CN107104826B - 一种基于sdn和nfv的网控编码方法 - Google Patents

Abstract

本发明公开了一种基于SDN和NFV的网控编码方法，首先采用多态流量学习、识别与关联方法对网络流量进行学习和分析，并建立网络的关联流量模型；其次在关联流量模型的基础上，调用网控编码逻辑编排策略发现并制造网络编码的机会，最终建立高效、可控、可定义的网络信息传输机制。本发明首次提出并定义网控编码概念，充分发挥了SDN/NFV技术与网络编码技术各自的优势，探索、拓展其内涵、外延及应用模式，推动了数据传输效率的提升和网络传输模式的突破并将两者深入融合、延伸，形成了拓扑‑流量‑编码联合优化编排的网控编码，提高了网络信息传输效率，降低了网络传输压力。

Description

一种基于SDN和NFV的网控编码方法

技术领域

本发明属于网络信息传输技术领域，具体涉及一种基于SDN和NFV的网控编码方法的设计。

背景技术

随着移动社交、实时视频、虚拟现实、云计算、大数据等网络业务的不断丰富，网络需要传输的信息量越来越大，这给现有网络带来了巨大的传输压力。虽然升级网络硬件、提高网络带宽能够解决部分压力，但通常伴随着高昂的升级成本，因此现有的网络信息传输技术已经很难适应当下海量信息的高效传输需求。

网络编码技术(Network Coding，NC)自2000年提出后，在理论方面已经发展的相当成熟，它将信息传输从传统的“存储-转发”模式革命性的改变为“存储-编码-转发”的模式，实现传统路由难以实现的“最大流最小割”网络容量的上限。但网络编码需要重新定义传统的路由、交换设备，且其应用效果受到网络拓扑和流量特征的影响，这给网络编码的应用和普及带来了巨大的阻碍。

SDN/NFV技术的迅速发展给网络编码的应用带来了新的契机。软件定义网络(Software Defined Network，SDN)以及与SDN密切相关的网络功能虚拟化(NetworkFunction Virtualization，NFV)技术将重塑网络架构，在数据缓存、调度、处理和路由等多方面提供了更高的灵活性，使得网络编码在未来网络中的应用和普及成为可能。

但目前关于SDN/NFV技术与网络编码协同工作的研究，主要集中在两者的简单相加或者实现方案上。这些工作虽然验证了网络编码在SDN网络中的可行性和有效性，但是没有真正充分发挥SDN/NFV技术与网络编码技术深层协作可能带来的巨大优势。

基于此，本发明首次提出并定义网控编码(Network Orchestrated Coding，NOC)概念，旨在充分发挥SDN/NFV技术与网络编码技术各自的优势，并将两者深入融合、延伸，形成拓扑、流量、编码联合优化编排的网控编码，提高网络信息传输效率，降低网络传输压力。

发明内容

本发明的目的是为了解决现有技术只能实现SDN/NFV技术与网络编码技术二者之间的简单相加，无法实现二者之间的深度融合与延伸的问题，提出了一种基于SDN和NFV的网控编码方法。

本发明的技术方案为：一种基于SDN和NFV的网控编码方法，包括以下步骤：

S1、采用多态流量学习、识别与关联方法对网络流量进行学习和分析，掌握网络中主要数据流量的特点、流量间的关系以及流量内容的关联性，进行不同流量的特征识别和业务分类，并建立网络的关联流量模型；

S2、在关联流量模型的基础上，调用网控编码逻辑编排策略，发现并制造网络协作编码的机会，建立流量-拓扑最优匹配策略，并形成网控编码二维分布图，实现网控编码最优逻辑编排策略，最终建立高效、可控、可定义的网络信息传输机制。

进一步地，步骤S1中的多态流量学习、识别与关联方法具体包括以下三个阶段：

S11、学习阶段：网络中负责数据传输与控制的网控设备对多态流量特征进行学习，根据预约式流量的预约信息和非预约式流量的历史特征将流量划分为内联流量和协控流量；

S12、分析阶段：在学习、掌握各流量特征的基础上，进一步对流量的源宿相关性、时间重叠性、路径趋同性、Qos要求相似性和内容相关性进行分析，并针对协控流量建立一组流量集合；

S13、关联阶段：针对分析阶段形成的流量集合间的关系，建立网控编码中的关联流量集，形成关联流量模型；同时对于内联流量，则直接针对每一条流量，结合网络拓扑和链路利用率，进行网控内联编码传输。

进一步地，步骤S11中预约式流量的预约信息具体为节点在准备发送特定数据时，提前向网控设备发起的预约声明或者资源申请。

进一步地，步骤S11中非预约式流量的历史特征具体为：

(1)对于骨干网、核心网类型的主干网，其非预约式流量的历史特征包括流量的大小、源/目的节点、路径、类型；

(2)对于规模较小的接入网、独立网络，其非预约式流量的历史特征包括最新几轮的报文交互。

进一步地，内联流量为由于流量的时延、优先级特性，要求该流量必须以更高优先级、更迅速地传输到目的节点，从而导致网控编码只能在该流量内部进行优化编码与协同传输，而不能与其他流量进行协同的流量。

进一步地，协控流量为在一定条件下可与其他流量进行组合与协同优化编码传输的流量。

进一步地，步骤S12中的流量集合包括源宿相同流量集合、源宿相交流量集合、时间重叠流量集合、路径相关流量集合、QoS相似流量集合、内容相关流量集合。

进一步地，步骤S2中的网控编码逻辑编排策略包括流量与最优拓扑匹配机制、协同编码编排机制以及两者进行协同优化后得到的流量-拓扑-编码联合优化编排策略。

进一步地，流量与最优拓扑匹配机制具体为：

以最小费用流数学模型为基础，结合步骤S1得到的关联流量模型，同时综合考虑协同编码编排机制对节点输入输出间的影响，建立网络流量与拓扑结构的最优匹配关系。

进一步地，协同编码编排机制具体为：

在步骤S1得到的关联流量模型的基础上，结合网络编码相关理论，建立关联流量组合与协同编码策略的一一对应关系，对每组协同编码对应关系设定合适的编码算法；同时确定参与协同编码的中继节点，使得在这些中继节点上能够使用NFV技术建立相应的编解码功能，从而实施网控编码的具体步骤。

本发明的有益效果是：本发明首次提出并定义网控编码概念，充分发挥了SDN/NFV技术与网络编码技术各自的优势，探索、拓展其内涵、外延及应用模式，推动了数据传输效率的提升和网络传输模式的突破并将两者深入融合、延伸，形成了拓扑-流量-编码联合优化编排的网控编码，提高了网络信息传输效率，降低了网络传输压力。

附图说明

图1为本发明提供的一种基于SDN和NFV的网控编码方法架构示意图。

图2为本发明实施例一的PF-LRC方法实施过程示意图。

图3为本发明实施例二的NOC-LOS策略黑匣子模型示意图。

图4为本发明实施例二的NOC-LOS策略实施过程示意图。

具体实施方式

下面结合附图对本发明的实施例作进一步的说明。

在介绍本发明的技术方案之前，首先对本发明首次提出的网控编码(NetworkOrchestrated Coding，NOC)概念进行定义。网控编码技术具体定义为：将整体网络视为统一的信息转移空间，网络、节点和信息是可协作调配的整体，节点间的信息传输不再是一条条孤立/半孤立的流，而是以整体网络为背景的、一套统一的信息转移过程，并结合SDN/NFV技术，对网络拓扑、流量与编码进行融合统一的联合优化编排，从而有效提升网络基础设施的利用率，提高网络传输效率、降低网络传输压力，对网络信息传输模式进行优化演进。

如图1所示，本发明提供了一种基于SDN和NFV的网控编码方法，包括以下步骤：

S1、采用多态流量学习、识别与关联方法(Polymorphic Flow Learning,Recognition and Correlation，PF-LRC)对网络流量进行学习和分析，并建立网络的关联流量模型。

网控编码技术要实现流量-拓扑-编码的联合优化编排，首先需要掌握网络中主要数据流量的特点、流量间的关系、甚至流量内容的关联性。可根据SDN掌握网络流量信息，来学习并分析流量的类型、需求、时间和空间等多种特性，进行不同流量的特征识别和业务分类，最终建立关联流量模型。

S2、在关联流量模型的基础上，调用网控编码逻辑编排策略(NetworkOrchestrated Coding-Logical Orchestrating Strategy，NOC-LOS)发现并制造网络编码的机会，最终建立高效、可控、可定义的网络信息传输机制。

在关联流量模型建立的基础上，将整个网络视为一个整体，结合网络实际拓扑结构，协调考虑网络中拓扑、节点、信息分布、信息流向、编码策略等多种元素之间的关系，最终针对具有相关性的流量，发现甚至制造流量间的网络协作编码机会，建立流量-拓扑最优匹配策略，并形成网控编码二维分布图(编码位置、编码策略)，实现网控编码最优逻辑编排策略。从而最大限度的利用网络协作编码机会，降低网络流量压力，提高网络传输效率。

下面以两个具体实施例对步骤S1中的PF-LRC方法及步骤S2中的NOC-LOS策略进行详细介绍。

实施例一：

PF-LRC方法主要对网络中各种流量进行学习、识别并进行分析，目标是将存在相关性的流量关联起来，建立关联流量模型，用于NOC-LOS策略中，从而制造信息协同编码、流量协同传输的机会。

如图2所示，PF-LRC方法具体包括以下三个阶段：

S11、学习阶段：PF-LRC方法首先要对流量的类型、需求、时间、空间等多种特性进行学习。网络中负责数据传输与控制的网控设备(例如SDN控制器)对多态流量特征进行学习，学习过程所需信息来源于两方面：预约式流量中的预约信息和非预约流量的历史特征。根据预约式流量的预约信息和非预约式流量的历史特征将流量划分为内联流量和协控流量。

(1)对于预约式流量，节点在准备发送某些特定数据时，会提前向网控设备(如SDN控制器)发起预约声明或者资源申请。这些信息可能是涉及全网的控制信息、广播信息等，也可能是部分用户间的特定流量，如数据备份、视频传输等等。在发起申请和声明的同时，将根据数据的QoS需求、重要性等指标，将相应的数据标记为“内联流量”或者“协控流量”。所谓“内联流量”，是由于流量的时延、优先级等特性，要求该流量必须以更高优先级、更迅速的传输到目的节点，从而导致网控编码只能在该流量内部进行优化编码与协同传输，而不能与其他流量进行协同。所谓“协控流量”，是指该流量在一定条件下可与其他流量进行组合与协同优化编码传输。

(2)对于非预约式流量，本项目将会根据流量的历史记录进行特征分析。这类学习可以进一步细分为两类。第一类，对于骨干网、核心网类型的主干网，其流量特征往往呈现一定的规律性，这种规律性不仅体现在流量大小方面，还体现在流量的源、目的节点、路径、类型等多个方面。因此，可以学习这些历史记录，用于后续的流量分析与关联。第二类，规模较小的接入网、独立网络，流量还呈现为分散性、不规则性的特征，则着重根据最新几轮的报文交互，预测下一轮数据交互的走向和特征，从而为提前发现流量之间的关联性创造条件。与此同时，根据流量的类型，将流量划分为内联流量和协控流量。

S12、分析阶段：在学习、掌握各流量特征的基础上，进一步对流量的源宿相关性、时间重叠性、路径趋同性、QoS要求相似性和内容相关性进行分析，并针对协控流量，建立包括但不限于以下类型的若干个集合：

源宿相同流量：{{源宿相同流量集合1}，{源宿相同流量集合2}，…}；

源宿相交流量：{{源宿相交流量集合1}，{源宿相交流量集合2}，…}；

时间重叠流量：{{时间重叠流量集合1}，{时间重叠流量集合2}，…}；

路径相关流量：{{路径相关流量集合1}，{路径相关流量集合2}，…}；

QoS相似流量：{{QoS相似流量集合1}，{QoS相似流量集合2}，…}；

内容相关流量：{{内容相关流量集合1}，{内容相关流量集合2}，…}。

S13、关联阶段：针对分析阶段形成的流量集合间的关系，建立网控编码中的关联流量集，形成关联流量模型。同时对于内联流量，则直接针对每一条流量，结合网络拓扑和链路利用率，进行网控内联编码传输。关联流量模型中的一组关联流量，可能包括几条流，也可能只含有一条流。

实施例二：

逻辑编排与关联流量模型密切相关。实际上，在关联流量模型建立后，便直接提出了对于逻辑编排的基本要求。

NOC-LOS将网络看成一个黑匣子，一组关联的流量，通过网络从一个(组)节点转移到另一个(组)节点时，有多种可能的传输方式(路径，编码机制，流与流之间的关系和影响等)，NOC-LOS黑匣子模型如图3所示。

本发明实施例中所提到的逻辑编排，不仅仅是对各数据流所流经路径与网络拓扑结构之间的优化匹配与结合，还包括在这种流量-拓扑对应关系下，如何在合适的位置、选择合适的网络协作编码机制。如图4所示，NOC-LOS策略包括三个方面：流量与最优拓扑匹配机制、协同编码编排机制以及两者进行协同优化后得到的流量-拓扑-编码联合优化编排策略，具体如下：

(1)流量与最优拓扑匹配机制。

在流量与最优拓扑匹配机制中，将以最小费用流数学模型为基础，结合关联流量模型，形成最优拓扑匹配机制。

在最小费用流数学模型中，有如下定义：

G(V,E,C,F,W)：网络抽象图，其中V为点集，E为弧集，C为弧(i,j)上的容量函数，W是定义在弧集E上的函数，称为运输费用函数，w(i,j)表示单位信息通过弧(i,j)的运输费用，代表弧(i,j)上赋予的费用系数，f为对应弧上的弧流量，满足可行流的守恒方程，F为弧流量f的集合。

在给定可行流f_st的前提条件下，通过弧分配适当的流量，使从节点s出发到汇点t的总费用最小，即：

0≤f(i,j)≤C(i,j),(i,j)∈E(G)

上式中，对于n个节点的网络G，中转节点的输出流量减去该节点输入流量的差值为零，即净剩流量

而源节点s和宿节点t满足：h(s)＝-h(t)，则节点的净剩流量函数h(i)称为网络G的供需函数。如果流值f仅满足式(1)，不满足式(2)，则称此流值f为伪流。

在上面的一般最小费用流问题中，源节点s没有输入流，但有输出流，即∑_jf(j,s)＝0，∑_jf(s,j)＞0，源节点s的供需函数h(s)＝∑_jf(s,j)＞0。宿节点t只有输入流，没有输出流，即∑_jf(j,t)＞0，∑_jf(t,j)＝0，宿节点t的供需函数h(t)＝-∑_jf(j,t)＜0。

基本的最小费用流数学模型面向的是普通的、无特殊特征与关联的数据流，流内部和流之间不会进行二次加工处理，所以中继节点的输入流和输出流满足流量守恒，即其供需函数h(i)＝0,i∈V(G)，且i≠s,t。本发明提出将数据流之间的关联模型与最小费用流结合，同时综合考虑协同编码机制对节点输入输出间的影响，建立网络流量与拓扑结构的最优匹配关系。

(2)协同编码编排机制。

协同编码编排机制将利用网络编码(包括随机线性网络编码等)相关理论，研究面向关联流量的协同编码与传输技术。网络编码理论结合了编码技术和路由技术，允许网络中的中间节点除了存储和转发数据外，还可以对接收到的多个数据包进行编码操作，即网络编码的本质是通过增加网络中间节点的计算和编解码操作来提升网络的带宽利用率。

本发明在流量关联模型的基础上，设计协同编码编排机制，实现如下技术要点：

a、建立关联流量组合与协同编码策略的一一对应关系；

b、对每组协同编码对应关系设定合适的编码算法，如直接采用简单异或、采用随机线性网络编码/喷泉码等等；

c、确定参与协同编码的中继节点，从而可以在这些节点上使用NFV技术，建立相应的编解码功能，实施网控编码具体步骤。

(3)流量-拓扑-编码联合优化编排策略。

根据流量与最优拓扑匹配机制、协同编码编排机制两者之间的相互影响，建立流量-拓扑-编码联合优化编排策略，实现最大化整体网络的有效信息传输能力。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (4)

1.一种基于SDN和NFV的网控编码方法，其特征在于，包括以下步骤：

S1、采用多态流量学习、识别与关联方法对网络流量进行学习和分析，掌握网络中主要数据流量的特点、流量间的关系以及流量内容的关联性，进行不同流量的特征识别和业务分类，并建立网络的关联流量模型；所述步骤S1中的多态流量学习、识别与关联方法具体包括以下三个阶段：

S11、学习阶段：网络中负责数据传输与控制的网控设备对多态流量特征进行学习，根据预约式流量的预约信息和非预约式流量的历史特征将流量划分为内联流量和协控流量；

所述内联流量为由于流量的时延、优先级特性，要求该流量必须以更高优先级、更迅速地传输到目的节点，从而导致网控编码只能在该流量内部进行优化编码与协同传输，而不能与其他流量进行协同的流量；

所述协控流量为在一定条件下可与其他流量进行组合与协同优化编码传输的流量；

S12、分析阶段：在学习、掌握各流量特征的基础上，进一步对流量的源宿相关性、时间重叠性、路径趋同性、Qos要求相似性和内容相关性进行分析，并针对协控流量建立一组流量集合；

S13、关联阶段：针对分析阶段形成的流量集合间的关系，建立网控编码中的关联流量集，形成关联流量模型；同时对于内联流量，则直接针对每一条流量，结合网络拓扑和链路利用率，进行网控内联编码传输；

S2、在关联流量模型的基础上，调用网控编码逻辑编排策略，发现并制造网络协作编码的机会，建立流量-拓扑最优匹配策略，并形成网控编码二维分布图，实现网控编码最优逻辑编排策略，最终建立高效、可控、可定义的网络信息传输机制；

所述网控编码二维分布图的形成过程为：在关联流量模型建立的基础上，将整个网络视为一个整体，结合网络实际拓扑结构，协调考虑网络中拓扑、节点、信息分布、信息流向、编码策略多种元素之间的关系，最终针对具有相关性的流量，发现或制造流量间的网络协作编码机会，建立流量-拓扑最优匹配策略，并形成网控编码二维分布图；

所述步骤S2中的网控编码逻辑编排策略包括流量与最优拓扑匹配机制、协同编码编排机制以及两者进行协同优化后得到的流量-拓扑-编码联合优化编排策略；

所述流量与最优拓扑匹配机制具体为：

以最小费用流数学模型为基础，结合步骤S1得到的关联流量模型，同时综合考虑协同编码编排机制对节点输入输出间的影响，建立网络流量与拓扑结构的最优匹配关系；

所述协同编码编排机制具体为：

在步骤S1得到的关联流量模型的基础上，结合网络编码相关理论，建立关联流量组合与协同编码策略的一一对应关系，对每组协同编码对应关系设定合适的编码算法；同时确定参与协同编码的中继节点，使得在这些中继节点上能够使用NFV技术建立相应的编解码功能，从而实施网控编码的具体步骤。

2.根据权利要求1所述的网控编码方法，其特征在于，所述步骤S11中预约式流量的预约信息具体为节点在准备发送特定数据时，提前向网控设备发起的预约声明或者资源申请。

3.根据权利要求1所述的网控编码方法，其特征在于，所述步骤S11中非预约式流量的历史特征具体为：

(1)对于骨干网、核心网类型的主干网，其非预约式流量的历史特征包括流量的大小、源/目的节点、路径、类型；

(2)对于规模较小的接入网、独立网络，其非预约式流量的历史特征包括最新几轮的报文交互。

4.根据权利要求1所述的网控编码方法，其特征在于，所述步骤S12中的流量集合包括源宿相同流量集合、源宿相交流量集合、时间重叠流量集合、路径相关流量集合、QoS相似流量集合、内容相关流量集合。

Images