CN110275437B - Sdn网络流量优势监控节点动态选择***及其方法 - Google Patents
Sdn网络流量优势监控节点动态选择***及其方法 Download PDFInfo
- Publication number
- CN110275437B CN110275437B CN201910489576.1A CN201910489576A CN110275437B CN 110275437 B CN110275437 B CN 110275437B CN 201910489576 A CN201910489576 A CN 201910489576A CN 110275437 B CN110275437 B CN 110275437B
- Authority
- CN
- China
- Prior art keywords
- node
- flow
- monitoring
- component
- forwarding path
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开一种SDN网络流量优势监控节点动态选择***及其方法,SDN控制平面包括转发计算模块、节点更新模块和路径预测模块;SDN数据层面包括网络资源模块;动态选择方法包括优势监控节点预筛选和优势监控节点动态更新两个时序阶段,前者仅在***冷启动时运行,***启动完成后后者以闭环自反馈方式自适应地运行。本发明从选取监控节点的角度出发,通过优先选取流量遍历最密集的交换机作为流量监控节点,实现在流统计信息最大化捕捉的同时,达到提升流量收集非冗余率和降低流量监控开销的目的。
Description
技术领域
本发明属于网络安全技术领域,具体涉及一种SDN网络流量优势监控节点动态选择***及其方法。
背景技术
作为一种新型网络架构,软件定义网络(SDN)通过将网络设备的控制平面与数据平面进行解耦实现了对网络资源的集中式管理。这种将IP网络设备控制权分离,由控制器统一管理网络的方式,可以屏蔽底层异构网络的差异性,有效减轻网络管理对底层网络设备的依赖。虽然SDN对改善资源利用效率、提升网络管理的精细化效果显著,但为了实现这种集中式的管理方式,SDN控制器需要获得一个可及时反映当前网络整体状况的全局网络视图。利用该视图SDN控制器能够对诸如网络资源分配、流量转发路径选择、网络异常分析等实施决策。
通过网络流量监控,SDN控制器可以获取较为清晰地全局网络状态视图。然而,由于网络拓扑变化的随机性和流量自身的动态性,及时获取全局网络视图要求SDN控制器必须能够对网络设备施加持续的流量监控。这种最大化流量捕捉的苛刻要求通常会加大SDN网络的通信开销和信息处理时延,致使其在监控资源有限的前提下无法使用。事实上,当SDN控制器与交换机通过安全通道建立连接后,在持续从相应交换机实时收集流量信息的过程中,所有监控流量都会转发到SDN控制器,在带宽受限的情况下这通常会导致安全信道发生拥塞,致使相应的控制决策无法及时向交换机派发。同时随着监控流量信息不间断地汇聚到SDN控制器等待处理,这必然会加大SDN控制器在非流量监控信息上的处理时延。
为以尽可能少的通信开销和信息处理时延捕捉到尽可能多的流量信息,当前出现了诸如基于流量采样、流量被动推送(Push)和流量主动检索(Pull)等开销弱化技术的SDN流量监控方案。(1)基于流量采样的SDN流量监控中被讨论最多的是使用草图来分配流量监控资源和管理流量监控任务;流量采样只获取网络部分特征流量,因而降低了流量监控开销,但同时也因为无法获知流量变化的所有情况,从而导致网络全局视图获取的不全面、不精准。(2)基于Push的SDN流量监控中SDN控制器可被动地接收来自交换机推送的流量统计信息来掌握活动流情况,在正常情况下能以较少的开销获得尽可能多的流量变化信息;但由于该类方法存在对交换机的软硬件需求苛刻、在流量变化频繁时仍会产生较大的通信与计算开销的问题,目前很少采用。(3)基于Pull的SDN流量监控中SDN控制器通过向交换机发送流统计收集请求来主动检索流量信息;该类方法兼顾了采样类方法流量捕捉规模可控与Push类方法流量变化敏感的优势,同时还规避了Push类方法对交换机软硬件的苛刻需求;即使在流量变化频繁的场合,也能通过流统计收集(FSC)请求,以可接受的通信开销和信息处理时延捕捉到尽可能多的流量监控信息。
虽然Pull类技术方案目前被关注最多,然而该类方案在实现上并没有充分考虑网络流量分布普遍遵循“20/80”规则的事实,进一步降低SDN流量监控信息冗余率和监控开销面临瓶颈。
发明内容
发明目的:本发明的目的在于解决现有技术中存在的不足,提供一种SDN网络流量优势监控节点动态选择***及其方法,本发明从选取监控节点的角度出发,通过优先选取流量遍历最密集的交换机作为流量监控节点,实现了在流统计信息最大化捕捉的同时,达到提升流量收集非冗余率和降低流量监控开销的目的,同时采用SDN流量优势监控节点动态选择方法,能够保证流量监控节点集流经流量始终最大范围地覆盖网络流量。本发明创新性地提出的优势监控节点动态选择方法,包括优势监控节点预筛选和动态更新。
技术方案:本发明的一种SDN网络流量优势监控节点动态选择***,包括控制平面和数据平面;所述数据平面包括网络资源模块,网络资源模块通过OpenFlow1.3协议将收集到的网络拓扑信息和更新的可用带宽和剩余带宽阈值以数据包的形式发送至控制平面;所述控制平面包括转发计算模块、节点更新模块和路径预测模块,转发计算模块依据数据平面发送的信息计算出最优转发路径集,并发送至节点更新模块;依据最优转发路径集,节点更新模块对节点流经频度进行计算,预筛选出优势监控节点集;根据节点更新模块提供的优势监控节点,路径预测模块利用监测到的真实转发路径集对未来周期内新的转发路径进行预测,并将预测结果发送至节点更新模块再次进行监控节点更新。
进一步的,所述网络资源模块包括网络信息感知组件和带宽状态更新组件,网络信息感知组件将流量变化信息发送至带宽状态更新组件,然后网络信息感知组件和带宽状态更新组件分别将网络拓扑信息和可用带宽以及剩余带宽阈值信息发送至转发计算模块;所述转发计算模块包括最短路径计算组件和转发路径计算组件,最短路径计算组件依据网络拓扑信息计算出源节点和目的节点间的前k条最短路径,并将结果发送至转发路径计算组件,转发路径计算组件根据前k条最短路径集和可用带宽以及剩余带宽阈值计算出最优转发路径集,并发送至节点更新模块;所述节点更新模块包括节点流经频度计算组件和优势监控节点管理组件,节点流经频度计算组件在冷启动时依据最优转发路径集计算出高频度节点,或者在非冷启动时依据潜在转发路径集给出节点频度更新信息,之后发送给优势监控节点管理组件;优势监控节点管理组件在冷启动时依据高频度节点的流经频度大小预筛选出优势监控节点,或者在非冷启动时依据节点频度更新信息将流轮询通信成本低的节点更新为优势监控节点,之后发送给路径预测模块;所述路径预测模块包括流量转发监测组件、转发路径管理组件和转发路径预测组件,流量转发监测组件将优势监控节点监控到的本周期内的真实转发路径集发送至转发路径管理组件,转发路径管理组件将现有的所有真实转发路径集作为历史转发路径集提供给转发路径预测组件,转发路径预测组件将预测出潜在转发路径集以数据包形式发送至节点更新模块中的节点流经频度计算组件,并最终由优势监控节点管理组件计算出用于下一周期流量监控的优势监控节点,形成一个闭环运行***。
其中,网络信息感知组件、带宽状态更新组件、最短路径计算组件、转发路径计算组件、节点流经频度计算组件、优势监控节点管理组件、流量转发监测组件和转发路径管理组件均使用OpenFlow协议,并在Ryu控制器中实现,并且转发路径预测组件所使用的机器学习模型Ryu控制器中实现。
本发明还公开了一种SDN网络流量优势监控节点动态选择***的动态选择方法,主要包括优势监控节点预筛选和动态更新,具体步骤如下:
(1)网络信息感知组件将底层物理网络拓扑信息和流量变化信息分别发送至最短路径计算组件和带宽状态更新组件;
(2)最短路径计算组件依据网络拓扑信息计算出前K条最短路径集并将结果发送至转发路径计算组件;
(3)带宽状态更新组件依据流量变化信息将可用带宽和剩余带宽阈值以数据包的形式发送至转发路径计算组件;
(4)转发路径计算组件结合步骤(2)和步骤(3)获得的信息计算出最优转发路径集并将结果发送至节点流经频度计算组件;
(5)节点流经频度计算组件通过计算筛选转发路径上的高频度节点,将结果发送至优势监控节点管理组件;
(6)优势监控节点管理组件依据节点频度初步筛选出优势监控节点,并发送给流量转发监测组件;
(7)流量转发监测组件将优势监控节点监测到的本周期的流量真实转发路径集发送至转发路径管理组件;
(8)转发路径预测组件依据转发路径管理组件提供的历史转发路径集预测出潜在转发路径集发送给节点流经频度计算组件;
(9)节点流经频度计算组件依据潜在转发路径集对节点频度进行更新,其结果以节点频度更新信息的形式提供给优势监控节点管理组件;
(10)优势监控节点管理组件依据节点频度更新信息对优势监控节点集进行更新,转步骤(7)进行下一周期的流量转发监测。
上述过程中,首先,基于跳数最短路径集和可用带宽等链路信息,利用基于带宽的转发路径选择算法计算出流量最优转发路径集,在此基础上依据节点被流经的频率预筛选出优势监控节点集;其次,为适应流量峰值和用户习惯等原因带来的网络流量波动,利用深度学习中基于时间序列的神经网络模型,通过对先前监控周期中流量转发历史路径的学习,捕获序列式流量转发和路由路径的内部特征,预测流量转发的流经节点,完成优势监控节点集的动态更新,确保未来监控周期内即使出现流量波动,例如因合理分配带宽资源以适应流量规模变大而引起的转发路径变动,后续流量转发依旧能够最大概率地流经优势监控节点集。同时基于本发明方法实现的SDN流量监控方案同现有大多数Pull类方案一样,无需交换机增加额外的功能(诸如不改变OpenFlow协议的匹配结构),极容易部署到现有的SDN网络***。
进一步的,所述步骤(1)中网络信息感知组件是SDN控制器通过链路发现协议(Link Layer Discovery Protocol,LLDP)搜集网络拓扑相关信息,并将网络拓扑相关信息存储在networkx中;所述步骤(2)中采用Yen算法获得前K条最短路径集;上述网络拓扑相关信息包括交换机之间端口与链路的映射关系、接入主机的信息和链路信息。
进一步的,所述步骤(3)中剩余带宽阈值由网络管理员根据实际网络规模和流量波动规律进行设置;所述可用带宽由SDN控制器采取被动测量方式计算得出,设链路的可用带宽容量为C,控制器以时间周期γ询问交换机端口计数器中t时刻的字节数N(t),则目前此链路的已用带宽B表示为:
SDN控制器根据K条路径集合中每条路径中各个链路的可用带宽计算出整个路径的可用带宽,因此根据(1)计算出整个路径的可用带宽B′:
B′=min(C-B)∈K′(C-B),K′∈K (2)
进一步的,所述步骤(4)中的详细步骤为:
(4.1)SDN控制器整合基于跳数的前K条最短路径集和更新的网络链路可用带宽信息,选择前K条最短路径集中的最短路径作为首次转发路径,其他K-1条作为备选路径;
(4.2)如果转发链路的可用带宽发生变化,即新的活动流进入时,比较该转发路径剩余的可用带宽与新流所需带宽大小,如果该转发路径剩余的可用带宽大于所需带宽,转步骤(4.3),否则执行步骤(4.4);
(4.3)如果新流共享带宽后此链路剩余带宽在剩余带宽阈值范围内,则转步骤(4.5),否则执行步骤(4.4);
(4.4)重新选择一条备选路径作为新流量的转发路径,并转(4.2);
(4.5)如果该路径为备选路径,控制器需要先下发新的流表项至该路径上的交换机,再将其遍历的交换机节点提交给节点流经频度计算组件;否则直接将结果提交给节点流经频度计算组件。
其中,最优转发路径计算组件使用的算法1:
进一步的,所述步骤(5)中,节点流经频度计算组件通过SDN控制器计算每个流的转发路径所涉及到的节点的使用频度,选择出所有路径中使用频率较高的交换机节点,对于没有监控到的单个轮询交换机的流量,则选择实际监控成本最小的交换机节点,将这些节点以数组形式暂时存储并以高频度节点的结果形式发送至优势监控节点管理组件。
进一步的,所述步骤(8)中,转发路径预测组件依据转发路径管理组件发送的历史转发路径集作为数据集,构建Encoder-Decoder结构的网络模型Sequence-to-Sequence(Seq2Seq),将网络路径形式化为节点间相互映射的矩阵,拟合并推测路径中节点的合理顺序。进一步的,构建Encoder-Decoder结构的网络模型Sequence-to-Sequence(Seq2Seq),即将网络路径形式化为节点间相互映射的矩阵,拟合并推测路径中节点的合理顺序,其具体构建方法为:
源序列和目标序列是源节点到目标节点间的两条网络路径,它们均包含一组从源节点到目标节点的遍历节点;转发路径预测依据历史转发路径(即源序列),利用seq2seq模型中的编码-解码结构,通过学习、提取历史转发路径中的节点序列特征,找出满足历史转发路径特征的潜在转发路径(即目标序列),其详细内容如下:
设源序列和目标序列分别用向量表示,其中, α和β分别表示其长度;Ds和Dt分别表示源序列和目标序列的数据集,数据集的元素数是k;θ,ω代表神经网络中的参数和权重,则编码-解码结构中,编码器的表示形式为:
对于解码器来说,其任务是根据源序列的中间语义表示C和之前已经生成的历史信息,即历史周期内的转发路径集来生成i时刻要生成的元素Ni,即预测的转发路径中的下一跳节点。设ω为解码器的参数,此时解码器表示为:
那么,结合式(3)(4),对于目标序列中输出的下一个网络节点y表示成:
进一步的,所述步骤(9)中节点流经频度计算组件依据潜在转发路径集中所有路径遍历的交换机节点,选择出使用频率较高的交换机节点并以数组形式进行存储,且数组长度与步骤(5)中暂存储的数组长度相同,然后将该数组以节点频度更新的形式发送至优势监控节点管理组件。
进一步的,所述步骤(10)中优势监控节点管理组件依据节点频度更新信息对优势监控节点集进行更新,其详细内容如下:
当有新的节点对建立通信连接时,设产生新的活动流sj,遍历的交换机节点为v’,则轮询该交换机节点时产生的通信成本Cj为
Cj=Dj(Lreq+Lreph+|sj|Lreply) (6)
其中,Dj为交换机v’与控制器之间的距离,Lreq表示请求消息大小,Lreph表示回复消息头大小,Lreply表示回复消息大小;
所述优势监控节点管理组件使用算法2更新优势监控节点,步骤如下:
当新的流sj遍历交换机v’,若该流未在监控节点覆盖范围内,根据式(6)计算轮询该活动流所产生的通信成本,若其通信成本小于已被轮询的流量,且该流只经过特定某个交换机,那么就在优势监控节点集合中将该节点更新,否则继续使用当前监控节点集进行流统计信息采集实现流量监控,再对该流量遍历的下一个交换机节点重复上述过程。最后将管理的结果以优势监控节点形式提交给流量转发监测组件。
有益效果:与现有技术相比,本发明具有以下优点:
(1)本发明与现有Pull类技术不同,考虑到网络流量分布普遍遵循“20/80”规则的事实,发明构想从选取监控节点的角度出发,通过优先选取流量遍历最密集的交换机作为流量监控节点,实现了在流统计信息最大化捕捉的同时,达到提升流量收集非冗余率和降低流量监控开销的目的。
(2)本发明为保证流量监控节点集流经流量始终能够最大范围地覆盖网络流量,创新性地提出了SDN流量优势监控节点动态选择方法,包括优势监控节点预筛选和动态更新。首先,基于跳数最短路径集和可用带宽等链路信息,利用基于带宽的转发路径选择算法计算出流量最优转发路径集,在此基础上依据节点被流经的频率预筛选出优势监控节点集;其次,为适应流量峰值和用户习惯等原因带来的网络流量波动,利用深度学习中基于时间序列的神经网络模型,通过对先前监控周期中流量转发历史路径的学习,捕获序列式流量转发和路由路径的内部特征,预测流量转发的流经节点,完成优势监控节点集的动态更新,确保未来监控周期内即使出现流量波动,例如因合理分配带宽资源以适应流量规模变大而引起的转发路径变动,后续流量转发依旧能够最大概率地流经优势监控节点集。
(3)本发明无需交换机增加额外的功能(诸如不改变OpenFlow协议的匹配结构),极容易部署到现有的SDN网络***。
综上所述,本发明遵循网络流量分布规律,结合深度学习模型,以闭环控制的方式实现最大程度收集流量信息,并减少监控开销,更适合于在监控资源有限的场景中使用。
附图说明
图1为本发明实施例的整体框架示意图;
图2为本发明方法结构及处理流程图;
图3为本发明实例的网络节点拓扑图;
图4为本发明实例的带宽剩余率实验结果图;
图5为本发明实例的非冗余流量比率实验结果对比图;
图6为本发明实例的平均时延实验结果对比图;
图7为本发明实例的通信带宽实验结果对比图。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
SDN流量监控(以Pull类为例)的一般过程为:SDN控制器产生FSC请求,并将其通过控制信道传递给各监控(交换机)节点;各监控节点依据FSC请求完成流统计信息收集,并将结果通过控制信道传递给控制器;控制器对来自各监控节点的流统计信息进行汇总和分析。上述过程的主要开销有通信开销(诸如控制信道的带宽占用)和信息处理开销(诸如控制器和监控节点的计算开销与存储开销)。以OpenFlow协议为例,在OpenFlow 1.0中用于获取流统计信息的FSC请求与回复消息其长度均在120个字节以上。在控制器频繁发出流量监控要求时,一方面,大量的FSC请求及回复消息会占据控制信道大量带宽,带来较大的通信开销;另一方面,这种对流统计信息的频繁收集、汇总与分析分别会占据交换机和控制器较多的计算资源和存储资源,带来巨大的信息处理开销,增加它们对流量转发、控制决策等基本任务的信息处理时延。
从以上可以看出,监控(交换机)节点数量越多,一方面FSC请求回复消息就会越多,控制信道的通信开销就会越大;另一方面,汇聚到控制器的流统计信息就会越多,信息冗余率就会上升,与此同时,控制器的信息处理时延也会增大;第三,全网被流量监控所占用的交换机资源就会越多,流量转发方面的信息处理时延就会增大。倘若在SDN流量监控时引入更少数量的监控节点,势必会降低SDN流量监控所带来的通信开销和信息处理时延。
基于上述思想,同时又充分考虑网络流量分布普遍遵循“20/80”规则的事实,本发明从选取监控节点的角度出发,提出了通过优先选取流量遍历最密集的交换机作为监控节点来降低SDN流量监控开销的基本构想,该构想可在流统计信息最大化捕捉的前提下,实现流量信息收集非冗余率的提升和流量监控开销的降低。
如图1所示,假设待监控网络中存在6台交换机{Si|1≤i≤6}和8台主机{Hi|1≤i≤8},监控周期被分为T0~T1和T1~T2,其中T0,T1和T2为三个监控时刻。在T0~T1周期,网络中存在4条活动流,分别是f1(H1-H6),f2(H3-H7),f3(H2-H8)和f4(H3-H6)。由于S1和S3覆盖了所有活动流,因此在不改变OpenFlow匹配项的前提下,该周期内的优势监控节点集是{S1,S3}。依据该节点集即使进行per-flow轮询也较原始per-flow方案节省超过50%的通信成本。在T1~T2周期,假设因时间和流量峰值变化以及用户使用习惯等因素的影响,活动流较T0~T1周期发生变化,出现了f1(H1-H2),f2(H1-H3),f3(H2-H4),f4(H5-H7),f5(H6-H7)和f6(H4-H8)这6条活动流,此时优势监控节点集被更新为{S2,S4},依据该节点集进行流量监控仍可获得较低的信息冗余率和较低的监控开销。
如图2所示,本实施例的一种SDN网络流量优势监控节点动态选择***,包括控制平面和数据平面;所述数据平面包括网络资源模块,网络资源模块通过OpenFlow1.3协议将收集到的网络拓扑信息和更新的可用带宽和剩余带宽阈值以数据包的形式发送至控制平面;所述控制平面包括转发计算模块、节点更新模块和路径预测模块,转发计算模块依据数据平面发送的信息计算出最优转发路径集,并发送至节点更新模块;依据最优转发路径集,节点更新模块对节点流经频度进行计算,预筛选出优势监控节点集;根据节点更新模块提供的优势监控节点,路径预测模块利用监测到的真实转发路径集对未来周期内新的转发路径进行预测,并将预测结果发送至节点更新模块再次进行监控节点更新。
其中,网络资源模块包括网络信息感知组件和带宽状态更新组件,网络信息感知组件将流量变化信息发送至带宽状态更新组件,然后网络信息感知组件和带宽状态更新组件分别将网络拓扑信息和可用带宽以及剩余带宽阈值信息发送至转发计算模块;转发计算模块包括最短路径计算组件和转发路径计算组件,最短路径计算组件依据网络拓扑信息计算出源节点和目的节点间的前k条最短路径,并将结果发送至转发路径计算组件,转发路径计算组件根据前K条最短路径集和可用带宽以及剩余带宽阈值计算出最优转发路径集,并发送至节点更新模块;节点更新模块包括节点流经频度计算组件和优势监控节点管理组件,节点流经频度计算组件依据最优转发路径集计算出高频度节点,或者依据潜在转发路径集给出节点频度更新信息,之后发送给优势监控节点管理组件,优势监控节点管理组件依据高频度节点的流经频度大小预筛选出优势监控节点,或者依据节点频度更新信息将流轮询通信成本低的节点更新为优势监控节点,之后发送给路径预测模块;路径预测模块包括流量转发监测组件、转发路径管理组件和转发路径预测组件,流量转发监测组件将优势监控节点监控到的本周期内的真实转发路径集发送至转发路径管理组件,转发路径管理组件将现有的所有真实转发路径集作为历史转发路径集提供给转发路径预测组件,转发路径预测组件将预测出潜在转发路径集以数据包形式发送至节点更新模块中的节点流经频度计算组件,并最终由优势监控节点管理组件计算出用于下一周期流量监控的优势监控节点,形成一个闭环运行的***。
上述SDN网络流量优势监控节点动态选择***的动态选择方法,具体包括以下两个部分:
(1)优势监控节点预筛选机制:优势监控节点预筛选仅在SDN流量监控***冷启动时运行,包含链路信息获取和监控节点选择两个环节,涉及到最短路径计算、带宽状态更新、转发路径计算和流经频度计算等机制,具体介绍如下。
(2)优势监控节点动态更新策略:优势监控节点更新涉及到转发路径预测和监控节点更新等策略。
其中,部分(1)的具体实施步骤描述如下:
a)链路信息获取
①最短路径计算
在T0周期内,SDN控制器通过链路发现协议LLDP收集到的信息来识别和管理网络拓扑结构,比如交换机节点信息、链路信息等。在实现该流程的类中主要描述交换机之间端口与链路的映射关系、接入主机的信息等,这些信息存储在networkx中。基于收集到的底层拓扑、链路信息,networkx利用Yen算法计算出从源节点到目的节点前K条最短路径集合。
②带宽状态更新
当网络节点建立新的通信连接时,底层物理网络资源如剩余带宽、位置距离等都在不断变化,这些参数将影响最终流量的转发路径,因此控制器需要采集网络资源信息,如更新带宽状态,并将更新的信息以数据包形式发送至其他流程中。
工作期间,控制器通过被动测量方式来获取路径可用带宽。设链路的可用带宽容量为C,控制器以时间周期γ询问交换机端口计数器中t时刻的字节数N(t),那么目前此链路的已用带宽B可以表示为:
控制器根据K条路径集合中每条路径中各个链路的可用带宽计算出整个路径的可用带宽,因此根据(1)计算出整个路径的可用带宽B:
B′=min(C-B)∈K′(C-B),K′∈K (2)
b)链路信息获取
①转发路径计算
控制器将计算出的前K条最短路径以及更新的网络资源信息等相关数据整合到networkx存储的网络拓扑信息中,并在前K条最短路径中选取可用带宽“最大”的路径作为最优路径转发流量,其核心算法如算法1所示。注意的是,带宽“最大”并不是指这K条链路可用带宽的数值最大,因为在同一周期内,当有其他流量进入该网域,当即路径的剩余可用带宽极有可能比备选路径的小,但只要当前最优路径剩余的可用带宽仍能满足其他流量转发所需带宽资源要求时,即使它的带宽不是最大(算法step1-step4),仍视它为最优路径,否则随机选择计算出的备选路径(K-1条路径)中某一条路径继续转发(算法step5-step9),返回最优转发路径集合(算法step10)。选择出的最优转发路径其信息用于配置流表项,并下发至该路径上的各个交换机节点。
①流经频度计算
对于每个流最优转发路径所涉及到的节点,控制器将选择流量遍历最密集的交换机节点作为监控节点,即转发流量频度最大的节点。注意的是,我们的方法要求尽可能多的覆盖所有流量,因此,对于没有监控到的单个轮询交换机的流量,我们选择实际监控成本最小的交换机节点进行轮询,灵活调整优势监控节点,达到在有限监控资源条件下最大范围捕捉流量信息。
其中,部分(2)的具体实施步骤描述如下:
a)预测模型选择
流量转发路径的变化受制于网络拓扑、链路状态、可用带宽和流量规模等多种因素,对流量转发路径进行预测需要掌握其变化规律。机器学习可从已有数据中自动分析规律,常用于未知数据的预测。本发明在流量转发路径的预测上拟选用深度学习中的seq2seq模型,一方面是由于网络路径是序列数据,而seq2seq模型是一种典型的序列分析技术,其采用编码-解码结构的网络,输入输出均是序列数据;另一方面是因为seq2seq通过将变长度序列编码成固定长度的编码矢量(编码-解码结构中编码负责将可变长度的源序列变为固定长度的向量表达,而解码负责将这个固定长度的向量变成可变长度的目标序列),实现了源空间与目标空间的间隙桥接,可应对流量转发路径已有值与预测值在维度上的不对等现象。
b)基于seq2seq模型的转发路径预测
为预测Ti(i≥1)周期内SDN网络中所有节点出现在下一条流量转发路径上的概率,本发明将网络路径形式化为节点间相互映射的矩阵,拟合并推测路径中节点的合理顺序。令源序列和目标序列是源节点到目标节点间的两条网络路径,它们均包含一组从源节点到目标节点的遍历节点。转发路径预测的基本做法是依据历史转发路径(即源序列),利用seq2seq模型中的编码-解码结构,通过学习、提取历史转发路径中的节点序列特征,找出满足历史转发路径特征的潜在转发路径(即目标序列)。
源序列和目标序列是源节点和目标节点之间的两个网络路径,它们中的每一个都包含一组要从源节点到目的节点所遍历的网络节点。我们在此处考虑的问题是,给定输入的源序列,即历史转发路径,主要利用模型中的编码-解码结构,学习、提取源序列的节点顺序特征,找到满足约束条件的目标序列,即预测输出满足历史转发路径特征的路径集。
基于seq2seq的转发路径预测模型,将历史流量转发路径集中每个源节点到目标节点的遍历节点序列作为源序列输入编码器,由于编码器包含多个RNN层叠,因此编码器会在每个时间点上输出自己的隐藏状态,编码器将有序的转发路径信息压缩成最终隐藏状态,然后将其发送到解码器中,解码器依据隐藏状态输出目标序列,即预测输出未来路径转发节点序列。通过历史流量数据的训练,该模型能够提取节点与节点之间的顺序特征,即路由路径的内部特征,达到路径发现的目的。
设源序列和目标序列分别用向量表示,其中,其中 α和β分别表示其长度;Ds和Dt分别表示源序列和目标序列的数据集,数据集的元素数是k;θ,ω代表神经网络中的参数和权重,则编码-解码结构中,编码器的表示形式为:
对于解码器来说,其任务是根据源序列的中间语义表示C和之前已经生成的历史信息即历史周期内的转发路径集来生成i时刻要生成的元素Ni,即预测的转发路径中的下一跳节点。设ω为解码器的参数,此时解码器可以表示为:
那么,结合式(3)(4),对于目标序列中输出的下一个网络节点y可以表示成:
c)监控节点更新
根据生成的目标序列可以预测出Ti(i≥1)周期内SN+1至DN+1路径最有可能经过的节点,根据节点频度再次计算的结果和第4节中初步筛选出的监控节点对比,更新优势监控节点集合,保证集合中的节点能够覆盖网域内尽可能多的活动流量。
监控节点更新的核心算法如算法2所示。当有新的节点对建立通信连接时,设产生新的活动流sj,遍历的交换机节点为v’,则轮询该交换机节点时产生的通信成本Cj为
Cj=Dj(Lreq+Lreph+|sj|Lreply) (6)
其中,Dj为交换机v'与控制器之间的距离,Lreq表示请求消息大小,Lreph表示回复消息头大小,Lreply表示回复消息大小。若轮询该交换机上新流产生的通信成本小于已被轮询的流量,且该流只经过特定某个交换机,那么就将该节点更新至优势监控节点集中,否则继续使用当前监控节点集进行流量监控,再对该流量便利的下一个交换机进行计算比较,更新监控节点。
实施例1:
本实施例中实现SDN网络流量优势监控节点动态选择***,将并其应用到了SDN流量监控。该***使用Mininet仿真器模拟SDN底层物理转发设备,软件交换机选择OpenVSwitch,支持OpenFlow1.3,使用Ryu作为SDN控制器,使用网络研究中广泛使用的waxman图随机生成的网络拓扑,如图3所示,该网络拓扑包含35个节点,以概率p=0.05建立连接,即随机切换的网络图中节点和节点之间连接的概率为0.05。
在Ryu控制器中按照基于带宽的最优路径算法流程实现路由转发规则,以流表形式下发至交换机,通过在主机上运行Iperf制造释放流量,生成网络节点之间的路径集合,收集数据集。
SDN网络流量优势监控节点动态选择方法运行数据1——数据集大小:
根据路径长度,我们将收集到的数据大小进行了统计,路径长度(单位:跳)为5、10、15、20时,其数据大小(单位:组)分别为13207、14694、14702、14792。可以看出:收集到的数据大小没有太大差异,这是由于该随机生成的网络拓扑中,因此任意的随机源和目的节点之间的大多数转发路径都最接近15跳。
预测模型训练中建立seq2seq神经网络预测模型,其参数设置如下:
设置双层GRU作为编码器,解码器为双层单向GRU网络;隐藏层神经元个数为500;将数据集单个网络序列设置为50,数据量大小为120,随机选取100个序列训练模型;实验环境为Intel 16核至强E5-2650 CPU、32GB内存、8路GTX 1080Ti的服务器。
SDN网络流量优势监控节点动态选择方法运行数据2——预测模型准确性:
将数据集按照4:1的比例随机分类,分别作为该预测模型的训练集和测试集,基于路径长度,waxman随机生成图下预测模型的准确性结果如表1所示。可以看出:当路径长度分别为5、10、15、20时,他们的测试准确度都达到了98%以上,且路径长度为15时,模型训练准确性最高,表明此时该模型拟合性能最好。
表1基于路径长度的waxman随机生成图的学习模型准确性
SDN网络流量优势监控节点动态选择方法运行数据3——带宽剩余率:
基于建立好的转发路径预测模型,实例中筛选出SDN网络中一个周期内的优势监控节点,设定从图3中的35个节点里筛选出的监控节点中选择5个节点nj(1≤j≤5),并设计以下流量发送过程:
·0~200s:n1向n5发送UDP流量,发送速率为6Mbps;
·200s~400s:n2向n5发送UDP流量,发送速率为6Mbps;
·400s~600s:中断n1、n2发送流量,n3向n4发送UDP流量,发送速率为8Mbps,直到发送结束;
·600s~800s:n1向n5发送UDP流量,发送速率为10Mbps,直到发送结束;
图4显示了这一过程中监测到的链路的带宽剩余率(可用带宽/带宽容量)的测量结果,从图中可以看出,在T0周期内的预筛选过程中,控制器实时更新底层带宽资源利用情况,真实反映流量发送过程中链路的带宽剩余率,并将更新信息发送至其他模块。
PFP algorithm和Greedy algorithm是流量监控中轮询交换机节点收集流量信息时通常使用的两种算法,通过在图5中的节点交换机下的主机之间随机选择并释放流量,对这两种方案与本发明进行比较,其中PFP作为比较的基准,在PFP中,每条流都在最靠近控制器的交换机上使用轮询单个请求进行轮询。实例中默认设置轮询请求消息大小为123字节,回复请求消息头大小为80字节,单个流的回复请求消息大小为127字节。
SDN网络流量优势监控节点动态选择方法运行数据4——非冗余流量比率:
如图5所示,可以看出:使用PFP算法时,由于每条流量都要经过单个轮询的过程,即轮询交换机时会返回特定的单个流(在轮询请求中指出),且每对请求/回复消息只能覆盖一个流的速率,因此轮询所有交换机后返回的流统计信息中冗余信息必定是最多的。与Greedy方案相比,当流量数量固定时,本发明通过机器学习模型预测流量的转发路径,在输出下一个转发节点时,监控节点随之更新,新流进入网域并遍历监控节点交换机,控制器只对该交换机轮询输出流量信息,一定程度上可以避免重复轮询一条流量遍历的多个交换机节点,减少冗余流量占比例,从而减少非冗余流量比率间接导致的各种测量开销和时延。
SDN网络流量优势监控节点动态选择方法运行数据5——平均时延:
如图6所示,可以看出:平均时延随着流量数量稳定增加。PFP方案针对每个流,周期性地询问交换机获取每个端口的计数信息,由于其以较高频率轮询交换机节点,使得交换机与控制器频繁交互,导致网络时延相对较长;当流量规模逐渐变大时,Greedy需要通过构造加权集覆盖流量问题来获取轮询方案,造成一定的计算时间开销,一定程度上增加了信息处理时延,与之相比,本发明基于时间序列的预测模型,通过大量历史数据预先学***均时延结果不到5.3秒,远小于其他两种方案。
SDN网络流量优势监控节点动态选择方法运行数据6——通信成本:
如图7所示,可以看出:PFP方案的成本最高,因为每条单独的流需要一对专用的请求和回复消息通道且随着轮询频率的增加,其占用的网络带宽较多;Greedy算法基于局部优化的思想,每次选择了成本效益最小的交换机轮询,但随着总活动流的数量增加,收集到的冗余流量也随之增加,一定程度上加重了网络带宽负担,增加了测量开销中的通信成本;与之相比,一方面本发明中提出的基于带宽的最优路径算法实现了网络负载均衡,一定程度上可以降低网络拥塞等突发情况的风险,合理分配网络带宽资源,另一方面,监控节点更新策略实现了单个轮询请求检索交换机上所有流量的信息,大大减少了请求/回复消息的数量,可进一步降低通信成本。
Claims (9)
1.一种SDN网络流量优势监控节点动态选择***,其特征在于:包括控制平面和数据平面;所述数据平面包括网络资源模块,网络资源模块通过OpenFlow1.3协议将收集到的网络拓扑信息和更新的可用带宽和剩余带宽阈值以数据包的形式发送至控制平面;所述控制平面包括转发计算模块、节点更新模块和路径预测模块,转发计算模块依据数据平面发送的信息计算出最优转发路径集,并发送至节点更新模块;依据最优转发路径集,节点更新模块对节点流经频度进行计算,预筛选出优势监控节点集;根据节点更新模块提供的优势监控节点,路径预测模块利用监测到的真实转发路径集对未来周期内新的转发路径进行预测,并将预测结果发送至节点更新模块再次进行监控节点更新;
所述路径预测模块包括流量转发监测组件、转发路径管理组件和转发路径预测组件,流量转发监测组件将优势监控节点监控到的本周期内的真实转发路径集发送至转发路径管理组件,转发路径管理组件将现有的所有真实转发路径集作为历史转发路径集提供给转发路径预测组件,转发路径预测组件将预测出潜在转发路径集以数据包形式发送至节点更新模块中的节点流经频度计算组件,并最终由优势监控节点管理组件计算出用于下一周期流量监控的优势监控节点,形成一个闭环运行***;
转发路径预测组件依据转发路径管理组件发送的历史转发路径集作为数据集,构建编码-解码结构的网络模型Sequence-to-Sequence,将网络路径形式化为节点间相互映射的矩阵,拟合并推测路径中节点的合理顺序,其具体构建方法为:
转发路径预测组件依据历史转发路径,利用网络模型Sequence-to-Sequence中的编码-解码结构,通过学习、提取历史转发路径中的节点序列特征,找出满足历史转发路径特征的潜在转发路径,其详细内容如下:
设源序列和目标序列分别用向量表示,其中, α和β分别表示其长度;Ds和Dt分别表示源序列和目标序列的数据集,数据集的元素数是k;θ,ω分别表示编码器的参数和解码器的权重,则编码-解码结构中,编码器的表示形式为:
那么,结合式(3)(4),对于目标序列中输出的下一个网络节点y表示成:
2.根据权利要求1所述的SDN网络流量优势监控节点动态选择***,其特征在于:所述网络资源模块包括网络信息感知组件和带宽状态更新组件,网络信息感知组件将流量变化信息发送至带宽状态更新组件,然后网络信息感知组件和带宽状态更新组件分别将网络拓扑信息和可用带宽以及剩余带宽阈值信息发送至转发计算模块;
所述转发计算模块包括最短路径计算组件和转发路径计算组件,最短路径计算组件依据网络拓扑信息计算出源节点和目的节点间的前K条最短路径,并将结果发送至转发路径计算组件,转发路径计算组件根据前K条最短路径集和可用带宽以及剩余带宽阈值计算出最优转发路径集,并发送至节点更新模块;
所述节点更新模块包括节点流经频度计算组件和优势监控节点管理组件,节点流经频度计算组件在冷启动时依据最优转发路径集计算出使用频度最高的交换机节点作为高频度节点,或者在非冷启动时依据潜在转发路径集给出节点频度更新信息,之后发送给优势监控节点管理组件;优势监控节点管理组件在冷启动时依据高频度节点的流经频度大小预筛选出优势监控节点,优势监控节点管理组件在非冷启动时依据节点频度更新信息将轮询通信成本小于已被轮询流量的节点更新为优势监控节点,之后发送给路径预测模块。
3.一种如权利要求2所述的SDN网络流量优势监控节点动态选择***的动态选择方法,其特征在于:依次包括以下步骤:
(1)网络信息感知组件将底层物理网络拓扑信息和流量变化信息分别发送至最短路径计算组件和带宽状态更新组件;
(2)最短路径计算组件依据网络拓扑信息计算出前K条最短路径集并将结果发送至转发路径计算组件;
(3)带宽状态更新组件依据流量变化信息将可用带宽和剩余带宽阈值以数据包的形式发送至转发路径计算组件;
(4)转发路径计算组件结合步骤(2)和步骤(3)获得的信息计算出最优转发路径集并将结果发送至节点流经频度计算组件;
(5)节点流经频度计算组件通过计算筛选转发路径上的高频度节点,将结果发送至优势监控节点管理组件;
(6)优势监控节点管理组件依据节点频度初步筛选出优势监控节点,并发送给流量转发监测组件;
(7)流量转发监测组件将优势监控节点监测到的本周期的流量真实转发路径集发送至转发路径管理组件;
(8)转发路径预测组件依据转发路径管理组件提供的历史转发路径集预测出潜在转发路径集发送给节点流经频度计算组件;
(9)节点流经频度计算组件依据潜在转发路径集对节点频度进行更新,其结果以节点频度更新信息的形式提供给优势监控节点管理组件;
(10)优势监控节点管理组件依据节点频度更新信息对优势监控节点集进行更新,转步骤(7)进行下一周期的流量转发监测。
4.根据权利要求3所述的SDN网络流量优势监控节点动态选择***的动态选择方法,其特征在于:所述步骤(1)中网络信息感知组件是SDN控制器通过链路发现协议LLDP搜集网络拓扑相关信息,并将网络拓扑相关信息存储在networkx中;
所述步骤(2)中采用Yen算法获得前K条最短路径集;
上述网络拓扑相关信息包括交换机之间端口与链路的映射关系、接入主机的信息和链路信息。
6.根据权利要求3所述的SDN网络流量优势监控节点动态选择***的动态选择方法,其特征在于:所述步骤(4)中具体依次包括以下步骤:
(4.1)SDN控制器整合基于跳数的前K条最短路径集和更新的网络链路可用带宽信息,选择前K条最短路径集中的最短路径作为首次转发路径,其他K-1条作为备选路径;
(4.2)如果转发链路的可用带宽发生变化,即新的活动流进入时,比较该转发路径剩余的可用带宽与新流所需带宽大小,如果该转发路径剩余的可用带宽大于所需带宽,转步骤(4.3),否则执行步骤(4.4);
(4.3)如果新流共享带宽后此链路剩余带宽在剩余带宽阈值范围内,则转步骤(4.5),否则执行步骤(4.4);
(4.4)重新选择一条备选路径作为新流量的转发路径,并转(4.2);
(4.5)如果该路径为备选路径,控制器先下发新的流表项至该路径上的交换机,再将其遍历的交换机节点提交给节点流经频度计算组件;否则直接将结果提交给节点流经频度计算组件。
7.根据权利要求3所述的SDN网络流量优势监控节点动态选择***的动态选择方法,其特征在于:所述步骤(5)中,节点流经频度计算组件通过SDN控制器计算每个流的转发路径所涉及到的节点的使用频度,选择出所有路径中使用频率最高的交换机节点,对于没有监控到的单个轮询交换机的流量,则选择实际监控成本最小的交换机节点,将这些节点以数组形式暂时存储并以高频度节点的结果形式发送至优势监控节点管理组件。
8.根据权利要求3所述的SDN网络流量优势监控节点动态选择***的动态选择方法,其特征在于:所述步骤(9)中节点流经频度计算组件依据潜在转发路径集中所有路径遍历的交换机节点,选择出使用频率最高的交换机节点并以数组形式进行存储,且数组长度与步骤(5)中暂存储的数组长度相同,然后将该数组以节点频度更新的形式发送至优势监控节点管理组件。
9.根据权利要求3所述的SDN网络流量优势监控节点动态选择***的动态选择方法,其特征在于:所述步骤(10)中优势监控节点管理组件依据节点频度更新信息对优势监控节点集进行更新,其详细内容如下:
当有新的节点建立通信连接时,设产生新的活动流sj,遍历的交换机节点为v’,则轮询该交换机节点时产生的通信成本Cj为
Cj=Dj(Lreq+Lreph+|sj|Lreply) (6)
其中,Dj为交换机v’与控制器之间的距离,Lreq表示请求消息大小,Lreph表示回复消息头大小,Lreply表示回复消息大小;
当新的活动流sj遍历交换机v’,若该活动流未在监控节点覆盖范围内,根据式(6)计算轮询该活动流所产生的通信成本,若其通信成本小于已被轮询的流量,且该活动流只经过特定某个交换机,那么就在优势监控节点集合中将该节点更新,否则继续使用当前监控节点集进行活动流统计信息采集实现流量监控,再对该流量遍历的下一个交换机节点重复上述过程;最后将管理的结果以优势监控节点形式提交给流量转发监测组件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910489576.1A CN110275437B (zh) | 2019-06-06 | 2019-06-06 | Sdn网络流量优势监控节点动态选择***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910489576.1A CN110275437B (zh) | 2019-06-06 | 2019-06-06 | Sdn网络流量优势监控节点动态选择***及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110275437A CN110275437A (zh) | 2019-09-24 |
CN110275437B true CN110275437B (zh) | 2022-11-15 |
Family
ID=67960426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910489576.1A Active CN110275437B (zh) | 2019-06-06 | 2019-06-06 | Sdn网络流量优势监控节点动态选择***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110275437B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111953669B (zh) * | 2020-07-30 | 2022-10-25 | 江苏大学 | 适用于SDN的Tor流量溯源与应用类型识别方法和*** |
CN113269347B (zh) * | 2021-03-31 | 2023-05-30 | 安徽农业大学 | 一种基于随机森林的高校快递网络节点流量预测方法 |
CN113992590B (zh) * | 2021-10-25 | 2024-05-14 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于软件定义网络的链路负载均衡方法 |
CN113965400B (zh) * | 2021-11-01 | 2023-06-30 | 电子科技大学长三角研究院(衢州) | 一种通信网络中流量关键点的确定方法 |
CN115225561B (zh) * | 2022-08-15 | 2022-12-06 | 南京邮电大学 | 一种基于图结构特征的路由优化方法与*** |
CN115474215B (zh) * | 2022-09-06 | 2023-03-21 | 广东九博科技股份有限公司 | 一种基于路由器的组网方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015119408A (ja) * | 2013-12-19 | 2015-06-25 | Kddi株式会社 | トラヒックフロー割当方法および装置 |
CN105721577A (zh) * | 2016-02-15 | 2016-06-29 | 安徽大学 | 一种面向软件定义网络的服务器负载均衡方法 |
CN106357537A (zh) * | 2016-11-09 | 2017-01-25 | 北京工业大学 | 一种基于sdn多路径传输的链路监控方法 |
KR101748750B1 (ko) * | 2016-02-29 | 2017-06-19 | 부산대학교 산학협력단 | Sdn 기반 무선 가상 네트워크 환경에서 트래픽 변화를 고려한 대역폭 제어 장치 및 방법 |
CN107959633A (zh) * | 2017-11-18 | 2018-04-24 | 浙江工商大学 | 一种工业实时网络中基于价格机制的多路径负载均衡方法 |
CN108880888A (zh) * | 2018-06-20 | 2018-11-23 | 浙江工商大学 | 一种基于深度学习的sdn网络流量预测方法 |
CN109067758A (zh) * | 2018-08-23 | 2018-12-21 | 江苏大学 | 一种基于多路径的sdn网络数据传输隐私保护***及其方法 |
-
2019
- 2019-06-06 CN CN201910489576.1A patent/CN110275437B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015119408A (ja) * | 2013-12-19 | 2015-06-25 | Kddi株式会社 | トラヒックフロー割当方法および装置 |
CN105721577A (zh) * | 2016-02-15 | 2016-06-29 | 安徽大学 | 一种面向软件定义网络的服务器负载均衡方法 |
KR101748750B1 (ko) * | 2016-02-29 | 2017-06-19 | 부산대학교 산학협력단 | Sdn 기반 무선 가상 네트워크 환경에서 트래픽 변화를 고려한 대역폭 제어 장치 및 방법 |
CN106357537A (zh) * | 2016-11-09 | 2017-01-25 | 北京工业大学 | 一种基于sdn多路径传输的链路监控方法 |
CN107959633A (zh) * | 2017-11-18 | 2018-04-24 | 浙江工商大学 | 一种工业实时网络中基于价格机制的多路径负载均衡方法 |
CN108880888A (zh) * | 2018-06-20 | 2018-11-23 | 浙江工商大学 | 一种基于深度学习的sdn网络流量预测方法 |
CN109067758A (zh) * | 2018-08-23 | 2018-12-21 | 江苏大学 | 一种基于多路径的sdn网络数据传输隐私保护***及其方法 |
Non-Patent Citations (2)
Title |
---|
Multipath Based Privacy Protection Method for Data Transmission in SDN;Na Dong等;《Artificial Intelligence for Communications and Networks. First EAI International Conference》;20190526;第127-138页 * |
Toward Privacy-Preserving Symptoms Matching in SDN-Based Mobile Healthcare Social Networks;Shunrong Jiang等;《IEEE Internet of Things Journal》;20180129;第5卷(第3期);第1379-1388页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110275437A (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110275437B (zh) | Sdn网络流量优势监控节点动态选择***及其方法 | |
CN108521375B (zh) | 一种基于SDN的网络多业务流量QoS的传输及调度方法 | |
Wang et al. | Load-balancing routing in software defined networks with multiple controllers | |
CN108600102B (zh) | 一种基于智慧协同网络的柔性数据传输*** | |
CN108259367B (zh) | 一种基于软件定义网络的服务感知的流策略定制方法 | |
CN107005781B (zh) | 用于生成m2m通信的虚拟网络拓扑的***与方法 | |
Li et al. | An effective path load balancing mechanism based on SDN | |
Su et al. | CeMon: A cost-effective flow monitoring system in software defined networks | |
CN112491619B (zh) | 一种基于sdn的服务定制网络资源自适应分配方法 | |
CN109688056B (zh) | 智能网络控制***及方法 | |
Hyun et al. | Knowledge-defined networking using in-band network telemetry | |
Chen et al. | Multi-controller placement towards SDN based on Louvain heuristic algorithm | |
Zhang et al. | Efficient flow detection and scheduling for SDN-based big data centers | |
Zhu et al. | Centralized QoS routing using network calculus for SDN-based streaming media networks | |
Mohammadi et al. | An adaptive type-2 fuzzy traffic engineering method for video surveillance systems over software defined networks | |
Wang et al. | PrePass: Load balancing with data plane resource constraints using commodity SDN switches | |
Jin et al. | Towards joint resource allocation and routing to optimize video distribution over future internet | |
CN107995121A (zh) | 基于通配符的软件定义网络中流量统计方法 | |
Zhang et al. | DSOQR: Deep Reinforcement Learning for Online QoS Routing in SDN‐Based Networks | |
Zheng et al. | Application of improved ant colony algorithm in load balancing of software-defined networks | |
Li et al. | CFlow: A learning-based compressive flow statistics collection scheme for SDNs | |
Mohammadi et al. | Taxonomy of traffic engineering mechanisms in software-defined networks: a survey | |
Mogyorósi et al. | Adaptive protection of scientific backbone networks using machine learning | |
Lin et al. | Proactive multipath routing with a predictive mechanism in software‐defined networks | |
Pang et al. | Research on SDN-based data center network traffic management and optimization |
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 |