CN114338400A - Sdn网络动态控制方法及装置 - Google Patents
Sdn网络动态控制方法及装置 Download PDFInfo
- Publication number
- CN114338400A CN114338400A CN202111665306.5A CN202111665306A CN114338400A CN 114338400 A CN114338400 A CN 114338400A CN 202111665306 A CN202111665306 A CN 202111665306A CN 114338400 A CN114338400 A CN 114338400A
- Authority
- CN
- China
- Prior art keywords
- information
- node
- network
- target tracking
- retransmission
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000005540 biological transmission Effects 0.000 claims description 26
- 238000007637 random forest analysis Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000005457 optimization Methods 0.000 description 8
- 238000003066 decision tree Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本公开提供一种SDN网络动态控制方法及装置;涉及无线通信技术领域。该方法包括:实时采集SDN网络的网络链路信息和网络节点信息;将采集的信息输入训练好的重传预测模型,以获得SDN网络中每个节点的第一重传信息,并确定目标跟踪节点;基于所述训练好的重传预测模型,计算所述目标跟踪节点的特征重要性信息;并确定对应目标跟踪节点的关键特征;基于关键特征,生成相应的控制信息,并下发控制信息至对应的目标跟踪节点,以调整该目标跟踪节点的配置信息。本公开可以解决现有技术中无线SDN网络丢包重传率较高时引起的网络延迟的问题。
Description
技术领域
本公开涉及无线网络技术领域,具体而言,涉及一种SDN网络动态控制方法、SDN网络动态控制装置、计算机可读存储介质和电子设备。
背景技术
软件定义网络SDN(Software Defined Networking)作为一种基于软件的网络架构技术,支持集中化的网络状态控制、实现底层网络设施对上层应用的透明。同时具有灵活的软件编程能力,使得网络的自动化管理和控制能力获得提升,能够解决当前网络***所面临的资源规模扩展受限、组网灵活性差、难以快速满足业务需求等问题。
对于无线SDN网络,由于介质的共享特性,会出现多个网络节点同时在同一个信道上传输而导致冲突的现象,进一步引起信道发送数据包丢帧重传。而当丢包率较高时,则会引起链路大量重传,从而导致网络延迟。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开实施例的目的在于提供一种SDN网络动态控制方法、SDN网络动态控制装置、计算机可读存储介质和电子设备,进而在一定程度上解决了相关技术中无线SDN网络丢包重传率较高时引起的网络延迟的问题。
根据本公开的第一方面,提供了一种SDN网络动态控制方法,所述方法包括:
实时采集SDN网络的网络链路信息和网络节点信息;
将所述网络链路信息和网络节点信息输入训练好的重传预测模型,以获得SDN网络中每个节点的第一重传信息;并基于所述第一重传信息确定目标跟踪节点;所述重传预测模型包含随机森林模型;
基于所述训练好的重传预测模型,计算所述目标跟踪节点的特征重要性信息;并基于所述特征重要性信息,确定对应目标跟踪节点的关键特征;
基于所述关键特征,生成相应的控制信息,并将所述控制信息下发至对应的目标跟踪节点,以调整该目标跟踪节点的配置信息。
在本公开的一种示例性实施例中,基于前述方案,在所述实时采集SDN网络的网络链路信息和网络节点信息之前,所述方法还包括:
以预设时间间隔向SDN网络中的每个节点发送探测数据包。
在本公开的一种示例性实施例中,基于前述方案,在所述基于所述第一重传信息确定目标跟踪节点之后,所述方法还包括:
动态调整所述目标跟踪节点的信息采集频率。
在本公开的一种示例性实施例中,基于前述方案,所述方法还包括:
获取SDN网络的历史网络链路信息、历史网络节点信息及对应历史第一重传信息;所述历史网络链路信息包含每个节点的历史信道状态信息、历史信号状态信息、历史链路丢包信息,所述历史网络节点信息包含历史节点位置信息、历史节点能量信息;
将每个节点的历史信道状态信息、历史信号状态信息、历史链路丢包信息、历史节点位置信息、历史节点能量信息作为一组训练样本,对应的历史第一重传信息作为样本标签,采用随机取样和***的方式生成随机森林模型,直到达到训练终止条件,获得训练好的随机森林模型。
在本公开的一种示例性实施例中,基于前述方案,所述基于所述训练好的重传预测模型,计算所述目标跟踪节点的特征重要性信息,包括:
基于所述训练好的重传预测模型,通过计算每个目标跟踪节点的基尼指数或袋外数据错误率,确定每个目标跟踪节点的特征重要性。
在本公开的一种示例性实施例中,基于前述方案,所述基于所述特征重要性信息,确定对应目标跟踪节点的关键特征,包括:
基于所述特征重要性信息的大小,对每个目标跟踪节点的特征进行排序,并筛选出位于前k位的特征作为候选特征;k为正数;
将任一所述候选特征从训练好的重传预测模型中删除,确定删除特征后模型的第二重传信息;
选取所述第二重传信息最小时对应的候选特征,作为当前目标跟踪节点的关键特征。
在本公开的一种示例性实施例中,基于前述方案,所述网络链路信息包含每个节点的信道状态信息、信号状态信息、链路丢包信息,所述网络节点信息包含节点位置信息、节点能量信息;所述基于所述关键特征,生成相应的控制信息,以调整该目标跟踪节点的配置信息,包括:
当关键特征为信道状态信息,则生成信道调整控制信息,以调整该目标跟踪节点的信道分配;
当关键特征为信号状态信息,则生成信号状态调整控制信息,以调整该目标跟踪节点的信号状态;
当关键特征为节点位置信息,则生成节点位置调整控制信息,以调整该目标跟踪节点或者邻居节点的位置;
当关键特征为节点能量信息,则生成节点能量调整控制信息,以调整该目标跟踪节点或者邻居节点的传输能量;
当关键特征为链路丢包信息,则生成路径规划控制信息,以重新规划网络节点的传输路径。
根据本公开的第二方面,提供了一种SDN网络动态控制装置,包括:
采集模块,用于实时采集SDN网络的网络链路信息和网络节点信息;
跟踪节点确定模块,用于将所述网络链路信息和网络节点信息输入训练好的重传预测模型,以获得SDN网络中每个节点的第一重传信息;并基于所述第一重传信息确定目标跟踪节点;所述重传预测模型包含随机森林模型;
计算模块,用于基于所述训练好的重传预测模型,计算所述目标跟踪节点的特征重要性信息;并基于所述特征重要性信息,确定对应目标跟踪节点的关键特征;
控制模块,用于基于所述关键特征,生成相应的控制信息,并将所述控制信息下发至对应的目标跟踪节点,以调整该目标跟踪节点的配置信息。
根据本公开的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的方法。
根据本公开的第四方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。
本公开示例性实施例可以具有以下部分或全部有益效果:
在本公开示例实施方式所提供的SDN网络动态控制方法中,一方面通过实时采集SDN网络的网络链路信息和网络节点信息,通过训练好的重传预测模型动态确定目标跟踪节点,即高频重传节点及其拓扑区域,能够动态跟踪重传率高的节点,快速及时的发现重传率过高的节点,避免过高误包率的出现。另一方面,基于训练好的重传预测模型,计算目标跟踪节点的特征重要性信息;并基于所述特征重要性信息,确定对应目标跟踪节点的关键特征;基于关键特征,生成相应的控制信息,并将控制信息下发至对应的目标跟踪节点,以使目标跟踪节点基于控制信息调整该目标跟踪节点的配置信息,能够分析出重传率高的节点的关键影响因素,进而对相应节点进行控制调整,避免网络延迟的出现。此外,基于确定的网络重传率能够避免对网络状况的错误评估,提高网络评估准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了现有SDN网络动态控制方法和装置的示例性场景架构的示意图。
图2示意性示出了根据本公开的一个实施例的SDN网络动态控制方法的流程图。
图3示意性示出了根据本公开的一个实施例中确定关键特征的流程图。
图4示意性示出了根据本公开的一个实施例中SDN网络动态控制方法具体实现过程的流程示意图。
图5示意性示出了根据本公开的另一个实施例中SDN网络动态控制装置结构框图。
图6示出了适于用来实现本公开实施例的电子设备框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出了可以应用本公开实施例的一种SDN网络动态控制方法及装置的示例性应用环境的***架构100的示意图。如图1所示,***架构100可以包括SDN控制器101、网络设备102。SDN控制器101可以是单个服务器、服务器组或服务器集群,网络设备102可以包含无线传感器、无线路由器、手机或者具有无线传输模块的车辆等。SDN控制器101可以通过南向接口对网络设备102进行整体控制,网络设备102可以是多个,每个网络设备对应一个无线网络节点,由无线网络节点组成整个路由传输网络。本示例对SDN控制器101对应的服务器和网络设备102的数量不做限定。
本公开实施例所提供的SDN网络动态控制方法可以在SDN控制器101中执行,相应地,SDN网络动态控制装置一般设置于SDN控制器101中。
对于无线SDN网络,由于介质的共享特性,会出现多个网络节点同时在同一个信道上传输而发生冲突的现象,易导致信道发送数据包丢帧重传。特别是对于高达19跳以上的路径或误包率接近或超过40%的链路会导致大量重传,从而导致网络延迟。
在当前网络架构中,没有机制来确定每个数据包所需的重传次数,在相关方法中,数据重传通常在网络节点本地进行处理,相关信息保存在本地MAC层。针对目前没有机制可以在节点粒度的基础上(即逐跳)跟踪数据包的重传次数的问题。本公开提供一种针对无线SDN网络的动态控制方法。
以下对本公开实施例的技术方案进行详细阐述:
参考图2所示,本公开提供的一种示例实施方式的SDN网络动态控制方法,可以包括以下步骤:
步骤S210,实时采集SDN网络的网络链路信息和网络节点信息。
在本示例实施方式中,SDN网络可以包含多个无线节点,针对每个节点实时采集其网络链路信息和网络节点信息。可以通过SDN控制器的拓扑发现模块采集网络节点的链路信息和节点信息。也可以在SDN控制器的拓扑发现模块中添加新的信息采集模块进行链路信息和节点信息的采集。采集的网络链路信息可以存放于链路数据库中,采集的网络节点信息可以存放于节点数据库中。
在本示例实施方式中,网络链路信息可以包含信道状态信息、信号状态信息、链路丢包信息。信道状态信息可以包含信道质量信息、节点与邻居节点的共用信道数量等,信号状态信息可以包含信号强度信息RSSI、信号干噪比SINR,链路丢包信息可以包含节点所有链路的丢包率和链路丢包数量,网络节点信息包含节点位置信息和节点能量信息,节点位置信息可以包含节点的GPS坐标信息、节点与邻居节点的距离信息等,节点能量信息可以包含节点传输能量、邻居节点的传输能量等。
步骤S220,将所述网络链路信息和网络节点信息输入训练好的重传预测模型,以获得SDN网络中每个节点的第一重传信息;并基于所述第一重传信息确定目标跟踪节点;所述重传预测模型包含随机森林模型。
在本示例实施方式中,可以将每个节点的网络链路信息和网络节点信息作为预先训练好的重传预测模型的输入,也可以对每个节点的网络链路信息和网络节点信息进行预处理(如数据清洗或归一化)后作为模型输入。模型输出即为该节点的重传信息。重传预测模型可以是随机森林模型,利用训练数据集逐渐训练生成训练好的随机森林模型。第一重传信息可以是丢包重传率或者丢包重传次数,也可以是其他重传信息,或者是多个重传信息的复合信息,本示例对此不作特殊限定。
在本示例实施方式中,可以将第一重传信息最高的若干个节点作为目标跟踪节点,目标跟踪节点形成的拓扑区域为目标拓扑区域。这样就可以锁定重传率较高的节点进行重点监测和更加精确的控制调整。
步骤S230,基于所述训练好的重传预测模型,计算所述目标跟踪节点的特征重要性信息;并基于所述特征重要性信息,确定对应目标跟踪节点的关键特征。
在本示例实施方式中,可以通过选取特征重要性度量指标来指示某一特征的重要性信息,例如可以通过基尼指数或袋外数据错误率来确定特征重要性。可以将重要性较高的特征作为关键特征,关键特征可以是多个或者一个,本示例对此不作限定。
步骤S240,基于所述关键特征,生成相应的控制信息,并将所述控制信息下发至对应的目标跟踪节点,以调整该目标跟踪节点的配置信息。
在本示例实施方式中,关键特征可以是网络链路信息或网络节点信息下属的特征。可以基于关键特征生成相应的OpenFlow控制信息,例如,关键特征为当前节点与邻居节点的距离,则对应的控制信息可以是调整当前节点或邻居节点的位置。每个目标跟踪节点的OpenFlow控制信息可以通过SDN控制器的节点配置模块下发给无线节点。配置信息可以包含节点的信道、传输能量、位置、路由等信息。
在本公开示例实施方式所提供的SDN网络动态控制方法中,一方面通过实时采集SDN网络的网络链路信息和网络节点信息,通过训练好的重传预测模型动态确定目标跟踪节点,即高频重传节点及其拓扑区域,能够动态跟踪重传率高的节点,快速及时的发现重传率过高的节点,避免过高误包率的出现。另一方面,基于训练好的重传预测模型,计算目标跟踪节点的特征重要性信息;并基于所述特征重要性信息,确定对应目标跟踪节点的关键特征;基于关键特征,生成相应的控制信息,并将控制信息下发至对应的目标跟踪节点,以使目标跟踪节点基于控制信息调整该目标跟踪节点的配置信息,能够分析出重传率高的节点的关键影响因素,进而对相应节点进行控制调整,避免网络延迟的出现。此外,基于确定的网络重传率能够避免对网络状况的错误评估,提高网络评估准确性。
下面,在另一实施例中,对上述步骤进行更加详细的说明。
在一些实施例中,所述实时采集SDN网络的网络链路信息和网络节点信息之前,所述方法还包括:
以预设时间间隔向SDN网络中的每个节点发送探测数据包。
在本示例实施方式中,针对每个节点可以以预设的固定时间间隔向对应节点发送探测数据包“Packet Out”,不同节点的发送数据包时间间隔可以相同也可以不同。该时间间隔也可以随着探测过程的进行做适应性调整。例如,可以将每个节点的初始时间间隔设置成相同的,随后再根据节点跟踪情况进行每个节点的差异性调整。举例而言,可以将初始时间间隔设置为1秒,即每隔1秒发一次探测数据包。通过发送数据包的形式对网络拓扑信息(链路信息和节点信息)进行搜集,既可以全面、及时地掌握网络拓扑信息,又不会造成过多的网络干扰,影响正常的数据平面的网络传输。
一些实施例中,在所述基于所述第一重传信息确定目标跟踪节点之后,所述方法还包括:
动态调整所述目标跟踪节点的信息采集频率。
在本示例实施方式中,目标跟踪节点是重传率较高的节点,也就是需要重点关注、调整的节点,因此,可以提高这些节点的信息采集频率,以获得更多更精确的节点相关信息,从而能够更加精确的预测出这些节点的丢帧重传信息,并对节点进行丢帧重传根源分析。
一些实施例中,也可以对丢帧重传率较低的节点进行信息采集频率调整,例如,降低其信息采集频率。
一些实施例中,所述方法还包括:
首先,获取SDN网络的历史网络链路信息、历史网络节点信息及对应历史第一重传信息;所述历史网络链路信息包含每个节点的历史信道状态信息、历史信号状态信息、历史链路丢包信息,所述历史网络节点信息包含历史节点位置信息、历史节点能量信息。
在本示例实施方式中,针对每个节点获取当前时刻往前一段时间(如几天、十几天、一个月或几个月)的网络链路信息、网络节点信息及对应重传信息作为历史网络链路信息、历史网络节点信息及对应历史第一重传信息。
在本示例实施方式中,历史信道状态信息可以是当前时刻往前一段时间的信道状态信息。历史信号状态信息、历史链路丢包信息、历史节点位置信息、历史节点能量信息与历史信道状态信息的定义类似。历史第一重传信息可以是当前时刻往前一段时间的重传率信息或者重传数量信息,也可以是该段时间内该节点的平均重传率或平均重传数量,还可以是该段时间内的重传信息的其他运算结果,本示例对此不作特殊限定。
在本示例实施方式中,信道状态信息可以包含信道质量信息、节点与邻居节点的共用信道数量等,信号状态信息可以包含信号强度信息RSSI、信号干噪比SINR,链路丢包信息可以包含节点所有链路的丢包率和链路丢包数量,网络节点信息包含节点位置信息和节点能量信息,节点位置信息可以包含节点的GPS坐标信息、节点与邻居节点的距离信息等,节点能量信息可以包含节点传输能量、邻居节点的传输能量等。
然后,将每个节点的历史信道状态信息、历史信号状态信息、历史链路丢包信息、历史节点位置信息、历史节点能量信息作为一组训练样本,对应的历史第一重传信息作为样本标签,采用随机取样和***的方式生成随机森林模型,直到达到训练终止条件,获得训练好的随机森林模型。
在本示例实施方式中,每个节点的一组信息(历史信道状态信息、历史信号状态信息、历史链路丢包信息、历史节点位置信息、历史节点能量信息)可以作为一个训练样本,该样本对应的历史第一重传信息作为样本标签训练生成随机森林模型。
举例而言,一个随机森林模型的训练生成过程为:
(1)设有N个训练样本,则有放回的随机选择N个样本。采用选择好的N个样本训练一个决策树,作为决策树根节点处的样本。
(2)当每个样本有M个属性特征时,在决策树的每个树节点需要***时,随机从这M个属性特征中选取出m个属性特征,m<<M。再从这m个属性特征中采用预设策略(比如信息增益)来选择1个属性特征作为该节点的***属性。
(3)决策树形成过程中每个树节点都要按照步骤(2)来***,直到达到训练终止条件为止。本示例中的训练终止条件可以是最大决策树数量或者所有树节点不能够再***。
按照步骤(1)-(3)可以生成大量决策树,从而构成随机森林模型。
一些实施例中,所述基于所述训练好的重传预测模型,计算所述目标跟踪节点的特征重要性信息,包括:
基于所述训练好的重传预测模型,通过计算每个目标跟踪节点的基尼指数或袋外数据错误率,确定每个目标跟踪节点的特征重要性信息。
举例而言,采用袋外数据错误率来评估特征X的重要性,计算过程为:对每一颗决策树,选择相应的袋外数据OOB计算袋外数据误差errOOB1;随机对袋外数据OOB所有样本的特征X加入噪声干扰,再次计算袋外数据误差errOOB2;设森林中有N棵树,则特征X的重要性=∑(errOOB2-errOOB1)/N。
采用相同方法计算出每个特征的重要性即可。
在一些实施例中,参考图3,所述基于所述特征重要性信息,确定对应目标跟踪节点的关键特征,包括:
步骤S310,基于所述特征重要性信息的大小,对每个目标跟踪节点的特征进行排序,并筛选出位于前k位的特征作为候选特征;k为正数。
在本示例实施方式中,可以基于特征重要性信息,将特征按重要性从大到小排序,再筛选重要性位于前k位的特征作为候选特征。
步骤S320,将任一所述候选特征从训练好的重传预测模型中删除,确定删除特征后模型的第二重传信息。
在本示例实施方式中,从训练好的重传预测模型中删除一个候选特征,确定删除特征后的模型输出,即第二重传信息。对每个候选特征均执行上述操作,得到删除候选特征对应的第二重传信息。第二重传信息可以是删除候选特征后预测出的重传率或者重传数量。
步骤S330,选取所述第二重传信息最小时对应的候选特征,作为当前目标跟踪节点的关键特征。
本示例实施方式中,第二重传信息最小则说明其对应的删除特征(即候选特征)就是影响当前节点的关键因素。也就是说如果去除某特征进行预测,模型的丢帧重传率显著降低,则认为该特征为丢帧重传率过高的根源。
一些实施例中,所述网络链路信息包含每个节点的信道状态信息、信号状态信息、链路丢包信息,所述网络节点信息包含节点位置信息、节点能量信息;所述基于所述关键特征,生成相应的控制信息,以调整该目标跟踪节点的配置信息,包括:
当关键特征为信道状态信息,则生成信道调整控制信息,以调整该目标跟踪节点的信道分配;当关键特征为信号状态信息,则生成信号状态调整控制信息,以调整该目标跟踪节点的信号状态;当关键特征为节点位置信息,则生成节点位置调整控制信息,以调整该目标跟踪节点或者邻居节点的位置;当关键特征为节点能量信息,则生成节点能量调整控制信息,以调整该目标跟踪节点或者邻居节点的传输能量;当关键特征为链路丢包信息,则生成路径规划控制信息,以重新规划网络节点的传输路径。
举例而言,若基于关键特征的分析原因为网络干涉,则进行信道的重新分配。若基于关键特征的分析原因为节点的传输能量过低,或邻居节点的传输能量过高,则对相应节点进行传输能量的调整。若基于关键特征的分析原因为节点与邻居节点的距离过高,并且其距离可以通过物理移动的方式进行调整,则对相应节点进行移动和位置管理。
举例而言,参考图4,采用本公开方法实现SDN网络动态控制过程。
步骤S401,SDN控制器按预设时间间隔发送探测数据包“Packet Out”给每个网络设备(无线节点)。本示例中,预设时间间隔可以设置为1秒。
步骤S402,SDN控制器的拓扑服务模块采集网络拓扑信息,即每个节点的链路信息和节点信息。
本示例中,链路信息可以包括信道状态信息、信号状态信息、链路丢包信息等,节点信息可以包括当前节点的位置信息、当前节点的传输能量信息、邻居节点的位置信息、邻居节点的传输能量信息等,邻居节点可以是当前节点的1跳邻居节点。
步骤S403,应用层通过北向接口获取SDN控制器采集的每个节点的链路信息和节点信息。
步骤S404,应用层的重传优化应用提取当前每个节点的链路信息和节点信息中的特征信息。
本示例中,提取的特征信息可以包括:当前节点与1跳邻居的距离、当前节点与1跳邻居使用相同信道的数量、当前节点的1跳邻居的传输能量、当前节点的1跳邻居的重传数量、当前节点的各个链路的RSSI、当前节点的各个链路的SINR、当前节点的各个链路的丢包率、当前节点的历史平均的重传数量(即当前时刻往前一段时间内的平均重传数量)。
步骤S405,应用层的重传优化应用将提取的特征信息输入训练好的重传预测模型,预测当前网络拓扑结构中每个节点的重传率。本示例中,训练好的重传预测模型可以是随机森林模型。
步骤S406,应用层的重传优化应用基于每个节点的重传率,确定当前时刻的目标跟踪节点。本示例中,可以将重传率大于预设阈值的节点作为目标跟踪节点,也就是频繁发生网络重传的节点。
步骤S407,应用层的重传优化应用计算所述目标跟踪节点的特征重要性信息。本示例中,可以通过计算每个目标跟踪节点的基尼指数或袋外数据错误率,确定每个目标跟踪节点的特征重要性信息。
步骤S408,应用层的重传优化应用基于所述特征重要性信息,确定对应目标跟踪节点的关键特征。
本示例中,可以将重要性信息最高的一个或多个特征作为节点的关键特征。
步骤S409,应用层的重传优化应用将所述关键特征通过北向接口发送给SDN控制器。
步骤S410,SDN控制器基于所述关键特征生成相应的控制信息。
步骤S411,SDN控制器的节点配置模块通过南向接口将所述控制信息下发至对应的目标跟踪节点,以调整其配置信息。
本示例中,当关键特征为信道状态信息,则生成信道调整控制信息,以调整该目标跟踪节点的信道分配;当关键特征为信号状态信息,则生成信号状态调整控制信息,以调整该目标跟踪节点的信号状态;当关键特征为节点位置信息,则生成节点位置调整控制信息,以调整该目标跟踪节点或者邻居节点的位置;当关键特征为节点能量信息,则生成节点能量调整控制信息,以调整该目标跟踪节点或者邻居节点的传输能量;当关键特征为链路丢包信息,则生成路径规划控制信息,以重新规划网络节点的传输路径。例如,当前某个节点的随机森林的1跳邻居的传输能量为重要性最高的特征,则可以确定需要对此节点及其邻居的物理位置进行调整。
本示例中,应用层的重传优化应用可以与SDN控制器运行在同一个服务器上,也可以运行在不同的服务器上。
本公开利用SDN控制器采集SDN无线网络基本拓扑信息;使用随机森林模型分析出高频重传节点和拓扑区域;对于高频重传节点和拓扑区域,动态提高信息采集频率,使更加精确的测量出节点丢帧重传信息和进行重传率高的根源分析。进一步根据分析出的原因,生成相应的OpenFlow控制信息,下达到无线网络节点,避免网络延迟和阻塞,提高无线SDN网络的服务质量。
相关技术中,无线多节点网络的重传,使用的是链路层的自动重传机制,没有***层面减少重传的方案。且该方法适用于分布式***的局限视野情况。而本公开的SDN网络是全局视野,能够使多节点网络的重传实现全局优化。由于优化所需信息需要使用南向接口搜集,需要消耗带宽,本公开采用选择性地对重传率高的节点进行跟踪。同时,SDN可以直接进行节点配置信息调整,以减少重传,例如信道重新分配、传输能力调整、路由重新计算等。
本公开使用随机森林模型对搜集的拓扑信息进行分析,确定当前网络拓扑结构中频繁发生网络重传的节点和区域拓扑,进而选择性地跟踪预测出的高频重传节点和拓扑区域,动态提高信息收集频率,增加节点调控精确度。
进一步的,本示例实施方式中,还提供了一种SDN网络动态控制装置500该SDN网络动态控制装置500可以用于一服务器。参考图6所示,该SDN网络动态控制装置500可以包括:
采集模块510,可以用于实时采集SDN网络的网络链路信息和网络节点信息。
跟踪节点确定模块520,可以用于将所述网络链路信息和网络节点信息输入训练好的重传预测模型,以获得SDN网络中每个节点的第一重传信息;并基于所述第一重传信息确定目标跟踪节点;所述重传预测模型包含随机森林模型.
计算模块530,可以用于基于所述训练好的重传预测模型,计算所述目标跟踪节点的特征重要性信息;并基于所述特征重要性信息,确定对应目标跟踪节点的关键特征。
控制模块540,可以用于基于所述关键特征,生成相应的控制信息,并将所述控制信息下发至对应的目标跟踪节点,以调整该目标跟踪节点的配置信息。
在本公开的一种示例性实施例中,装置500还包括:
数据包发送模块,可以用于以预设时间间隔向SDN网络中的每个节点发送探测数据包。
在本公开的一种示例性实施例中,装置500还包括:
采集频率调整模块,可以用于动态调整所述目标跟踪节点的信息采集频率。
在本公开的一种示例性实施例中,装置500还包括:
历史信息获取模块,可以用于获取SDN网络的历史网络链路信息、历史网络节点信息及对应历史第一重传信息;所述历史网络链路信息包含每个节点的历史信道状态信息、历史信号状态信息、历史链路丢包信息,所述历史网络节点信息包含历史节点位置信息、历史节点能量信息。
训练模块,可以用于将每个节点的历史信道状态信息、历史信号状态信息、历史链路丢包信息、历史节点位置信息、历史节点能量信息作为一组训练样本,对应的历史第一重传信息作为样本标签,采用随机取样和***的方式生成随机森林模型,直到达到训练终止条件,获得训练好的随机森林模型。
在本公开的一种示例性实施例中,计算模块530还用于:
基于所述训练好的重传预测模型,通过计算每个目标跟踪节点的基尼指数或袋外数据错误率,确定每个目标跟踪节点的特征重要性信息。
在本公开的一种示例性实施例中,计算模块530包括:
筛选模块,可以用于基于所述特征重要性信息的大小,对每个目标跟踪节点的特征进行排序,并筛选出位于前k位的特征作为候选特征;k为正数。
删除确定模块,可以用于将任一所述候选特征从训练好的重传预测模型中删除,确定删除特征后模型的第二重传信息。
选取模块,可以用于选取所述第二重传信息最小时对应的候选特征,作为当前目标跟踪节点的关键特征。
在本公开的一种示例性实施例中,控制模块540还可以用于:
当关键特征为信道状态信息,则生成信道调整控制信息,以调整该目标跟踪节点的信道分配;当关键特征为信号状态信息,则生成信号状态调整控制信息,以调整该目标跟踪节点的信号状态;当关键特征为节点位置信息,则生成节点位置调整控制信息,以调整该目标跟踪节点或者邻居节点的位置;当关键特征为节点能量信息,则生成节点能量调整控制信息,以调整该目标跟踪节点或者邻居节点的传输能量;当关键特征为链路丢包信息,则生成路径规划控制信息,以重新规划网络节点的传输路径。
上述SDN网络动态控制装置中各模块或单元的具体细节已经在对应的SDN网络动态控制方法中进行了详细的描述,因此此处不再赘述。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如下述实施例中所述的方法。例如,所述的电子设备可以实现如图2~图4所示的各个步骤等。
需要说明的是,本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。所属技术领域的技术人员能够理解,本公开的各个方面可以实现为***、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施例、完全的软件实施例(包括固件、微代码等),或硬件和软件方面结合的实施例,这里可以统称为“电路”、“模块”或“***”。
下面参照图6来描述根据本公开的这种实施例的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同***组件(包括存储单元620和处理单元610)的总线630、显示单元640。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RA标识***、磁带驱动器以及数据备份存储***等。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
需要说明的是,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等,均应视为本公开的一部分。
应可理解的是,本说明书公开和限定的本公开延伸到文中和/或附图中提到或明显的两个或两个以上单独特征的所有可替代组合。所有这些不同的组合构成本公开的多个可替代方面。本说明书的实施方式说明了已知用于实现本公开的最佳方式,并且将使本领域技术人员能够利用本公开。
Claims (10)
1.一种SDN网络动态控制方法,其特征在于,包括:
实时采集SDN网络的网络链路信息和网络节点信息;
将所述网络链路信息和网络节点信息输入训练好的重传预测模型,以获得SDN网络中每个节点的第一重传信息;并基于所述第一重传信息确定目标跟踪节点;所述重传预测模型包含随机森林模型;
基于所述训练好的重传预测模型,计算所述目标跟踪节点的特征重要性信息;并基于所述特征重要性信息,确定对应目标跟踪节点的关键特征;
基于所述关键特征,生成相应的控制信息,并将所述控制信息下发至对应的目标跟踪节点,以调整该目标跟踪节点的配置信息。
2.根据权利要求1所述的SDN网络动态控制方法,其特征在于,在所述实时采集SDN网络的网络链路信息和网络节点信息之前,所述方法还包括:
以预设时间间隔向SDN网络中的每个节点发送探测数据包。
3.根据权利要求1所述的SDN网络动态控制方法,其特征在于,在所述基于所述第一重传信息确定目标跟踪节点之后,所述方法还包括:
动态调整所述目标跟踪节点的信息采集频率。
4.根据权利要求1所述的SDN网络动态控制方法,其特征在于,所述方法还包括:
获取SDN网络的历史网络链路信息、历史网络节点信息及对应历史第一重传信息;所述历史网络链路信息包含每个节点的历史信道状态信息、历史信号状态信息、历史链路丢包信息,所述历史网络节点信息包含历史节点位置信息、历史节点能量信息;
将每个节点的历史信道状态信息、历史信号状态信息、历史链路丢包信息、历史节点位置信息、历史节点能量信息作为一组训练样本,对应的历史第一重传信息作为样本标签,采用随机取样和***的方式生成随机森林模型,直到达到训练终止条件,获得训练好的随机森林模型。
5.根据权利要求1所述的SDN网络动态控制方法,其特征在于,所述基于所述训练好的重传预测模型,计算所述目标跟踪节点的特征重要性信息,包括:
基于所述训练好的重传预测模型,通过计算每个目标跟踪节点的基尼指数或袋外数据错误率,确定每个目标跟踪节点的特征重要性信息。
6.根据权利要求1-5任一项所述的SDN网络动态控制方法,其特征在于,所述基于所述特征重要性信息,确定对应目标跟踪节点的关键特征,包括:
基于所述特征重要性信息的大小,对每个目标跟踪节点的特征进行排序,并筛选出位于前k位的特征作为候选特征;k为正数;
将任一所述候选特征从训练好的重传预测模型中删除,确定删除特征后模型的第二重传信息;
选取所述第二重传信息最小时对应的候选特征,作为当前目标跟踪节点的关键特征。
7.根据权利要求1所述的SDN网络动态控制方法,其特征在于,所述网络链路信息包含每个节点的信道状态信息、信号状态信息、链路丢包信息,所述网络节点信息包含节点位置信息、节点能量信息;所述基于所述关键特征,生成相应的控制信息,以调整该目标跟踪节点的配置信息,包括:
当关键特征为信道状态信息,则生成信道调整控制信息,以调整该目标跟踪节点的信道分配;
当关键特征为信号状态信息,则生成信号状态调整控制信息,以调整该目标跟踪节点的信号状态;
当关键特征为节点位置信息,则生成节点位置调整控制信息,以调整该目标跟踪节点或者邻居节点的位置;
当关键特征为节点能量信息,则生成节点能量调整控制信息,以调整该目标跟踪节点或者邻居节点的传输能量;
当关键特征为链路丢包信息,则生成路径规划控制信息,以重新规划网络节点的传输路径。
8.一种SDN网络动态控制装置,其特征在于,包括:
采集模块,用于实时采集SDN网络的网络链路信息和网络节点信息;
跟踪节点确定模块,用于将所述网络链路信息和网络节点信息输入训练好的重传预测模型,以获得SDN网络中每个节点的第一重传信息;并基于所述第一重传信息确定目标跟踪节点;所述重传预测模型包含随机森林模型;
计算模块,用于基于所述训练好的重传预测模型,计算所述目标跟踪节点的特征重要性信息;并基于所述特征重要性信息,确定对应目标跟踪节点的关键特征;
控制模块,用于基于所述关键特征,生成相应的控制信息,并将所述控制信息下发至对应的目标跟踪节点,以调整该目标跟踪节点的配置信息。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111665306.5A CN114338400B (zh) | 2021-12-31 | 2021-12-31 | Sdn网络动态控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111665306.5A CN114338400B (zh) | 2021-12-31 | 2021-12-31 | Sdn网络动态控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114338400A true CN114338400A (zh) | 2022-04-12 |
CN114338400B CN114338400B (zh) | 2024-05-14 |
Family
ID=81021677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111665306.5A Active CN114338400B (zh) | 2021-12-31 | 2021-12-31 | Sdn网络动态控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114338400B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105791175A (zh) * | 2014-12-26 | 2016-07-20 | 电信科学技术研究院 | 软件定义网络中控制传输资源的方法及设备 |
US20160366046A1 (en) * | 2015-06-09 | 2016-12-15 | International Business Machines Corporation | Support for high availability of service appliances in a software-defined network (sdn) service chaining infrastructure |
CN107181720A (zh) * | 2016-03-11 | 2017-09-19 | 中兴通讯股份有限公司 | 一种软件定义网路sdn安全通信的方法及装置 |
US20190036828A1 (en) * | 2017-07-31 | 2019-01-31 | Cisco Technology, Inc. | Path selection for an application based on a performance score in a software-defined network |
CN110460502A (zh) * | 2019-09-10 | 2019-11-15 | 西安电子科技大学 | 基于分布特征随机森林的vpn下应用程序流量识别方法 |
CN112055953A (zh) * | 2018-05-01 | 2020-12-08 | 思科技术公司 | 在云环境中管理多播服务链 |
KR20210075501A (ko) * | 2019-12-13 | 2021-06-23 | 주식회사 엘지유플러스 | 네트워크 관리 장치 및 그 제어방법 |
-
2021
- 2021-12-31 CN CN202111665306.5A patent/CN114338400B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105791175A (zh) * | 2014-12-26 | 2016-07-20 | 电信科学技术研究院 | 软件定义网络中控制传输资源的方法及设备 |
US20160366046A1 (en) * | 2015-06-09 | 2016-12-15 | International Business Machines Corporation | Support for high availability of service appliances in a software-defined network (sdn) service chaining infrastructure |
CN107181720A (zh) * | 2016-03-11 | 2017-09-19 | 中兴通讯股份有限公司 | 一种软件定义网路sdn安全通信的方法及装置 |
US20190036828A1 (en) * | 2017-07-31 | 2019-01-31 | Cisco Technology, Inc. | Path selection for an application based on a performance score in a software-defined network |
CN112055953A (zh) * | 2018-05-01 | 2020-12-08 | 思科技术公司 | 在云环境中管理多播服务链 |
CN110460502A (zh) * | 2019-09-10 | 2019-11-15 | 西安电子科技大学 | 基于分布特征随机森林的vpn下应用程序流量识别方法 |
KR20210075501A (ko) * | 2019-12-13 | 2021-06-23 | 주식회사 엘지유플러스 | 네트워크 관리 장치 및 그 제어방법 |
Also Published As
Publication number | Publication date |
---|---|
CN114338400B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109831386B (zh) | 一种sdn下基于机器学习的最优路径选择算法 | |
CN112740746A (zh) | 检测警报的通信网络洞察力 | |
CN102724103B (zh) | 代理服务器、分层次网络***及分布式工作负载管理方法 | |
US10361923B2 (en) | Method and device for discovering network topology | |
Le Tan et al. | Location-aware load prediction in edge data centers | |
CN111371644B (zh) | 基于gru的多域sdn网络流量态势预测方法及*** | |
CN103987056A (zh) | 基于大数据统计模型的无线网络话务量预测方法 | |
CN114553661B (zh) | 一种面向无线联邦学习的移动用户设备分簇训练方法 | |
Li et al. | Particle filtering with applications in networked systems: a survey | |
CN112532409A (zh) | 网络参数配置方法、装置、计算机设备以及存储介质 | |
CN114760669B (zh) | 一种基于流量预测的路由决策方法及*** | |
CN112202644B (zh) | 面向混合可编程网络环境的协同网络测量方法及*** | |
CN105141446A (zh) | 一种基于客观权重确定的网络设备健康度评估方法 | |
Dashevskiy et al. | Time series prediction with performance guarantee | |
CN117395166B (zh) | 基于物联网的智能农业管理平台 | |
WO2023207689A1 (zh) | 一种变更风险评估方法、设备及存储介质 | |
CN104022951A (zh) | 一种网络服务路径的建立方法及*** | |
CN112867162B (zh) | 一种切片资源配置方法及装置 | |
CN102546286A (zh) | 一种在线检测网络共享拥塞路径的方法 | |
CN112910699A (zh) | 电力物联网的智能故障检测方法及装置 | |
CN114338400A (zh) | Sdn网络动态控制方法及装置 | |
CN112637904B (zh) | 负载均衡方法、装置及计算设备 | |
Ren et al. | End-to-end network SLA quality assurance for C-RAN: a closed-loop management method based on digital twin network | |
Jittawiriyanukoon | Approximation of regression-based fault minimization for network traffic | |
Shu et al. | A novel combinatorial multi-armed bandit game to identify online the changing top-k flows in software-defined networks |
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 |