CN115604724A - SRv6骨干网流量拥塞风险评估方法 - Google Patents
SRv6骨干网流量拥塞风险评估方法 Download PDFInfo
- Publication number
- CN115604724A CN115604724A CN202211270529.6A CN202211270529A CN115604724A CN 115604724 A CN115604724 A CN 115604724A CN 202211270529 A CN202211270529 A CN 202211270529A CN 115604724 A CN115604724 A CN 115604724A
- Authority
- CN
- China
- Prior art keywords
- congestion
- network
- path
- traffic
- source node
- 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
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
- H04W16/22—Traffic simulation tools or models
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种SRv6骨干网流量拥塞风险评估方法,主要考虑两个指标,一是源‑目的节点之间的路径带宽,用于衡量网络对于流量的承载能力。二是预测得到的未来一段时间内网络流量,由于网络拥塞评估是服务于未来调优决策的,那么仅基于当前时刻下业务流量进行评估是不够的,利用机器学***均水平。
Description
技术领域
本发明属于拥塞风险评估领域,主要涉及一种SRv6骨干网流量拥塞风险评估方法。
背景技术
近年来,为了适应建设5G网络和分布式大型数据中心的需求,基于软件定义网络(SDN)的SRv6(Segment Routing over IPv6,基于IPv6的段路由)开始迅速崛起,作为5G和云网络时代建设智能IP网络的关键部分,它既融合了段路由和IPv6简洁容易扩展的特点,又同时拥有多重编程空间,遵循了SDN的设计理念,能够更好的满足当下多样、异构的网络业务需求,增强网络编排和部署的灵活性。因此,SRv6技术已在构建跨域云骨干专线等方面得到了成功应用,其取代了传统的MPLS网络承载方式,避免了由于协议众多,网络状态复杂,业务运维不便,网络可靠性不足等问题。那么,随着SRv6技术在大规模部署中得到采用,SRv6网络的性能监控也在研究中,从数据平面的监控(数据包的丢失与延迟)到控制平面(向节点内的监控实体发送命令),再到管理平面(收集度量指标),以及对于网络基础设施状态的监控均进行了研究,相应的管理与监控工具也开始得到应用,持续且准确地监控网络的基础设施健康状况以及其提供的性能,为网络运维提供了网络全貌的全面视图,这些工具提供的网络动态感知将成为网络路由、拥塞控制、网络健康管理、安全保障的重要推动。
那么在现有的网络监控工具和***的支持下,基于现有的基础设施,如何评估网络拥塞程度、预估基于段路由网络全局的拥塞风险,是网络智能维护和智能化管理的重要基础。这对于提高网络运维效率、预估网络性能状态以及对应的网络策略规划、网络流量调度具有指导意义。
现有的对于网络整体承载流量以及拥塞程度进行评估的方案,主要考虑当前网络流量。即通过当前网络链路利用率、路由的剩余带宽等QoS影响因素,判断网络对于流量的承载能力以及是否存在拥塞。
此类方案可以满足对于网络整体流量承载能力以及拥塞程度的实时监测,但存在的缺点是采用此评估方案,如果判断拥塞发生,再进行流量调度,流量调度具有一定程度的滞后,造成资源的浪费,并不能有效地进行资源分配。
现有的对于源-目的节点进行拥塞风险评估的方案,基于循环神经网络(RNN)的支持,网络监测的实时数据用于流量预估、决策路由策略。从流量预测的角度,传统RNN神经网络使用的是距当前时刻较近时刻获取得到信息,很难将距当前时刻以前较远时刻处的信息利用到。为解决这一问题,引入了改进的RNN,即长短时记忆神经网络LSTM,它改进了传统神经网络架构中的隐藏层状态更新方式,将长相关与短相关时间序列的信息均考虑在内,已被证明在时间序列预测问题上,比传统RNN更适合长相关依赖问题,从而得到的预测准确度更高,现有技术已将其应用于流量预测中。
从拥塞风险评估的角度,现有方案多采用将所预测的一段时间内源-目的节点之间的流量峰值与路径的剩余带宽相比较,判断是否存在拥塞风险,如不存在则将此路径直接下发到数据转发平面进行部署,否则选择计算备选路径的拥塞风险程度。
此类方案对拥塞风险进行预估,一定程度解决了流量调度的滞后问题,但存在的问题是一方面,对指定路径上的拥塞风险进行评估,评估方案不具备全局性,采用此种评估方案可能存在仅实现了局部优化的可能;另一方面是对于划定拥塞风险阈值的合理性,在某些情况下,如骨干网场景中,在链路负载率较高时也有可能具有较低的丢包率,因此通过单一的阈值划分无法有效评估拥塞风险。
发明内容
本发明旨在提出一种基于SRv6骨干网全局视角拥塞评估的方案。拥塞评估主要考虑两个指标,一是源-目的节点之间的路径带宽,用于衡量网络对于流量的承载能力。二是预测得到的未来一段时间内网络流量,由于网络拥塞评估是服务于未来调优决策的,那么仅基于当前时刻下业务流量进行评估是不够的,利用机器学***均水平。
为了达成上述目的,本发明的解决方案是:。
SRv6骨干网流量拥塞风险评估方法,包括以下步骤:
步骤1,获取全局网络带宽矩阵;
步骤2,预测未来流量需求;
步骤3,计算网络路径的拥塞风险系数矩阵,以此作为拥塞风险评估指标。
进一步地,步骤1中全局网络带宽矩阵表示为:
进一步地,步骤2中未来时段内的流量需求矩阵表示为:
进一步地,未来时段内目的节点对源节点的流量需求的表达式为:
进一步地,对未来任一时刻的流量矩阵,基于其前k个时刻的历史流量矩阵,利用LSTM进行预测,具体为:
LSTM的输出连接全连接层;
全连接层的输出再经过sigmoid层进行非线性化处理,输出预测流量。
进一步地,网络路径的拥塞风险系数矩阵表示为:
进一步地,
一种路径部署方法,具体包括:
若存在任一候选路径满足以上条件,则以该候选路径进行部署;
若所有候选路径均不满足以上条件,则选择使得网络整体的拥塞风险C最低的候选路径进行部署。
进一步地,
本发明与现有技术相比,其显著优点是:利用本发明的技术方案,运营商可以提前感知并定量评估对于即将到来的流量,源节点与目的节点之间路径的拥塞程度,以给运营商是否需要变更网络策略提供指导意见,以及运营商变更网络之后,提供网络拥塞程度是否得到提升的全局评估。通过此方案可以提升运营商的运营维护效率,降低成本,提高收益。
附图说明
图1是LSTM流量预测神经网络结构图。
具体实施方式
下面结合具体实施例对本发明做进一步的详细说明。
SRv6网络相较于传统网络的特性,在网络边界相对明确,且网络业务源目的节点固定的情况下,在头节点进行路径组合和路径调整,以满足不同业务的定制化需求,实现由业务驱动网络。因此在设计全局网络拥塞评估方案时,考虑基于源节点段路由策略的整体SRv6骨干网拥塞程度评估。循环神经网络中的长短时记忆神经网络LSTM,近年来在序列化问题包括时间序列数据具有更好的拟合效果,并且还解决了传统RNN中梯度消失的问题。应用LSTM对需求流量进行预测,使得网络拥塞评估面向未来调优决策,为变更网络策略提供指导意见,具体实现方案如下。
2.2.1网络模型的数学描述
我们用G=(V,E)以集合和矩阵的形式表示SRv6骨干网的拓扑结构,V为节点集合,其中,源节点的集合为M,每个源节点m∈M,目的节点集合为N,每个目的节点n∈N。某一节点i到某一节点j之间直接相连的链路记为eij每条链路eij都有相应的链路容量(带宽)表示为cij。
对于该矩阵,每一横行表示对于指定源节点,每个目的节点的流量需求。用某一目的节点对指定源节点的需求流量除以所有目的节点对指定源节点的需求流量的总和,可得对于某一目的节点对该源节点的需求流量占比,表达如下所示。
源-目的节点间存在多条符合要求的候选路径,依照优先级区分出主路径和保护路径。定义源节点m与目的节点n之间路径记为(包括主路径或保护路径)上的最大带宽,为该条路径上所包含的所有链路的瓶颈容量最小值,如下所示。
2.2.2未来流量需求预测
对于某一时刻t的流量矩阵,这里简化表示为Ft(t∈[1,T]),其中T为总时隙数。因流量预测问题可以定义为通过一组历史需求流量数据(Ft-k,Ft-k+1,…,Ft-1)(k∈[1,t])此需求预测当前的流量需求
如图1所示是LSTM流量预测神经网络的结构图,共包含LSTM层、全连接层以及Sigmoid层。其中,LSTM层的输入数据为三维向量(batch,time_step,input_size),batch为完成一次参数更新训练所需的样本个数,time_step为设置的滑动窗口长度,input_size为所输入的各个数据点的向量维度。经过LSTM层后的输出为(batch,time_step,cell_size),其中cell_size就是LSTM神经层内的隐藏单元数量。在LSTM层后接全连接层,目的是为了完成将LSTM层输出的向量cell_size结果投影为长度为output_size的预测向量,最后再经过sigmoid层进行非线性化处理,不改变数据维度,输出得到的预测流量。
(二)预测未来一段时间内流量突发的平均水平
由上文所述,未来流量预测目的是用于评估网络拥塞风险。由于短暂的突发流量所引起的网络拥塞并不一定会造成丢包,而丢包发生应该是较长时间、较多流量的突发造成的。因此从上述预测未来某一时刻流量到预测流量序列,以得到一个统计意义上的预测流量峰值,来表征未来一段时间流量突发的平均水平。
我们选取长度为β的预测流量序列[f1,f2,…,fβ],则预测流量的峰值是该流量序列的均值与标准差的叠加,将预测流量的峰值记作fpeak,表达式如下。
其中,μ为预测序列的均值,表达式如下:
2.2.3网络拥塞程度评估
对于指定源节点与目的节点之间设置路径拥塞切换门限当拥塞系数矩阵中存在拥塞风险系数高于相应的路径拥塞切换门限,即则按优先级顺序切换候选路径,计算路径的拥塞风险系数是否满足要求以及网络整体的拥塞风险C是否降低,如果满足要求则部署路径,如果所有候选路径均不满足要求,则选择使整体网络拥塞风险最低的路径进行部署。
本发明提出的一种基于SRv6骨干网全局视角拥塞评估的方案,旨在提前感知网络拥塞风险,有效指导路径的决策部署。此方案的技术关键点是将基于机器学***均水平。联合路径带宽与未来流量得到全局拥塞系数矩阵,用于评估全网拥塞程度方案。
利用本发明提出的一种基于SRv6骨干网全局视角拥塞评估的方案,运营商可以提前感知并定量评估对于即将到来的流量,源节点与目的节点之间路径的拥塞程度,以给运营商是否需要变更网络策略提供指导意见,以及运营商变更网络之后,提供网络拥塞程度是否得到提升的全局评估。通过此方案可以提升运营商的运营维护效率,降低成本,提高收益。
本发明联合路径带宽与未来流量所设计的用于评估全网拥塞程度方案,具有面向未来决策、全局视角的特性,以给运营商是否需要变更网络策略提供指导意见,以及运营商变更网络之后,提供网络拥塞程度与承载性能是否得到提升的全局评估。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (10)
1.SRv6骨干网流量拥塞风险评估方法,其特征在于,包括以下步骤:
步骤1,获取全局网络带宽矩阵;
步骤2,预测未来流量需求;
步骤3,计算网络路径的拥塞风险系数矩阵,以此作为拥塞风险评估指标。
9.一种路径部署方法,其特征在于,具体包括:
若存在任一候选路径满足以上条件,则以该候选路径进行部署;
若所有候选路径均不满足以上条件,则选择使得网络整体的拥塞风险C最低的候选路径进行部署。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211270529.6A CN115604724A (zh) | 2022-10-18 | 2022-10-18 | SRv6骨干网流量拥塞风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211270529.6A CN115604724A (zh) | 2022-10-18 | 2022-10-18 | SRv6骨干网流量拥塞风险评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115604724A true CN115604724A (zh) | 2023-01-13 |
Family
ID=84846781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211270529.6A Pending CN115604724A (zh) | 2022-10-18 | 2022-10-18 | SRv6骨干网流量拥塞风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115604724A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117201407A (zh) * | 2023-11-07 | 2023-12-08 | 湖南国科超算科技有限公司 | 一种应用感知的IPv6网络快速拥塞检测与避免方法 |
-
2022
- 2022-10-18 CN CN202211270529.6A patent/CN115604724A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117201407A (zh) * | 2023-11-07 | 2023-12-08 | 湖南国科超算科技有限公司 | 一种应用感知的IPv6网络快速拥塞检测与避免方法 |
CN117201407B (zh) * | 2023-11-07 | 2024-01-05 | 湖南国科超算科技有限公司 | 一种应用感知的IPv6网络快速拥塞检测与避免方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7403988B1 (en) | Technique for autonomous network provisioning | |
Tizghadam et al. | Autonomic traffic engineering for network robustness | |
US8194546B2 (en) | Traffic flow determination in communications networks | |
CN101707788B (zh) | 基于差异化定价策略的多层网络业务动态规划方法 | |
CN104410582A (zh) | 一种基于流量预测的电力通信网流量均衡方法 | |
JP2007104677A (ja) | ノード遅延予測方法とその装置、及び遅延保証方法とその装置 | |
US7525929B2 (en) | Fast simulated annealing for traffic matrix estimation | |
CN115604724A (zh) | SRv6骨干网流量拥塞风险评估方法 | |
CN105743804A (zh) | 一种数据流控制方法和*** | |
CN114760669A (zh) | 一种基于流量预测的路由决策方法及*** | |
Tarraf et al. | Intelligent traffic control for ATM broadband networks | |
Islam et al. | Software-defined network-based proactive routing strategy in smart power grids using graph neural network and reinforcement learning | |
CN117478518A (zh) | 一种图卷积神经网络辅助的大数据存储转发调度方法 | |
JP4876131B2 (ja) | パケットモード電気通信ネットワークにおけるメッシュ状態のトラフィックの輻輳の遠隔制御方法および装置 | |
CN116132361A (zh) | 一种基于QoS和QoE的网络资源优化调整方法和*** | |
CN114205300A (zh) | 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 | |
Razmara et al. | A Hybrid Neural Network Approach for Congestion Control in TCP/IP Networks | |
CN117729164B (zh) | 一种四口千兆网卡动态带宽分配*** | |
CN112448895A (zh) | 一种网联车流量的分配方法、装置及存储介质 | |
Yang et al. | Agent-based routing algorithms on a LAN | |
Turky et al. | Self-optimizing mechanism for prediction-based decentralized routing | |
Jia et al. | A Framework of Robust Congestion Mitigation with Traffic Estimation, Split Ratio Optimisation and Path Planning | |
Dhamala et al. | QoS-Oriented Adaptive Routing in Distributed SDN using SARSA Reinforcement Learning | |
Turky et al. | An efficient routing maintenance mechanism using adaptive traffic prediction | |
Jagannathan | A hybrid system theoretic approach for admission controller design in multimedia 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 | ||
CB02 | Change of applicant information |
Address after: No. 7, Mozhou East Road, Jiangning District, Nanjing, Jiangsu 211111 Applicant after: JIANGSU FUTURE NETWORKS INNOVATION INSTITUTE Applicant after: Beijing University of Posts and Telecommunications Address before: Building 2, Yougu, No. 12, Mozhou East Road, Moling Street, Jiangning District, Nanjing City, Jiangsu Province, 211111 Applicant before: JIANGSU FUTURE NETWORKS INNOVATION INSTITUTE Applicant before: Beijing University of Posts and Telecommunications |
|
CB02 | Change of applicant information |