CN105337872B - 一种基于能效优先的控制层面网络划分方法 - Google Patents

一种基于能效优先的控制层面网络划分方法 Download PDF

Info

Publication number
CN105337872B
CN105337872B CN201510801508.6A CN201510801508A CN105337872B CN 105337872 B CN105337872 B CN 105337872B CN 201510801508 A CN201510801508 A CN 201510801508A CN 105337872 B CN105337872 B CN 105337872B
Authority
CN
China
Prior art keywords
mrow
control plane
msub
links
link
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.)
Active
Application number
CN201510801508.6A
Other languages
English (en)
Other versions
CN105337872A (zh
Inventor
蒋定德
卢京宝
袁珍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN201510801508.6A priority Critical patent/CN105337872B/zh
Publication of CN105337872A publication Critical patent/CN105337872A/zh
Application granted granted Critical
Publication of CN105337872B publication Critical patent/CN105337872B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00Routing or path finding of packets in data switching networks
    • H04L45/02Topology update or discovery
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00Routing or path finding of packets in data switching networks
    • H04L45/12Shortest path evaluation
    • H04L45/124Shortest path evaluation using a combination of metrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明一种基于能效优先的控制层面网络划分方法,属于传输网络技术领域,本发明根据现代图理论,在满足网络代数连通性阈值条件下,提出网络的故障恢复下降概率来衡量网络的高抗毁性;为了简化算法复杂度,以最小化控制层面链路数为FRCS算法制约条件,建立以控制层面链路数为循环准则的控制层面能效分离模型,主要包括Hamilton圈求解最小控制层面链路数以及代数连通性阈值作为FRCS算法循环终止条件,以此,构建基于代数连通性以及故障恢复能力的控制层面能效分离理论,该方向算法不考虑网络流量,算法精确度有所下降,但算法易于实现,适用于大规模网络,在适当的策略下,该算法节能效果优于基于流量认知方向的算法。

Description

一种基于能效优先的控制层面网络划分方法
技术领域
本发明属于传输网络技术领域,具体涉及一种基于能效优先的控制层面网络划分方法。
背景技术
随着大规模部署虚拟化与云计算,各种宽带数据业务迅速发展,用户的数量、带宽需求以及网络流量不断增长,网络设备的能耗也在平稳增长,能量节约成为设计云计算网络已经未来网络的关键问题;
目前对网络的能效策略研究很多,包括传统IP骨干网、ISP网络、云计算网络等,并将能效问题归结为资源优化管理问题,包括资源分配、任务调度、架构部署;然而,传统传输网络中,数据层面与控制层面一对一紧密关联,网络中能量浪费和能耗成本的约束,限制着系统性能方面的进一步提高;因此构建能效优先网络,提供控制层面与数据层面的彻底分离,这就需要控制层面具有不同于数据层面的网络拓扑结构;Francesca Cuomo等人提出基于网络拓扑控制节能(ESTOP)启发式算法,利用具有一定的拓扑性质的图形使用路由器线卡模拟互联网服务提供商(ISP);通过作用于这些线卡使其进入睡眠模式,修剪网络的拓扑结构实现显著节能,同时保留修剪网络的主要拓扑特征;
现有的能效策略的设计往往采用启发式算法,没有严格的理论支持,导致在实施之后进行补丁式的改进。
发明内容
针对现有技术的不足,本发明提出一种基于能效优先的控制层面网络划分方法,在满足网络代数连通性阈值条件下,提出网络故障恢复下降概率衡量网络的高抗毁性。
一种基于能效优先的控制层面网络划分方法,包括以下步骤:
步骤1、设置数据层面拓扑、端到端流量需求、流量特征参数、控制层面网络链路故障恢复时间、控制层面代数连通性阈值、网络故障恢复下降概率;
步骤2、根据数据层面拓扑,采用Hamilton圈算法获得数据层面链路的源节点到目的节点间控制层面路径集;
步骤3、根据数据层面拓扑的邻接矩阵以及源节点到目的节点间控制层面路径集,确定数据层面链路的控制层面路径对控制层面链路的占用情况;
步骤4、设置控制层面初始链路数以及最优控制层面链路数初始值;
所述的控制层面初始链路数与最优控制层面链路数初始值相同;
步骤5、在约束条件下,建立控制层面优化设计ILP模型;
步骤6、采用CPLEX算法迭代求解控制层面网络拓扑链路数,获得其连通性,并判断最优控制层面链路数与控制层面初始链路数的关系,具体步骤如下:
步骤6-1、采用CPLEX算法迭代求解控制层面网络拓扑链路数,获得其连通性;
步骤6-2、判断所获控制层面网络拓扑链路数与控制层面初始链路数的关系,具体如下:
若所获连通性大于等于设定的连通性阈值,且所获控制层面网络拓扑链路数小于控制层面初始链路数,则更新最优控制层面拓扑结构,即在当前连通性阈值下获得最优控制层面拓扑结构,并执行步骤7;
若所获连通性大于等于设定的连通性阈值,且所获控制层面网络拓扑链路数大于等于控制层面初始链路数,则执行步骤6-3;
若所获连通性小于设定的连通性阈值,且所获控制层面网络拓扑链路数大于控制层面初始链路数,则更新最优控制层面拓扑结构,即在当前连通性阈值下获得最优控制层面拓扑结构,并执行步骤7;
若所获连通性小于设定的连通性阈值,且所获控制层面网络拓扑链路数小于等于控制层面初始链路数,则执行步骤6-4;
步骤6-3、保存初始网络拓扑为最优控制层面拓扑结构,并使控制层面初始链路数加1,执行步骤6-5;
步骤6-4、保存初始网络拓扑为最优控制层面拓扑结构,并使控制层面初始链路数减1,执行步骤6-5;
步骤6-5、判断控制层面链路数是否大于最小控制层面网络拓扑的数据链路集,若是,则获得最优控制层面拓扑结构,并执行步骤7,否则,返回执行步骤6-1;
步骤7、保存当前最优控制层面拓扑信息,结束。
步骤2所述的Hamilton圈算法获得数据层面链路的源节点到目的节点间控制层面路径集,具体步骤如下:
步骤2-1、设定数据层面链路集和数据层面拓扑的邻接矩阵;
所述的设定数据层面链路集具体为:若源节点与目的节点链接,则将数据层面链路放入数据层面链路集,依次遍历网络中所有节点;
步骤2-2、在数据层面中设定链路、源节点和目的节点,获得数据层面链路的源节点到目的节点间控制层面路径集;
步骤2-3、计算路径消耗,设定路径的消耗为路径的跳数。
步骤5所述的在约束条件下,建立控制层面优化设计ILP模型,具体如下:
所述的控制层面优化设计ILP模型,公式如下:
其中,Min表示“最小”;η表示能耗,即数据层面中相邻节点间控制层面平均跳数;表示数据层面链路i的流量需求;EDP表示组成控制层面网络拓扑的数据层面链路集;R(i)表示数据链路i映射到控制层面的路径集,每一条控制层面路径代表数据层面链路映射到匀称控制层面拓扑后源节点到目的节点间的路径;Cos tij表示数据层面链路i的控制层面路径j的花销,即路径j的跳数;xij表示基本路径,如果数据层面链路i分配到控制层面路径j,则取值为1,否则取值为0;i表示数据层面链路;j表示控制层面路径;
所述的约束条件,公式如下:
xij,yij,zk∈{0,1} (7)
其中,yij表示备选路径,若数据层面链路i分配到控制层面路径j,则取值为1,否则取值为0;Qijk若数据层面链路i的控制层面路径j经过控制层面链路k,则取值为1,否则取值为0;k表示控制层面链路;zk若链路k开启则取值为1,否则取值为0;M∈R+;β为控制层面链路数。
本发明优点:
本发明提出一种基于能效优先的控制层面网络划分方法,本发明根据现代图理论,在满足网络代数连通性阈值条件下,提出网络的故障恢复下降概率来衡量网络的高抗毁性;为了简化算法复杂度,以最小化控制层面链路数为FRCS(Fault Recovery Controlplane Separation)算法制约条件,建立以控制层面链路数为循环准则的控制层面能效分离模型,主要包括Hamilton圈求解最小控制层面链路数以及代数连通性阈值作为FRCS算法循环终止条件,以此,构建基于代数连通性以及故障恢复能力的控制层面能效分离理论,该方向算法不考虑网络流量,算法精确度有所下降,但算法易于实现,适用于大规模网络,在适当的策略下,该算法节能效果优于基于流量认知方向的算法。
附图说明
图1为本发明一种实施例的控制层面与数据层面网络拓扑抽象示意图,其中,图(a)为数据层面网络拓扑图,图(b)为控制层面均称网络拓扑图,图(c)为控制层面局部网状网络拓扑图,图(d)为控制层面最小网络拓扑图;
图2为本发明一种实施例的Hamilton圈求解最小拓扑示意图,其中,图(a)为NSF控制层面初始拓扑图,图(b)为NSF控制层面最小拓扑图,图(c)为NOBEL控制层面初始拓扑图,图(d)为NOBEL控制层面最小拓扑图,图(e)为Abilene控制层面初始拓扑图,图(f)为Abilene控制层面最小拓扑图;
图3为本发明一种实施例的基于能效优先的控制层面网络划分方法流程图;
图4为本发明一种实施例的判断最优控制层面链路数与控制层面初始链路数的关系方法流程图;
图5为本发明一种实施例的链路关闭概率仿真图;
图6为本发明一种实施例的控制层面平均路径长度仿真图;
图7为本发明一种实施例的NSF路径跳数增加分布仿真图;
图8为本发明一种实施例的Abilene路径跳数增加分布仿真图;
图9为本发明一种实施例的NOBEL路径跳数增加分布仿真图;
图10为本发明一种实施例的控制层面平均链路需求占网络总需求百分比仿真图;
图11为本发明一种实施例的网络故障恢复下降概率仿真图;
图12为本发明一种实施例的控制层面链路公平性指数仿真图。
具体实施方式
下面结合附图对本发明一种实施例做进一步说明。
本发明基于网络拓扑的能效网络设计(控制层面与数据层面网络拓扑抽象如图1中图(a)、图(b)、图(c)和图(d)所示),其思想主要包括利用最优化模型和休眠策略修剪网络拓扑以实现节能;本发明在根据Hamilton圈算法构建控制层面最小拓扑时,分别在NSF、NOBEL、ABILENE网络环境下根据CPLEX求解得到其最小控制层面,其初始拓扑与最小拓扑如图2图(a)、图(b)、图(c)、图(d)、图(e)和图(f)所示,并分别构建其控制层面最小拓扑为求解控制层面最少链路数然后通过设定初始控制层面链路数求解当前控制层面链路数β下的能效模型,在满足约束条件下,循环迭代控制层面链路数,直至得到控制层面最优拓扑;具体包括如下步骤,方法流程图如图3所示:
步骤1、设置数据层面拓扑、端到端流量需求、流量特征参数、控制层面网络链路故障恢复时间、控制层面代数连通性阈值、网络故障恢复下降概率;
本发明实施例中,输入数据层面拓扑:
GDP(NSFGDP=(VDP,EDP),VDP={1,2...,14},EDP={1,2...,20};其中,VDP表示数据层面网络顶点集合;
NOBELGDP=(VDP,EDP),VDP={1,2...,17},EDP={1,2...,26};
AbilenceGDP=(VDP,EDP),VDP={1,2...,12},EDP={1,2...,15});
端到端流量需求DT
流量特征参数λ=0.075s-1,μ=0.01s-1
控制层面网络链路故障恢复时间ΔT=1.5s;
控制层面代数连通性阈值γth=50%;
网络故障恢复下降概率Pd=0.1;
网络参数如表1所示:
表1
步骤2、根据数据层面拓扑,采用Hamilton圈算法获得数据层面链路的源节点到目的节点间控制层面路径集,具体步骤如下:
步骤2-1、设定数据层面链路集和数据层面拓扑的邻接矩阵;
本发明实施例中,设定数据层面链路集NSFEDP={1,2...,20},NOBELEDP={1,2...,26},AbilenceEDP={1,2...,15},NSF、NOBEL、ABILENE的数据层面拓扑的邻接矩阵A可定义为(dij表示节点i到节点j的度)如果源节点与目的节点链接即vij=1,则将数据层面链路vivj放入数据层面链路集,依次遍历网络中所有节点;
步骤2-2、在数据层面中设定链路、源节点和目的节点,获得数据层面链路的源节点到目的节点间控制层面路径集;
本发明实施例中,对数据层面链路vivj、源节点vi、目的节点vj进行设点;在NSF中设源节点为v1,目的节点为v14;同理在NOBEL设源节点为v1,目的节点为v17,在ABILENE中设源节点为v1,目的节点为v12;在NSF中v12,v13,v18=1,v1j=0;v21,v23,v24=1,v2j=0;v31,v32,v36=1,v3j=0;v41,v42,v45=1,v4j=0;v54,v56,v57=1,v5j=0;v63,v65,v610=1,v6j=0;v75,v78=1,v7j=0;v81,v87,v89=1,v8j=0;v98,v910,v912,v914=1,v9j=0;v106,v109=1,v10j=0;v114,v1112,v1114=1,v11j=0;v129,v1211,v1213=1,v12j;v136,v1312,v1314=1,v13j=0;v149,v1411,v1413=1,v14j=0;同理在NOBEL及ABILENE中源节点与目的节点的链接情况如图2所示;
步骤2-3、计算路径消耗,设定路径的消耗为路径的跳数;
本发明实施例中,计算路径消耗,设定路径的消耗为路径的跳数,则NSF、NOBEL、ABILENE的跳数分别为14,17,12;
步骤3、根据数据层面拓扑的邻接矩阵以及源节点到目的节点间控制层面路径集,确定数据层面链路的控制层面路径对控制层面链路的占用情况;
本发明实施例中,根据数据层面拓扑GDP的邻接矩阵A以及数据层面链路的源节点到目的节点间控制层面路径集R(i),计算数据层面链路i的控制层面路径j对控制层面链路k的占用情况Qkij,如果链路i的路径j占用了链路k,则Qkij=1,否则Qkij=0;
步骤4、设置控制层面初始链路数以及最优控制层面链路数初始值;
本发明实施例中,设置控制层面初始链路数β=βini,最优控制层面链路数初始值βant=β;
步骤5、在约束条件下,建立控制层面优化设计ILP(Information LeakPrevention)模型;具体如下:
其中,Min表示“最小”;η表示能耗;表示数据层面链路i的流量需求;EDP表示组成控制层面网络拓扑的数据层面链路集;R(i)表示数据链路i映射到控制层面的路径集,每一条控制层面路径代表数据层面链路映射到匀称控制层面拓扑后源节点到目的节点间的路径;Cos tij表示数据层面链路i的控制层面路径j的花销,即路径j的跳数;xij表示基本路径,如果数据层面链路i分配到控制层面路径j,则取值为1,否则取值为0;i表示数据层面链路;j表示控制层面路径;
所述的约束条件,公式如下:
xij,yij,zk∈{0,1} (7)
其中,yij表示备选路径,若数据层面链路i分配到控制层面路径j,则取值为1,否则取值为0;Qijk若数据层面链路i的控制层面路径j经过控制层面链路k,则取值为1,否则取值为0;k表示控制层面链路;zk若链路k开启则取值为1,否则取值为0;M∈R+;β为控制层面链路数;
本发明实施例中,公式(2)表明对于任意链路i,必须保证链路i的控制层面路径中只有一条路径作为链路i的主路径;
本发明实施例中,公式(3)表明对于任意链路i,必须保证链路i的控制层面路径中只有一条路径作为链路i的备选路径;
本发明实施例中,公式(4)说明对于任意链i,必须保证链路i的控制层面主路径xij与其控制层面备选路径yij两者不相交;
本发明实施例中,公式(5)对于任意链路i,其控制层面路径只占用开启状态的控制层面链路,其中代表链路i的路径j占用的未被关闭的链路数,当路径j经过的链路都是开启状态时,则此时路径j可以选择作为链路i的基本路径或备选路径,当路径j经过的链路中存在被关闭的链路时,此时,舍弃路径j,即xij=yij=0,以此,公式(6)限定了控制层面路径只占用开启状态的控制层面链路;
步骤6、采用CPLEX算法迭代求解控制层面网络拓扑链路数,获得其连通性,并判断最优控制层面链路数与控制层面初始链路数的关系,方法流程图如图4所示,具体步骤如下:
步骤6-1、采用CPLEX算法迭代求解控制层面网络拓扑链路数,获得其连通性;
Hamilton圈的求解可根据最邻近算法求出近似最优Hamilton圈,但是最邻近算法只能求解近似解,不一定是Hamilton最优解,本发明根据Hamilton圈规划表达式,利用CPLEX求解最小控制层面拓扑,则最优Hamilton目标函数值表示如下:
其中,表示网络顶点vi与vj之间的距离(顶点vi与vj之间的距离用跳数来表示),是决策变量,表示点vi与vj连接,表示点vi与vj不连接;
其约束条件为:
其中,V表示网络顶点集合;
连通性公式如下:
其中,γ(G)表示通过设定连通度阈值以保证网络在最少链路数量的同时具有最大代数连通度;λ(G)表示网络图G的Laplace矩阵的特征值,λ′(G)表示其转置矩阵的特征值;
步骤6-2、判断所获控制层面网络拓扑链路数与控制层面初始链路数的关系,具体如下:
若所获连通性大于等于设定的连通性阈值50%,且所获控制层面网络拓扑链路数小于控制层面初始链路数,则更新最优控制层面拓扑结构,即在当前连通性阈值下获得最优控制层面拓扑结构,并执行步骤7;
若所获连通性大于等于设定的连通性阈值50%,且所获控制层面网络拓扑链路数大于等于控制层面初始链路数,则执行步骤6-3;
若所获连通性小于设定的连通性阈值50%,且所获控制层面网络拓扑链路数大于控制层面初始链路数,则更新最优控制层面拓扑结构,即在当前连通性阈值下获得最优控制层面拓扑结构,并执行步骤7;
若所获连通性小于设定的连通性阈值50%,且所获控制层面网络拓扑链路数小于等于控制层面初始链路数,则执行步骤6-4;
步骤6-3、保存初始网络拓扑为最优控制层面拓扑结构,并使控制层面初始链路数加1,执行步骤6-5;
步骤6-4、保存初始网络拓扑为最优控制层面拓扑结构,并使控制层面初始链路数减1,执行步骤6-5;
步骤6-5、判断控制层面链路数是否大于最小控制层面网络拓扑的数据链路集,若是,则获得最优控制层面拓扑结构,并执行步骤7,否则,返回执行步骤6-1;
步骤7、保存当前最优控制层面拓扑信息,结束。
其结果如表2所示:
表2
本发明实施例中,对算法FRCS仿真结果进行分析,以验证算法性能是否满足网络故障恢复性以及实用性;主要考虑了网络的链路关闭数、链路平均需求以及网路故障恢复下降概率等性能指标受网络代数连通性的影响。
本发明实施例中,控制层面可关闭链路数受网络节点度影响,节点度较大,则控制层面可关闭链路数越多。图5为控制层面链路关闭概率随代数连通性阈值变化关系,从图中可以看出,随着代数连通性阈值增大,控制层面可关闭的链路数随之减少;从图5可以看出控制层面可关闭链路数NOBEL>NFS>Abilence,当代数连通性γ=50%时,NOBEL、NSF以及Abilene网络最优控制层面网络可关闭链路数分别为7条、5条以及3条。
本发明实施例中,由于控制层面链路的关闭,增加了开启状态链路的负担,随之而来的是控制层面路径长度的增加,图6为随着网络代数连通性阈值变化控制层面平均路径长度的变化仿真图;从图中可以看出,代数连通性阈值升高,对控制层面链路数需求增加,则控制层面可关闭链路随之降低,根据公式(2)可以推出网络平均路径长度降低;
本发明实施例中,由于控制层面链路数减少,数据层面链路的控制层面路径跳数则相应增加,图7、图8、图9分别为在不同代数连通性阈值约束下NSF、Abilene以及NOBEL网络控制层面路径长度增加分布情况;图中X轴代表路径长度增加值,Y轴代表网络代数连通性阈值,Z轴表示控制层面对应X轴跳数增加值的路径所占总路径数百分比;取代数连通性阈值γ=40%,NSF、Abilene以及NOBEL网络激活链路数分别为15条、24条、17条,由图7可知,NSF控制层面52%端到端路径跳数增加0,即并无增加,且99%的路径跳数增加值小于4,由图8可知,Abilene控制层面65%端到端路径跳数增加0,90%的路径跳数增加值小于3,由图9可知,NOBEL控制层面90%以上路径跳数增加小于等于4;综合图7、图8以及图9可以看出,长度增加值在4以上的路径所占总路径数百分比基本为0。
本发明实施例中,随着随代数连通性阈值变化,图10为控制层面平均链路需求占网络总需求百分比PL变化仿真图;随着网络代数连通性阈值增大,控制层面链路关闭概率下降,根据公式可知,PL与控制层面链路数成反比,即正比于控制层面链路关闭概率,则随着网络代数连通性阈值增大,PL呈逐渐降低的趋势;PL表示控制层面平均链路需求占网络总需求百分比;HDP表示数据层面路径的平均长度;η表示数据层面中相邻节点间控制层面平均跳数;表示数据层面链路i的流量需求;
本发明实施例中,FRCS算法旨在保证网络故障恢复性下建立能效优先的控制层面划分理论,由于控制层面链路的关闭,导致网络故障恢复能力下降,网络故障恢复性能下降概率pd作为控制层面网络拓扑性能的衡量参数,洞悉了在发生链路故障ΔT时间内瞬态网络服务等级退化概率,本发明实施例中取Pd最大值为0.1;图11为随网络代数连通性阈值变化控制层面网络故障恢复能力下降概率变化仿真图,根据公式其中, 分别表示控制层面第一层、第二层的平均链路需求占网络总需求百分比;η1、η2分别表示数据层面中相邻节点间第一、第二控制层面平均跳数;分别表示第一、第二控制层面网络拓扑的数据层面链路集的大小;Pd正比于PL,由图10可知PL随代数连通性阈值变化仿真图可以推断Pd随网络代数连通性阈值增大呈下降趋势,仿真结果如图11所示,Pd随网络代数连通性增大而逐渐下降代表了网络故障恢复性能逐渐增强,当γ=50%时,NSF、Abilene以及NOBEL网络Pd分别为0.040、0.054以及0.037,由此看出,FRCS算法具有较强的鲁棒性以保证网络高故障恢复性。因此,FRCS算法可以应用到基于能效优先的控制层面网络划分领域中。
另外,为了验证控制层面链路是否超载,本发明引入链路公平性指数γ,0≤γ≤1,即由于链路数减少导致控制层面某些链路利用率分布是否均匀分布,其表达式如下,仿真图如图12所示;
其中,ρi代表链路i的平均需求,表达式如下:
图12为经过FRCS算法,由于链路的关闭对控制层面链路公平性指数的影响;γ代表了网络链路需求的均衡性,从图12中可以看出当γ=50%时,NSF、Abilene以及NOBEL网络γ分别为95%、98%以及83%,由此看出,链路需求分布十分均匀,FRCS算法具有相当高的链路公平性指数。

Claims (2)

1.一种基于能效优先的控制层面网络划分方法,其特征在于,包括以下步骤:
步骤1、设置数据层面拓扑、端到端流量需求、流量特征参数、控制层面网络链路故障恢复时间、控制层面代数连通性阈值、网络故障恢复下降概率;
步骤2、根据数据层面拓扑,采用Hamilton圈算法获得数据层面链路的源节点到目的节点间控制层面路径集;
步骤3、根据数据层面拓扑的邻接矩阵以及源节点到目的节点间控制层面路径集,确定数据层面链路的控制层面路径对控制层面链路的占用情况;
步骤4、设置控制层面初始链路数以及最优控制层面链路数初始值;
所述的控制层面初始链路数与最优控制层面链路数初始值相同;
步骤5、在约束条件下,建立控制层面优化设计ILP模型;
所述的控制层面优化设计ILP模型,公式如下:
<mrow> <mi>M</mi> <mi>i</mi> <mi>n</mi> <mi>&amp;eta;</mi> <mo>=</mo> <mfrac> <mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>E</mi> <mrow> <mi>D</mi> <mi>P</mi> </mrow> </msub> </mrow> </munder> <mrow> <mo>(</mo> <mo>|</mo> <msubsup> <mi>D</mi> <mi>i</mi> <mrow> <mi>D</mi> <mi>P</mi> </mrow> </msubsup> <mo>|</mo> <mo>&amp;times;</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>&amp;ForAll;</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mi>R</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> </munder> <mo>(</mo> <mrow> <mi>C</mi> <mi>o</mi> <mi>s</mi> <mi> </mi> <msub> <mi>t</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow> <mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>E</mi> <mrow> <mi>D</mi> <mi>P</mi> </mrow> </msub> </mrow> </munder> <mo>|</mo> <msubsup> <mi>D</mi> <mi>i</mi> <mrow> <mi>D</mi> <mi>P</mi> </mrow> </msubsup> <mo>|</mo> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中,Min表示“最小”;η表示能耗,即数据层面中相邻节点间控制层面平均跳数;表示数据层面链路i的流量需求;EDP表示组成控制层面网络拓扑的数据层面链路集;R(i)表示数据链路i映射到控制层面的路径集,每一条控制层面路径代表数据层面链路映射到匀称控制层面拓扑后源节点到目的节点间的路径;Costij表示数据层面链路i的控制层面路径j的花销,即路径j的跳数;xij表示基本路径,如果数据层面链路i分配到控制层面路径j,则取值为1,否则取值为0;i表示数据层面链路;j表示控制层面路径;
所述的约束条件,公式如下:
<mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <mi>R</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> </munder> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>E</mi> <mrow> <mi>D</mi> <mi>P</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <mi>R</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> </munder> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>E</mi> <mrow> <mi>D</mi> <mi>P</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>&amp;ForAll;</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mi>R</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> </munder> <msub> <mi>Q</mi> <mrow> <mi>i</mi> <mi>j</mi> <mi>k</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>&amp;le;</mo> <mn>1</mn> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>,</mo> <mi>k</mi> <mo>&amp;Element;</mo> <msub> <mi>E</mi> <mrow> <mi>D</mi> <mi>P</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <mo>(</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>&amp;ForAll;</mo> <mi>k</mi> <mo>&amp;Element;</mo> <msub> <mi>E</mi> <mrow> <mi>D</mi> <mi>P</mi> </mrow> </msub> </mrow> </munder> <msub> <mi>z</mi> <mi>k</mi> </msub> <msub> <mi>Q</mi> <mrow> <mi>i</mi> <mi>j</mi> <mi>k</mi> </mrow> </msub> <mo>)</mo> <mo>-</mo> <msub> <mi>Cost</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>+</mo> <mi>M</mi> <mo>(</mo> <mrow> <mn>1</mn> <mo>-</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> <mo>)</mo> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>E</mi> <mrow> <mi>D</mi> <mi>P</mi> </mrow> </msub> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mi>R</mi> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>M</mi> <mi>i</mi> <mi>n</mi> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>&amp;ForAll;</mo> <mi>k</mi> <mo>&amp;Element;</mo> <msub> <mi>E</mi> <mrow> <mi>D</mi> <mi>P</mi> </mrow> </msub> </mrow> </munder> <msub> <mi>z</mi> <mi>k</mi> </msub> <mo>=</mo> <mi>&amp;beta;</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
xij,yij,zk∈{0,1} (7)
其中,yij表示备选路径,若数据层面链路i分配到控制层面路径j,则取值为1,否则取值为0;Qijk若数据层面链路i的控制层面路径j经过控制层面链路k,则取值为1,否则取值为0;k表示控制层面链路;zk若链路k开启则取值为1,否则取值为0;M∈R+;β为控制层面链路数;
步骤6、采用CPLEX算法迭代求解控制层面网络拓扑链路数,获得其连通性,并判断最优控制层面链路数与控制层面初始链路数的关系,具体步骤如下:
步骤6-1、采用CPLEX算法迭代求解控制层面网络拓扑链路数,获得其连通性;
步骤6-2、判断所获控制层面网络拓扑链路数与控制层面初始链路数的关系,具体如下:
若所获连通性大于等于设定的连通性阈值,且所获控制层面网络拓扑链路数小于控制层面初始链路数,则更新最优控制层面拓扑结构,即在当前连通性阈值下获得最优控制层面拓扑结构,并执行步骤7;
若所获连通性大于等于设定的连通性阈值,且所获控制层面网络拓扑链路数大于等于控制层面初始链路数,则执行步骤6-3;
若所获连通性小于设定的连通性阈值,且所获控制层面网络拓扑链路数大于控制层面初始链路数,则更新最优控制层面拓扑结构,即在当前连通性阈值下获得最优控制层面拓扑结构,并执行步骤7;
若所获连通性小于设定的连通性阈值,且所获控制层面网络拓扑链路数小于等于控制层面初始链路数,则执行步骤6-4;
步骤6-3、保存初始网络拓扑为最优控制层面拓扑结构,并使控制层面初始链路数加1,执行步骤6-5;
步骤6-4、保存初始网络拓扑为最优控制层面拓扑结构,并使控制层面初始链路数减1,执行步骤6-5;
步骤6-5、判断控制层面链路数是否大于最小控制层面网络拓扑的数据链路集,若是,则获得最优控制层面拓扑结构,并执行步骤7,否则,返回执行步骤6-1;
步骤7、保存当前最优控制层面拓扑信息,结束。
2.根据权利要求1所述的基于能效优先的控制层面网络划分方法,其特征在于,步骤2所述的Hamilton圈算法获得数据层面链路的源节点到目的节点间控制层面路径集,具体步骤如下:
步骤2-1、设定数据层面链路集和数据层面拓扑的邻接矩阵;
所述的设定数据层面链路集具体为:若源节点与目的节点链接,则将数据层面链路放入数据层面链路集,依次遍历网络中所有节点;
步骤2-2、在数据层面中设定链路、源节点和目的节点,获得数据层面链路的源节点到目的节点间控制层面路径集;
步骤2-3、计算路径消耗,设定路径的消耗为路径的跳数。
CN201510801508.6A 2015-11-18 2015-11-18 一种基于能效优先的控制层面网络划分方法 Active CN105337872B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510801508.6A CN105337872B (zh) 2015-11-18 2015-11-18 一种基于能效优先的控制层面网络划分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510801508.6A CN105337872B (zh) 2015-11-18 2015-11-18 一种基于能效优先的控制层面网络划分方法

Publications (2)

Publication Number Publication Date
CN105337872A CN105337872A (zh) 2016-02-17
CN105337872B true CN105337872B (zh) 2018-05-04

Family

ID=55288174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510801508.6A Active CN105337872B (zh) 2015-11-18 2015-11-18 一种基于能效优先的控制层面网络划分方法

Country Status (1)

Country Link
CN (1) CN105337872B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106230737B (zh) * 2016-07-19 2019-03-15 国网辽宁省电力有限公司鞍山供电公司 一种状态感知的软件定义组网方法
CN108449208B (zh) * 2018-03-19 2021-04-23 北京工业大学 一种针对分布式能源分层复杂网络优化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101459551A (zh) * 2007-12-12 2009-06-17 华为技术有限公司 一种路径恢复的方法、装置及路径计算单元
CN101527647A (zh) * 2008-03-06 2009-09-09 原创信通电信技术(北京)有限公司 面向多数据平面的资源管理实现方法
CN102474446A (zh) * 2009-07-16 2012-05-23 瑞典爱立信有限公司 用于点对多点业务的恢复机制
CN103731277A (zh) * 2014-01-16 2014-04-16 华为技术有限公司 软件定义网络中的节能方法和节能控制设备
CN103986663A (zh) * 2014-05-08 2014-08-13 中国联合网络通信集团有限公司 数据中心及其实现数据处理的方法和网络控制器

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110134931A1 (en) * 2009-12-08 2011-06-09 Jacobus Van Der Merwe Virtual router migration

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101459551A (zh) * 2007-12-12 2009-06-17 华为技术有限公司 一种路径恢复的方法、装置及路径计算单元
CN101527647A (zh) * 2008-03-06 2009-09-09 原创信通电信技术(北京)有限公司 面向多数据平面的资源管理实现方法
CN102474446A (zh) * 2009-07-16 2012-05-23 瑞典爱立信有限公司 用于点对多点业务的恢复机制
CN103731277A (zh) * 2014-01-16 2014-04-16 华为技术有限公司 软件定义网络中的节能方法和节能控制设备
CN103986663A (zh) * 2014-05-08 2014-08-13 中国联合网络通信集团有限公司 数据中心及其实现数据处理的方法和网络控制器

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Energy-efficient cognitive access approach to convergence communications;ZhengZheng Xu etal;《Science China Information Sciences》;20140617;第57卷(第4期);全文 *
大规模IP骨干网络中能效路由仿真及实现;张鹏;《中国优秀硕士学位论文全文数据库信息科技辑》;20140715(第7期);全文 *
数据中心网络节能路由研究;商云飞;《中国博士学位论文全文数据库信息科技辑》;20140715(第7期);全文 *

Also Published As

Publication number Publication date
CN105337872A (zh) 2016-02-17

Similar Documents

Publication Publication Date Title
Tan et al. Traffic congestion in interconnected complex networks
CN102025733B (zh) 基于认知网络的健康度评价方法
CN103746852B (zh) 业务路由配置方法及网络管理设备
CN106411770A (zh) 一种基于sdn架构的数据中心网络节能路由算法
Shirmarz et al. An adaptive greedy flow routing algorithm for performance improvement in software‐defined network
CN105553869A (zh) 一种电力通信网的风险均衡方法及系统
CN103888371A (zh) 一种虚拟网络映射的方法和装置
CN105376157A (zh) 一种路由路径选择的方法和装置
CN103139069A (zh) 基于层次分析法的多度量参数的通信网路由方法
CN105337872B (zh) 一种基于能效优先的控制层面网络划分方法
CN106230737B (zh) 一种状态感知的软件定义组网方法
Kim et al. Fluctuation-driven capacity distribution in complex networks
Ren et al. A SDN-based dynamic traffic scheduling algorithm
Yin et al. Survivable multipath virtual network embedding against multiple failures for SDN/NFV
Biabani et al. REFIT: Robustness enhancement against cascading failure in IoT networks
Okonor et al. Link sleeping and wake-up optimization for energy aware ISP networks
CN108366015A (zh) 用于软件定义网络的路由算法
Li et al. 5G core network slices embedding and deploying based on greedy algorithm in smart grids
Zhang et al. Teap: Traffic engineering and alr policy based power-aware solutions for green routing and planning problems in backbone networks
Li et al. Receiving-capacity-constrained rapid and fair disaster backup for multiple datacenters in SDN
CN115102831A (zh) 一种分布式bgp服务的部署方法和系统
CN110505087B (zh) 一种量子保密通信网络的模拟方法
CN104581965B (zh) 基于用户分配和时延的频谱分配方法
CN107707471A (zh) 基于大规模sdn的最小化转发链路数的节能方案
Kassim et al. Adaptive Policing Algorithms on inbound internet traffic using Generalized Pareto model

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant