KR20190118098A - SDN control method - Google Patents
SDN control method Download PDFInfo
- Publication number
- KR20190118098A KR20190118098A KR1020180094208A KR20180094208A KR20190118098A KR 20190118098 A KR20190118098 A KR 20190118098A KR 1020180094208 A KR1020180094208 A KR 1020180094208A KR 20180094208 A KR20180094208 A KR 20180094208A KR 20190118098 A KR20190118098 A KR 20190118098A
- Authority
- KR
- South Korea
- Prior art keywords
- sdn
- network
- transmission path
- network state
- control agent
- Prior art date
Links
Images
Classifications
-
- 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
- H04L45/02—Topology update or discovery
- H04L45/08—Learning-based routing, e.g. using neural networks or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/02—Capturing of monitoring data
- H04L43/026—Capturing of monitoring data using flow identification
-
- 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
- H04L45/125—Shortest path evaluation based on throughput or bandwidth
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
- H04L47/2441—Traffic characterised by specific attributes, e.g. priority or QoS relying on flow classification, e.g. using integrated services [IntServ]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
Description
본 발명은 소프트웨어 정의 네트워크(software-defined network: SDN) 제어 방법에 관한 것으로서, 보다 상세하게는, SDN에서 자율적 네트워크 제어를 위한 빅데이터(big data) 기반 네트워크 트래픽 정보 수집/분석 및 이를 이용한 네트워크 제어 방법에 관한 것이다.The present invention relates to a software-defined network (SDN) control method, and more particularly, to collect / analyze big data based network traffic information for autonomous network control in SDN and network control using the same It is about a method.
일반적으로, 네트워크 인프라는 오픈플로우 프로토콜(openflow protocol)를 사용한 SDN 기반으로 구성되는데, 자율적 SDN 제어를 위한 방안이 요구되고 있다.In general, the network infrastructure is configured based on SDN using an openflow protocol, and a method for autonomous SDN control is required.
본 발명은 자율적 SDN 제어를 위한 방안을 제공하는 것에 과제가 있다.An object of the present invention is to provide a scheme for autonomous SDN control.
본 발명은 SDN(software-defined network) 스위치와 SDN 컨트롤러를 포함한 SDN의 제어 방법으로서, 상기 SDN 스위치를 통해 수집된 네트워크 상태 정보를 상기 SDN 컨트롤러 통해 데이터베이스에 저장하는 단계와; 상기 데이터베이스에 저장된 상기 네트워크 상태 정보를 이용하여, 스마트제어에이전트에서 데이터 플로우의 전송 경로를 설정하고 상기 SDN 컨트롤러에 전송하는 단계를 포함하고, 상기 스마트제어에이전트는, 현재 네트워크 상태를 기초로 상기 전송 경로를 설정하거나, 미래 네트워크 상태를 예측하여 이 예측된 상태를 기초로 상기 전송 경로를 설정하도록 구성된 SDN 제어 방법을 제공한다.The present invention provides a method of controlling an SDN including a software-defined network (SDN) switch and an SDN controller, the method comprising: storing network state information collected through the SDN switch in a database through the SDN controller; Using the network state information stored in the database, setting a transmission path of a data flow in a smart control agent and transmitting the data flow to the SDN controller, wherein the smart control agent is configured to transmit the transmission path based on a current network state. Or to predict the future network state and to set the transmission path based on the predicted state.
여기서, 상기 스마트제어에이전트는, 상기 현재 네트워크 상태를 기초로 하여 생성된 제1전송 경로와, 상기 예측된 미래 네트워크 상태를 기초로 하여 생성된 제2전송 경로 중 하나를 선택하여 설정할 수 있다.The smart control agent may select and set one of a first transmission path generated based on the current network state and a second transmission path generated based on the predicted future network state.
상기 스마트제어에이전트는, 상기 제1전송 경로와 상기 제2전송 경로를 비교하고, 상기 제1전송 경로와 제2전송 경로가 상이한 경우에, 상기 제2전송 경로를 선택하여 설정할 수 있다.The smart control agent may compare the first transmission path with the second transmission path, and select and set the second transmission path when the first transmission path and the second transmission path are different.
상기 스마트제어에이전트는, 상기 데이터베이스에 저장된 네트워크 상태 정보를 기초로 한 네트워크 운영에 관한 빅데이터를 기반으로 내부에 탑재된 인공지능 엔진을 통해 상기 전송 경로를 설정하도록 구성될 수 있다.The smart control agent may be configured to set the transmission path through an artificial intelligence engine mounted therein based on big data about network operation based on network state information stored in the database.
본 발명에서는, 네트워크 내에 설치된 SDN 스위치(SW)를 통해 네트워크 상태 정보를 수집하게 된다.In the present invention, the network state information is collected through the SDN switch (SW) installed in the network.
그리고, 스마트제어에이전트(SCA)가 구비되어 수집된 네트워크 정보를 기초로 한 빅데이터를 기반으로 인공지능의 자가학습/성장 등을 통해 네트워크 제어가 수행된다.In addition, a smart control agent (SCA) is provided to perform network control through self-learning / growth of artificial intelligence based on big data based on collected network information.
이에 따라, 빅데이터 기반의 스마트 제어 SDN이 구성되 자율적인 SDN 제어가 효과적으로 구현될 수 있게 된다.Accordingly, a smart data SDN based on big data is configured, and autonomous SDN control can be effectively implemented.
도 1은 본 발명의 실시예에 따른 네트워크를 개략적으로 도시한 도면.
도 2는 본 발명의 실시예에 따른 네트워크 상황 인지 제어 방법을 설명하기 위한 개략도.
도 3은 본 발명의 실시예에 따른 네트워크 상황 학습 기반 제어 방법을 설명하기 위한 개략도.1 shows schematically a network according to an embodiment of the invention.
Figure 2 is a schematic diagram for explaining a network context awareness control method according to an embodiment of the present invention.
3 is a schematic diagram illustrating a network context learning based control method according to an embodiment of the present invention;
이하, 도면을 참조하여 본 발명의 실시예를 설명한다.Hereinafter, embodiments of the present invention will be described with reference to the drawings.
도 1은 본 발명의 실시예에 따른 네트워크를 개략적으로 도시한 도면이다.1 is a diagram schematically illustrating a network according to an embodiment of the present invention.
도 1을 참조하면, 본 발명의 실시예에 따른 네트워크는 오픈플로우 프로토콜(openflow protocol)을 사용하는 소프트웨어 정의 네트워크(software-defined network: SDN)이다.Referring to FIG. 1, a network according to an embodiment of the present invention is a software-defined network (SDN) using an openflow protocol.
이와 같은 SDN에는 이를 제어하기 위한 네트워크 제어 시스템이 구비되는데, 이 네트워크 제어 시스템은 다수의 SDN 스위치(SW)와, SDN 컨트롤러(CON)와, 데이터베이스(DB)와, 스마트제어에이전트(SCA)를 포함할 수 있다.Such SDN is provided with a network control system for controlling this, the network control system includes a plurality of SDN switches (SW), SDN controller (CON), database (DB), smart control agent (SCA) can do.
SDN 스위치(SW)는, 네트워크에서 데이터 플로우의 전송 채널인 데이터채널들(CHd) 간의 접점인 노드에 설치되고, 스위칭 동작을 통해 데이터 플로우의 경로를 조절할 수 있다.The SDN switch SW is installed at a node which is a point of contact between the data channels CHd which are the transmission channels of the data flow in the network, and can control the path of the data flow through a switching operation.
이와 같은 SDN 스위치(SW)는 SDN 컨트롤러(CON)와 오픈플로우 프로토콜 통신을 수행하게 된다. SDN 컨트롤러(CON)는 이에 연결된 SDN 스위치(SW)의 스위칭 동작을 제어하여 네트워크에서의 데이터 플로우의 경로를 제어하게 된다.The SDN switch SW performs the open flow protocol communication with the SDN controller CON. The SDN controller CON controls the switching operation of the SDN switch SW connected thereto to control the path of data flow in the network.
SDN 컨트롤러(CON)와 SDN 스위치(SW) 사이에는 이들 간의 신호 전송을 위한 채널인 컨트롤 채널(CHc)이 구비될 수 있다.Between the SDN controller CON and the SDN switch SW, a control channel CHc, which is a channel for transmitting signals therebetween, may be provided.
한편, 본 실시예에서는, SDN 스위치(SW)는 이를 통한 네트워크 상태 정보를 수집하고, 수집된 정보를 컨트롤 채널(CHc)을 통해 SDN 컨트롤러(CON)에 전송하도록 구성될 수 있다. Meanwhile, in the present embodiment, the SDN switch SW may be configured to collect network state information through the same and transmit the collected information to the SDN controller CON through the control channel CHc.
이와 관련하여 예를 들면, SDN 스위치(SW)에는 이를 경유하는 데이터 플로우가 입출력되는 다수의 포트가 구비되며, 각 포트에서의 데이터 트래픽 정보(예를 들어 사용 대역폭 등)가 수집되어 SDN 컨트롤러(CON)에 전송될 수 있다.In this regard, for example, the SDN switch (SW) is provided with a plurality of ports through which the data flow through the input and output, and the data traffic information (for example, bandwidth used, etc.) at each port is collected and SDN controller (CON ) May be sent.
이와 같은 수집된 정보를 이용함으로써, 네트워크 제어가 효율적으로 이루어질 수 있다.By using such collected information, network control can be efficiently performed.
SDN 컨트롤러(CON)는 SDN 스위치(SW)의 동작을 제어하여 네트워크에서의 데이터 플로우의 경로를 제어하게 된다.The SDN controller CON controls the operation of the SDN switch SW to control the path of data flow in the network.
그리고, SDN 컨트롤러(CON)는 각 SDN 스위치(SW)를 통해 수집된 네트워크 상태 정보를 전송받고 이를 데이터베이스(DB)에 저장할 수 있다.In addition, the SDN controller CON may receive network state information collected through each SDN switch SW and store it in a database DB.
이처럼, 본 실시예에서는, 네트워크 내에 설치된 SDN 스위치(SW)를 통해 네트워크 상태 정보를 수집하게 되며, 이를 네이트워크 제어를 위해 활용할 수 있게 된다.As such, in this embodiment, the network state information is collected through the SDN switch (SW) installed in the network, which can be utilized for the NateWalk control.
스마트제어에이전트(SCA)는 데이터베이스(DB)에 저장된 네트워크 상태 정보를 이용하여, 네트워크에서의 데이터 플로우의 전송 경로를 효율적으로 설정할 수 있다.The smart control agent SCA can efficiently set the transmission path of the data flow in the network by using the network state information stored in the database DB.
한편, 스마트제어에이전트(SCA)에는 인공지능(AI) 엔진이 탑재될 수 있다. 이처럼, 인공지능을 활용함에 따라 전송 경로의 자율적 제어가 구현될 수 있다.On the other hand, the smart control agent (SCA) may be equipped with an artificial intelligence (AI) engine. As such, by utilizing artificial intelligence, autonomous control of the transmission path may be implemented.
그리고, 스마트제어에이전트(SCA)는, 데이터베이스(DB)에 저장된 네트워크 상태 정보를 기초로 하여 전반적인 네트워크 운용을 위한 정보인 정형/비정형의 빅데이터를 생성하거나 이를 분석하고 활용하도록 구성될 수 있다.In addition, the smart control agent (SCA) may be configured to generate or analyze and use the unstructured / unstructured big data, which is information for overall network operation, based on the network state information stored in the database (DB).
이와 같이 스마트제어에이전트(SCA)가 구성됨에 따라, 네트워크 제어에 있어 빅데이터를 기반으로 하여 인공지능의 자가학습/성장 등을 통해 자율적인 네트워크 제어가 수행될 수 있게 되므로, 효율적으로 네트워크를 관리할 수 있게 된다.As the smart control agent (SCA) is configured as described above, autonomous network control can be performed through self-learning / growth of artificial intelligence based on big data in network control. It becomes possible.
특히, 위와 같이 구성된 스마트제어에이전트(SCA)는 네트워크의 현재 상태를 기초로 하여 적합한 최적의 경로 제어를 수행할 수 있는데, 이는 소위 네트워크 상황 인지 제어 방법으로 칭하여 질 수 있다. 이와 같은 제어 방법은, 스마트제어에이전트(SCA)에서 해당 경로 제어 알고리즘인 네트워크 상황 인지 제어 알고리즘을 통해 수행될 수 있다.In particular, the smart control agent (SCA) configured as described above can perform an optimal optimal path control based on the current state of the network, which may be referred to as a network situation-aware control method. Such a control method may be performed through a network context aware control algorithm which is a corresponding path control algorithm in the smart control agent (SCA).
또한, 스마트제어에이전트(SCA)는 네트워크의 미래 상태를 예측하고 이 예측된 미래 상태를 기초로 하여 적합한 최적의 경로 제어를 수행하도록 구성될 수 있는데, 이는 소위 네트워크 상황 학습 기반 예측 제어 방법으로 칭하여 질 수 있다. 특히, 이와 같은 네트워크 상황 학습 기반 예측 제어 방법은, 빅데이터 분석과 인공지능 학습 등을 통해 효과적으로 구현될 수 있다. 이와 같은 제어 방법은, 스마트제어에이전트(SCA)에서 해당 경로 제어 알고리즘인 네트워크 상황 학습 기반 예측 제어 알고리즘을 수행될 수 있다.In addition, the smart control agent (SCA) can be configured to predict the future state of the network and to perform the optimal optimal path control based on the predicted future state, which is called a network situation learning based predictive control method. Can be. In particular, such a network context learning based prediction control method can be effectively implemented through big data analysis and artificial intelligence learning. Such a control method may perform a network context learning based prediction control algorithm which is a corresponding path control algorithm in a smart control agent (SCA).
위와 같은 네트워크 상황 인지 제어 방법과 네트워크 상황 학습 기반 예측 제어 방법에 대해, 도 1을 함께 참조하여 아래에서 보다 상세하게 설명한다.The network context awareness control method and the network context learning based predictive control method will be described in more detail below with reference to FIG. 1.
도 2는 본 발명의 실시예에 따른 네트워크 상황 인지 제어 방법을 설명하기 위한 개략도이고, 도 3은 본 발명의 실시예에 따른 네트워크 상황 학습 기반 제어 방법을 설명하기 위한 개략도이다.2 is a schematic diagram illustrating a network context awareness control method according to an embodiment of the present invention, and FIG. 3 is a schematic diagram illustrating a network context learning based control method according to an embodiment of the present invention.
설명의 편의를 위해, 도 2 및 3에서는, 네트워크에 3개의 SDN 스위치인 제1 내지 제3SDN 스위치(SW1 내지 SW3)가 설치된 경우를 예로 든다.For convenience of description, FIGS. 2 and 3 exemplify a case where the first to third SDN switches SW1 to SW3, which are three SDN switches, are installed in a network.
여기서, 모든 데이터 플로우, 예를 들어 제1 내지 제3데이터 플로우(DF1 내지 DF3)는 제1SDN 스위치(SW1)에서 제3SDN 스위치(SW3) 방향으로 전송된다고 가정한다. Here, it is assumed that all data flows, for example, the first to third data flows DF1 to DF3 are transmitted from the first SDN switch SW1 to the third SDN switch SW3.
그리고, 제1SDN 스위치(SW1)에서 제3SDN 스위치(SW3)로의 전송 경로는 2개의 전송 경로가 존재한다고 가정한다. 이때, 제1전송 경로는 제1SDN 스위치(SW1)와 제3SDN 스위치(SW3)를 직접 연결하는 제1데이터채널(CHd1)을 통한 전송 경로이다. 그리고, 제2전송 경로는 제2SDN 스위치(SW2)를 경유하는 전송 경로로서, 제1SDN 스위치(SW1)와 제2SDN 스위치(SW2)를 직접 연결하는 제2데이터채널(CHd2) 및 제2SDN 스위치(SW2)와 제3SDN 스위치(SW3)를 직접 연결하는 제3데이터채널(CHd3)을 통한 전송 경로이다.In addition, it is assumed that two transmission paths exist in the transmission path from the first SDN switch SW1 to the third SDN switch SW3. In this case, the first transmission path is a transmission path through the first data channel CHd1 directly connecting the first SDN switch SW1 and the third SDN switch SW3. The second transmission path is a transmission path via the second SDN switch SW2, and the second data channel CHd2 and the second SDN switch SW2 directly connecting the first SDN switch SW1 and the second SDN switch SW2. ) And the third data channel CHd3 directly connecting the third SDN switch SW3.
또한, 제1 내지 제3데이터채널(CHd1 내지 CHd3) 각각은 동일한 전송 대역폭으로서 예를 들어 100Mbps의 전송 대역폭을 갖는다고 가정한다.In addition, it is assumed that each of the first to third data channels CHd1 to CHd3 has the same transmission bandwidth, for example, a transmission bandwidth of 100 Mbps.
이와 같은 조건 하에서, 네트워크 상황 인지 제어 방법에 관해 도 2를 참조하여 설명한다. Under such conditions, a network situation awareness control method will be described with reference to FIG. 2.
도 2의 네트워크에서는, 제1데이터 플로우(DF1)가 제1데이터채널(CHd1)을 통해 전송되고 있으며, 이의 사용 대역폭은 40Mbps라 한다.In the network of FIG. 2, the first data flow DF1 is transmitted through the first data channel CHd1, and its use bandwidth is 40 Mbps.
그리고, 제2데이터플로우(DF2)가 제2,3데이터채널(CHd2,CHd3)를 통해 전송되고 있으며, 이의 사용 대역폭은 20Mbps라고 한다.In addition, the second data flow DF2 is transmitted through the second and third data channels CHd2 and CHd3, and its use bandwidth is 20 Mbps.
이와 같은 네트워크의 트래픽 상태에서, 50Mbps의 제3데이터플로우(DF3)에 대한 전송 요청이 발생하게 된다.In the traffic state of the network, a transmission request for the third data flow DF3 of 50 Mbps occurs.
이와 같은 경우에, 스마트제어에이전트(SCA)는, 네트워크 상황 인지 제어 알고리즘에 따라 경로 설정을 수행할 수 있다.In this case, the smart control agent (SCA) may perform the path setting according to the network situation awareness control algorithm.
이와 관련하여 예를 들면, 스마트제어에이전트(SCA)는, 데이터베이스(DB)에 기록된 현재 네트워크 상태 정보로서, 제1 내지 제3데이터채널(CHd1 내지 CHd3)의 트래픽 정보를 분석하여, 제3데이터 플로우(DF3)에 대한 경로를 설정할 수 있다.In this regard, for example, the smart control agent (SCA), as the current network state information recorded in the database (DB), analyzes the traffic information of the first to third data channels (CHd1 to CHd3), the third data The path to the flow DF3 can be set.
예를 들면, 제1데이터채널(CHd1)은 현재 40Mpbs의 대역폭이 사용중이고, 제2 및 제3데이터채널(CH2,CH3)은 20Mpbs의 대역폭이 사용중이며, 이 트래픽 상태를 기초로 할 때 제3데이터 플로우(DF3)는 최단 경로(즉, 경유하는 스위치의 수가 최소인 경로)인 제1데이터채널(CHd1)을 통한 경로가 설정될 수 있다. 한편, 현재 사용 대역폭이 상대적으로 적은 제2,3데이터채널(CHd2,CHd3)을 통한 경로가 설정될 수도 있다.For example, the first data channel CHd1 is currently using a bandwidth of 40 Mpbs, and the second and third data channels CH2 and CH3 are using a bandwidth of 20 Mpbs, and based on this traffic state, In the data flow DF3, a path through the first data channel CHd1, which is the shortest path (that is, a path having the smallest number of switches passing through) may be set. Meanwhile, a path through the second and third data channels CHd2 and CHd3 having a relatively low current use bandwidth may be set.
이와 같이, 최단 경로나 사용 대역폭 등을 감안하여 적합한 최적 경로 설정이 이루어질 수 있다.In this way, an optimal optimal path setting may be made in consideration of the shortest path, the bandwidth used, and the like.
이처럼, 현재 네트워크 상태를 기초로 하여, 스마트제어에이전트(SCA)에 의해 경로가 설정될 수 있다. 스마트제어에이전트(SCA)는 이와 같은 경로 설정 정보을 SDN 컨트롤러(CON)에 제공할 수 있고, SDN 컨트롤러(CON)는 설정 정보에 따른 경로 제어 신호를 관련된 SDN 스위치에 전송하여 경로 제어가 수행될 수 있다. As such, the path may be established by the smart control agent (SCA) based on the current network state. The smart control agent SCA may provide such routing information to the SDN controller CON, and the SDN controller CON may transmit a path control signal according to the configuration information to an associated SDN switch to perform path control. .
다음으로, 네트워크 상황 학습 기반 예측 제어 방법에 관해 도 3을 참조하여 설명한다. Next, a network context learning based prediction control method will be described with reference to FIG. 3.
도 3의 네트워크에서는, 제1데이터 플로우(DF1)가 제1데이터채널(CHd1)을 통해 전송되고 있으며, 이의 사용 대역폭은 40Mbps라 한다.In the network of FIG. 3, the first data flow DF1 is transmitted through the first data channel CHd1, and its use bandwidth is 40 Mbps.
그리고, 20Mbps의 제2데이터플로우(DF2)에 대한 전송 요청이 발생하게 된다. Then, a transmission request for the second data flow DF2 of 20 Mbps occurs.
한편, 현재 전송 요청이 발생하지는 않았으나, 지금까지 축적된 네트워크 상태 정보를 기초로 할 때, 제2데이터플로우(DF2)에 대한 전송 후 50Mbps의 제3데이터플로우(DF3)에 대한 전송 요청이 빈번하게 발생한 사실이 있다.Meanwhile, although a transmission request has not occurred at present, based on the network state information accumulated so far, a transmission request for a third data flow DF3 of 50 Mbps after transmission for the second data flow DF2 is frequently performed. There is a fact that occurred.
이와 같은 경우에, 스마트제어에이전트(SCA)는, 네트워크 상황 학습 기반 예측 알고리즘에 따라 경로 설정을 수행할 수 있다.In this case, the smart control agent (SCA) may perform the path setting according to the network context learning based prediction algorithm.
이와 관련하여 예를 들면, 스마트제어에이전트(SCA)는 네트워크 상태 정보 또는 이에 관한 빅데이터를 이용한 인공지능 학습에 따라, 제2데이터플로우(DF2)에 대한 전송 후 50Mbps의 제3데이터플로우(DF3)가 발생할 가능성이 높다고 판단하여 미래 상태에서 제3데이터플로우(DF3) 전송이 발생할 것으로 예측하고, 이 예측을 감안하여 현재 제2데이터플로우(DF2)의 전송 경로를 설정할 수 있다.In this regard, for example, the smart control agent (SCA) according to the artificial intelligence learning using the network state information or big data thereof, the third data flow (DF3) of 50Mbps after the transmission for the second data flow (DF2) May be expected to occur and predict that the third data flow DF3 transmission will occur in a future state, and in consideration of this prediction, a transmission path of the second data flow DF2 may be set.
예를 들면, 미래에 전송될 50Mpbs의 제3데이터플로우(DF3)가 예측되므로, 이와 같이 예측된 제3데이터플로우(DF3)의 가용 대역폭을 최대한 미리 확보하는 것이 바람직하다 할 것이며, 이에 따라 현재 전송 요청된 제2데이터플로우(DF2)에 대해서는 제1데이터채널(CHd1)을 통한 경로가 설정될 수 있다.For example, since the third data flow DF3 of 50 Mpps to be transmitted in the future is predicted, it is desirable to secure the available bandwidth of the predicted third data flow DF3 in advance as much as possible, and thus the current transmission. A path through the first data channel CHd1 may be set for the requested second data flow DF2.
이처럼, 예측된 네트워크 상태를 기초로 하여, 스마트제어에이전트(SCA)에 의해 최적의 경로가 설정될 수 있다. 스마트제어에이전트(SCA)는 이와 같은 경로 설정 정보을 SDN 컨트롤러(CON)에 제공할 수 있고, SDN 컨트롤러(CON)는 설정 정보에 따른 경로 제어 신호를 관련된 SDN 스위치에 전송하여 경로 제어가 수행될 수 있다. As such, based on the predicted network condition, an optimal path may be set by the smart control agent (SCA). The smart control agent SCA may provide such routing information to the SDN controller CON, and the SDN controller CON may transmit a route control signal according to the configuration information to an associated SDN switch to perform path control. .
위와 같이, 본 실시예에서는, 스마트제어에이전트(SCA)가 경우에 따라 네트워크 상황 인지 제어 방법이나 네트워크 상황 학습 기반 예측 제어 방법을 선택하여 네트워크 제어를 수행할 수 있다. 즉, 경로 설정에 대한 요청에 대해, 네트워크 상황 인지 제어 방법 및 네트워크 상황 학습 기반 예측 제어 방법 중 하나가 선택되어 경로 설정이 수행되도록 구성될 수 있다.As described above, in the present embodiment, the smart control agent (SCA) may perform network control by selecting a network context awareness control method or a network context learning based predictive control method in some cases. That is, for a request for path setting, one of a network context awareness control method and a network context learning based prediction control method may be selected and configured to perform the path setting.
한편, 이 2가지 방법이 혼용되어 네트워크 제어가 이루어질 수도 있다. 이와 관련하여 예를 들면, 네트워크 상황 인지 제어 알고리즘에 따른 전송 경로 와 네트워크 상황 학습 기반 예측 제어 알고리즘에 따른 전송 경로가 병렬적으로 생성되어 2개의 후보 경로가 되고, 이들 중 하나가 선택되도록 구성될 수 있다. 한편, 2개의 알고리즘에 따른 전송 경로가 동일한지 여부를 비교하고, 전송 경로 설정이 동일하지 않은 경우에는 네트워크 상황 학습 기반 예측 제어 알고리즘에 따른 전송 경로가 선택되어 설정되도록 동작할 수 있다.On the other hand, the two methods may be mixed to control the network. In this regard, for example, a transmission path according to a network context awareness control algorithm and a transmission path according to a network context learning based prediction control algorithm may be generated in parallel to be two candidate paths, and one of them may be selected. have. Meanwhile, the transmission paths according to the two algorithms may be compared with each other, and if the transmission paths are not identical, the transmission paths according to the network context learning based prediction control algorithm may be selected and set.
전술한 바와 같이, 본 발명의 실시예에서는, 네트워크 내에 설치된 SDN 스위치(SW)를 통해 네트워크 상태 정보를 수집하게 된다.As described above, in the embodiment of the present invention, network state information is collected through the SDN switch SW installed in the network.
그리고, 스마트제어에이전트(SCA)가 구비되어 수집된 네트워크 정보를 기초로 한 빅데이터를 기반으로 인공지능의 자가학습/성장 등을 통해 네트워크 제어가 수행된다.In addition, a smart control agent (SCA) is provided to perform network control through self-learning / growth of artificial intelligence based on big data based on collected network information.
이에 따라, 빅데이터 기반의 스마트 제어 SDN이 구성되 자율적인 SDN 제어가 효과적으로 구현될 수 있게 된다.Accordingly, a smart data SDN based on big data is configured, and autonomous SDN control can be effectively implemented.
전술한 본 발명의 실시예는 본 발명의 일예로서, 본 발명의 정신에 포함되는 범위 내에서 자유로운 변형이 가능하다. 따라서, 본 발명은, 첨부된 특허청구범위 및 이와 등가되는 범위 내에서의 본 발명의 변형을 포함한다.Embodiment of the present invention described above is an example of the present invention, it is possible to change freely within the scope included in the spirit of the present invention. Accordingly, the invention includes modifications of the invention within the scope of the appended claims and their equivalents.
SW: SDN 스위치
CON: SDN 컨트롤러
DB: 데이터베이스
SCA: 스마트제어에이전트
CHd: 데이터채널
CHc: 컨트롤채널SW: SDN Switch
CON: SDN Controller
DB: Database
SCA: Smart Control Agent
CHd: data channel
CHc: control channel
Claims (4)
상기 SDN 스위치를 통해 수집된 네트워크 상태 정보를 상기 SDN 컨트롤러 통해 데이터베이스에 저장하는 단계와;
상기 데이터베이스에 저장된 상기 네트워크 상태 정보를 이용하여, 스마트제어에이전트에서 데이터 플로우의 전송 경로를 설정하고 상기 SDN 컨트롤러에 전송하는 단계를 포함하고,
상기 스마트제어에이전트는, 현재 네트워크 상태를 기초로 상기 전송 경로를 설정하거나, 미래 네트워크 상태를 예측하여 이 예측된 상태를 기초로 상기 전송 경로를 설정하도록 구성된
SDN 제어 방법.
A method of controlling SDN, including a software-defined network (SDN) switch and an SDN controller.
Storing network state information collected through the SDN switch in a database through the SDN controller;
Using the network state information stored in the database, establishing a transmission path of a data flow in a smart control agent and transmitting the data to the SDN controller,
The smart control agent is configured to set the transmission path based on the current network state or to predict the future network state and set the transmission path based on the predicted state.
SDN control method.
상기 스마트제어에이전트는,
상기 현재 네트워크 상태를 기초로 하여 생성된 제1전송 경로와, 상기 예측된 미래 네트워크 상태를 기초로 하여 생성된 제2전송 경로 중 하나를 선택하여 설정하는
SDN 제어 방법.
The method of claim 1,
The smart control agent,
Selecting and setting one of a first transmission path generated based on the current network state and a second transmission path generated based on the predicted future network state.
SDN control method.
상기 스마트제어에이전트는,
상기 제1전송 경로와 상기 제2전송 경로를 비교하고,
상기 제1전송 경로와 제2전송 경로가 상이한 경우에, 상기 제2전송 경로를 선택하여 설정하는
SDN 제어 방법.
The method of claim 2,
The smart control agent,
Comparing the first transmission path with the second transmission path,
Selecting and setting the second transmission path when the first transmission path and the second transmission path are different.
SDN control method.
상기 스마트제어에이전트는,
상기 데이터베이스에 저장된 네트워크 상태 정보를 기초로 한 네트워크 운영에 관한 빅데이터를 기반으로 내부에 탑재된 인공지능 엔진을 통해 상기 전송 경로를 설정하도록 구성된
SDN 제어 방법.The method of claim 1,
The smart control agent,
And configured to set the transmission path through an artificial intelligence engine mounted therein based on big data about network operation based on network state information stored in the database.
SDN control method.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180035219 | 2018-03-27 | ||
| KR20180035219 | 2018-03-27 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190118098A true KR20190118098A (en) | 2019-10-17 |
| KR102089425B1 KR102089425B1 (en) | 2020-03-16 |
Family
ID=68424430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180094208A KR102089425B1 (en) | 2018-03-27 | 2018-08-13 | SDN control method |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102089425B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115987879A (en) * | 2022-12-22 | 2023-04-18 | 众芯汉创（北京）科技有限公司 | Low-delay image transmission system and method based on software defined network |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101395009B1 (en) * | 2012-11-09 | 2014-05-14 | (주)씨디네트웍스 | Method and apparatus for selecting route |
| KR101541531B1 (en) * | 2015-02-25 | 2015-08-03 | 성균관대학교산학협력단 | Routing method based on available bandwidth pattern in software defined network |
-
2018
- 2018-08-13 KR KR1020180094208A patent/KR102089425B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101395009B1 (en) * | 2012-11-09 | 2014-05-14 | (주)씨디네트웍스 | Method and apparatus for selecting route |
| KR101541531B1 (en) * | 2015-02-25 | 2015-08-03 | 성균관대학교산학협력단 | Routing method based on available bandwidth pattern in software defined network |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115987879A (en) * | 2022-12-22 | 2023-04-18 | 众芯汉创（北京）科技有限公司 | Low-delay image transmission system and method based on software defined network |
| CN115987879B (en) * | 2022-12-22 | 2023-12-01 | 众芯汉创（北京）科技有限公司 | Low-delay image transmission system and method based on software defined network |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102089425B1 (en) | 2020-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10715414B2 (en) | Network communication methods and apparatus | |
| US20210058157A1 (en) | Multi-layer network system and path setting method in multi-layer network | |
| US11316607B2 (en) | Machine learning techniques for selecting paths in multi-vendor reconfigurable optical add/drop multiplexer networks | |
| US20200059412A1 (en) | SDN Network System, Controller, and Controlling Method | |
| US10542335B2 (en) | Optical network controller and method of setting optical path | |
| CN111512600B (en) | Method and apparatus for distributing traffic in a telecommunications network | |
| WO2015103297A1 (en) | Network communication methods and apparatus | |
| US20040220886A1 (en) | Communication signal resource chain assignment for optical networks subject to reach constraints | |
| US11115318B2 (en) | Optical network control devices and optical path setting method | |
| CN108965013B (en) | System and method for rapidly opening IP and optical network service | |
| US8311056B2 (en) | Device and method for selecting time slots based on resource use state | |
| US8949165B2 (en) | Procedure, apparatus, system, and computer program for network planning | |
| EP3136649B1 (en) | Method and system for providing load information of an optical data transmission system | |
| US11750318B1 (en) | Edge-wavelength-switching system, associated optical network, and failover recovery method thereof | |
| KR102089425B1 (en) | SDN control method | |
| Yan et al. | Data-driven network analytics and network optimisation in SDN-based programmable optical networks | |
| CN107046504B (en) | Method and controller for traffic engineering in a communication network | |
| US20130084068A1 (en) | Optical transport network system, optical-signal transmission path selecting method, and optical transmission device | |
| US20180048531A1 (en) | Management apparatus, network management method, and storage medium storing program | |
| Tremblay | Towards cognitive management and performance monitoring in coherent optical networks | |
| JP3762411B2 (en) | Routing device and program | |
| WO2020013214A1 (en) | Network control device and network control method | |
| Aguado et al. | Towards a control plane management architecture enabling proactive network predictability | |
| US6577412B2 (en) | System and method of determining end point candidates for an optical channel in a data network | |
| Iovanna et al. | Intent based AI model in packet-optical networks towards 6G |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |