CN107743147A - 基于全局优化的动态云存储sdn控制器配置方法及装置 - Google Patents
基于全局优化的动态云存储sdn控制器配置方法及装置 Download PDFInfo
- Publication number
- CN107743147A CN107743147A CN201711079478.8A CN201711079478A CN107743147A CN 107743147 A CN107743147 A CN 107743147A CN 201711079478 A CN201711079478 A CN 201711079478A CN 107743147 A CN107743147 A CN 107743147A
- Authority
- CN
- China
- Prior art keywords
- mrow
- particle
- controller
- msubsup
- represent
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
- H04L67/63—Routing a service request depending on the request content or context
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0893—Assignment of logical groups to network elements
-
- 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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
-
- 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
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例公开了基于全局优化的动态云存储SDN控制器配置方法及装置，其中，所述方法包括：以SDN中的各控制器为粒子建立第一代粒子群，确定第一代粒子群中各粒子的适应度，以第一代粒子群作为当前迭代粒子群；计算当前迭代粒子群中各粒子的局部最优解以及全局最优解；确定与各控制器对应的分配节点；进化当前迭代粒子群中各粒子的速度和位置；更新当前迭代粒子群中各粒子的适应度；返回执行计算当前迭代粒子群中各粒子的局部最优解以及全局最优解的操作，直至满足结束迭代条件；使用结束迭代时确定的全局最优解对SDN中的各控制器进行配置，实现在满足控制器额定任务负载约束的条件下，合理部署SDN控制器，从而使得网络中的全局时延最小。
Description
技术领域
本发明实施例涉及网络通信技术，尤其涉及一种基于全局优化的动态云存储SDN控制器配置方法及装置。
背景技术
随着新应用的不断开发、网络和存储设备的不断增长以及物联网的应用，通信的数据量增长速度越来越快，数据计算越来越复杂，传统的网络结构和服务模式难以满足业务的灵活性需求。
SDN(Software Defined Network，软件定义网络)是一种新型的网络创新架构，其核心是构建一个转发平面和控制平面分离的网络体系，整个结构分为三层：应用层、数据处理控制层以及基础设备层。SDN能够像软件开发、调试一样调试网络，以支持网络功能的不断演进，从而实现网络的灵活控制。
在SDN中，控制器位于数据处理控制层中，具有动态云存储的特性，转发器(也可称为节点)位于基础设施层中，控制器与转发器之间通过南向接口相连接，控制器和转发器之间需要频繁的通信以便于控制器不间断的维护转发器的逻辑拓扑视图。数据处理控制层和基础设备层之间的时延将直接影响到由控制器下方的控制逻辑能否及时部署到转发器中。由于控制器受处理能力限制、控制器的缓存资源限制、与控制器相连网络的带宽限制和其他资源的限制，每个控制器只能有效控制有限数量的转发器。当控制器实际接收的处理任务到达额定吞吐能力的阈值时，控制器的处理时延将接近无穷大。而且过高的控制器任务负载会导致差错率急速增加，严重影响网络的性能。同时，为了维护数据处理控制层逻辑的一致性，需要尽可能减少控制器之间的传播时延。因此，如何合理的部署控制器的位置，以减少网络中控制器和转发器之间的时延，缩小控制器之间的时延，减少控制器的实际任务负载，成为需要亟待解决的问题。
发明内容
本发明实施例提供一种基于全局优化的动态云存储SDN控制器配置方法及装置，以在满足控制器额定任务负载约束的条件下，合理部署SDN控制器，提升SDN控制器配置效率，从而使得SDN的全局时延最小。
第一方面，本发明实施例提供了一种软件定义网络SDN中的控制器配置方法，包括：
以SDN中的各控制器为粒子，根据所述SDN的网络拓扑结构，建立第一代粒子群，并确定第一代粒子群中各粒子的适应度，以所述第一代粒子群作为当前迭代粒子群；
根据所述当前迭代粒子群中各粒子的适应度，计算所述当前迭代粒子群中各粒子的局部最优解以及全局最优解；
根据所述SDN的网络拓扑结构中各节点到各所述控制器的最短时延，以及各所述控制器的额定任务负载，确定与各所述控制器对应的分配节点；
根据所述SDN的网络拓扑结构，进化所述当前迭代粒子群中各粒子的速度和位置；
根据与各所述控制器对应的分配节点，更新当前迭代粒子群中各粒子的适应度；
返回执行根据所述当前迭代粒子群中各粒子的适应度，计算所述当前迭代粒子群中各粒子的局部最优解以及全局最优解的操作，直至满足结束迭代条件；
使用结束迭代时确定的全局最优解对所述SDN中的各所述控制器进行配置。
第二方面，本发明实施例还提供了一种软件定义网络SDN中的控制器配置装置，包括：
粒子群建立模块，用于以SDN中的各控制器为粒子，根据所述SDN的网络拓扑结构，建立第一代粒子群，并确定第一代粒子群中各粒子的适应度，以所述第一代粒子群作为当前迭代粒子群；
粒子计算模块，用于根据所述当前迭代粒子群中各粒子的适应度，计算所述当前粒子群中各粒子的局部最优解以及全局最优解；
节点分配模块，用于根据所述SDN的网络拓扑结构中各节点到各所述控制器的最短时延，以及各所述控制器的允许负载量，确定与各所述控制器对应的分配节点；
粒子进化模块，用于根据所述SDN的网络拓扑结构，进化所述当前迭代例子群中各粒子的速度和位置；
适应度更新模块，用于根据与各所述控制器对应的分配节点，更新当前迭代粒子群中各粒子的适应度；
返回执行模块，用于重新触发所述粒子计算模块的执行，直至满足结束迭代条件；
控制器配置模块，用于使用结束迭代时确定的全局最优解对所述SDN中的各所述控制器进行配置。
第三方面，本发明实施例还提供了一种控制器配置设备，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例任一所述的软件定义网络SDN中的控制器配置方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所述的软件定义网络SDN中的控制器配置方法。
本发明实施例通过以SDN中的各控制器为粒子建立第一代粒子群，并确定第一代粒子群中各粒子的适应度；以第一代粒子群作为当前迭代粒子群，计算当前粒子群中各粒子的局部最优解以及全局最优解并确定与各所述控制器对应的分配节点；进化当前迭代粒子群中各粒子的速度和位置；更新当前迭代粒子群中各粒子的适应度；返回执行根据当前粒子群中各粒子的适应度，计算当前粒子群中各粒子的局部最优解以及全局最优解的操作，直至满足结束迭代条件；使用结束迭代时确定的全局最优解对所述SDN中的各所述控制器进行配置，解决减少网络中控制器和转发器之间、控制器之间的时延，以及控制控制器的实际任务负载等问题，实现在满足控制器额定任务负载约束的条件下，合理部署SDN控制器，从而使得网络中的全局时延最小。
附图说明
图1a本发明实施例一提供的一种软件定义网络SDN中的控制器配置方法的流程图；
图1b本发明实施例一提供的粒子群算法的流程图；
图2是本发明实施例二提供的一种软件定义网络SDN中的控制器配置装置的示意图；
图3为本发明实施例三提供的一种控制器配置设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1a本发明实施例一提供的一种软件定义网络SDN中的控制器配置方法的流程图，本实施例可适用于配置SDN控制器的情况，该方法可以由软件定义网络SDN中的控制器配置装置来执行，该装置可以由软件和/或硬件的方式来实现，并一般可集成在服务器中，该方法包括如下操作：
S110、以SDN中的各控制器为粒子，根据所述SDN的网络拓扑结构，建立第一代粒子群，并确定第一代粒子群中各粒子的适应度，以所述第一代粒子群作为当前迭代粒子群。
在本发明的实施例中，SDN整个结构分为三层：应用层、数据处理控制层以及基础设备层，其中，SDN中的各控制器位于数据处理控制层。SDN的网络拓扑结构包括节点和链路，位于基础设备层，其中节点为转发器。SDN中的控制器与转发器之间通过南向接口直接相连接。定义转发规则的流表由控制器发送给转发器，并安装到转发器上。控制器指导转发器对收到的数据流进行转发或进行其他处理。当转发器接收到的数据流在其转发流表中找不到对应的转发项时，转发器将该数据流放入缓存存储器中，并向与之相连的控制器报告。转发器等待控制器安装新的流表项到该转发器。
可选的，用数学符号描述SDN控制器全局时延最小部署问题：定义一个基于SDN的网络拓扑结构，数学符号表示为G(V,E)。字母V代表网络中所有的节点，E代表各个节点之间直接连接的边。用字母n代表所有节点的个数，那么n＝|V|。用字母θ表示网络中控制器的集合，θ＝{θ1,…,θk}，θi表示一个控制器，k表示SDN中放置控制器的个数，得到k＝|θ|。nc代表控制器到控制器之间路径的个数。用d(vi,cj)代表vi和控制它的控制器cj两点之间最小的时延。用D(ci,cj)代表控制器ci和控制器cj之间最短路径的时延。代表由控制器θi控制的转发器集合，那么代表转发器V的控制器为θi。每个控制器都有最大额定负载用C(θi)表示。C(vi)代表节点vi被控制器控制时，占用控制器的任务负载大小。
在本发明的一个实施例中，采用粒子群算法(Particle Swarm Optimization，PSO)来部署SDN中的各控制器。粒子群算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。对于一个给定的问题，用粒子群算法通过迭代的方式不断进化候选解的集合，满足条件的解的集合称为粒子群。每个粒子在候选解的搜索空间中不断运动，并且每个粒子都有两个属性：位置和速度，每个粒子的运动都由相应的数学公式控制，并受当前局部最优解和当前全局最优解的影响。参考当前最优解结合粒子的随机性，经过多次迭代，粒子逐步寻找到该问题的最优解决方案。如图1b所示，粒子群算法的基本流程为：先对每个粒子的位置和速度进行初始化，随机产生每个粒子的位置和速度。然后初始化每个粒子的局部最优解的数值以及全局最优解，全局最优解的初始值为所有粒子中局部最优的解中最好的值。适应度函数是量化粒子好坏的数值指标，可根据适应度函数计算每个粒子的适应度。之后，根据实际问题设计相应的粒子速度进化公式和粒子位置进化公式，对粒子的位置和速度进行进化。最后判断是否满足结果的要求，或继续进行迭代进化结果，直到满足条件结束循环并输出最优解。
在本发明的一个可选实施例中，为了实现合理部署SDN中的控制器，将SDN中的各控制器作为粒子，建立第一代粒子群。其中，粒子的位置代表目前该粒子(控制器)随机放置在网络拓扑结构中的一个节点上，粒子的速度是该粒子(控制器)下一个可以放置的节点，同时选择全局平均时延公式作为各粒子的适应度。在后期的循环迭代过程中，以第一代粒子群为基础进行循环迭代。
具体的，所述根据所述SDN的网络拓扑结构，建立第一代粒子群，并确定第一代粒子群中各粒子的适应度，包括：
基于集合Xi＝[xi1,xi2,…xik]初始化所述各粒子的位置；
基于集合Vi＝[vi1,vi2,…vik]初始化所述各粒子的速度；
通过如下全局平均延时公式来确定所述各粒子的适应度：
其中，Xi表示第i个粒子的位置属性，k表示控制器的个数，Vi表示一个粒子的速度，i表示SDN网络拓扑中第i个节点的编号，x11代表第一个控制器放置在第一个节点上，G(S)为所述各粒子的适应度，代表每个时间点上每个粒子的全局平均时延，l1代表调节控制器和节点之间时延的参数，l2代表调节节点之间时延的参数，vi表示转发器i，θj、θm表示控制器j和控制器m，d(vi,θj)表示转换器i到控制器j的时延，d(θm,θj)表示控制器m和控制器j之间的时延，m、n表示控制器编号。
相应的，Xi集合中包含的元素编号代表放置了控制器的节点编号，Xi中的每个节点都有一条或多条通过链路直接相连的节点。Xi中的每个节点从中自己相邻的节点中随机选择一个节点，该被选中节点的方向为初始化粒子在该节点所在维度速度的矢量方向，被选中节点的距离为该节点所在维度速度数值大小。各个节点所在维度速度的集合即为这个粒子的速度Vi。
S120、根据所述当前迭代粒子群中各粒子的适应度，计算所述当前迭代粒子群中各粒子的局部最优解以及全局最优解。
在本发明的实施例中，随着迭代粒子群的进化迭代，粒子群中各粒子的适应度也会相应改变。第一代粒子群利用各粒子初始位置与速度得到初始状态的各粒子的适应度。得到初始状态的各粒子的适应度后，即可计算第一代粒子群的局部最优解和全局最优解，其中，局部最优解指的是每个粒子适应度最好的解，全局最优解指的是所有粒子中适应度最好的解。
具体的，所述根据所述当前迭代粒子群中各粒子的适应度，计算所述当前粒子群中各粒子的局部最优解以及全局最优解，包括：
基于如下公式初始化所述各粒子的局部最优解；
pbesti＝Xi
基于如下公式计算所述各粒子的全局最优解：
gbestn+1＝minG(pbestn+1)
其中，pbesti表示一个粒子的局部最优解，表示第n+1次调整后的粒子i的位置平均时延，表示第n次调整后局部最优状态下全局平均时延，gbestn+1表示第n+1次调整后全局最优解。
具体的，采用公式G(S)代表每个时间点上每个粒子的全局平均时延，表示经过n+1次调整后，粒子i的位置平均时延，也即可通过下述公式
求解粒子i的位置平均时延，其中，θi表示粒子i。
同理，可采用公式G(S)表示第n次调整后局部最优状态下全局平均时延，也即可通过下述公式
求解第n次调整后局部最优状态下全局平均时延。
公式gbestn+1＝minG(pbestn+1)则表示当完成n+1次调整后，取各粒子局部最优的位置分量中的最小值作为n+1次调整后全局最优位置解，可通过下述公式
求解n+1次调整后各粒子局部最优的位置分量。
S130、根据所述SDN的网络拓扑结构中各节点到各所述控制器的最短时延，以及各所述控制器的额定任务负载，确定与各所述控制器对应的分配节点。
在本发明的实施例中，在为控制器分配节点之前，首先需要计算SDN的网络拓扑结构中的每个节点到每个控制器的最短时延，将未分配的节点分配给该节点到所有控制器中时延最短的控制器。在SDN的网络拓扑结构中所有节点分配结束后，计算每个控制器的总任务负载。节点在被控制器控制时，会占用一定大小的控制器的任务负载，通过计算控制器连接的所有节点中每个节点占用控制器任务负载的和，即可得到一个控制器的总任务负载。SDN的网络拓扑结构中每个控制器会有相应的额定任务负载，如果一个控制器的总任务负载超过了额定任务负载，则需要去除与该控制器相连的时延最长的节点，并把该节点分配给网络中的其他控制器。
具体的，所述根据所述SDN的网络拓扑结构中各节点到各所述控制器的最短时延，以及各所述控制器的额定任务负载，确定与各所述控制器对应的分配节点，可以包括：
计算所述SDN的网络拓扑结构中各节点到各所述控制器的最短时延作为标准时延，并根据计算结果，确定与各所述控制器对应的预分配节点，其中，所述预分配节点与对应控制器的标准时延最小；将各所述预分配节点与对应的控制器相连，并计算与各所述控制器对应的总任务负载；如果第一控制器的总任务负载超过了所述第一控制器的额定任务负载，则去除与所述第一控制器相连的标准时延最大的目标节点，并把所述目标节点分配给与所述目标节点的标准时延次小的第二控制器，并更新所述第一控制器以及所述第二控制的总任务负载；在确定与各控制器对应的总任务负载均小于等于各所述控制器的额定任务负载时，将各所述控制器当前连接的节点作为与各所述控制器对应的分配节点。
举例而言，假如一个SDN的网络拓扑结构中有2个控制器c1、c2和4个节点d1、d2、d3、d4，两个控制器的额定负载分别为1000、900。假设，控制器c1放置在节点d1上，控制器c2放置在节点d4上，节点d2到控制器c1和c2的最短时延分别为200ms、250ms，节点d3到控制器c1和c2的最短时延分别为190ms、240ms，则节点d2和d3到控制器c1的时延最短，将节点d2和d3均分配给控制器c1。节点分配结束后，计算得到控制器c1的总任务负载为1050，控制器c1中节点d1、d2、d3占用任务负载的情况分别为300、350、400，控制器c2的总任务负载为400，则控制器c1的总任务负载超过其额定负载，因此，去除控制器c1中连接的时延最长的节点d2，并将节点d2分配给控制器c2。
需要说明的是，在一个SDN的网络拓扑结构中，控制器可以是一个，也可以是多个，SDN的网络拓扑结构中的节点是多个。SDN的网络拓扑结构中的每个节点到每个控制器的最小时延可以是相同的，也可以是不相同的。另外，每个控制器控制的节点集合不能为空；其次，所有控制器控制的节点集合要覆盖所有的节点；再次，每个节点都要被唯一的控制器控制。根据上述特点可以得到如下数学表达：
S140、根据所述SDN的网络拓扑结构，进化所述当前迭代粒子群中各粒子的速度和位置。
在本发明的实施例中，第一代粒子群建立后，首先需要计算每个粒子的局部最优解和当前的全局最优解，然后在第一代粒子群的基础上进化每个粒子的速度和位置获得当前迭代粒子群。在当前迭代粒子群中，粒子的位置与上一次未迭代粒子群中粒子的位置不同。
具体的，所述根据所述SDN的网络拓扑结构，进化所述当前迭代例子群中各粒子的速度和位置，包括：
基于如下公式计算所述各粒子指向局部最优解的速度分量：
基于如下公式计算所述各粒子指向全局最优解的速度：
基于如下公式进化所述各粒子的速度：
基于如下公式进化所述各粒子的位置：
其中，pbestim表示编号为i的粒子在m维度上的局部最优解，xim表示编号为i的粒子在m维度上的位置分量，gbestm表示编号为i的粒子在m维度上的全局最优解，表示编号为i的粒子在m维度上的速度分量，w表示惯性权重，c1、c2表示学习因子，r1、r2表示0和1之间的随机数。
相应的，在进化各粒子的速度前，首先需要计算每个粒子指向局部最优解的速度分量：每个粒子i的位置节点分量xim分别通过迪杰斯特拉算法找到到达局部最优解的最近的路径li。路径li从节点xim到下一个节点的方向为该粒子xim维度的速度矢量方向，两个节点之间的距离为xim维度的速度数值大小，记为然后计算每个粒子指向全局最优解的速度：每个粒子i的位置节点分量xim分别通过迪杰斯特拉算法找到到达全局最优解的最近的路径si。路径si从节点xim到下一个节点的方向为该粒子xim维度的速度矢量方向，两个节点之间的距离为xim维度的速度数值大小，记为最后，对每个粒子速度进行进化：粒子的每个节点维度的速度通过速度矢量的加法，按照公式给出的系数比例对 做加法运算，得到vtemp。在每个节点维度xim选择与vtemp夹角最小的链路方向作为这个维度的速度分量的速度方向，两个节点之间的距离为该节点维度的速度数值大小。
相应的，根据公式进化各粒子的位置，得到Xi+1，粒子从前一个位置变化到下一个位置。公式描述了粒子i在m维度上位置的进化方法。第n+1次进化粒子的位置是第n次粒子的位置沿着第n次进化速度的方向运动一次的结果。
S150、根据与各所述控制器对应的分配节点，更新当前迭代粒子群中各粒子的适应度。
在本发明的实施例中，每次迭代得到新的粒子群，由于新的粒子群中每个粒子的位置不同，表明SDN的网络拓扑结构中每个控制器放置的节点编号不同，因此，粒子群中各粒子的适应度也会相应发生变化，需要根据当前控制器放置节点的情况来更新当前迭代粒子群中各粒子的适应度。
S160、判断是否满足结束迭代条件。
若否，返回执行S120，若是，执行S170。
其中，结束迭代条件包括两种情况：1、全局最优解不再发生改变，2、达到粒子群的预设迭代次数。如果满足结束迭代条件中的至少一种情况，即可执行S170，在结束迭代条件两种情况均不满足时，则返回执行S120，继续迭代更新粒子群并求解局部最优解和全局最优解。
S170、使用结束迭代时确定的全局最优解对所述SDN中的各所述控制器进行配置。
在本发明的实施例中，如果满足了结束迭代条件，则得到的最新的粒子群对应的全局最优解为最终的确定的解，并根据最新的粒子群中各粒子的位置情况来配置SDN中的各控制器，并将SDN的网络拓扑结构中每个节点分配给相应的控制器，从而完成控制器的合理部署。
本发明实施例通过以SDN中的各控制器为粒子建立第一代粒子群，并确定第一代粒子群中各粒子的适应度；以第一代粒子群作为当前迭代粒子群，计算当前粒子群中各粒子的局部最优解以及全局最优解并确定与各所述控制器对应的分配节点；进化当前迭代粒子群中各粒子的速度和位置；更新当前迭代粒子群中各粒子的适应度；返回执行根据当前粒子群中各粒子的适应度，计算当前粒子群中各粒子的局部最优解以及全局最优解的操作，直至满足结束迭代条件；使用结束迭代时确定的全局最优解对所述SDN中的各所述控制器进行配置，解决减少网络中控制器和转发器之间、控制器之间的时延，以及控制控制器的实际任务负载等问题，实现在满足控制器额定任务负载约束的条件下，合理部署SDN控制器，从而使得网络中的全局时延最小。
实施例二
图2是本发明实施例二提供的一种软件定义网络SDN中的控制器配置装置的示意图，可执行本发明任意实施例所提供的软件定义网络SDN中的控制器配置方法，具备执行方法相应的功能模块和有益效果，本实施例可适用于配置SDN控制器的情况。如图2所示，所述装置包括：
粒子群建立模块210，用于以SDN中的各控制器为粒子，根据所述SDN的网络拓扑结构，建立第一代粒子群，并确定第一代粒子群中各粒子的适应度，以所述第一代粒子群作为当前迭代粒子群；
粒子计算模块220，用于根据所述当前迭代粒子群中各粒子的适应度，计算所述当前粒子群中各粒子的局部最优解以及全局最优解；
节点分配模块230，用于根据所述SDN的网络拓扑结构中各节点到各所述控制器的最短时延，以及各所述控制器的允许负载量，确定与各所述控制器对应的分配节点；
粒子进化模块240，用于根据所述SDN的网络拓扑结构，进化所述当前迭代例子群中各粒子的速度和位置；
适应度更新模块250，用于根据与各所述控制器对应的分配节点，更新当前迭代粒子群中各粒子的适应度；
返回执行模块260，用于重新触发所述粒子计算模块的执行直至满足结束迭代条件；
控制器配置模块270，用于使用结束迭代时确定的全局最优解对所述SDN中的各所述控制器进行配置。
本发明实施例通过以SDN中的各控制器为粒子建立第一代粒子群，并确定第一代粒子群中各粒子的适应度；以第一代粒子群作为当前迭代粒子群，计算当前粒子群中各粒子的局部最优解以及全局最优解并确定与各所述控制器对应的分配节点；进化当前迭代粒子群中各粒子的速度和位置；更新当前迭代粒子群中各粒子的适应度；返回执行根据当前粒子群中各粒子的适应度，计算当前粒子群中各粒子的局部最优解以及全局最优解的操作，直至满足结束迭代条件；使用结束迭代时确定的全局最优解对所述SDN中的各所述控制器进行配置，解决减少网络中控制器和转发器之间、控制器之间的时延，以及控制控制器的实际任务负载等问题，实现在满足控制器额定任务负载约束的条件下，合理部署SDN控制器，从而使得网络中的全局时延最小。
在上述各实施例的基础上，所述粒子群建立模块210，还可以用于：
基于集合Xi＝[xi1,xi2,…xik]初始化所述各粒子的位置；
基于集合Vi＝[vi1,vi2,…vik]初始化所述各粒子的速度；
通过如下全局平均延时公式来确定所述各粒子的适应度：
其中，Xi表示第i个粒子的位置属性，k表示控制器的个数，Vi表示一个粒子的速度，i表示SDN网络拓扑中第i个节点的编号，x11代表第一个控制器放置在第一个节点上，G(S)为所述各粒子的适应度，代表每个时间点上每个粒子的全局平均时延，l1代表调节控制器和节点之间时延的参数，l2代表调节节点之间时延的参数，vi表示转发器i，θj、θm表示控制器j和控制器m，d(vi,θj)表示转换器i到控制器j的时延，d(θm,θj)表示控制器m和控制器j之间的时延，m、n表示控制器编号。
在上述各实施例的基础上，所述粒子计算模块220，还可以用于：
基于如下公式初始化所述各粒子的局部最优解；
pbesti＝Xi
基于如下公式计算所述各粒子的全局最优解：
gbestn+1＝minG(pbestn+1)
其中，pbesti表示一个粒子的局部最优解，表示第n+1次调整后的粒子i的位置平均时延，表示第n次调整后局部最优状态下全局平均时延，gbestn+1表示第n+1次调整后全局最优解。
在上述各实施例的基础上，所述节点分配模块230，还可以用于：
计算所述SDN的网络拓扑结构中各节点到各所述控制器的最短时延作为标准时延，并根据计算结果，确定与各所述控制器对应的预分配节点，其中，所述预分配节点与对应控制器的标准时延最小；
将各所述预分配节点与对应的控制器相连，并计算与各所述控制器对应的总任务负载；
如果第一控制器的总任务负载超过了所述第一控制器的额定任务负载，则去除与所述第一控制器相连的标准时延最大的目标节点，并把所述目标节点分配给与所述目标节点的标准时延次小的第二控制器，并更新所述第一控制器以及所述第二控制的总任务负载；
在确定与各控制器对应的总任务负载均小于等于各所述控制器的额定任务负载时，将各所述控制器当前连接的节点作为与各所述控制器对应的分配节点。
在上述各实施例的基础上，所述粒子进化模块240，还可以用于：
基于如下公式计算所述各粒子指向局部最优解的速度分量：
基于如下公式计算所述各粒子指向全局最优解的速度：
基于如下公式进化所述各粒子的速度：
基于如下公式进化所述各粒子的位置：
其中，pbestim表示编号为i的粒子在m维度上的局部最优解，xim表示编号为i的粒子在m维度上的位置分量，gbestm表示编号为i的粒子在m维度上的全局最优解，表示编号为i的粒子在m维度上的速度分量，w表示惯性权重，c1、c2表示学习因子，r1、r2表示0和1之间的随机数。
实施例三
图3为本发明实施例三提供的一种控制器配置设备的结构示意图。图3示出了适于用来实现本发明实施方式的控制器配置设备312的框图。图3显示的控制器配置设备312仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，控制器配置设备312以通用计算设备的形式表现。控制器配置设备312的组件可以包括但不限于：一个或者多个处理器316，存储装置328，连接不同系统组件(包括存储装置328和处理器316)的总线318。
总线318表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
控制器配置设备312典型地包括多种计算机系统可读介质。这些介质可以是任何能够被控制器配置设备312访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置328可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)330和/或高速缓存存储器332。控制器配置设备312可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统334可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线318相连。存储装置328可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块326的程序336，可以存储在例如存储装置328中，这样的程序模块326包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块326通常执行本发明所描述的实施例中的功能和/或方法。
控制器配置设备312也可以与一个或多个外部设备314(例如键盘、指向设备、摄像头、显示器324等)通信，还可与一个或者多个使得用户能与该控制器配置设备312交互的设备通信，和/或与使得该控制器配置设备312能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口322进行。并且，控制器配置设备312还可以通过网络适配器320与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器320通过总线318与控制器配置设备312的其它模块通信。应当明白，尽管图中未示出，可以结合控制器配置设备312使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器316通过运行存储在存储装置328中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的软件定义网络SDN中的控制器配置方法。
通过所述控制器配置设备，以SDN中的各控制器为粒子建立第一代粒子群，并确定第一代粒子群中各粒子的适应度；以第一代粒子群作为当前迭代粒子群，计算当前粒子群中各粒子的局部最优解以及全局最优解并确定与各所述控制器对应的分配节点；进化当前迭代粒子群中各粒子的速度和位置；更新当前迭代粒子群中各粒子的适应度；返回执行根据当前粒子群中各粒子的适应度，计算当前粒子群中各粒子的局部最优解以及全局最优解的操作，直至满足结束迭代条件；使用结束迭代时确定的全局最优解对所述SDN中的各所述控制器进行配置，解决减少网络中控制器和转发器之间、控制器之间的时延，以及控制控制器的实际任务负载等问题，实现在满足控制器额定任务负载约束的条件下，合理部署SDN控制器，从而使得网络中的全局时延最小。
实施例四
本发明实施例四还提供一种存储计算机程序的计算机存储介质，所述计算机程序在由计算机处理器执行时用于执行本发明上述实施例任一所述的软件定义网络SDN中的控制器配置方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种软件定义网络SDN中的控制器配置方法，其特征在于，包括：
以SDN中的各控制器为粒子，根据所述SDN的网络拓扑结构，建立第一代粒子群，并确定第一代粒子群中各粒子的适应度，以所述第一代粒子群作为当前迭代粒子群；
根据所述当前迭代粒子群中各粒子的适应度，计算所述当前迭代粒子群中各粒子的局部最优解以及全局最优解；
根据所述SDN的网络拓扑结构中各节点到各所述控制器的最短时延，以及各所述控制器的额定任务负载，确定与各所述控制器对应的分配节点；
根据所述SDN的网络拓扑结构，进化所述当前迭代粒子群中各粒子的速度和位置；
根据与各所述控制器对应的分配节点，更新当前迭代粒子群中各粒子的适应度；
返回执行根据所述当前迭代粒子群中各粒子的适应度，计算所述当前迭代粒子群中各粒子的局部最优解以及全局最优解的操作，直至满足结束迭代条件；
使用结束迭代时确定的全局最优解对所述SDN中的各所述控制器进行配置。
2.根据权利要求1所述的方法，其特征在于，所述根据所述SDN的网络拓扑结构，建立第一代粒子群，并确定第一代粒子群中各粒子的适应度，包括：
基于集合Xi＝[xi1,xi2,…xik]初始化所述各粒子的位置；
基于集合Vi＝[vi1,vi2,…vik]初始化所述各粒子的速度；
通过如下全局平均延时公式来确定所述各粒子的适应度：
其中，Xi表示第i个粒子的位置属性，k表示控制器的个数，Vi表示一个粒子的速度，i表示SDN网络拓扑中第i个节点的编号，x11代表第一个控制器放置在第一个节点上，G(S)为所述各粒子的适应度，代表每个时间点上每个粒子的全局平均时延，l1代表调节控制器和节点之间时延的参数，l2代表调节节点之间时延的参数，vi表示转发器i，θj、θm表示控制器j和控制器m，d(vi,θj)表示转换器i到控制器j的时延，d(θm,θj)表示控制器m和控制器j之间的时延，m、n表示控制器编号。
3.根据权利要求1所述的方法，其特征在于，所述根据所述当前迭代粒子群中各粒子的适应度，计算所述当前粒子群中各粒子的局部最优解以及全局最优解，包括：
基于如下公式初始化所述各粒子的局部最优解；
pbesti＝Xi
基于如下公式计算所述各粒子的全局最优解：
<mrow>
<msubsup>
<mi>pbest</mi>
<mi>i</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>pbest</mi>
<mi>i</mi>
<mi>n</mi>
</msubsup>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>pbest</mi>
<mi>i</mi>
<mi>n</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
</mtd>
<mtd>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo><</mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>pbest</mi>
<mi>i</mi>
<mi>n</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
gbestn+1＝minG(pbestn+1)
其中，pbesti表示一个粒子的局部最优解，表示第n+1次调整后的粒子i的位置平均时延，表示第n次调整后局部最优状态下全局平均时延，gbestn+1表示第n+1次调整后全局最优解。
4.根据权利要求1所述的方法，其特征在于，所述根据所述SDN的网络拓扑结构中各节点到各所述控制器的最短时延，以及各所述控制器的额定任务负载，确定与各所述控制器对应的分配节点，包括：
计算所述SDN的网络拓扑结构中各节点到各所述控制器的最短时延作为标准时延，并根据计算结果，确定与各所述控制器对应的预分配节点，其中，所述预分配节点与对应控制器的标准时延最小；
将各所述预分配节点与对应的控制器相连，并计算与各所述控制器对应的总任务负载；
如果第一控制器的总任务负载超过了所述第一控制器的额定任务负载，则去除与所述第一控制器相连的标准时延最大的目标节点，并把所述目标节点分配给与所述目标节点的标准时延次小的第二控制器，并更新所述第一控制器以及所述第二控制的总任务负载；
在确定与各控制器对应的总任务负载均小于等于各所述控制器的额定任务负载时，将各所述控制器当前连接的节点作为与各所述控制器对应的分配节点。
5.根据权利要求1所述的方法，其特征在于，所述根据所述SDN的网络拓扑结构，进化所述当前迭代例子群中各粒子的速度和位置，包括：
基于如下公式计算所述各粒子指向局部最优解的速度分量：
<mrow>
<msub>
<mi>pbest</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
<mi>n</mi>
</msubsup>
</mrow>
基于如下公式计算所述各粒子指向全局最优解的速度：
<mrow>
<msub>
<mi>gbest</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
<mi>n</mi>
</msubsup>
</mrow>
基于如下公式进化所述各粒子的速度：
<mrow>
<msubsup>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>wv</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo>&times;</mo>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>pbest</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mo>&times;</mo>
<msub>
<mi>r</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>gbest</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
基于如下公式进化所述各粒子的位置：
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
<mi>n</mi>
</msubsup>
</mrow>
其中，pbestim表示编号为i的粒子在m维度上的局部最优解，xim表示编号为i的粒子在m维度上的位置分量，gbestm表示编号为i的粒子在m维度上的全局最优解，表示编号为i的粒子在m维度上的速度分量，w表示惯性权重，c1、c2表示学习因子，r1、r2表示0和1之间的随机数。
6.一种软件定义网络SDN中的控制器配置装置，其特征在于，包括：
粒子群建立模块，用于以SDN中的各控制器为粒子，根据所述SDN的网络拓扑结构，建立第一代粒子群，并确定第一代粒子群中各粒子的适应度，以所述第一代粒子群作为当前迭代粒子群；
粒子计算模块，用于根据所述当前迭代粒子群中各粒子的适应度，计算所述当前粒子群中各粒子的局部最优解以及全局最优解；
节点分配模块，用于根据所述SDN的网络拓扑结构中各节点到各所述控制器的最短时延，以及各所述控制器的允许负载量，确定与各所述控制器对应的分配节点；
粒子进化模块，用于根据所述SDN的网络拓扑结构，进化所述当前迭代例子群中各粒子的速度和位置；
适应度更新模块，用于根据与各所述控制器对应的分配节点，更新当前迭代粒子群中各粒子的适应度；
返回执行模块，用于重新触发所述粒子计算模块的执行，直至满足结束迭代条件；
控制器配置模块，用于使用结束迭代时确定的全局最优解对所述SDN中的各所述控制器进行配置。
7.根据权利要求1所述的装置，其特征在于，所述粒子群建立模块用于：
基于集合Xi＝[xi1,xi2,…xik]初始化所述各粒子的位置；
基于集合Vi＝[vi1,vi2,…vik]初始化所述各粒子的速度；
通过如下全局平均延时公式来确定所述各粒子的适应度：
其中，Xi表示第i个粒子的位置属性，k表示控制器的个数，Vi表示一个粒子的速度，i表示SDN网络拓扑中第i个节点的编号，x11代表第一个控制器放置在第一个节点上，G(S)为所述各粒子的适应度，代表每个时间点上每个粒子的全局平均时延，l1代表调节控制器和节点之间时延的参数，l2代表调节节点之间时延的参数，vi表示转发器i，θj、θm表示控制器j和控制器m，d(vi,θj)表示转换器i到控制器j的时延，d(θm,θj)表示控制器m和控制器j之间的时延，m、n表示控制器编号。
8.根据权利要求1所述的装置，其特征在于，所述粒子计算模块用于：
基于如下公式初始化所述各粒子的局部最优解；
pbesti＝Xi
基于如下公式计算所述各粒子的全局最优解：
<mrow>
<msubsup>
<mi>pbest</mi>
<mi>i</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>pbest</mi>
<mi>i</mi>
<mi>n</mi>
</msubsup>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>pbest</mi>
<mi>i</mi>
<mi>n</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
</mtd>
<mtd>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo><</mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>pbest</mi>
<mi>i</mi>
<mi>n</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
gbestn+1＝minG(pbestn+1)
其中，pbesti表示一个粒子的局部最优解，表示第n+1次调整后的粒子i的位置平均时延，表示第n次调整后局部最优状态下全局平均时延，gbestn+1表示第n+1次调整后全局最优解。
9.一种控制器配置设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的软件定义网络SDN中的控制器配置方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的软件定义网络SDN中的控制器配置方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711079478.8A CN107743147A (zh) | 2017-11-06 | 2017-11-06 | 基于全局优化的动态云存储sdn控制器配置方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711079478.8A CN107743147A (zh) | 2017-11-06 | 2017-11-06 | 基于全局优化的动态云存储sdn控制器配置方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107743147A true CN107743147A (zh) | 2018-02-27 |
Family
ID=61234096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711079478.8A Pending CN107743147A (zh) | 2017-11-06 | 2017-11-06 | 基于全局优化的动态云存储sdn控制器配置方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107743147A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110149226A (zh) * | 2019-05-14 | 2019-08-20 | 电子科技大学中山学院 | 一种软件定义网络中多控制器部署问题的改进粒子群算法 |
| CN110535723A (zh) * | 2019-08-27 | 2019-12-03 | 西安交通大学 | 一种sdn中采用深度学习的消息异常检测方法 |
| CN111598399A (zh) * | 2020-04-17 | 2020-08-28 | 西安理工大学 | 基于分布式计算平台的超大规模输电网络扩展规划方法 |
| CN112187670A (zh) * | 2020-08-21 | 2021-01-05 | 西安电子科技大学 | 一种基于群体智能的网络化软件共享资源分配方法及装置 |
| CN112738049A (zh) * | 2020-12-23 | 2021-04-30 | 国网河北省电力有限公司电力科学研究院 | 一种扫描策略调整方法、装置、电子设备和存储介质 |
| CN113037425A (zh) * | 2021-03-17 | 2021-06-25 | 西安电子科技大学 | 网络中基于进化感知的多目标控制器放置方法 |
| CN113452540A (zh) * | 2020-03-27 | 2021-09-28 | 中国电信股份有限公司 | Sdn配置方法、装置和计算机可读存储介质 |
| CN114244720A (zh) * | 2021-12-17 | 2022-03-25 | 湘潭大学 | 一种sdn环境下基于改进粒子群算法的多控制器部署方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104283785A (zh) * | 2014-10-29 | 2015-01-14 | 杭州华三通信技术有限公司 | 一种快速处理流表的方法和装置 |
| CN107204880A (zh) * | 2017-06-06 | 2017-09-26 | 重庆邮电大学 | 一种基于软件定义网络架构的控制层部署方法 |
-
2017
- 2017-11-06 CN CN201711079478.8A patent/CN107743147A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104283785A (zh) * | 2014-10-29 | 2015-01-14 | 杭州华三通信技术有限公司 | 一种快速处理流表的方法和装置 |
| CN107204880A (zh) * | 2017-06-06 | 2017-09-26 | 重庆邮电大学 | 一种基于软件定义网络架构的控制层部署方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘帅: "SDN网络的控制器部署和云存储分配问题研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110149226A (zh) * | 2019-05-14 | 2019-08-20 | 电子科技大学中山学院 | 一种软件定义网络中多控制器部署问题的改进粒子群算法 |
| CN110149226B (zh) * | 2019-05-14 | 2022-01-28 | 电子科技大学中山学院 | 一种软件定义网络中多控制器部署问题的改进粒子群算法 |
| CN110535723A (zh) * | 2019-08-27 | 2019-12-03 | 西安交通大学 | 一种sdn中采用深度学习的消息异常检测方法 |
| CN113452540A (zh) * | 2020-03-27 | 2021-09-28 | 中国电信股份有限公司 | Sdn配置方法、装置和计算机可读存储介质 |
| CN113452540B (zh) * | 2020-03-27 | 2022-08-30 | 中国电信股份有限公司 | Sdn配置方法、装置和计算机可读存储介质 |
| CN111598399A (zh) * | 2020-04-17 | 2020-08-28 | 西安理工大学 | 基于分布式计算平台的超大规模输电网络扩展规划方法 |
| CN111598399B (zh) * | 2020-04-17 | 2023-04-28 | 西安理工大学 | 基于分布式计算平台的超大规模输电网络扩展规划方法 |
| CN112187670A (zh) * | 2020-08-21 | 2021-01-05 | 西安电子科技大学 | 一种基于群体智能的网络化软件共享资源分配方法及装置 |
| CN112738049A (zh) * | 2020-12-23 | 2021-04-30 | 国网河北省电力有限公司电力科学研究院 | 一种扫描策略调整方法、装置、电子设备和存储介质 |
| CN113037425A (zh) * | 2021-03-17 | 2021-06-25 | 西安电子科技大学 | 网络中基于进化感知的多目标控制器放置方法 |
| CN114244720A (zh) * | 2021-12-17 | 2022-03-25 | 湘潭大学 | 一种sdn环境下基于改进粒子群算法的多控制器部署方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107743147A (zh) | 基于全局优化的动态云存储sdn控制器配置方法及装置 | |
| US11450214B1 (en) | Flight path generation based on model of connectivity | |
| US10785124B2 (en) | Network planning with availability guarantees | |
| Frank et al. | Optimal design of centralized computer networks | |
| JP2021504829A (ja) | ソフトウェア定義された量子コンピュータ | |
| KR100674934B1 (ko) | 온 칩 버스(Ｏｎ Ｃｈｉｐ Ｂｕｓ)에서 최적화된타일-스위치(ｔｉｌｅ－ｓｗｉｔｃｈ)맵핑(ｍａｐｐｉｎｇ) 구조를 결정하는 방법 및 그 방법을기록한 컴퓨터로 읽을 수 있는 기록 매체 | |
| Annighoefer et al. | Network topology optimization for distributed integrated modular avionics | |
| CN109506654A (zh) | 低空航路规划方法及装置、飞行器 | |
| Wang et al. | Fuzzy-CNN based multi-task routing for integrated satellite-terrestrial networks | |
| CN109933405A (zh) | 虚拟机创建方法及装置、电子设备、存储介质 | |
| CN108028805A (zh) | 一种带内软件定义网络中的控制流量均衡的系统和方法 | |
| CN108228955A (zh) | 半导体装置的布局系统 | |
| CN111343602B (zh) | 基于进化算法的联合布局与任务调度优化方法 | |
| WO2022166851A1 (zh) | 量子计算机操作系统、量子计算机及可读存储介质 | |
| JP2020518155A (ja) | Ｎｇｓｏ衛星ネットワーク用の時空間ソフトウェア定義ネットワーキング | |
| CN111652354A (zh) | 用于训练超网络的方法、装置、设备以及存储介质 | |
| Sharif et al. | Space-aerial-ground-sea integrated networks: Resource optimization and challenges in 6G | |
| CN113534790B (zh) | 路径规划方法、装置、电子设备及计算机可读存储介质 | |
| CN113988283A (zh) | 逻辑节点的映射方法、装置、电子设备及存储介质 | |
| US10719075B2 (en) | System and method for controlling multiple vehicles based on directive | |
| JP6686831B2 (ja) | ネットワーク計画の応用シナリオの構成方法、無線ネットワーク計画方法及びその装置 | |
| US11194937B2 (en) | Optimizing level-set structural design of flexure mechanism | |
| US9946972B2 (en) | Optimization of mixed-criticality systems | |
| Kilic et al. | Optimum path finding framework for drone assisted boat rescue missions | |
| CN1983175A (zh) | 软件可视建模中连接树路由的计算机方法、装置以及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180227 |
|
| RJ01 | Rejection of invention patent application after publication |