CN109818865B - 一种sdn增强路径装箱装置及方法 - Google Patents
一种sdn增强路径装箱装置及方法 Download PDFInfo
- Publication number
- CN109818865B CN109818865B CN201910182584.1A CN201910182584A CN109818865B CN 109818865 B CN109818865 B CN 109818865B CN 201910182584 A CN201910182584 A CN 201910182584A CN 109818865 B CN109818865 B CN 109818865B
- Authority
- CN
- China
- Prior art keywords
- network
- service
- particle
- path
- sdn
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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
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
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xi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
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pBesti,再根据全局更新gBest,其中pBesti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,ri、r2表示在[0,1]上均匀分布的随机数,pBesti表示个体粒子i的历史最优解,gBest表示当前全局的最优解,vi(i)表示迭代次数为t时粒子i的速度,vi(t+1)表示迭代次数为t+1时粒子i的速度,xi(t)表示迭代次数为t时粒子i的位置,xi(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pBesti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xi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
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pBesti,再根据全局更新gBest,其中pBesti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,pBesti表示个体粒子i历史最优解,gBest表示当前全局的最优解;vi(t)表示迭代次数为t时粒子i的速度,vi(t+1)表示迭代次数为t+1时粒子i的速度;xi(t)表示迭代次数为t时粒子i的位置,xi(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pBesti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,pBesti表示个体粒子i的历史最优解,gBest表示当前全局的最优解,vi(t)表示迭代次数为t时粒子i的速度,vi(t+1)表示迭代次数为t+1时粒子i的速度,xi(t)表示迭代次数为t时粒子i的位置,xi(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pBesti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xi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
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pBesti,再根据全局更新gBest,其中pBesti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,pBesti表示个体粒子i的历史最优解,gBest表示当前全局的最优解,vi(t)表示迭代次数为t时粒子i的速度,vi(t+1)表示迭代次数为t+1时粒子i的速度,xi(t)表示迭代次数为t时粒子i的位置,xi(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pBesti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,pBesti表示个体粒子i的历史最优解,gBest表示当前全局的最优解,vi(t)表示迭代次数为t时粒子i的速度,vi(t+1)表示迭代次数为t+1时粒子i的速度,xi(t)表示迭代次数为t时粒子i的位置,xi(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pBesti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。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910182584.1A CN109818865B (zh) | 2019-03-11 | 2019-03-11 | 一种sdn增强路径装箱装置及方法 |
PCT/CN2019/107872 WO2020181761A1 (zh) | 2019-03-11 | 2019-09-25 | 一种sdn增强路径装箱装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910182584.1A CN109818865B (zh) | 2019-03-11 | 2019-03-11 | 一种sdn增强路径装箱装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109818865A CN109818865A (zh) | 2019-05-28 |
CN109818865B true CN109818865B (zh) | 2020-09-18 |
Family
ID=66608708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910182584.1A Active CN109818865B (zh) | 2019-03-11 | 2019-03-11 | 一种sdn增强路径装箱装置及方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109818865B (zh) |
WO (1) | WO2020181761A1 (zh) |
Families Citing this family (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109818865B (zh) * | 2019-03-11 | 2020-09-18 | 江苏君英天达人工智能研究院有限公司 | 一种sdn增强路径装箱装置及方法 |
CN110247845B (zh) * | 2019-06-26 | 2021-10-29 | 深圳市中航比特通讯技术股份有限公司 | 一种通信网络中生成保护路由方法 |
CN110351145B (zh) * | 2019-07-18 | 2020-03-20 | 重庆电子工程职业学院 | 一种基于经济效益的虚拟化的无线网络功能编排方法 |
CN111200566B (zh) * | 2019-12-17 | 2022-09-30 | 北京邮电大学 | 一种网络业务流量信息疏导方法及电子设备 |
CN111598210B (zh) * | 2020-04-30 | 2023-06-02 | 浙江工业大学 | 面向基于人工免疫算法对抗攻击的对抗防御方法 |
CN112231705B (zh) * | 2020-09-23 | 2023-07-28 | 四川中电启明星信息技术有限公司 | 一种基于一二次划分的信息***可靠性提升方法 |
CN112183893B (zh) * | 2020-10-29 | 2024-02-02 | 东北大学 | 一种基于pso-sca和图论辅助的二阶段动态无功优化方法 |
CN112448946B (zh) * | 2020-11-09 | 2024-03-19 | 北京工业大学 | 基于区块链的日志审计方法及装置 |
CN114650249A (zh) * | 2020-12-02 | 2022-06-21 | 南京中兴软件有限责任公司 | 算法模型及路径的确定方法、电子设备、sdn控制器和介质 |
CN112714062B (zh) * | 2020-12-07 | 2022-04-29 | 山东省计算中心(国家超级计算济南中心) | 一种面向超算用户体验质量的多路径路由方法和装置 |
CN112637066B (zh) * | 2020-12-15 | 2023-01-24 | 南瑞集团有限公司 | 面向电力物联网的网络切片与路径选择优化方法与*** |
CN112615763B (zh) * | 2020-12-28 | 2022-09-16 | 广州西麦科技股份有限公司 | 一种基于spfa算法的网络时延编排***和方法 |
CN112835559B (zh) * | 2021-01-28 | 2023-08-11 | 北银金融科技有限责任公司 | 微前端在北银金融场景建设中的设计与实现方法 |
CN113157431B (zh) * | 2021-02-02 | 2022-09-20 | 天津理工大学 | 一种针对边缘网络应用环境的计算任务副本分发方法 |
CN113065310B (zh) * | 2021-03-30 | 2022-06-14 | 福州大学 | 基于粒子群算法的连续微流体生物芯片高级综合设计方法 |
CN113315715B (zh) * | 2021-04-07 | 2024-01-05 | 北京邮电大学 | 基于qmix的分布式网内拥塞控制方法 |
CN113691956B (zh) * | 2021-04-13 | 2024-01-09 | 成都天软信息技术有限公司 | 基于sdn和mec的车联网移动性管理方法 |
CN113191080B (zh) * | 2021-04-26 | 2024-02-09 | 辽宁省交通高等专科学校 | 基于hmpso算法的加热炉钢坯温度场预报模型优化方法 |
CN113676357B (zh) * | 2021-08-30 | 2022-07-29 | 国网内蒙古东部电力有限公司 | 面向电力物联网中边缘数据处理的决策方法及其应用 |
CN114024894B (zh) * | 2021-11-03 | 2023-04-25 | 苏州全时空信息技术有限公司 | 软件定义天地一体化网络中的动态传算方法及*** |
CN114116211B (zh) * | 2021-11-22 | 2024-04-16 | 中通服咨询设计研究院有限公司 | 面向移动边缘计算的业务流量分流优化方法与*** |
CN114205300B (zh) * | 2021-12-02 | 2023-09-22 | 南开大学 | 一种能够在流量信息不完整情况下保证coflow传输截止期限的流量调度方法 |
CN114244720A (zh) * | 2021-12-17 | 2022-03-25 | 湘潭大学 | 一种sdn环境下基于改进粒子群算法的多控制器部署方法 |
CN114466407B (zh) * | 2022-01-04 | 2024-05-07 | 中国船舶集团有限公司第七一六研究所 | 一种基于粒子群遗传的网络切片编排算法 |
CN114745693B (zh) * | 2022-03-03 | 2024-04-26 | 武汉大学 | 基于pso-ga混合算法的uav辅助车联网资源分配方法 |
CN114629860B (zh) * | 2022-03-17 | 2024-01-30 | 北京恒安嘉新安全技术有限公司 | 数据传输方法、装置、业务线卡和存储介质 |
CN114465945B (zh) * | 2022-03-25 | 2023-12-08 | 江苏省未来网络创新研究院 | 一种基于sdn的标识解析网络构建方法 |
CN114785730B (zh) * | 2022-04-13 | 2023-12-01 | 东北大学 | 一种应用层多径中继传输云服务***的多路径生成方法 |
CN115002022B (zh) * | 2022-04-29 | 2023-10-13 | 中国航空无线电电子研究所 | 一种用于RapidIO网络的路由配置生成方法 |
CN115314355B (zh) * | 2022-06-30 | 2023-10-03 | 国网河南省电力公司信息通信公司 | 基于确定性网络的电力通信网络架构***及方法 |
CN115277350A (zh) * | 2022-07-26 | 2022-11-01 | 湘潭大学 | 一种sdn环境下基于改进谱聚类算法的多控制器部署方法 |
CN115412485A (zh) * | 2022-08-22 | 2022-11-29 | 中国电信股份有限公司 | 容灾备份方法及装置、计算机存储介质、电子设备 |
CN115941579B (zh) * | 2022-11-10 | 2024-04-26 | 北京工业大学 | 一种基于深度强化学习的混合路由方法 |
CN116032778B (zh) * | 2023-03-29 | 2023-06-06 | 南京大学 | 云数据中心智能化监测应用任务部署方法、装置和*** |
CN116720638B (zh) * | 2023-04-13 | 2024-03-26 | 广东工业大学 | 一种基于改进进化算法的逆最短路权重调整方法及*** |
CN117614888A (zh) * | 2023-12-06 | 2024-02-27 | 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) | 一种用于车载tsn网络的动态调度与路由方法和*** |
CN117880218B (zh) * | 2024-03-11 | 2024-05-10 | 中联云港数据科技股份有限公司 | 一种高算力网络资源调度*** |
CN117938864B (zh) * | 2024-03-22 | 2024-05-28 | 无锡九方科技有限公司 | 基于机器学习的节点负载匹配方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105119830A (zh) * | 2015-09-14 | 2015-12-02 | 珠海赞同科技有限公司 | 基于装箱优化的负载均衡软件定义网络路由聚合方法 |
CN108400890A (zh) * | 2018-01-30 | 2018-08-14 | 天津城建大学 | 一种软件定义网络多控制器部署方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980470B (zh) * | 2010-10-03 | 2013-12-04 | 鲁东大学 | 一种基于混沌粒子群优化的ofdm***资源分配方法 |
CN105337853A (zh) * | 2014-06-11 | 2016-02-17 | 杭州华三通信技术有限公司 | 一种软件定义网络中的实例建立方法和装置 |
US20160294699A1 (en) * | 2015-03-30 | 2016-10-06 | Alcatel-Lucent Usa, Inc. | Traffic oblivious offline optimization for traffic engineering with segment routing |
CN105071947B (zh) * | 2015-07-06 | 2019-03-08 | 山东超越数控电子有限公司 | 一种sdn网络的链路优化方法 |
CN105429877B (zh) * | 2015-11-10 | 2018-08-10 | 中山大学 | 一种基于粒子群优化的路径寻优方法 |
CN106100990B (zh) * | 2016-06-06 | 2019-04-05 | 中国电子科技集团公司第三十研究所 | 一种基于sdn架构的通信网络多维度资源调控方法和*** |
CN107517155A (zh) * | 2016-06-15 | 2017-12-26 | 中兴通讯股份有限公司 | 一种软件定义网络、节点、路径计算方法及装置 |
CN106789707B (zh) * | 2016-11-28 | 2019-10-29 | 北京邮电大学 | 一种软件定义分组传送网全局业务动态优化方法及装置 |
CN107040605B (zh) * | 2017-05-10 | 2020-05-01 | 安徽大学 | 基于sdn的云平台资源调度与管理***及其应用方法 |
CN108521375B (zh) * | 2018-04-17 | 2020-12-15 | 中国矿业大学 | 一种基于SDN的网络多业务流量QoS的传输及调度方法 |
CN108809857B (zh) * | 2018-05-23 | 2020-04-28 | 中国石油大学(华东) | 一种基于sdn的流量监控与业务服务质量保障策略的方法 |
CN109818865B (zh) * | 2019-03-11 | 2020-09-18 | 江苏君英天达人工智能研究院有限公司 | 一种sdn增强路径装箱装置及方法 |
-
2019
- 2019-03-11 CN CN201910182584.1A patent/CN109818865B/zh active Active
- 2019-09-25 WO PCT/CN2019/107872 patent/WO2020181761A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105119830A (zh) * | 2015-09-14 | 2015-12-02 | 珠海赞同科技有限公司 | 基于装箱优化的负载均衡软件定义网络路由聚合方法 |
CN108400890A (zh) * | 2018-01-30 | 2018-08-14 | 天津城建大学 | 一种软件定义网络多控制器部署方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2020181761A1 (zh) | 2020-09-17 |
CN109818865A (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109818865B (zh) | 一种sdn增强路径装箱装置及方法 | |
CN112437020B (zh) | 一种基于深度强化学习的数据中心网络负载均衡方法 | |
CN112020103B (zh) | 一种移动边缘云中的内容缓存部署方法 | |
CN114338504B (zh) | 一种基于网络边缘***的微服务部署和路由方法 | |
CN114143264B (zh) | 一种SRv6网络下基于强化学习的流量调度方法 | |
CN116390164A (zh) | 一种低轨卫星网络可信负载均衡路由方法、***、设备及介质 | |
CN114697229A (zh) | 一种分布式路由规划模型的构建方法及应用 | |
CN108111335A (zh) | 一种调度和链接虚拟网络功能的方法及*** | |
CN111885493B (zh) | 一种基于改进布谷鸟搜索算法的微云部署方法 | |
CN116208567A (zh) | 跨域数据中心sdn网络资源的流量调度的方法和*** | |
Nguyen et al. | Efficient virtual network embedding with node ranking and intelligent link mapping | |
Zhou et al. | Multi-task deep learning based dynamic service function chains routing in SDN/NFV-enabled networks | |
Huang et al. | Effective scheduling function design in SDN through deep reinforcement learning | |
CN117749697A (zh) | 云网融合预调度方法、装置、***及存储介质 | |
Isravel et al. | Centrality based congestion detection using reinforcement learning approach for traffic engineering in hybrid SDN | |
Meng et al. | Intelligent routing orchestration for ultra-low latency transport networks | |
Chen et al. | Traffic engineering based on deep reinforcement learning in hybrid IP/SR network | |
Perepelkin et al. | Research of Multipath Routing and Load Balancing Processes in Software Defined Networks Based on Bird Migration Algorithm | |
Nair et al. | Particle swarm optimization for realizing intelligent routing in networks with quality grading | |
CN112333102B (zh) | 基于知识图谱的软件定义网络路由选择方法和*** | |
Belkout et al. | A load balancing and routing strategy in fog computing using deep reinforcement learning | |
Liu et al. | Scalable deep reinforcement learning-based online routing for multi-type service requirements | |
Qi et al. | Edge-edge Collaboration Based Micro-service Deployment in Edge Computing Networks | |
García et al. | Multicast routing and virtual network function placement in NFV-SDN networks: A genetic algorithms approach | |
Zhang et al. | Supervised learning based resource allocation with network slicing |
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 |