CN114244720A - 一种sdn环境下基于改进粒子群算法的多控制器部署方法 - Google Patents
一种sdn环境下基于改进粒子群算法的多控制器部署方法 Download PDFInfo
- Publication number
- CN114244720A CN114244720A CN202111557698.3A CN202111557698A CN114244720A CN 114244720 A CN114244720 A CN 114244720A CN 202111557698 A CN202111557698 A CN 202111557698A CN 114244720 A CN114244720 A CN 114244720A
- Authority
- CN
- China
- Prior art keywords
- iteration
- particle
- controller
- value
- ave
- 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.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000003044 adaptive effect Effects 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 241000254158 Lampyridae Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- H04L45/12—Shortest path evaluation
- H04L45/121—Shortest path evaluation by minimising delays
-
- 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
- H04L45/12—Shortest path evaluation
- H04L45/122—Shortest path evaluation by minimising distances, e.g. by selecting a route with minimum of number of hops
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)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种SDN环境下基于改进粒子群算法的多控制器部署方法,该部署方法包括:将网络拓扑初始化;将网络拓扑中的所有节点划分为k个控制域;初始化粒子种群,包括学***均时延并维持各控制器间的负载均衡。
Description
技术领域
本发明涉及软件定义网络(SDN)技术领域,特别是一种SDN环境下基于改进粒子群算法的多控制器部署方法。
技术背景
近年来,随着信息通信技术的迅猛发展与普及,产生了一系列流量需求巨大且时延敏感的新兴业务,如智能驾驶、远程医疗等。传统网络由于架构落后等问题,难以满足运营商和广大用户群体的需求。因此,SDN(software defined networking,软件定义网络)应运而生,为解决这类问题提供了新思路。
SDN是一种逻辑集中控制的新网络架构,主要有以下特点:数据平面与控制平面解耦合,二者不再相互依赖;网络开放可编程,SDN为使用者提供了通用API接口,便于对网络进行管理。
早期SDN网络多为单控制器结构,但这种结构无法承担大型网络的管理任务,且存在致命的单点故障等问题。因此多控制器结构的SDN网络成为了主流。早在2012年,Heller等人指出SDN多控制器部署问题是一个NP-hard问题,并对多控制器部署问题做了一个总结:给定一个拓扑,需要部署多少个控制器以及控制器该部署在何处。2018年,Sahoo则分别评估了经典粒子群算法和经典萤火虫算法在SDN多控制器部署问题中的性能。
综上所述,本发明提供一种基于改进粒子群算法的多控制器部署方法,旨在降低网络中的平均时延与维持负载均衡。
发明内容
本发明的目的在于提供一种SDN环境下基于改进粒子群算法的多控制器部署方法,该方法将粒子群算法中的惯性权重式进行改进,能够降低网络中的平均时延。
假设网络拓扑中有n个节点,需要部署k个控制器,所有节点均代表一台交换机,且都可能被部署一个控制器。每一个粒子代表一种部署方案。
一种SDN环境下基于改进粒子群算法的多控制器部署方法,包括以下步骤:
步骤S1:网络拓扑初始化。获取SDN网络拓扑,计算网络中各节点间的最短距离,得到各节点间的时延。
步骤S2:社区检测划分控制域。采取社区检测方法,利用S1中得到的各节点间的最短距离,将网络划分为k个不同的控制域。
步骤S3:初始化粒子种群。利用S2中划分好的控制域,将控制器的数量与控制域的数量设为相同,即k。在每一个控制域内随机取一个节点作为控制器部署的初始位置,并将其设为局部最优pbest和全局最优gbset。
步骤S4:计算粒子群中的各粒子的适应值,并更新局部最优pbest和全局最优gbset。
步骤S5:根据公式对粒子的速度v和位置x进行更新。
步骤S6:设置迭代结束条件,判断是否迭代结束,结束则进入S7,否则进入S4。
步骤S7:输出控制器部署方案及其适应值。
进一步,所述步骤S1具体包括:
S1.1:对网络拓扑中的所有节点进行编号,即(1,2,3,…,n)。
S1.2:根据现有网络拓扑的具体条件,得出各相邻节点间的距离。
S1.3:应用图论中的Dijkstra算法可以求得各节点间的最短路径。
S1.4:将各节点间最短路径对应的最短距离除以三分之二倍光速,即可得出各节点间的时延。
所述步骤S2是将所有节点划分为k个社区,社区检测已有成熟算法,如Louvain算法等。为了尽量保持网络的负载均衡,设定节点最多的社区与节点最少的社区的节点数之差为2,即不同控制域内交换机的的最大差值为2。
所述步骤S3具体包括:
S3.1:设定粒子群的种群大小,迭代最大次数,学习因子c1,c2,设定粒子的维数为k,惯性权重的最大值ωmax,惯性权重的最小值ωmin。
S3.2:在k个控制域内分别随机取一个节点作为初始位置。
S3.3:将初始位置设为局部最优pbest和全局最优gbset。
所述步骤S4具体包括:
S4.1:计算粒子适应值,粒子的适应度函数可由为步骤1中所得的时延平均值得出,本发明采用控制器-交换机平均时延与控制器-控制器平均时延之和作为适应值函数,总平均时延Ttotal-ave的计算公式如下:
Ttotal-ave=TD-ave+TC-ave
其中TD-ave为交换机与控制器的平均时延,TC-ave为控制器与控制器间的平均时延。
S4.2:判断本次迭代适应值与pbest的大小关系,若本次适应值较小,则将本次适应值设为pbest,并设为局部最优位置。再与全局最优gbset比较,若本次适应值较小,则将本次适应值设为gbset,并设为全局最优位置。若计算所得适应值相比原pbest较大,则本次迭代没有增益,不需更新pbest和gbset。
所述步骤S5具体包括:
S5.1:对粒子的速度进行更新,经典粒子群算法中,对于粒子Pi的第j维分量,其(m+1)次更新可由下式得出:
经典粒子群算法通常采用的惯性权重式:
改进粒子群算法需要设定一个新的惯性权重,定义ρ为反馈因子:
fitnesst-1为上一次迭代的适应度,fitnesst为本次迭代的适应度值。同时,随着迭代次数t的增加,所有粒子的适应度都接近全局最优值,为防止陷入局部最优解,必须添加递减因子e-αt,该因子可以根据α调整ρ的衰减速度,可以根据需要将其设定为固定值。因此本发明使用的惯性权重式为:
ωfit=(1+e-αtρ)*ω
S5.2:对粒子的位置进行更新,经典粒子群算法中,对于粒子Pi的第j维分量,其(m+1)次更新可由下式得出:
所述步骤S6,检测迭代是否结束,设定迭代最大次数为60次,当检测到迭代次数t为60时,进入步骤S7。否则返回至步骤S4。
所述步骤S7,此时迭代已经结束,输出当前全局粒子最佳位置gbset及其适应值,即多控制器部署方案。
与现有技术相比,本发明的有益效果在于:本发明基于改进粒子群算法提出一种SDN环境下的多控制器部署方法,可以有效降低网络的总平均时延并保持负载均衡。
附图说明
为使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图:
图1为本发明所述方法的流程图。
图2为某一网络拓扑初始化示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
参照图1,一种SDN环境下基于改进粒子群算法的多控制器部署方法,包括以下步骤:
步骤S1:网络拓扑初始化。获取SDN网络拓扑,计算网络中各节点间的最短距离,得到各节点间的时延。
步骤S2:社区检测划分控制域。采取社区检测方法,利用S1中得到的各节点间的最短距离,将网络划分为k个不同的控制域。
步骤S3:初始化粒子种群。利用S2中划分好的控制域,将控制器的数量与控制域的数量设为相同,即k。在每一个控制域内随机取一个节点作为控制器部署的初始位置,并将其设为局部最优pbest和全局最优gbset。
步骤S4:计算粒子群中的各粒子的适应值,并更新局部最优pbest和全局最优gbset。
步骤S5:根据公式对粒子的速度v和位置x进行更新。
步骤S6:设置迭代结束条件,判断是否迭代结束,结束则进入S7,否则进入S4。
步骤S7:输出控制器部署方案及其适应值。
进一步,所述步骤1的具体如下:
S1.1:对网络拓扑中的所有节点进行编号,即(1,2,3,…,n)。
S1.2:根据现有网络拓扑的具体条件,得出各相邻节点间的距离。
S1.3:应用图论中的Dijkstra算法可以求得各节点间的最短路径。
S1.4:将各节点间最短路径对应的最短距离除以三分之二倍光速,即可得出各节点间的时延。
所述步骤S1运行完毕后,网络拓扑形式参照图2。
所述步骤S2是将所有节点划分为k个社区,社区检测已有成熟算法,如Louvain算法等。为了尽量保持网络的负载均衡,设定节点最多的社区与节点最少的社区的节点数之差为2,即不同控制域内交换机的的最大差值为2。
所述步骤S3具体包括:
S3.1:设定粒子群的种群大小,迭代最大次数,学习因子c1,c2,设定粒子的维数为k,惯性权重的最大值ωmax,惯性权重的最小值ωmin。
S3.2:在k个控制域内分别随机取一个节点作为初始位置。
S3.3:将初始位置设为局部最优pbest和全局最优gbset。
所述步骤S4具体包括:
S4.1:计算粒子适应值,粒子的适应度函数可由为步骤1中所得的时延平均值得出,本发明采用控制器-交换机平均时延与控制器-控制器平均时延之和作为适应值函数,总平均时延Ttotal-ave的计算公式如下:
Ttotal-ave=TD-ave+TC-ave
其中TD-ave为交换机与控制器的平均时延,TC-ave为控制器与控制器间的平均时延。
S4.2:判断本次迭代适应值与pbest的大小关系,若本次适应值较小,则将本次适应值设为pbest,并设为局部最优位置。再与全局最优gbset比较,若本次适应值较小,则将本次适应值设为gbset,并设为全局最优位置。若计算所得适应值相比原pbest较大,则本次迭代没有增益,不需更新pbest和gbset。
所述步骤S5具体包括:
S5.1:对粒子的速度进行更新,经典粒子群算法中,对于粒子Pi的第j维分量,其(m+1)次更新可由下式得出:
经典粒子群算法通常采用的惯性权重式:
改进粒子群算法需要设定一个新的惯性权重,定义ρ为反馈因子:
fitnesst-1为上一次迭代的适应度,fitnesst为本次迭代的适应度值。同时,随着迭代次数t的增加,所有粒子的适应度都接近全局最优值,为防止陷入局部最优解,必须添加递减因子e-αt,该因子可以根据α调整ρ的衰减速度,可以根据需要将其设定为固定值。因此本发明使用的惯性权重式为:
ωfit=(1+e-αtρ)*ω
S5.2:对粒子的位置进行更新,经典粒子群算法中,对于粒子Pi的第j维分量,其(m+1)次更新可由下式得出:
所述步骤S6,检测迭代是否结束,设定迭代最大次数为60次,当检测到迭代次数t为60时,进入步骤S7。否则返回至步骤S4。
所述步骤S7,此时迭代已经结束,输出当前全局粒子最佳位置gbset及其适应值,即多控制器部署方案。
Claims (5)
1.一种SDN环境下基于改进粒子群算法的多控制器部署方法,其特征在于,包括以下步骤:
步骤S1:网络拓扑初始化。获取SDN网络拓扑,计算网络中各节点间的最短距离,得到各节点间的时延。
步骤S2:社区检测划分控制域。采取社区检测方法,利用S1中得到的各节点间的最短距离,将网络划分为k个不同的控制域。
步骤S3:初始化粒子种群。利用S2中划分好的控制域,将控制器的数量与控制域的数量设为相同,即k。在每一个控制域内随机取一个节点作为控制器部署的初始位置,并将其设为局部最优pbest和全局最优gbset。
步骤S4:计算粒子群中的各粒子的适应值,并更新局部最优pbest和全局最优gbset。
步骤S5:根据公式对粒子的速度v和位置x进行更新。
步骤S6:设置迭代结束条件,判断是否迭代结束,结束则进入S7,否则进入S4。
步骤S7:输出控制器部署方案及其适应值。
2.如权利要求1所述的一种SDN环境下基于改进粒子群算法的多控制器放置方法,其特征在S2中,设控制域内交换机的数量为控制器的负载值,为保证控制平面的负载均衡性,设定负载最大的控制域与负载最小的控制域之间最大负载差值为2。
3.如权利要求1所述的一种SDN环境下基于改进粒子群算法的多控制器放置方法,其特征在S4中,适应值函数设为总平均时延,总平均时延Ttotal-ave的计算公式如下:
Ttotal-ave=TD-ave+TC-ave
其中TD-ave为交换机与控制器的平均时延,TC-ave为控制器与控制器间的平均时延。
5.如权利要求1所述的一种SDN环境下基于改进粒子群算法的多控制器部署方法,其特征在S6中,当迭代次数超过60次时,算法终止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111557698.3A CN114244720A (zh) | 2021-12-17 | 2021-12-17 | 一种sdn环境下基于改进粒子群算法的多控制器部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111557698.3A CN114244720A (zh) | 2021-12-17 | 2021-12-17 | 一种sdn环境下基于改进粒子群算法的多控制器部署方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114244720A true CN114244720A (zh) | 2022-03-25 |
Family
ID=80758882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111557698.3A Pending CN114244720A (zh) | 2021-12-17 | 2021-12-17 | 一种sdn环境下基于改进粒子群算法的多控制器部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114244720A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115190021A (zh) * | 2022-04-24 | 2022-10-14 | 北京中电飞华通信有限公司 | 面向确定性时延业务的切片部署方法及相关设备 |
CN116132310A (zh) * | 2023-02-17 | 2023-05-16 | 西安电子科技大学广州研究院 | 一种大规模软件定义网络性能预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107743147A (zh) * | 2017-11-06 | 2018-02-27 | 柏域信息科技(上海)有限公司 | 基于全局优化的动态云存储sdn控制器配置方法及装置 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN110149226A (zh) * | 2019-05-14 | 2019-08-20 | 电子科技大学中山学院 | 一种软件定义网络中多控制器部署问题的改进粒子群算法 |
WO2020181761A1 (zh) * | 2019-03-11 | 2020-09-17 | 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 |
US20210133534A1 (en) * | 2019-10-30 | 2021-05-06 | Inner Mongolia Agricultural University | Cloud task scheduling method based on phagocytosis-based hybrid particle swarm optimization and genetic algorithm |
-
2021
- 2021-12-17 CN CN202111557698.3A patent/CN114244720A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN107743147A (zh) * | 2017-11-06 | 2018-02-27 | 柏域信息科技(上海)有限公司 | 基于全局优化的动态云存储sdn控制器配置方法及装置 |
WO2020181761A1 (zh) * | 2019-03-11 | 2020-09-17 | 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 |
CN110149226A (zh) * | 2019-05-14 | 2019-08-20 | 电子科技大学中山学院 | 一种软件定义网络中多控制器部署问题的改进粒子群算法 |
US20210133534A1 (en) * | 2019-10-30 | 2021-05-06 | Inner Mongolia Agricultural University | Cloud task scheduling method based on phagocytosis-based hybrid particle swarm optimization and genetic algorithm |
Non-Patent Citations (1)
Title |
---|
姜伟、等: "基于适应度反馈作用的PSO算法改进", 《计算机工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115190021A (zh) * | 2022-04-24 | 2022-10-14 | 北京中电飞华通信有限公司 | 面向确定性时延业务的切片部署方法及相关设备 |
CN115190021B (zh) * | 2022-04-24 | 2024-04-12 | 北京中电飞华通信有限公司 | 面向确定性时延业务的切片部署方法及相关设备 |
CN116132310A (zh) * | 2023-02-17 | 2023-05-16 | 西安电子科技大学广州研究院 | 一种大规模软件定义网络性能预测方法 |
CN116132310B (zh) * | 2023-02-17 | 2023-10-20 | 西安电子科技大学广州研究院 | 一种大规模软件定义网络性能预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114244720A (zh) | 一种sdn环境下基于改进粒子群算法的多控制器部署方法 | |
Wang et al. | Neural network-based distributed adaptive pre-assigned finite-time consensus of multiple TCP/AQM networks | |
CN107040961B (zh) | 一种无线传感器网络拥塞控制方法 | |
CN111211987B (zh) | 网络中流量动态调整方法、***、电子设备及存储介质 | |
Wang et al. | Adaptive pinning synchronization of complex networks with negative weights and its application in traffic road network | |
CN110365568A (zh) | 一种基于深度强化学习的虚拟网络映射方法 | |
Huang et al. | Intelligent traffic control for QoS optimization in hybrid SDNs | |
Leung et al. | Parameter control system of evolutionary algorithm that is aided by the entire search history | |
Xu et al. | An actor-critic-based transfer learning framework for experience-driven networking | |
Hajebi et al. | Online adaptive fuzzy logic controller using genetic algorithm and neural network for networked control systems | |
CN111340192B (zh) | 网络路径分配模型训练方法、路径分配方法、以及装置 | |
CN115686846B (zh) | 边缘计算中融合图神经网络和强化学习的容器集群在线部署方法 | |
CN110852435A (zh) | 一种基于神经进化计算模型 | |
Liu et al. | Learning multi-agent behaviors from distributed and streaming demonstrations | |
Yan et al. | A new active queue management algorithm based on self-adaptive fuzzy neural-network PID controller | |
Huang et al. | Stochastic Lyapunov analysis for consensus algorithms with noisy measurements | |
Kim et al. | Method for VNF placement for service function chaining optimized in the NFV environment | |
Li et al. | Adaptive event-triggered group consensus of multi-agent systems with non-identical nonlinear dynamics | |
CN109492744A (zh) | 一种离散二进制粒子群算法与模糊控制耦合的混合运行优化控制方法 | |
Baburaj et al. | Finite-time sliding mode flow control design via reduced model for a connection-oriented communication network | |
US7089163B2 (en) | Smooth operators in optimization of structures | |
Al-Duais et al. | Dynamic training rate for backpropagation learning algorithm | |
CN113031644A (zh) | 一种面向通信时滞的飞行器编队控制***事件触发方法、装置及介质 | |
Torkestani et al. | Approximating the minimum connected dominating set in stochastic graphs based on learning automata | |
CN113065693B (zh) | 一种基于径向基神经网络的车流量预测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220325 |