CN109818865B - 一种sdn增强路径装箱装置及方法 - Google Patents

Abstract

一种SDN增强路径装箱装置及方法，用于解决基于SDN控制器路径计算单元中出现的装箱问题。本发明综合考虑了通信网络中带宽资源、扰动、时延等相关约束条件，使用粒子群算法，与SDN控制器网络拓扑规划模块相关技术结合，旨在网络中新业务带宽资源不足情况下智能化调整业务路径规划提供装箱方案，属于电信网络智能算法优化领域。主要创新点包括：1、基于SDN技术的网络装箱业务的编排方案；2、在装箱决策模型中引入了基于SDN的网络业务调度；3、利用粒子群算法模型提高网络全局带宽利用率。

Description

一种SDN增强路径装箱装置及方法

技术领域

本发明属于电信网络智能算法优化领域，具体涉及一种SDN增强路径装箱装置及方法。

背景技术

在当前通信网络环境下，带宽资源是网络中最关键的资源。当网络负载不均衡，即网络中局部网络带宽使用率过高，而其余部分带宽使用率过低，会引起不必要的网络拥塞和资源浪费，并且会出现在当前整体网络带宽资源足够的情况下无法给新增业务计算合法路径。为了实现网络的资源合理利用，可以通过一些智能算法调节网络的资源使用分布，并计算出最优的路径分配方案，即全局优化调整已部署业务在网络中的通信链路，使整网腾出新业务得以部署的网络资源，并且对整网业务的扰动率最小。

在传统的路由器解决方案中，业务路径的计算主要通过跳数、延迟、所占带宽资源与链路代价为约束的条件下的最短路径优先算法实现的。传统方案的缺陷在于：(1)如果从一个源节点到目的节点的流量超过了最短路径的容量，最短路径将变得拥塞，但同时这两点之间可能有一条更长的路径没有被充分使用；(2)在来自不同源节点的最短路径在一条链路上重叠的情况下，如果通过该链路的总流量超过了该链路的容量，那么就会发生拥塞。随着入网客户的增加，现有的网络规模飞速增长，网络拥塞情况也愈加严重。

粒子群算法(Particle swarm optimization，PSO)是基于种群的优化算法。它具有快速收敛和操作简单等特点，在工程、经济管理等诸多领域得到广泛应用，成为智能计算领域研究的新热点。粒子群优化算法是一种具有形式简洁、收敛快速和参数调节机制灵活等优点的进化算法，并且已经成功应用于单目标优化问题，被认为是求解多目标优化问题最具潜力的方法之一。

发明内容

本发明针对现有技术中的不足，提供一种SDN增强路径装箱装置及方法，解决面向SDN通信网络中网络负载新增业务装箱的技术问题。

为实现上述目的，本发明采用以下技术方案：

一种SDN增强路径装箱装置，其特征在于，包括：网络业务调度中心，所述网络业务调度中心是为***提供基础通信和管理功能的模块，其核心组件是SDN控制器；网络业务调度中心的组件接口包括：用于传递定制参数的北向接口，用于传递packet-in或者packet-out消息的数据包接口，用于下发流表或转发流表的流表接口，用于获取网络拓扑的接口；网络业务调度中心的功能模块包括：网络拓扑识别模块，业务负载评估模块，网络路由计算模块；

所述业务负载评估模块是对进入网络中的指标信息进行评估，通过大数据技术实现，在网络业务调度中心中构建一套业务指标大数据库，从而根据业务信息快速评估业务指标性；

所述路由计算模块是基于网络的拓扑信息以及网络安全设备信息，计算一条从数据流量入口到转发设备，再到数据流量出口的流路径。

为优化上述技术方案，采取的具体措施还包括：

进一步地，所述SDN控制器采用Floodlight、POX或NOX；所述指标信息包括数据流量的大小、时延、传输速率。

同时，本发明还提出了一种如上所述的SDN增强路径装箱装置的装箱方法，其特征在于，包括如下步骤：

步骤一：当前工作的网络中新增业务的数据流量需要请求生产环境中的网络资源时，如果资源不足的情况，向网络业务调度中心发送新增网络业务装载请求，网络业务调度中心接收到业务装载请求后，启动网络业务路径装箱机制；

步骤二：在启动网络业务路径装箱机制后，OpenFlow交换机向网络业务调度中心中的业务负载评估模块发送数据流量镜像，识别指标信息；

步骤三：网络业务调度中心中的SDN控制器通过北向接口接收到业务装载请求后，向网络中的流量入口、流量出口、以及挂载网络交换机节点下发镜像流表；

步骤四：运行k最短路径算法为每条需要部署的业务计算出多条备用路径，然后将这些备用路径作为输入再次运行粒子群算法，计算出放置新业务到网络中的最佳方案，保证新的业务可以加入到SDN网络中，同时对已部署业务扰动尽可能的小；

步骤五：在网络业务调度中心计算出流量的调度路由后，由SDN控制器将流表下发到该路由上的OpenFolw交换机上，将路由上的数据转发设备连接成一条数据链路；

步骤六：在接收到流表后，OpenFlow交换机将数据流量引流至相应的交换机设备上，交换机调整不满足要求的业务流的路径、修改该业务流所经过的SDN交换机的流表项，同时将新添加的业务下发给相应交换机的流表中，让该交换机完成新业务的转发。

为优化上述技术方案，采取的具体措施还包括：

进一步地，所述步骤四中的计算备用路径，指的是新增一个或者多个业务无法直接部署时，通过基于粒子群算法的全局调整将新业务装箱到生产网络中。

进一步地，所述步骤四中的粒子群算法，具体如下：

粒子群的编码方式采用自然数编码，编码长度只与业务个数相关，与业务的备用路径集中路径个数无关，业务的备用路径个数仅与解空间相关，一条粒子的位置x_i是由各个业务的备用路径集随机选一条路径构成的，在粒子群的第i个粒子代表的位置中，业务k选择备用路径集中的第

个路由，则

在这个D维空间中，共有m个粒子，即粒子群的规模为m；粒子i位置：

粒子i速度：

1≤i≤m；粒子i经历过的历史最好位置：

群体内所有粒子所经历过的最好位置：

粒子群算法中个体Position中有p数组和v数组两个数据域，分别代表位置和速度，p数组代表当前解的位置，解为n维，n代表已有的业务数量；粒子群算法对装箱问题的实现是对现网中的备用路径进行全局调整，解的长度和现网业务的个数相同，解对应位置的数值是指相应业务的工作路径选取(0，...，n)，算法步骤如下：

步骤1)初始化粒子群，数组的每个位置随机取0～n，n表示当前业务的数量，解的维度由业务数量决定；

步骤2)根据速度位置迭代公式更新个体的pBest_i，再根据全局更新gBest，其中pBest_i表示个体粒子i历史最优解，gBest表示当前全局的最优解；

步骤3)进入迭代循环，当解收敛时跳出循环；

步骤4)输出最优解gBest；

最终的解就是现网中路径序号，迭代过程中适应度函数由扰动个数决定。

同时，本发明还提出了一种如上所述的SDN增强路径装箱装置的装箱方法，其特征在于，包括如下步骤：

步骤101：新的业务进入***，一个新业务的第一个数据分组进入SDN时，到达SDN交换机，执行步骤102；

步骤102：SDN交换机将该数据分组或者数据分组头部发送给SDN控制器，执行步骤104；

步骤103：SDN控制器收集其控制的网络中的所有的业务信息与资源信息，包括：交换机中的流表项、网络节点资源的使用情况、链路的带宽利用率、业务的拓扑以及业务的资源需求，进入步骤105；

步骤104：SDN控制器启动PCE，通过计算或策略管理计算出该业务需要通过的路径，如果成功计算出路径，则将该业务的路径信息加入到SDN交换机的流表项中，完成该业务的部署；如果SDN控制器无法查找到合适的路由路径，执行步骤103；

步骤105：SDN控制器启动PCE，首先运行遗传算法生成每条业务的多条备用路径，然后将这些路径作为输入再次使用粒子群算法，算出将这些业务放置到网络中的最佳方案，来保证新的业务可以加入到SDN网络中，并且对网络中其他业务的扰动最小，实现负载均衡，进入步骤106；

步骤106：SDN控制器将计算出的新的配置信息传输给网络中的SDN交换机，进入步骤107；

步骤107：SDN交换机收到配置信息后，调整不满足要求的业务流的路径，修改该业务流所经过的SDN交换机的流表项，同时将新添加的业务下发给相应交换机的流表中，让该交换机完成新业务的转发；

步骤108：完成了新业务的部署并完成SDN网络的负载均衡。

同时，本发明还提出了一种如上所述的SDN增强路径装箱装置的装箱方法，其特征在于，包括如下步骤：

步骤201：新增业务进入网络中并请求网络资源，首先评估新增业务的各项约束条件和所需要的资源情况；

步骤202：负载评估，在启动网络业务装箱之前首先判断当前剩余的网络资源是否满足新增业务路径的直接计算，如果资源满足进入步骤203；

步骤203：路径计算，运行ksp算法计算新增业务的路径，在满足所有网络资源和约束条件的时候既可直接计算新增业务路径；

步骤204：装箱操作，即当当前网络的资源条件不能满足新增业务的需求时，调用装箱算法，调整已部署的业务以满足新增业务的资源需求；

步骤205：网络业务路径调整，调整完毕所有老业务并且为新增业务计算出所有可用路径集合之后，开始正式部署需要调整的老业务和新增的业务，完成整个装箱操作。

为优化上述技术方案，采取的具体措施还包括：

进一步地，所述步骤204中，采用粒子群算法解决装箱问题，具体步骤如下：

步骤301：初始化一群微粒，群体规模为m，包括随机位置p和速度v；

步骤302：评价每个微粒的适应度fitness；

步骤303：对每个微粒，将其目标函数值与其经过的最好位置pBest比较，如果较好，则将其作为当前的最好位置pBest；

步骤304：找到目标函数值最高的粒子，即当前种群中最好的位置gBest；

步骤305：根据如下公式调整微粒速度和位置；

式中，t表示迭代次数，ω表示惯性权重，c₁、c₂表示加速系数，分别表示个体学习因子和社会学习因子，r_i、r₂表示在[0，1]上均匀分布的随机数，pBest_i表示个体粒子i的历史最优解，gBest表示当前全局的最优解，v_i(i)表示迭代次数为t时粒子i的速度，v_i(t+1)表示迭代次数为t+1时粒子i的速度，x_i(t)表示迭代次数为t时粒子i的位置，x_i(t+1)表示迭代次数为t+1时粒子i的位置；

步骤306：未达到结束条件则转步骤302，迭代终止条件根据具体问题选为最大迭代次数或微粒群迄今为止搜索到的最优位置满足预定最小适应阈值；

在用粒子群算法解决优化问题中，粒子由位置向量和速度向量构成，据目标函数来计算当前的所在位置的适应值；在每次速度迭代中，粒子除了根据自己的历史最好记录进行学习之外，还根据当前种群中最优的粒子进行学习，从而确定下次如何调整和改变飞行的速度、方向，最终确定该粒子完成一次迭代之后的位置向量；

在粒子群装箱算法中，粒子位置之间的好坏通过目标值来比较，每一代粒子群的pBest_i和gBest也是通过比较粒子之间的目标函数值来更新的；在本网络问题模型下要求能够求受扰动业务数和总业务数的比率最小，因此选取如下目标函数：

式中，θ是业务受到的扰动率；当ω＞1时，表示链路带宽超载，即当前网络资源无法承载现网的所有业务，所以将这样的粒子目标函数设为-1，当一个粒子目标函数值为-1时，此粒子就是不可行解。

本发明的有益效果是：基于粒子群算法提出了一种基于SDN控制器中的增强路径装箱方法，结合SDN路径计算单元的灵活部署能力，得到一种高效的路径装箱策略，能够在多约束的复杂网络环境中，提供个性化的业务部署服务，同时，通过计算较低网络成本的最优路径，提高了网络业务的路由计算效率和整体带宽资源利用率。

附图说明

图1是SDN网络增强路径装箱问题基本架构图。

图2是装箱方法流程图。

图3是粒子群算法解决装箱问题的流程示意图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

本发明提供的一种SDN增强路径装箱装置，包括：

网络业务调度中心，指的是为***提供基础通信和管理功能的模块，其核心组件是SDN控制器，如Floodlight、POX、NOX等。组件接口主要包括：1、用于传递定制参数的北向接口；2、用于传递packet-in或者packet-out消息的数据包接口；3、用于下发流表或转发流表的流表接口；4、用于获取网络拓扑的接口。其主要的功能模块包括：网络拓扑的识别，业务负载评估，网络路由计算等。

业务负载评估，指的是对进入网络中的数据流量的大小、时延等指标信息进行评估，该功能可以采用通过现有的大数据等技术来实现，在网络业务调度中心中构建一套业务指标大数据库，从而可以根据业务信息快速评估业务指标性。

路由计算，指的是基于网络的拓扑信息以及网络安全设备信息，计算一条从数据流量入口到转发设备，再到数据流量出口的流路径。

本发明提供的一种SDN增强路径装箱方法，包括：

步骤一：当前工作的网络中新增业务的数据流量需要请求生产环境中的网络资源时，如果资源不足的情况，这时候会向网络业务调度中心发送新增网络业务装载请求，网络业务调度中心接收到业务装载请求后，将启动网络业务路径装箱机制。

步骤二：在启动网络业务路径装箱机制后，OpenFlow交换机将向网络业务调度中心中的业务负载评估模块发送数据流量镜像，识别数据流量的大小、传输速率等指标信息。

步骤三：网络业务调度中心中的SDN控制器通过北向接口接收到业务装载请求后，向网络中的流量入口、流量出口、以及挂载网络交换机节点下发镜像流表。

步骤四：运行k最短路径算法为每条需要部署的业务计算出多条备用路径，然后将这些备用路径作为输入再次运行粒子群算法，计算出放置新业务到网络中的最佳方案，保证新的业务可以加入到SDN网络中，同时对已部署业务扰动尽可能的小。其中，计算备用路径指的是新增一个或者多个业务无法直接部署时，通过基于粒子群算法的全局调整将新业务装箱到生产网络中。

步骤五：在网络业务调度中心计算出流量的调度路由后，由SDN控制器将流表下发到该路由上的OpenFolw交换机上，将路由上的数据转发设备连接成一条数据链路。

步骤六：在接收到流表后，OpenFlow交换机将数据流量引流至相应的交换机设备上，交换机调整不满足要求的业务流的路径、修改该业务流所经过的SDN交换机的流表项，同时将新添加的业务下发给相应交换机的流表中，让该交换机完成新业务的转发。

在上述方法之前，进行业务负载优化，其基本步骤如下：

a、新增业务数据输入：网络中出现新的流量业务需求，网络状况的测量包括对数据进行预处理，如网络的带宽资源，节点数、时延等等；另一方面对已经计算出路径即将装载进入网络的业务的数据分析，如起始节点，需要的链路带宽以及不能超过的跳数等的具体描述。

b、优化目标确立、建模及分析：对实际的网络特性和流量业务特性建立数学模型，找出影响网络性能的因素所在，提升网络性能、网络运行控制、网络设计。

c、输出优化结果：在对当前网络及传输需求抽象和分析基础上，通过控制行为对已经部署的业务路径进行调整，达到全局负载均衡最优的目标。

本发明的SDN路径增强装箱方法及装置，通过新增业务请求、业务约束提取、部署业务调度下发触发装箱机制；然后k最短路径算法生成备用路径，再基于粒子群算法计算业务流量装箱策略；最后业务调度中心完成调度策略的下发。比传统方法中直接装箱方法更进一步，能更加方便地理解和比较业务装箱前后网络的负载扰动程度，可以做到均衡、低扰动装箱。

粒子群的编码方式目前常用的编码技术有二进制编码，自然数编码，浮点数编码，字符编码等。这里集合本文提出的装箱问题采用的是自然数编码，编码长度只与业务个数相关，与业务的备用路径集中路径个数无关，业务的备用路径个数仅与解空间相关。一条粒子的位置x_i是由各个业务的备用路径集随机选一条路径构成的，如在粒子群的第i个粒子代表的位置中，业务k选择的备用集中的第

个路由，则

在这个D维空间中，共有m个粒子，即粒子群的规模为m；粒子i位置：

粒子i速度：

1≤i≤m，粒子i经历过的历史最好位置：

群体内(或领域内)所有粒子所经历过的最好位置：

粒子群算法中个体Position中有p数组和v数组两个数据域，分别代表位置和速度，p数组代表当前解的位置，在本算法中解为n维，n代表已有的业务数量；粒子群算法对装箱问题的实现基于前文提到的装箱模型，同样是对现网中的备用路径进行全局调整，解的长度和现网业务的个数相同，解对应位置的数值是指相应业务的工作路径选取(0，...，n)，算法步骤如下：

步骤1)初始化粒子群，数组的每个位置随机取0～n，n表示当前业务的数量，解的维度由业务数量决定。

步骤2)根据速度位置迭代公式更新个体的pBest_i，再根据全局更新gBest，其中pBest_i表示个体粒子i历史最优解，gBest表示当前全局的最优解。

步骤3)进入迭代循环，当解收敛时跳出循环。

步骤4)输出最优解gBest。

最终的解就是现网中路径序号，迭代过程中适应度函数由扰动个数决定。

由于本问题中扰动率为目标函数，所以将现网业务的当前工作路径信息素设为1.5，其他备用路径设为1，这样可以增加选取当前工作路径的概率，可以加速收敛。

图1给出了SDN网络增强路径装箱问题基本架构图。如图中所示，采用了一个简化的模型来清楚地描述本发明中的装箱方法，SDN网络增强路径装箱问题基本框架的执行过程分为如下几个步骤：

步骤101：新的业务进入***；一个新业务的第一个数据分组进入SDN时，到达SDN交换机，执行步骤102。

步骤102：SDN交换机将该数据分组或者数据分组头部发送给SDN控制器，执行步骤104。

步骤103：SDN控制器收集其控制的网络中的所有的业务信息与资源信息：交换机中的流表项、网络节点资源的使用情况、链路的带宽利用率、业务的拓扑以及业务的资源需求等。进入步骤105。

步骤104：SDN控制器启动PCE，通过计算或策略管理计算出该业务需要通过的路径，如果成功计算出路径，则将该业务的路径信息加入到SDN交换机的流表项中，完成该业务的部署；如果SDN控制器无法查找到合适的路由路径，执行步骤103。

步骤105：SDN控制器启动PCE，首先运行遗传算法生成每条业务的多条备用路径，然后将这些路径作为输入再次使用粒子群算法，算出将这些业务放置到网络中的最佳方案，来保证新的业务可以加入到SDN网络中，并且对网络中其他业务的扰动最小，实现负载均衡，进入步骤106。

步骤106：SDN控制器将计算出的新的配置信息传输给网络中的SDN交换机，进入步骤107。

步骤107：SDN交换机收到配置信息后，调整不满足要求的业务流的路径、修改该业务流所经过的SDN交换机的流表项，同时将新添加的业务下发给相应交换机的流表中，让该交换机完成新业务的转发。

步骤108：完成了新业务的部署并完成SDN网络的负载均衡。

图2给出了本发明中的装箱方法的流程图，具体分为如下几个步骤：

步骤201：新增业务进入网络中并请求网络资源，首先评估新增业务的各项约束条件和所需要的资源情况。

步骤202：负载评估，在启动网络业务装箱之前首先判断当前剩余的网络资源是否满足新增业务路径的直接计算，如果资源满足进入步骤203。

步骤203：路径计算，运行ksp算法计算新增业务的路径，在满足所有网络资源和约束条件的时候即可直接计算新增业务路径。

步骤204：装箱操作，即当当前网络的资源条件不能满足新增业务的需求时，调用本文的装箱算法，调整已部署的业务以满足新增业务的资源需求。

步骤205：网络业务路径调整，调整完毕所有老业务并且为新增业务计算出所有可用路径集合之后，开始正式部署需要调整的老业务和新增的业务，完成整个装箱操作。

图3给出了粒子群算法解决装箱问题的流程示意图，具体分为如下几个步骤：

步骤301：初始化一群微粒(群体规模为m)，包括随机位置p和速度v。

步骤302：评价每个微粒的适应度fitness。

步骤303：对每个微粒，将其目标函数值与其经过的最好位置pBest比较，如果较好，则将其作为当前的最好位置pBest。

步骤304：找到目标函数值最高的粒子即当前种群中最好的位置gBest。

步骤305：根据公式调整微粒速度和位置：

式中，t表示迭代次数，ω表示惯性权重，c₁、c₂表示加速系数，分别表示个体学习因子和社会学习因子，r₁、r₂表示在[0，1]上均匀分布的随机数，pBest_i表示个体粒子i历史最优解，gBest表示当前全局的最优解；v_i(t)表示迭代次数为t时粒子i的速度，v_i(t+1)表示迭代次数为t+1时粒子i的速度；x_i(t)表示迭代次数为t时粒子i的位置，x_i(t+1)表示迭代次数为t+1时粒子i的位置。

步骤306：未达到结束条件则转步骤302。

迭代终止条件根据具体问题一般选为最大迭代次数或微粒群迄今为止搜索到的最优位置满足预定最小适应阈值。

在用粒子群算法解决优化问题中，粒子由位置向量(粒子在解空间的位置)和速度向量构成(决定下次飞行的方向和速度)，据目标函数来计算当前的所在位置的适应值(可以理解为鸟儿距离食物的距离)。在每次速度迭代中，粒子除了会根据自己的历史最好记录进行学习之外，还会根据当前种群中最优的粒子进行学习，从而确定下次如何调整和改变飞行的速度、方向，最终确定该粒子完成一次迭代之后的位置向量。

在粒子群装箱算法中，粒子位置之间的好坏通过目标值来比较的，每一代粒子群的pBest_i和gBest也是通过比较粒子之间的目标函数值来更新的。在本网络问题模型下的要求能够求受扰动业务数和总业务数的比率最小，因此选取如下目标函数：

式中，θ是业务受到的扰动率。这里需要特别说明的是当ω＞1时表示链路带宽超载，即当前网络资源无法承载现网的所有业务，所以将这样的粒子目标函数设为-1，当一个粒子目标函数值为-1时，此粒子就是不可行解。

在这种情况下，通过粒子群算法求解出既满足负载均衡，又能满足新增业务部署的解决方案。上述优化问题本质上是是NP-hard问题，其求解是极为困难的，而且目前还没有合适的多项式算法解决这个问题，工程中一般倾向于综合考虑算法效率和优化结果，寻求问题的满意解。分支定界、动态规划等传统的优化方法求解这类组合***的问题，即使对于规模较小的问题，其运算时间也是难以接受的，更不用说对于较大规模的实际问题。因此，人们通常采用启发式算法来求解现实生活中的完全问题。上述优化问题的特点是搜索空间大，我们考虑采用可以快速收敛的粒子群算法进行求解。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (6)

1.一种SDN增强路径装箱装置的装箱方法，所述SDN增强路径装箱装置包括：网络业务调度中心，所述网络业务调度中心是为***提供基础通信和管理功能的模块，其核心组件是SDN控制器；网络业务调度中心的组件接口包括：用于传递定制参数的北向接口，用于传递packet-in或者packet-out消息的数据包接口，用于下发流表或转发流表的流表接口，用于获取网络拓扑的接口；网络业务调度中心的功能模块包括：网络拓扑识别模块，业务负载评估模块，网络路由计算模块；所述业务负载评估模块是对进入网络中的指标信息进行评估，通过大数据技术实现，在网络业务调度中心中构建一套业务指标大数据库，从而根据业务信息快速评估业务指标性；所述路由计算模块是基于网络的拓扑信息以及网络安全设备信息，计算一条从数据流量入口到转发设备，再到数据流量出口的流路径；其特征在于，装箱方法包括如下步骤：

步骤一：当前工作的网络中新增业务的数据流量需要请求生产环境中的网络资源时，如果资源不足的情况，向网络业务调度中心发送新增网络业务装载请求，网络业务调度中心接收到业务装载请求后，启动网络业务路径装箱机制；

步骤二：在启动网络业务路径装箱机制后，OpenFlow交换机向网络业务调度中心中的业务负载评估模块发送数据流量镜像，识别指标信息；

步骤三：网络业务调度中心中的SDN控制器通过北向接口接收到业务装载请求后，向网络中的流量入口、流量出口、以及挂载网络交换机节点下发镜像流表；

步骤四：运行最短路径算法为每条需要部署的业务计算出多条备用路径，然后将这些备用路径作为输入再次运行粒子群算法，计算出放置新业务到网络中的最佳方案，保证新的业务可以加入到SDN网络中，同时对已部署业务扰动尽可能的小；具体如下：

步骤301:初始化一群微粒，群体规模为m，包括随机位置p和速度v；

步骤302:评价每个微粒的适应度fitness；

步骤303:对每个微粒，将其目标函数值与其经过的最好位置pBest比较，如果较好，则将其作为当前的最好位置pBest；

步骤304:找到目标函数值最高的粒子，即当前种群中最好的位置gBest；

步骤305:根据如下公式调整微粒速度和位置；

式中，t表示迭代次数，ω表示惯性权重，c₁、c₂表示加速系数，分别表示个体学习因子和社会学习因子，r₁、r₂表示在[0,1]上均匀分布的随机数，pBest_i表示个体粒子i的历史最优解，gBest表示当前全局的最优解，v_i(t)表示迭代次数为t时粒子i的速度，v_i(t+1)表示迭代次数为t+1时粒子i的速度，x_i(t)表示迭代次数为t时粒子i的位置，x_i(t+1)表示迭代次数为t+1时粒子i的位置；

步骤306：未达到结束条件则转步骤302，迭代终止条件选为最大迭代次数或微粒群迄今为止搜索到的最优位置满足预定最小适应阈值；

在粒子群装箱算法中，粒子位置之间的好坏通过目标值来比较，每一代粒子群的pBest_i和gBest也是通过比较粒子之间的目标函数值来更新的；在本网络问题模型下要求能够求受扰动业务数和总业务数的比率最小，因此选取如下目标函数：

式中，θ是业务受到的扰动率；当ω＞1时，表示链路带宽超载，即当前网络资源无法承载现网的所有业务，所以将这样的粒子目标函数设为-1，当一个粒子目标函数值为-1时，此粒子就是不可行解；

步骤五：在网络业务调度中心计算出流量的调度路由后，由SDN控制器将流表下发到该路由上的OpenFolw交换机上，将路由上的数据转发设备连接成一条数据链路；

步骤六：在接收到流表后，OpenFlow交换机将数据流量引流至相应的交换机设备上，交换机调整不满足要求的业务流的路径、修改该业务流所经过的SDN交换机的流表项，同时将新添加的业务下发给相应交换机的流表中，让该交换机完成新业务的转发。

2.如权利要求1所述的装箱方法，其特征在于：所述步骤四中的计算备用路径，指的是新增一个或者多个业务无法直接部署时，通过基于粒子群算法的全局调整将新业务装箱到生产网络中。

3.如权利要求2所述的装箱方法，其特征在于：所述步骤四中的粒子群算法，具体如下：

粒子群的编码方式采用自然数编码，编码长度只与业务个数相关，与业务的备用路径集中路径个数无关，业务的备用路径个数仅与解空间相关，一条粒子的位置x_i是由各个业务的备用路径集随机选一条路径构成的，在粒子群的第i个粒子代表的位置中，业务k选择备用路径集中的第

个路由，则

在这个D维空间中，共有m个粒子，即粒子群的规模为m；粒子i位置：

粒子i速度：

1≤i≤m；粒子i经历过的历史最好位置：

群体内所有粒子所经历过的最好位置：

粒子群算法中个体Position中有p数组和v数组两个数据域，分别代表位置和速度，p数组代表当前解的位置，解为n维，n代表已有的业务数量；粒子群算法对装箱问题的实现是对现网中的备用路径进行全局调整，解的长度和现网业务的个数相同，解对应位置的数值是指相应业务的工作路径选取(0,...,n)，算法步骤如下：

步骤1)初始化粒子群，数组的每个位置随机取0～n，n表示当前业务的数量，解的维度由业务数量决定；

步骤2)根据速度位置迭代公式更新个体的pBest_i，再根据全局更新gBest，其中pBest_i表示个体粒子i历史最优解，gBest表示当前全局的最优解；

步骤3)进入迭代循环，当解收敛时跳出循环；

步骤4)输出最优解gBest；

最终的解就是现网中路径序号，迭代过程中适应度函数由扰动个数决定。

4.一种SDN增强路径装箱装置的装箱方法，所述SDN增强路径装箱装置包括：网络业务调度中心，所述网络业务调度中心是为***提供基础通信和管理功能的模块，其核心组件是SDN控制器；网络业务调度中心的组件接口包括：用于传递定制参数的北向接口，用于传递packet-in或者packet-out消息的数据包接口，用于下发流表或转发流表的流表接口，用于获取网络拓扑的接口；网络业务调度中心的功能模块包括：网络拓扑识别模块，业务负载评估模块，网络路由计算模块；所述业务负载评估模块是对进入网络中的指标信息进行评估，通过大数据技术实现，在网络业务调度中心中构建一套业务指标大数据库，从而根据业务信息快速评估业务指标性；所述路由计算模块是基于网络的拓扑信息以及网络安全设备信息，计算一条从数据流量入口到转发设备，再到数据流量出口的流路径；其特征在于，装箱方法包括如下步骤：

步骤101：新的业务进入***，一个新业务的第一个数据分组进入SDN时，到达SDN交换机，执行步骤102；

步骤102：SDN交换机将该数据分组或者数据分组头部发送给SDN控制器，执行步骤104；

步骤103：SDN控制器收集其控制的网络中的所有的业务信息与资源信息，包括：交换机中的流表项、网络节点资源的使用情况、链路的带宽利用率、业务的拓扑以及业务的资源需求，进入步骤105；

步骤104：SDN控制器启动PCE，通过计算或策略管理计算出该业务需要通过的路径，如果成功计算出路径，则将该业务的路径信息加入到SDN交换机的流表项中，完成该业务的部署；如果SDN控制器无法查找到合适的路由路径，执行步骤103；

步骤105：SDN控制器启动PCE，首先运行遗传算法生成每条业务的多条备用路径，然后将这些路径作为输入再次使用粒子群算法，算出将这些业务放置到网络中的最佳方案，来保证新的业务可以加入到SDN网络中，并且对网络中其他业务的扰动最小，实现负载均衡，进入步骤106；具体如下：

步骤301:初始化一群微粒，群体规模为m，包括随机位置p和速度v；

步骤302:评价每个微粒的适应度fitness；

步骤303:对每个微粒，将其目标函数值与其经过的最好位置pBest比较，如果较好，则将其作为当前的最好位置pBest；

步骤304:找到目标函数值最高的粒子，即当前种群中最好的位置gBest；

步骤305:根据如下公式调整微粒速度和位置；

式中，t表示迭代次数，ω表示惯性权重，c₁、c₂表示加速系数，分别表示个体学习因子和社会学习因子，r₁、r₂表示在[0,1]上均匀分布的随机数，pBest_i表示个体粒子i的历史最优解，gBest表示当前全局的最优解，v_i(t)表示迭代次数为t时粒子i的速度，v_i(t+1)表示迭代次数为t+1时粒子i的速度，x_i(t)表示迭代次数为t时粒子i的位置，x_i(t+1)表示迭代次数为t+1时粒子i的位置；

步骤306：未达到结束条件则转步骤302，迭代终止条件选为最大迭代次数或微粒群迄今为止搜索到的最优位置满足预定最小适应阈值；

在粒子群装箱算法中，粒子位置之间的好坏通过目标值来比较，每一代粒子群的pBest_i和gBest也是通过比较粒子之间的目标函数值来更新的；在本网络问题模型下要求能够求受扰动业务数和总业务数的比率最小，因此选取如下目标函数：

式中，θ是业务受到的扰动率；当ω＞1时，表示链路带宽超载，即当前网络资源无法承载现网的所有业务，所以将这样的粒子目标函数设为-1，当一个粒子目标函数值为-1时，此粒子就是不可行解；

步骤106：SDN控制器将计算出的新的配置信息传输给网络中的SDN交换机，进入步骤107；

步骤107：SDN交换机收到配置信息后，调整不满足要求的业务流的路径，修改该业务流所经过的SDN交换机的流表项，同时将新添加的业务下发给相应交换机的流表中，让该交换机完成新业务的转发；

步骤108：完成了新业务的部署并完成SDN网络的负载均衡。

5.一种SDN增强路径装箱装置的装箱方法，所述SDN增强路径装箱装置包括：网络业务调度中心，所述网络业务调度中心是为***提供基础通信和管理功能的模块，其核心组件是SDN控制器；网络业务调度中心的组件接口包括：用于传递定制参数的北向接口，用于传递packet-in或者packet-out消息的数据包接口，用于下发流表或转发流表的流表接口，用于获取网络拓扑的接口；网络业务调度中心的功能模块包括：网络拓扑识别模块，业务负载评估模块，网络路由计算模块；所述业务负载评估模块是对进入网络中的指标信息进行评估，通过大数据技术实现，在网络业务调度中心中构建一套业务指标大数据库，从而根据业务信息快速评估业务指标性；所述路由计算模块是基于网络的拓扑信息以及网络安全设备信息，计算一条从数据流量入口到转发设备，再到数据流量出口的流路径；其特征在于，装箱方法包括如下步骤：

步骤201：新增业务进入网络中并请求网络资源，首先评估新增业务的各项约束条件和所需要的资源情况；

步骤202：负载评估，在启动网络业务装箱之前首先判断当前剩余的网络资源是否满足新增业务路径的直接计算，如果资源满足进入步骤203；

步骤203：路径计算，运行ksp算法计算新增业务的路径，在满足所有网络资源和约束条件的时候既可直接计算新增业务路径；

步骤204：装箱操作，即当当前网络的资源条件不能满足新增业务的需求时，调用装箱算法，调整已部署的业务以满足新增业务的资源需求；具体如下：

步骤301:初始化一群微粒，群体规模为m，包括随机位置p和速度v；

步骤302:评价每个微粒的适应度fitness；

步骤303:对每个微粒，将其目标函数值与其经过的最好位置pBest比较，如果较好，则将其作为当前的最好位置pBest；

步骤304:找到目标函数值最高的粒子，即当前种群中最好的位置gBest；

步骤305:根据如下公式调整微粒速度和位置；

式中，t表示迭代次数，ω表示惯性权重，c₁、c₂表示加速系数，分别表示个体学习因子和社会学习因子，r₁、r₂表示在[0,1]上均匀分布的随机数，pBest_i表示个体粒子i的历史最优解，gBest表示当前全局的最优解，v_i(t)表示迭代次数为t时粒子i的速度，v_i(t+1)表示迭代次数为t+1时粒子i的速度，x_i(t)表示迭代次数为t时粒子i的位置，x_i(t+1)表示迭代次数为t+1时粒子i的位置；

步骤306：未达到结束条件则转步骤302，迭代终止条件选为最大迭代次数或微粒群迄今为止搜索到的最优位置满足预定最小适应阈值；

在粒子群装箱算法中，粒子位置之间的好坏通过目标值来比较，每一代粒子群的pBest_i和gBest也是通过比较粒子之间的目标函数值来更新的；在本网络问题模型下要求能够求受扰动业务数和总业务数的比率最小，因此选取如下目标函数：

式中，θ是业务受到的扰动率；当ω＞1时，表示链路带宽超载，即当前网络资源无法承载现网的所有业务，所以将这样的粒子目标函数设为-1，当一个粒子目标函数值为-1时，此粒子就是不可行解；

步骤205：网络业务路径调整，调整完毕所有老业务并且为新增业务计算出所有可用路径集合之后，开始正式部署需要调整的老业务和新增的业务，完成整个装箱操作。

6.如权利要求1或4或5所述的装箱方法，其特征在于：所述SDN控制器采用Floodlight、POX或NOX；所述指标信息包括数据流量的大小、时延、传输速率。

Images