CN114679730A - 一种软件定义网络交换节点布局方法及装置 - Google Patents
一种软件定义网络交换节点布局方法及装置 Download PDFInfo
- Publication number
- CN114679730A CN114679730A CN202210254522.9A CN202210254522A CN114679730A CN 114679730 A CN114679730 A CN 114679730A CN 202210254522 A CN202210254522 A CN 202210254522A CN 114679730 A CN114679730 A CN 114679730A
- Authority
- CN
- China
- Prior art keywords
- network
- clustering result
- clusters
- current
- preset value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000015654 memory Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011905 homologation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种软件定义网络交换节点布局方法及装置,该方法包括:根据待布局网络的拓扑结构将待布局网络中的交换节点初始化为多个集群;计算各集群之间的距离,将距离最小的两个集群合并得到聚类结果;若当前集群的数量大于预设值,返回计算各集群之间的距离,将距离最小的两个集群合并得到聚类结果的步骤,直至当前集群的数量小于或等于预设值,将当前聚类结果确定为最终聚类结果;根据最终聚类结果将待布局网络分解为多个子网络;在各子网络中分别模拟最佳布局位置,将各子网络中最佳布局位置处的交换节点替换为软件定义网络交换节点,形成软件定义网络布局网络。通过本发明确保了有效的流量工程,改善了网络运行性能,提高网络功能稳定性。
Description
技术领域
本发明涉及无线网络技术领域,具体涉及一种软件定义网络交换节点布局方法及装置。
背景技术
随着电力行业信息化的不断发展,云计算、数据仓库、数据挖掘以及虚拟化等技术的成熟,传统的数据中心网络存在管理运维复杂、网络资源分配不合理、虚拟化程度严重不足等问题,将不能适应未来云计算、数据仓库、数据挖掘以及虚拟化等网络应用发展。软件定义网络(Software Defined Networking,SDN)的出现实现了网络控制与转发的分离,有利于提升网络的自动化控制与管理能力,为目前网络问题的解决提供了新的方向。将SDN网络技术应用在电力行业数据中心,特别在电力SCADA***中。
SDN根据网络和应用程序采用具有动态流量工程的更强健、更具成本效益的电信基础设施。SDN控制器根据大小和拓扑类型对每个网络设置执行不同的操作,过渡到纯SDN解决方案是一个渐进的过程,由于经济、组织和技术方面的挑战,在短期内仍然不可行。
SDN交换节点的放置将提供方便有效的流量工程,从而提高网络性能。由于预算和网络运行稳定性先决条件有限,SDN广域网SD-WAN的全面部署(即网络上的所有节点均启用SDN)无法在缩减期内直接完成。有限数量的传统交换节点可以由支持SDN的交换节点替换,在特定的最佳域和位置,这通常被称为混合SDN解决方案,如何更合理地确定SDN交换节点的布局位置是亟待解决的问题。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中对SDN交换节点的布局位置不合理的缺陷,从而提供一种软件定义网络交换节点布局方法及装置。
本发明第一方面提供了一种软件定义网络交换节点布局方法,包括:根据待布局网络的拓扑结构将待布局网络中的交换节点初始化为多个集群;计算各集群之间的距离,将距离最小的两个集群合并,得到聚类结果;若当前集群的数量大于预设值,重复执行计算各集群之间的距离,将距离最小的两个集群合并,得到聚类结果的步骤,直至当前集群的数量小于或等于预设值,将当前聚类结果确定为最终聚类结果;根据最终聚类结果将待布局网络分解为多个子网络;在各子网络中分别模拟最佳布局位置,将各子网络中最佳布局位置处的交换节点替换为软件定义网络交换节点,形成软件定义网络布局网络。
可选地,在本发明提供的软件定义网络交换节点布局方法中,在判定当前集群的数量小于或等于预设值的步骤之后,将当前聚类结果确定为最终聚类结果的步骤之前,该方法还包括:计算当前聚类结果的Dunn指数;若Dunn指数大于或等于预设值,将当前聚类结果判定为最终聚类结果。
可选地,在本发明提供的软件定义网络交换节点布局方法中,该方法还包括:若当前聚类结果的Dunn指数小于预设值,变更预设值;返回根据待布局网络的拓扑结构将待布局网络中的交换节点初始化为多个集群的步骤,直至当前聚类结果的Dunn指数大于或等于预设值,将当前聚类结果判定为最终聚类结果。
可选地,在本发明提供的软件定义网络交换节点布局方法中,通过如下公式计算当前聚类结果的Dunn指数: 其中,d(x,y)表示集群的不相似性,dis(Gi,Gj)表示两个集群之间的最小差异,而dia(Gl)表示两个集群之间的最大差异。
本发明第二方面提供了一种软件定义网络交换节点布局装置,包括:数据初始化模块,用于根据待布局网络的拓扑结构将待布局网络中的交换节点初始化为多个集群;集群合并模块,用于计算各集群之间的距离,将距离最小的两个集群合并,得到聚类结果;聚类模块,若当前集群的数量大于预设值,重复执行计算各集群之间的距离,将距离最小的两个集群合并,得到聚类结果的步骤,直至当前集群的数量小于或等于预设值,聚类模块将当前聚类结果确定为最终聚类结果;网络分解子模块,用于根据最终聚类结果将待布局网络分解为多个子网络;交换节点替换模块,用于在各子网络中分别模拟最佳布局位置,将各子网络中最佳布局位置处的交换节点替换为软件定义网络交换节点,形成软件定义网络布局网络。
可选地,在本发明提供的软件定义网络交换节点布局装置中,还包括:Dunn指数计算模块,用于计算当前聚类结果的Dunn指数;聚类结果评估模块,若Dunn指数大于或等于预设值,聚类结果评估模块用于将当前聚类结果判定为最终聚类结果。
可选地,在本发明提供的软件定义网络交换节点布局装置中,还包括:集群阈值变更模块,若当前聚类结果的Dunn指数小于预设值,集群阈值变更模块用于变更预设值,返回根据待布局网络的拓扑结构将待布局网络中的交换节点初始化为多个集群的步骤,直至当前聚类结果的Dunn指数大于或等于预设值,将当前聚类结果判定为最终聚类结果。
可选地,在本发明提供的软件定义网络交换节点布局装置中,通过如下公式计算当前聚类结果的Dunn指数: 其中,d(x,y)表示集群的不相似性,dis(Gi,Gj)表示两个集群之间的最小差异,而dia(Gl)表示两个集群之间的最大差异。
本发明实施例提供了一种计算机设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,从而执行如本发明第一方面提供的软件定义网络交换节点布局方法。
本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使计算机执行如本发明第一方面提供的软件定义网络交换节点布局方法。
本发明技术方案,具有如下优点:
本发明提供的软件定义网络交换节点布局方法及装置,采用AHC算法解决待布局网络中SD-WAN分区和交换节点布局问题,本发明实施例中将整个待布局网络分成多个子网,并对各个子网进行仿真,来模拟出SDN交换节点的最佳部署位置,最后将支持SDN机制的交换节点设置在混合SD-WAN中通过替代位于最佳位置的传统交换节点,从而确保了有效的流量工程,改善了网络运行性能,提高网络功能稳定性,减少组织资本支出和运营支出。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明实施例中软件定义网络交换节点布局方法的一个具体示例的流程图;
图2为本发明实施例中单链法的示意图;
图3为本发明实施例中全链法的示意图;
图4为本发明实施例中均链法的示意图;
图5为本发明实施例中软件定义网络交换节点布局装置的一个具体示例的原理框图;
图6为本发明实施例中计算机设备的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供了一种软件定义网络交换节点布局方法,如图1所示,包括:
步骤S11:根据待布局网络的拓扑结构将待布局网络中的交换节点初始化为多个集群。
在本发明实施例中所称的交换节点为传统交换节点,为了提升待布局网络的自动化控制与管理能力,需要将待布局网络中的部分传统交换节点替换为软件定义网络(Software Defined Network,SDN)交换节点。
在一可选实施例中,一个集群中包括一个或多个交换节点。
步骤S12:计算各集群之间的距离,将距离最小的两个集群合并,得到聚类结果。
在本发明实施例中,若Gp和Gq之间的距离最小,则将Gp和Gq合并到一个新的集群Gr中,新的集群Gr的元素为GP∪Gq,此时集群储量减1:C=C-1。
由于本发明实施例中对交换节点进行聚类时,会不断将集群进行合并,从而得到最终的聚类结果,因此,在上述步骤S11中将交换节点初始化为多个集群时,可以设置较多数量的集群。
在一可选实施例中,可以采用余弦相似度、欧几里得距离、单链法、全链法、均链法等方式计算各集群之间的距离。
判断当前集群的数量是大于预设值,若当前集群的数量大于预设值,返回上述步骤S12,直至当前集群的数量小于或等于预设值,执行步骤S13。
步骤S13:将当前聚类结果确定为最终聚类结果。
步骤S14:根据最终聚类结果将待布局网络分解为多个子网络。
在本发明实施例中,最终聚类结果中属于同一集群的交换节点属于同一个子网络。
步骤S15:在各子网络中分别模拟最佳布局位置,将各子网络中最佳布局位置处的交换节点替换为软件定义网络交换节点,形成软件定义网络布局网络。
在一可选实施例中,可以采用Mininet对各个子网进行仿真,来模拟出各个子网SDN交换节点的最佳部署位置,最后将支持SDN机制的交换节点设置在混合SD-WAN中替代最佳部署位置处的传统交换节点。
本发明实施例提供的软件定义网络交换节点布局方法,采用AHC算法解决待布局网络中SD-WAN分区和交换节点布局问题,本发明实施例中将整个待布局网络分成多个子网,并对各个子网进行仿真,来模拟出SDN交换节点的最佳部署位置,最后将支持SDN机制的交换节点设置在混合SD-WAN中通过替代位于最佳位置的传统交换节点,从而确保了有效的流量工程,改善了网络运行性能,提高网络功能稳定性,减少组织资本支出和运营支出。
在一可选实施例里中,本发明实施例提供的软件定义网络交换节点布局方法中,在判定当前集群的数量小于或等于预设值的步骤之后,在执行上述步骤S13之前,该方法还包括:
首先,计算聚类结果的Dunn指数。
Dunn指数被视为评估网络数据集群分区的合适集群有效性度量之一。这种方法有助于计算所需的簇,因为它通过关注数据对象之间的最大间隔和簇之间的最小间隔来处理数据密度。Dunn指数用于评估分区质量,并随后确定n个对象的“最佳”清晰分区,具体而言,选择到质心和更新质心距离最大的节点作为初始中心进行下一次分区,重复该过程,直到网络被划分为k个子网络。
若Dunn指数大于或等于预设值,则将当前聚类结果判定为最终聚类结果。
反之,若当前聚类结果的Dunn指数小于预设值,则变更预设值,并返回上述步骤S11,重复执行聚类过程,直至当前聚类结果的Dunn指数大于或等于预设值,将当前聚类结果判定为最终聚类结果。
在一可选实施例中,可以分别设置不同的预设值,并分别执行上述步骤S11-步骤S13,形成多个不同的聚类结果,然后分别计算各聚类结果的Dunn指数,将Dunn指数最大的聚类结果确定为最终聚类结果。
在一可选实施例中,通过如下公式计算当前聚类结果的Dunn指数:
其中,d(x,y)表示集群的不相似性,dis(Gi,Gj)表示两个集群之间的最小差异,而dia(Gl)表示两个集群之间的最大差异。
在一可选实施例中,在上述步骤S12中,可以采用点间距离计算方式计算各集群之间的距离:
设有2个n维向量数据点A、B,A={A1,A2,...,An},B={B1,B2,...,Bn}。
余弦相似度。余弦相似度利用余弦值来度量两个向量间的相似度,涉及的主要步骤就是向量夹角余弦值的计算,余弦相似度量的是两个向量间的夹角大小,其计算公式如下:
欧几里得距离。欧几里得距离也叫做欧式距离,它用来度量两个向量之间的绝对距离。计算公式如下:
类簇间距离计算方式:
目前常用的类簇之间的衡量方法有单链法、全链法、均链法。
单链法:如图2所示,单链的计算方法是将两个组合数据点中距离最近的两个数据点间的距离作为这两个组合数据点的距离因而容易受到噪声点的影响。单链法的类簇间距离计算公式如下:
全链法:如图3所示,全链法与单链法相反,它将两个类簇数据点中距离最远的两个数据点间的距离作为这两个类簇间距离。全链法的类簇间距离计算公式如下:
均链法:如图4所示,均链法是计算两个类簇中的每个数据点与其他所有数据点的距离,然后计算距离的平均值作为两个类簇间的距离。本发明实施例中采用均链法,均链法的类簇间距离计算公式如下:
在一具体实施例中,将采用本发明实施例提供的方法与K-means算法产生的网络延时与吞吐量进行比较,可以发现,通过执行本发明实施例不仅网络延时大大降低,其平均延时降低了15%,而且吞吐量也有了明显的提高,吞吐量提高了13%,具有重大的社会效益和经济效益。
本发明实施例提供了一种软件定义网络交换节点布局装置,如图5所示,包括:
数据初始化模块21,用于根据待布局网络的拓扑结构将待布局网络中的交换节点初始化为多个集群,详细内容参见上述实施例中对步骤S11的描述,在此不再赘述。
集群合并模块22,用于计算各集群之间的距离,将距离最小的两个集群合并,得到聚类结果,详细内容参见上述实施例中对步骤S12的描述,在此不再赘述。
聚类模块23,若当前集群的数量大于预设值,重复执行计算各集群之间的距离,将距离最小的两个集群合并,得到聚类结果的步骤,直至当前集群的数量小于或等于预设值,聚类模块将当前聚类结果确定为最终聚类结果,详细内容参见上述实施例中对步骤S13的描述,在此不再赘述。
网络分解子模块24,用于根据最终聚类结果将待布局网络分解为多个子网络,详细内容参见上述实施例中对步骤S14的描述,在此不再赘述。
交换节点替换模块25,用于在各子网络中分别模拟最佳布局位置,将各子网络中最佳布局位置处的交换节点替换为软件定义网络交换节点,形成软件定义网络布局网络,详细内容参见上述实施例中对步骤S15的描述,在此不再赘述。
在一可选实施例里中,在本发明实施例提供的软件定义网络交换节点布局装置中还包括:
Dunn指数计算模块,用于计算当前聚类结果的Dunn指数,详细内容参见上述方法实施例中的描述,在此不再赘述。
聚类结果评估模块,若Dunn指数大于或等于预设值,聚类结果评估模块用于将当前聚类结果判定为最终聚类结果,详细内容参见上述方法实施例中的描述,在此不再赘述。
在一可选实施例里中,在本发明实施例提供的软件定义网络交换节点布局装置中还包括:
集群阈值变更模块,若当前聚类结果的Dunn指数小于预设值,集群阈值变更模块用于变更预设值,返回根据待布局网络的拓扑结构将待布局网络中的交换节点初始化为多个集群的步骤,直至当前聚类结果的Dunn指数大于或等于预设值,将当前聚类结果判定为最终聚类结果,详细内容参见上述方法实施例中的描述,在此不再赘述。
在一可选实施例里中,在本发明实施例提供的软件定义网络交换节点布局装置中,通过如下公式计算当前聚类结果的Dunn指数:
其中,d(x,y)表示集群的不相似性,dis(Gi,Gj)表示两个集群之间的最小差异,而dia(Gl)表示两个集群之间的最大差异。
本发明实施例提供了一种计算机设备,如图6所示,该计算机设备主要包括一个或多个处理器31以及存储器32,图6中以一个处理器31为例。
该计算机设备还可以包括:输入装置33和输出装置34。
处理器31、存储器32、输入装置33和输出装置34可以通过总线或者其他方式连接,图6中以通过总线连接为例。
处理器31可以为中央处理器(Central Processing Unit,CPU)。处理器31还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器32可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据软件定义网络交换节点布局装置的使用所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器32可选包括相对于处理器31远程设置的存储器,这些远程存储器可以通过网络连接至软件定义网络交换节点布局装置。输入装置33可接收用户输入的计算请求(或其他数字或字符信息),以及产生与软件定义网络交换节点布局装置有关的键信号输入。输出装置34可包括显示屏等显示设备,用以输出计算结果。
本发明实施例提供了一种计算机可读存储介质,该计算机可读存储介质存储计算机指令,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的软件定义网络交换节点布局方法。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-StateDrive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种软件定义网络交换节点布局方法,其特征在于,包括:
根据待布局网络的拓扑结构将所述待布局网络中的交换节点初始化为多个集群;
计算各集群之间的距离,将距离最小的两个集群合并,得到聚类结果;
若当前集群的数量大于预设值,重复执行计算各集群之间的距离,将距离最小的两个集群合并,得到聚类结果的步骤,直至当前集群的数量小于或等于预设值,将当前聚类结果确定为最终聚类结果;
根据所述最终聚类结果将所述待布局网络分解为多个子网络;
在各所述子网络中分别模拟最佳布局位置,将各子网络中最佳布局位置处的交换节点替换为软件定义网络交换节点,形成软件定义网络布局网络。
2.根据权利要求1所述的软件定义网络交换节点布局方法,其特征在于,在判定当前集群的数量小于或等于预设值的步骤之后,将当前聚类结果确定为最终聚类结果的步骤之前,所述方法还包括:
计算当前聚类结果的Dunn指数;
若所述Dunn指数大于或等于预设值,将当前聚类结果判定为所述最终聚类结果。
3.根据权利要求2所述的软件定义网络交换节点布局方法,其特征在于,所述方法还包括:
若所述当前聚类结果的Dunn指数小于预设值,变更所述预设值;
返回根据待布局网络的拓扑结构将所述待布局网络中的交换节点初始化为多个集群的步骤,直至所述当前聚类结果的Dunn指数大于或等于预设值,将所述当前聚类结果判定为所述最终聚类结果。
5.一种软件定义网络交换节点布局装置,其特征在于,包括:
数据初始化模块,用于根据待布局网络的拓扑结构将所述待布局网络中的交换节点初始化为多个集群;
集群合并模块,用于计算各集群之间的距离,将距离最小的两个集群合并,得到聚类结果;
聚类模块,若当前集群的数量大于预设值,重复执行计算各集群之间的距离,将距离最小的两个集群合并,得到聚类结果的步骤,直至当前集群的数量小于或等于预设值,所述聚类模块将当前聚类结果确定为最终聚类结果;
网络分解子模块,用于根据所述最终聚类结果将所述待布局网络分解为多个子网络;
交换节点替换模块,用于在各所述子网络中分别模拟最佳布局位置,将各子网络中最佳布局位置处的交换节点替换为软件定义网络交换节点,形成软件定义网络布局网络。
6.根据权利要求5所述的软件定义网络交换节点布局装置,其特征在于,所述装置还包括:
Dunn指数计算模块,用于计算当前聚类结果的Dunn指数;
聚类结果评估模块,若所述Dunn指数大于或等于预设值,所述聚类结果评估模块用于将当前聚类结果判定为所述最终聚类结果。
7.根据权利要求6所述的软件定义网络交换节点布局装置,其特征在于,所述装置还包括:
集群阈值变更模块,若所述当前聚类结果的Dunn指数小于预设值,所述集群阈值变更模块用于变更所述预设值,返回根据待布局网络的拓扑结构将所述待布局网络中的交换节点初始化为多个集群的步骤,直至所述当前聚类结果的Dunn指数大于或等于预设值,将所述当前聚类结果判定为所述最终聚类结果。
9.一种计算机设备,其特征在于,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,从而执行如权利要求1-4中任一项所述的软件定义网络交换节点布局方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如权利要求1-4中任一项所述的软件定义网络交换节点布局方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210254522.9A CN114679730A (zh) | 2022-03-15 | 2022-03-15 | 一种软件定义网络交换节点布局方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210254522.9A CN114679730A (zh) | 2022-03-15 | 2022-03-15 | 一种软件定义网络交换节点布局方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114679730A true CN114679730A (zh) | 2022-06-28 |
Family
ID=82074805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210254522.9A Pending CN114679730A (zh) | 2022-03-15 | 2022-03-15 | 一种软件定义网络交换节点布局方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114679730A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108900330A (zh) * | 2018-06-25 | 2018-11-27 | 电子科技大学 | 一种适用于大规模软件定义网络的多控制器部署方法 |
CN109818804A (zh) * | 2019-02-26 | 2019-05-28 | 北京邮电大学 | 一种网络监测方法及装置 |
CN111404731A (zh) * | 2020-03-05 | 2020-07-10 | 山东工商学院 | 一种基于双启发式算法的sdn网络控制器部署方法及*** |
CN111669396A (zh) * | 2020-06-15 | 2020-09-15 | 绍兴文理学院 | 一种软件定义物联网自学习安全防御方法及*** |
CN112702186A (zh) * | 2020-11-23 | 2021-04-23 | 福建师范大学 | 一种sd-wan环境下的多控制器部署方法及终端 |
WO2021147107A1 (zh) * | 2020-01-23 | 2021-07-29 | 华为技术有限公司 | 一种通信方法及装置 |
-
2022
- 2022-03-15 CN CN202210254522.9A patent/CN114679730A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108900330A (zh) * | 2018-06-25 | 2018-11-27 | 电子科技大学 | 一种适用于大规模软件定义网络的多控制器部署方法 |
CN109818804A (zh) * | 2019-02-26 | 2019-05-28 | 北京邮电大学 | 一种网络监测方法及装置 |
WO2021147107A1 (zh) * | 2020-01-23 | 2021-07-29 | 华为技术有限公司 | 一种通信方法及装置 |
CN111404731A (zh) * | 2020-03-05 | 2020-07-10 | 山东工商学院 | 一种基于双启发式算法的sdn网络控制器部署方法及*** |
CN111669396A (zh) * | 2020-06-15 | 2020-09-15 | 绍兴文理学院 | 一种软件定义物联网自学习安全防御方法及*** |
CN112702186A (zh) * | 2020-11-23 | 2021-04-23 | 福建师范大学 | 一种sd-wan环境下的多控制器部署方法及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11521067B2 (en) | Decentralized distributed deep learning | |
CN113315700B (zh) | 算力资源调度方法、装置和存储介质 | |
CN111461334B (zh) | 量子电路的处理方法、装置及设备 | |
CN112153700B (zh) | 一种网络切片资源管理方法及设备 | |
US8943011B2 (en) | Methods and systems for using map-reduce for large-scale analysis of graph-based data | |
Cooper et al. | Coalescing random walks and voting on connected graphs | |
CN108667657B (zh) | 一种面向sdn的基于局部特征信息的虚拟网络映射方法 | |
EP3786798A1 (en) | Computing connected components in large graphs | |
CN113361680B (zh) | 一种神经网络架构搜索方法、装置、设备及介质 | |
Zivan et al. | Max/min-sum distributed constraint optimization through value propagation on an alternating DAG | |
WO2020224445A1 (zh) | 一种车流路径分布信息的处理方法、装置及电子设备 | |
Hong | A distributed, asynchronous and incremental algorithm for nonconvex optimization: An admm based approach | |
EP3320653A1 (en) | Parallelized network traffic flow availability simulation using stochastic process and traffic engineering algorithms | |
CN103838803A (zh) | 一种基于节点Jaccard相似度的社交网络社团发现方法 | |
CN113033800A (zh) | 分布式深度学习方法、装置、参数服务器及主工作节点 | |
Hou et al. | The Prediction of Multistep Traffic Flow Based on AST‐GCN‐LSTM | |
CN111418187A (zh) | 云网络中的可伸缩统计和分析机制 | |
KR20210061119A (ko) | 큰 규모 분산 행렬 곱 처리 방법 및 그 장치 | |
WO2021027745A1 (zh) | 一种图重构方法及装置 | |
Li et al. | GAP: Genetic algorithm based large-scale graph partition in heterogeneous cluster | |
CA2947578C (en) | Method and system for generating an embedding pattern used for solving a quadratic binary optimization problem | |
CN114679730A (zh) | 一种软件定义网络交换节点布局方法及装置 | |
Yan et al. | Federated clustering with GAN-based data synthesis | |
CN115879543A (zh) | 一种模型训练方法、装置、设备、介质及*** | |
Wang et al. | A communication efficient ADMM-based distributed algorithm using two-dimensional torus grouping AllReduce |
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 |