航天大学 一种资源动态管理的SDN网络QoS保障方法
US20160105364A1 (en) * 2014-10-13 2016-04-14 Nec Laboratories America, Inc. Network traffic flow management using machine learning
CN107317758A (zh) * 2017-06-12 2017-11-03 西安交通大学 一种高可靠性的细粒度sdn流量监控架构
CN107547379A (zh) * 2016-06-23 2018-01-05 华为技术有限公司 软件定义网络中生成路由控制动作的方法和相关设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160105364A1 (en) * 2014-10-13 2016-04-14 Nec Laboratories America, Inc. Network traffic flow management using machine learning
CN104518984A (zh) * 2014-12-22 2015-04-15 北京航空航天大学 一种基于多重分类器对数据包进行流量分类的sdn控制器
CN104994033A (zh) * 2015-05-13 2015-10-21 南京航空航天大学 一种资源动态管理的SDN网络QoS保障方法
CN107547379A (zh) * 2016-06-23 2018-01-05 华为技术有限公司 软件定义网络中生成路由控制动作的方法和相关设备
CN107317758A (zh) * 2017-06-12 2017-11-03 西安交通大学 一种高可靠性的细粒度sdn流量监控架构

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LU HE，等: ""vTC：Machine Learning Based Traffic Classification as a Virtual Network Function"", 《SDN-NFV SECURITY "16: PROCEEDINGS OF THE 2016 ACM INTERNATIONAL WORKSHOP ON SECURITY IN SOFTWARE DEFINED NETWORKS & NETWORK FUNCTION VIRTUALIZATION》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111355670A (zh) * 2018-12-24 2020-06-30 中移（杭州）信息技术有限公司 一种流量识别方法、装置、电子设备及存储介质
CN111355670B (zh) * 2018-12-24 2023-05-02 中移（杭州）信息技术有限公司 一种流量识别方法、装置、电子设备及存储介质
CN110298381A (zh) * 2019-05-24 2019-10-01 中山大学 一种云安全服务功能树网络入侵检测***
CN110298381B (zh) * 2019-05-24 2022-09-20 中山大学 一种云安全服务功能树网络入侵检测***
CN112311578A (zh) * 2019-07-31 2021-02-02 ***通信集团浙江有限公司 基于深度强化学习的vnf调度方法及装置
CN112311578B (zh) * 2019-07-31 2023-04-07 ***通信集团浙江有限公司 基于深度强化学习的vnf调度方法及装置
CN110601916A (zh) * 2019-08-14 2019-12-20 天津大学 一种基于机器学习的流量采样和应用感知的***
CN110380940A (zh) * 2019-08-22 2019-10-25 北京大学深圳研究生院 一种路由器及其数据包的评估方法
CN110380940B (zh) * 2019-08-22 2022-05-24 北京大学深圳研究生院 一种路由器及其数据包的评估方法
CN110581802A (zh) * 2019-08-27 2019-12-17 北京邮电大学 基于深度信念网络的全自主智能路由方法及装置
CN110708260A (zh) * 2019-11-13 2020-01-17 鹏城实验室 数据包传输方法及相关装置
CN113452559A (zh) * 2021-06-24 2021-09-28 同济大学浙江学院 基于深度学习的网络资源分配方法、***及介质

Also Published As

Publication number Publication date
CN108881028B (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN108881028A (zh) 基于深度学习实现应用感知的sdn网络资源调度方法
CN108353029A (zh) 用于管理计算网络中的数据业务的方法和***
KR20060052982A (ko) 모바일 통신 시스템에서 자동 ｉｐ 트래픽 최적화
CN104753704B (zh) 一种软件定义网络中的状态迁移方法及交换机
CN104158753A (zh) 基于软件定义网络的动态流调度方法及***
US20160241435A1 (en) Apparatus for optimising a configuration of a communications network device
WO2016161937A1 (zh) 业务流的识别方法、装置及***
CN110324260A (zh) 一种基于流量识别的网络功能虚拟化智能调度方法
Liu et al. An adaptive approach for elephant flow detection with the rapidly changing traffic in data center network
Xu et al. IARA: An intelligent application-aware VNF for network resource allocation with deep learning
Wang et al. Software defined autonomic QoS model for future Internet
Vladyko et al. Fuzzy model of dynamic traffic management in software-defined mobile networks
Nurhaida et al. Performance Comparison based on Open Shortest Path First (OSPF) Routing Algorithm for IP Internet Networks
Amelyanovich et al. Centralized control of traffic flows in wireless LANs based on the SDN concept
Mahboob et al. A novel deep-learning-enabled qos management scheme for encrypted traffic in software-defined cellular networks
Al-Haddad et al. A Survey of Quality of Service (QoS) Protocols and Software-Defined Networks (SDN) From the Traditional to the Latest Network Architecture
Bifulco et al. CATENAE: A scalable service function chaining system for legacy mobile networks
Chodorek et al. A Linux kernel implementation of the traffic flow description option
CN111865805B (zh) 一种组播gre报文处理方法及***
Silva et al. AVIRA: Enhanced multipath for content-aware adaptive virtual reality
Tosic et al. Soft sensors in wireless networking as enablers for SDN based management of content delivery
Sari et al. Implementation of Bandwidth Management and Access Restrictions Using PCQ and Firewall Methods in SMP Tunas Bangsa Network
Calderón et al. Predicting traffic through artificial neural networks
Chahlaoui et al. Towards QoS-enabled SDN networks
Tansupasiri et al. Using active networks technology for dynamic QoS

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant