CN108023840B - Ovs网络流量加速优化方法及ovs网络流量加速优化系统 - Google Patents

Ovs网络流量加速优化方法及ovs网络流量加速优化系统 Download PDF

Info

Publication number
CN108023840B
CN108023840B CN201711320158.7A CN201711320158A CN108023840B CN 108023840 B CN108023840 B CN 108023840B CN 201711320158 A CN201711320158 A CN 201711320158A CN 108023840 B CN108023840 B CN 108023840B
Authority
CN
China
Prior art keywords
optimization
accelerated
network traffic
ovs
acceleration
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
CN201711320158.7A
Other languages
English (en)
Other versions
CN108023840A (zh
Inventor
王智明
毋涛
贾智宇
卢莹
刘畅
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.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
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 China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN201711320158.7A priority Critical patent/CN108023840B/zh
Publication of CN108023840A publication Critical patent/CN108023840A/zh
Application granted granted Critical
Publication of CN108023840B publication Critical patent/CN108023840B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L49/00—Packet switching elements
    • H04L49/25—Routing or path finding in a switch fabric
    • H04L49/252—Store and forward routing
    • 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
    • H04L49/00—Packet switching elements
    • H04L49/70—Virtual switches
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明属于信息技术领域，涉及OVS网络流量加速优化方法及OVS网络流量加速优化系统。该OVS网络流量加速优化方法包括步骤：获取并汇总各OVS网络流量加速优化请求，建立加速优化模型；对OVS网络流量加速优化请求进行加速优化分析，获取并汇总各加速优化分析结果；以加速优化分析结果作为样本，进行加速优化自学习以获得寻优向量；判断加速优化函数的分析结果是否满足加速优化分析评价条件；以寻优向量交互加速优化模块中的相应向量，对上述步骤进行迭代循环，直到满足加速优化分析评价条件或达到最大迭代次数；根据满足加速优化分析评价条件或最大迭代次数的位置进行流量转发。该方法及系统实现了应用系统网络拥塞度低、数据丢包率低、消耗度低的优势。

Description

OVS网络流量加速优化方法及OVS网络流量加速优化系统
技术领域
本发明属于信息技术领域，具体涉及OVS网络流量加速优化方法及OVS网络流量加速优化系统。
背景技术
OVS(Open VSwitch)网络是一个高质量的、多层虚拟交换机(网络分层的层)，其目的是让大规模网络自动化可以通过编程扩展，同时仍然支持标准的管理接口和协议，并且还支持多个物理机的分布式环境。
目前的OVS网络流量转发机制通过大型的物理实体设备实现，一旦出现损坏就需进行更换。在这种机制下，随着OVS网络业务的快速增长，伴之产生的网络拥塞度高、数据丢包率高、消耗度高等问题日益突出。现有数据中心互联网络流量具有高动态、突发的特性，未充分考虑到网络拥塞度高、数据丢包率高、消耗度高等方面问题。
可见，设计一种OVS网络流量加速优化方式，使得该应用具有网络拥塞度低、数据丢包率低、消耗度低的优势，成为目前亟待解决的技术问题。
发明内容
本发明所要解决的技术问题是针对现有技术中上述不足，提供OVS网络流量加速优化方法及OVS网络流量加速优化系统，实现应用系统网络拥塞度低、数据丢包率低、消耗度低的优势。
解决本发明技术问题所采用的技术方案是该OVS网络流量加速优化方法，基于共享云虚拟机进行信息转发和控制，该方法包括步骤：
获取并汇总各OVS网络流量加速优化请求，建立加速优化模型；
对OVS网络流量加速优化请求进行加速优化分析，获取并汇总各加速优化分析结果；
以加速优化分析结果作为样本，进行加速优化自学习以获得寻优向量；
判断加速优化函数的分析结果是否满足加速优化分析评价条件；
以寻优向量交互加速优化模块中的相应向量，对上述步骤进行迭代循环，直到满足加速优化分析评价条件或达到最大迭代次数；
根据满足加速优化分析评价条件或最大迭代次数的位置进行流量转发。
优选的是，获取并汇总各OVS网络流量加速优化请求，建立加速优化模型的步骤中:每隔预置时间主动上报和定期被询问机制获取各OVS网络流量加速优化请求，并汇总请求信息，加速优化模型为：
Figure BDA0001504606130000021
其中，
Figure BDA0001504606130000031
为包含网络拥塞度
Figure BDA0001504606130000032
数据丢包率
Figure BDA0001504606130000033
和消耗度
Figure BDA0001504606130000034
的信息向量，即
Figure BDA0001504606130000035
其中的k表示第k次迭代，k小于等于最大迭代数，即k满足k≤d，使得k＝1,2,…,d；i＝1,2,…m,j＝1,2,…n，其中i和j分别为加速优化模型的行数和列数，m和n分别为加速优化模型的请求数和可能路径数。
优选的是，对OVS网络流量加速优化请求进行加速优化分析的步骤中，加速优化函数为：
Figure BDA0001504606130000036
ψ、υ∈(0,1),ψ+υ＝1
式(1-2)中，MinZk为MminG为历史信息向量最小值，MavgG为历史信息向量平均值，MmaxG为历史信息向量最大值，ψ、υ分别为调整因子。
优选的是，以加速优化分析结果作为样本，进行加速优化自学习的步骤中，寻优向量公式为：
Figure BDA0001504606130000037
Figure BDA0001504606130000038
以及，得到的寻优向量为：
Figure BDA0001504606130000039
其中：Dk+1为采用多元多维自学习规则获得的寻优向量，DFk1、
Figure BDA00015046061300000310
和
Figure BDA00015046061300000311
为第k次迭代中，最优、次优、次次优的多维空间位置。E()为数字期望函数。
优选的是，评价函数为：
Figure BDA0001504606130000041
Figure BDA0001504606130000042
i＝1,2,…m,j＝1,2,…n,k＝1,2,…,d
α,β,γ,δ∈(0,1)
其中，DmaxG为历史网络拥塞度最大值，LmaxG为历史数据丢包率最大值，CmaxG为历史消耗度最大值，MmaxK为当前第k次迭代信息向量最大值，MminK为当前第k次迭代信息向量最小值；
Figure BDA0001504606130000043
为加速优化的网络拥塞度，
Figure BDA0001504606130000044
为加速优化的数据丢包率，
Figure BDA0001504606130000045
为加速优化的消耗度，α,β,γ,δ分别为调整因子。
一种OVS网络流量加速优化系统，其包括OVS网络流量加速优化请求接收模块、OVS网络流量加速优化请求转发模块，还包括基于共享云虚拟机进行信息转发和控制的OVS网络流量优化模块、寻优优化模块和判定触动模块，其中：
所述OVS网络流量加速优化请求接收模块，用于获取并汇总各OVS网络流量加速优化请求，建立加速优化模型；
所述OVS网络流量优化模块，用于对OVS网络流量加速优化请求进行加速优化分析，获取并汇总各加速优化分析结果；
所述寻优优化模块，用于以加速优化分析结果作为样本，进行加速优化自学习以获得寻优向量；
所述判定触动模块，判断加速优化函数的分析结果是否满足加速优化分析评价条件；以及，触动以寻优向量交互所述OVS网络流量优化模块中的相应向量，直到满足加速优化分析评价条件或达到最大迭代次数；
所述OVS网络流量加速优化请求转发模块，用于根据满足加速优化分析评价条件或最大迭代次数的位置进行流量转发。
优选的是，在所述OVS网络流量加速优化请求接收模块中，每隔预置时间主动上报和定期被询问机制获取各OVS网络流量加速优化请求，并汇总请求信息，加速优化模型为：
Figure BDA0001504606130000051
其中，
Figure BDA0001504606130000052
为包含网络拥塞度
Figure BDA0001504606130000053
数据丢包率
Figure BDA0001504606130000054
和消耗度
Figure BDA0001504606130000055
的信息向量，即
Figure BDA0001504606130000056
其中的k表示第k次迭代，k小于等于最大迭代数，即k必须满足k≤d，使得k＝1,2,…,d；i＝1,2,…m,j＝1,2,…n，其中i和j分别为加速优化模型的行数和列数，m和n分别为加速优化模型的请求数和可能路径数。
优选的是，在所述OVS网络流量优化模块中，加速优化函数为：
Figure BDA0001504606130000057
ψ、υ∈(0,1),ψ+υ＝1
式(1-2)中，MinZk为MminG为历史信息向量最小值，MavgG为历史信息向量平均值，MmaxG为历史信息向量最大值，ψ、υ分别为调整因子。
优选的是，在所述寻优优化模块中，寻优向量公式为：
Figure BDA0001504606130000058
Figure BDA0001504606130000059
以及，得到的寻优向量为：
Figure BDA00015046061300000510
其中：Dk+1为采用多元多维自学习规则获得的寻优向量，
Figure BDA0001504606130000061
Figure BDA0001504606130000062
和
Figure BDA0001504606130000063
为第k次迭代中，最优、次优、次次优的多维空间位置。E()为数字期望函数。
优选的是，所述判定触动模块中，评价函数为：
Figure BDA0001504606130000064
Figure BDA0001504606130000065
i＝1,2,…m,j＝1,2,…n,k＝1,2,…,d
α,β,γ,δ∈(0,1)
其中，DmaxG为历史网络拥塞度最大值，LmaxG为历史数据丢包率最大值，CmaxG为历史消耗度最大值，MmaxK为当前第k次迭代信息向量最大值，MminK为当前第k次迭代信息向量最小值；
Figure BDA0001504606130000066
为加速优化的网络拥塞度，
Figure BDA0001504606130000067
为加速优化的数据丢包率，
Figure BDA0001504606130000068
为加速优化的消耗度，α,β,γ,δ分别为调整因子。
本发明的有益效果是：该OVS网络流量加速优化方法及其OVS网络流量加速优化系统，基于共享云的转发&控制分离机制，实现OVS网络流量加速优化，对OVS网络流量加速优化请求以OVS网络流量加速优化方法实时的进行动态加速优化分析，实现了应用系统网络拥塞度低、数据丢包率低、消耗度低的优势。
附图说明
图1为本发明实施例的OVS网络流量加速优化架构图；
图2为本发明实施例的OVS网络流量加速优化层级图；
图3为本发明实施例的OVS网络流量加速优化软件架构图；
图4为本发明实施例的OVS网络流量加速优化方法逻辑图；
图5为本发明实施例的OVS网络流量加速优化方法流程图；
图6为本发明实施例的OVS网络流量加速优化方法细化流程图；
图7为本发明实施例的OVS网络流量加速优化原理图；
图8为本发明实施例的OVS网络流量加速优化系统的结构框图；
附图标识中：
1-OVS网络流量加速优化请求接收模块；2-OVS网络流量优化模块；3-寻优优化模块；4-判定触动模块；5-OVS网络流量加速优化请求转发模块。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明OVS网络流量加速优化方法及OVS网络流量加速优化系统作进一步详细描述。
OVS网络已经成为全球政府/企业产业界公认的发展重点；国际和国内的通信产业巨头加快技术研发、企业转型和联盟合作以抢占OVS网络发展的主导权和新兴市场空间。
本发明采用共享云实现信息转发&控制，就目前而言可以采用电信云实现。电信云即电信级云计算应用平台，可以实现物理资源的高效整合并进行虚拟化，实现业务的快速测试、部署及上线；并具有高度运行可靠性、业务部署灵活性、海量信息处理能力。而OVS网络可以直接或间接提供上述高度运行可靠性、业务部署灵活性、海量信息处理能力。
面对日益迫切的电信云及OVS网络发展需求，基于电信云的OVS网络流量加速优化系统对于电信云及OVS网络的迅速持续发展具有重要意义。本发明针对基于电信云的OVS网络网络拥塞度高、数据丢包率高、消耗度高等问题，提供一种基于共享云虚拟机进行信息转发和控制的OVS网络流量加速优化方法，应用对各OVS网络流量加速优化请求信息进行评价和分析，使得各OVS网络流量加速优化请求具有不同优先等级的加速优化方式。具体的是，通过将OVS网络流量加速优化请求以OVS网络流量加速优化分析评价函数最优的加速优化分析策略进行分析，从而达到网络拥塞度低、数据丢包率低、消耗度低的优势。
以下将结合OVS网络流量加速优化方法及其相应的系统进行详细说明。
本实施例的OVS网络流量加速优化方法基于图1所示的基于电信云的OVS网络流量加速优化架构图实现。图1中，基于电信云的OVS网络流量加速优化架构主要分三个层：电信云基础设施提供及管理层、边缘设施提供层、核心设施提供层。其中，电信云基础设施提供及管理层用于实现手机、平板电脑、笔记本电脑等移动终端用户通过Femeto基站或无线基站信号连接至边缘层网络，同时提供电信云基础设施和电信云基础设施的管理；边缘设施提供层实现边缘设施如虚拟光纤线路终端(VOLT)、虚拟客户终端设备(VCPE)、虚拟宽带网络网关控制设备(VBRAS)等设施；核心设施提供层实现虚拟汇聚路由器、虚拟业务路由器等相关功能，并实现本发明OVS网络流量加速优化方法的优化分析。
图1所示的基于电信云的OVS网络流量加速优化架构图中，基于电信云的OVS网络流量加速优化功能总共有八个特有步骤，具体如下：
1.移动终端用户接入电信云基础设施提供及管理层的Femeto基站或无线基站；
2.移动终端用户通过VPN隧道上行连接至边缘设施提供层的Femeto网关，并向电信云提交流量转发请求；
3.移动终端用户通过Femeto网关上行连接至核心设施提供层的EPC路由器，并将流量转发请求提交至核心设施提供层；
4.移动终端用户通过VPN隧道上行连接至转发&控制分离电信云，并由转发&控制分离电信云进行电信云流量转发请求的分析与协调；
5.转发&控制分离电信云向核心设施提供层下发流量转发协调策略，实现电信云流量转发等功能；
6.核心设施提供层下行连接至Femeto网关，并将转发后的流量入口地址下发至边缘设施提供层；
7.边缘设施提供层通过VPN隧道下行连接至Femeto基站或无线基站，并将转发后的流量入口地址下发至电信云基础设施提供及管理层；
8.电信云基础设施提供及管理层通过Femeto基站或无线基站下行连接至移动终端用户，并将转发后的流量入口地址下发至移动终端用户。
电信云基础设施提供及管理层采用将分层化结构，实现电信云转发&控制分离、EPC核心网数据转发、边缘网关接入集中控制分离。电信云的转发&控制分离机制实现了流量转发策略控制和流量转发器功能，控制信令与流量转发分别走不同的通道，不会互相干扰，从而使得基于电信云的OVS网络流量加速优化系统实现了网络拥塞度低、数据丢包率低、消耗度低的优势。
OVS网络流量加速优化方法实现了具有网络拥塞度低、数据丢包率低、消耗度低的OVS网络流量加速优化功能，其功能层级如图2所示。图2中的OVS网络流量加速优化层级中，包含Open VSwitch功能模块，Open VSwitch功能模块在电信云转发与控制分离层中。其中的VM即虚拟机(Virtual Machine)，指模拟出来的一台虚拟的计算机，也即逻辑上的一台计算机，也是指通过软件模拟的具有完整硬件系统功能的、运行在一个完全隔离环境中的完整计算机系统。Open VSwitch功能模块提供如下功能：
流量转发策略控制：定义和更新每个流量的流量转发策略；
流量转发器：根据流量转发策略对流量进行转发。
OVS网络流量加速优化软件架构如图3所示。图3中，OVS网络流量加速优化分析器对OVS网络流量加速优化请求进行分析处理，并将分析处理后的相关信息转发给相应的分析器以执行分析结果。
在各OVS网络流量加速优化信息采集汇总后，OVS网络流量加速优化逻辑如图4所示。图4中，逻辑结构包含四个部分：OVS网络流量加速优化请求接收、以加速优化策略分析OVS网络流量加速优化请求、分析结果输出、多元多维空间加速优化策略自学习。
其中，各OVS网络流量加速优化请求信息主要包含：网络拥塞度D、数据丢包率L、消耗度C等。以加速优化策略分析OVS网络流量加速优化请求，实现了针对各OVS网络流量加速优化请求的网络拥塞度D、数据丢包率L、消耗度C的加速优化，并通过多元多维空间加速优化策略自学习实现了并给出分析结果。通过分析三方面指标，即网络拥塞度
Figure BDA0001504606130000101
数据丢包率
Figure BDA0001504606130000102
和消耗度
Figure BDA0001504606130000103
等三方面的信息向量，即为
Figure BDA0001504606130000104
得出结果即预执行当前网络加速优化策略，并得出预结果(也即三方面指标：网络拥塞度
Figure BDA0001504606130000105
数据丢包率
Figure BDA0001504606130000106
和消耗度
Figure BDA0001504606130000107
)。
本实施例中，实现网络拥塞度低、数据丢包率低、消耗度低问题的OVS网络流量加速优化方法的流程图如图5所示，包括步骤：
获取并汇总各OVS网络流量加速优化请求，建立加速优化模型；
对OVS网络流量加速优化请求进行加速优化分析，获取并汇总各加速优化分析结果；
以加速优化分析结果作为样本，进行加速优化自学习以获得寻优向量；
判断加速优化函数的分析结果是否满足加速优化分析评价条件；
以寻优向量交互加速优化模块中的相应向量，对上述步骤进行迭代循环，直到满足加速优化分析评价条件或达到最大迭代次数；
根据满足加速优化分析评价条件或最大迭代次数的位置进行流量转发。
如图5所示的OVS网络流量加速优化方法的流程图，根据各OVS网络流量加速优化请求信息，基于电信云的OVS网络流量加速优化算法进行路由分析，采用实时主动兼被动收集各OVS网络流量加速优化请求信息并实时分析，明显优化了各OVS网络流量加速优化分析结果的网络拥塞度、数据丢包率、消耗度等方面指标。
其中的优化分析主要由OVS网络流量加速优化分析器实现，包括如下部分：
当OVS网络流量加速优化请求到达优化模型后，该OVS网络流量加速优化请求被加速优化分析评价函数最优的分析方案分析成相应的分析结果，若到来的OVS网络流量加速优化请求被延迟则被赋予当前较高加速优化调度优先权。
结合图6中OVS网络流量加速优化方法细化流程图，对该方法进行详细的分步骤的具体说明如下：
步骤S1)设置迭代初始参数。
在该步骤中，例如，设置迭代初始迭代数为0，最大迭代数d为50。
步骤S2)获取并汇总各OVS网络流量加速优化请求，建立加速优化模型。
在该步骤中，每隔预置时间主动上报和定期被询问机制获取各OVS网络流量加速优化请求，并汇总请求信息，建立加速优化模型。
如图3的OVS网络流量加速优化软件架构图所示。该OVS网络流量加速优化调度模型有m个OVS网络流量加速优化请求，各OVS网络流量加速优化请求独立互不干扰。加速优化模型为：
Figure BDA0001504606130000121
式(1-1)中，
Figure BDA0001504606130000122
主要包含：网络拥塞度
Figure BDA0001504606130000123
数据丢包率
Figure BDA0001504606130000124
和消耗度
Figure BDA0001504606130000125
等三方面的信息向量，即为
Figure BDA0001504606130000126
Figure BDA0001504606130000127
k表示第k次迭代，其中k小于等于最大迭代数，即k必须满足k≤d，使得k＝1,2,…,d；i＝1,2,…m,j＝1,2,…n，其中i和j分别为加速优化模型的行数和列数，m和n分别为加速优化模型的请求数和可能路径数。这里的m个请求，可能具有n个分析结果，正常情况下m＝n，当有到来的OVS网络流量加速优化请求被延迟时n>m。
步骤S3)对OVS网络流量加速优化请求进行加速优化分析。
在该步骤中，加速优化函数为：
Figure BDA0001504606130000131
ψ、υ∈(0,1),ψ+υ＝1 (1-2)
式(1-2)中，ψ、υ分别为调整因子。
步骤S4)获取并汇总各加速优化分析结果。
在该步骤中，将OVS网络流量加速优化请求分析结果进行获取和汇总。优选的是，每隔预置时间主动上报和定期被询问机制获取并汇总各OVS网络流量加速优化分析结果信息。
步骤S5)以加速优化分析结果作为样本，进行加速优化自学习。
在该步骤中，以加速优化分析结果作为样本，以多元、多维空间的方式，对各加速优化样本进行自监督学习，以获得寻优向量。
Figure BDA0001504606130000132
Figure BDA0001504606130000133
式(1-4)中的Dk+1为采用多元多维自学习规则获得的寻优向量，
Figure BDA0001504606130000134
和
Figure BDA0001504606130000135
为第k次迭代中，最优、次优、次次优的多维空间位置。
Figure BDA0001504606130000136
式(1-5)中
Figure BDA0001504606130000137
主要包含：网络拥塞度
Figure BDA0001504606130000138
数据丢包率
Figure BDA0001504606130000139
和消耗度
Figure BDA00015046061300001310
等三方面的信息向量，E()为数字期望函数，使得此算法更易跳出局部最优，在求解多目标函数时可表现出更优的性能。
这里的多元即由1,2，…w多个加速优化方案根据自学习加速优化策略方式向多元最优方案确定的方向迁移，也即图6中虚线圆球所在位置，w＝3时为根据三个加速优化方案，w＝4时为根据四个加速优化方案。多维即在1,2，…h多维空间，比如h＝3时为三维空间，h＝4时为四维空间。通过自监督学习，随着迭代代数增加，不断优化方案的空间位置，以更接近极限最优解。自学习方法运行于核心设施提供层，具体是在其中的电信云转发与控制分离层的OVS网络流量加速优化分析器(即Open VSwitch功能模块)中。
步骤S6)判断加速优化函数的分析结果是否满足加速优化分析评价条件。
在该步骤中，根据多元、多维空间、概率论、博弈论、图论、几何学、统计学、生物学、运筹学、随机过程、智能优化、机器学习等理论的加速优化分析评价条件即评价函数(见式1-5)进行评价，当不满足加速优化分析评价条件时应继续进行迭代。
以加速优化策略分析OVS网络流量加速优化请求。这里的评价函数为：
Figure BDA0001504606130000141
Figure BDA0001504606130000142
i＝1,2,…m,j＝1,2,…n,k＝1,2,…,d
α,β,γ,δ∈(0,1)
(1-6)
式(1-6)中，DmaxG为历史网络拥塞度最大值，LmaxG为历史数据丢包率最大值，CmaxG为历史消耗度最大值，MmaxK为当前第k次迭代信息向量最大值，MminK为当前第k次迭代信息向量最小值，MmaxG为历史信息向量最大值，MminG为历史信息向量最大值；
Figure BDA0001504606130000143
为加速优化的网络拥塞度，
Figure BDA0001504606130000144
为加速优化的数据丢包率，
Figure BDA0001504606130000145
为加速优化的消耗度，α,β,γ,δ分别为调整因子。
当加速优化函数的分析结果满足加速优化分析评价条件，即满足评价函数时，将对应的OVS网络流量加速优化请求向加速优化方案确定的方向迁移；当不满足评价函数时，即触动加速优化方法进行动态分析调整，继续步骤S7)，以实现网络拥塞度低、数据丢包率低、消耗度低的优势。
步骤S7)当前迭代次数加1。
当前迭代次数增加1次，也即k+1,k≤d。
步骤S8)判断当前迭代次数是否大于最大迭代次数。
判断当前迭代次数是否大于最大迭代次数，若当前迭代次数小于等于最大迭代次数时，跳转到步骤S2)继续进行迭代循环分析；若当前迭代次数大于最大迭代次数时，则结束流程。
如图7所示的OVS网络流量加速优化原理图。每次迭代中的网络流量加速优化分析思想为:采用多元多维空间加速优化思想，在1,2，…h多维空间中，1,2，…w多个加速优化方案根据自学习加速优化策略方式向多元最优方案确定的方向迁移，也即图6中虚线圆球所在位置，得到加速优化分析结果。
相应的，本实施例还提供一种OVS网络流量加速优化系统，如图8所示，其包括OVS网络流量加速优化请求接收模块1、OVS网络流量加速优化请求转发模块5，还包括基于共享云虚拟机进行信息转发和控制的OVS网络流量优化模块2、寻优优化模块3和判定触动模块4，各模块实现一系列功能。其中：
OVS网络流量加速优化请求接收模块1，用于获取并汇总各OVS网络流量加速优化请求，建立加速优化模型；
OVS网络流量优化模块2，用于对OVS网络流量加速优化请求进行加速优化分析，获取并汇总各加速优化分析结果；
寻优优化模块3，用于以加速优化分析结果作为样本，进行加速优化自学习以获得寻优向量；
判定触动模块4，判断加速优化函数的分析结果是否满足加速优化分析评价条件；以及，触动以寻优向量交互OVS网络流量优化模块2中的相应向量，直到满足加速优化分析评价条件或达到最大迭代次数；
OVS网络流量加速优化请求转发模块5，用于根据满足加速优化分析评价条件或最大迭代次数的位置进行流量转发。
优选的是，在OVS网络流量加速优化请求接收模块1中，每隔预置时间主动上报和定期被询问机制获取各OVS网络流量加速优化请求，并汇总请求信息，加速优化模型为：
Figure BDA0001504606130000161
其中，
Figure BDA0001504606130000162
为包含网络拥塞度
Figure BDA0001504606130000163
数据丢包率
Figure BDA0001504606130000164
和消耗度
Figure BDA0001504606130000165
的信息向量，即
Figure BDA0001504606130000166
其中的k表示第k次迭代，k小于等于最大迭代数，即k必须满足k≤d，使得k＝1,2,…,d；i＝1,2,…m,j＝1,2,…n，其中i和j分别为加速优化模型的行数和列数，m和n分别为加速优化模型的请求数和可能路径数。
在OVS网络流量优化模块2中，加速优化函数为：
Figure BDA0001504606130000167
ψ、υ∈(0,1),ψ+υ＝1
式(1-2)中，MinZk为MminG为历史信息向量最小值，MavgG为历史信息向量平均值，MmaxG为历史信息向量最大值，ψ、υ分别为调整因子。
在寻优优化模块3中，寻优向量公式为：
Figure BDA0001504606130000171
Figure BDA0001504606130000172
以及，得到的寻优向量为：
Figure BDA0001504606130000173
其中：Dk+1为采用多元多维自学习规则获得的寻优向量，
Figure BDA0001504606130000174
Figure BDA0001504606130000175
和
Figure BDA0001504606130000176
为第k次迭代中，最优、次优、次次优的多维空间位置。E()为数字期望函数。
判定触动模块4中，评价函数为：
Figure BDA0001504606130000177
Figure BDA0001504606130000178
i＝1,2,…m,j＝1,2,…n,k＝1,2,…,d
α,β,γ,δ∈(0,1)
其中，DmaxG为历史网络拥塞度最大值，LmaxG为历史数据丢包率最大值，CmaxG为历史消耗度最大值，MmaxK为当前第k次迭代信息向量最大值，MminK为当前第k次迭代信息向量最小值；
Figure BDA0001504606130000179
为加速优化的网络拥塞度，
Figure BDA00015046061300001710
为加速优化的数据丢包率，
Figure BDA00015046061300001711
为加速优化的消耗度，α,β,γ,δ分别为调整因子。
本发明的OVS网络流量加速优化方法及其OVS网络流量加速优化系统，利用了生物学领域迭代种群迁移加速优化及机器学习思想，综合了多元迭代种群及规则自学习思想，并基于多元、多维空间、概率论、博弈论、图论、几何学、统计学、生物学、运筹学、随机过程、智能优化、机器学习等理论，并创新性的应用了基于共享云的转发&控制分离机制，实现OVS网络流量加速优化，对OVS网络流量加速优化请求以OVS网络流量加速优化方法实时的进行动态加速优化分析，实现了应用系统网络拥塞度低、数据丢包率低、消耗度低的优势。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (8)

1.一种OVS网络流量加速优化方法，其特征在于，基于共享云虚拟机进行信息转发和控制，该方法包括步骤：
获取并汇总各OVS网络流量加速优化请求，建立加速优化模型；
对OVS网络流量加速优化请求进行加速优化分析，获取并汇总各加速优化分析结果；
以加速优化分析结果作为样本，进行加速优化自学习以获得寻优向量；
判断加速优化函数的分析结果是否满足加速优化分析评价条件；
以寻优向量交互加速优化模块中的相应向量，对上述步骤进行迭代循环，直到满足加速优化分析评价条件或达到最大迭代次数；
根据满足加速优化分析评价条件或最大迭代次数的位置进行流量转发；
获取并汇总各OVS网络流量加速优化请求，建立加速优化模型的步骤中:每隔预置时间主动上报和定期被询问机制获取各OVS网络流量加速优化请求，并汇总请求信息，加速优化模型为：
Figure FDA0002753193030000011
其中，
Figure FDA0002753193030000012
为包含网络拥塞度
Figure FDA0002753193030000013
数据丢包率
Figure FDA0002753193030000014
和消耗度
Figure FDA0002753193030000015
的信息向量，即
Figure FDA0002753193030000016
其中的k表示第k次迭代，k小于等于最大迭代数，即k满足k≤d，使得k＝1,2,…,d；i＝1,2,…m,j＝1,2,…n，其中i和j分别为加速优化模型的行数和列数，m和n分别为加速优化模型的请求数和可能路径数。
2.根据权利要求1所述的OVS网络流量加速优化方法，其特征在于，对OVS网络流量加速优化请求进行加速优化分析的步骤中，加速优化函数为：
Figure FDA0002753193030000021
其中，MminG为历史信息向量最小值，MavgG为历史信息向量平均值，MmaxG为历史信息向量最大值，ψ、υ分别为调整因子。
3.根据权利要求2所述的OVS网络流量加速优化方法，其特征在于，以加速优化分析结果作为样本，进行加速优化自学习的步骤中，寻优向量公式为：
Figure FDA0002753193030000022
Figure FDA0002753193030000023
以及，得到的寻优向量为：
Figure FDA0002753193030000024
其中：
Figure FDA0002753193030000025
为采用多元多维自学习规则获得的寻优向量，
Figure FDA0002753193030000026
Figure FDA0002753193030000027
和
Figure FDA0002753193030000028
为第k次迭代中，最优、次优、次次优的多维空间位置，E()为数字期望函数，
Figure FDA0002753193030000029
为采用更易跳出局部最优的算法获得的寻优向量。
4.根据权利要求3所述的OVS网络流量加速优化方法，其特征在于，评价函数为：
Figure FDA0002753193030000031
其中，DmaxG为历史网络拥塞度最大值，LmaxG为历史数据丢包率最大值，CmaxG为历史消耗度最大值，MmaxK为当前第k次迭代信息向量最大值，MminK为当前第k次迭代信息向量最小值；
Figure FDA0002753193030000032
为加速优化的网络拥塞度，
Figure FDA0002753193030000033
为加速优化的数据丢包率，
Figure FDA0002753193030000034
为加速优化的消耗度，α,β,γ,δ分别为调整因子。
5.一种OVS网络流量加速优化系统，其特征在于，包括OVS网络流量加速优化请求接收模块、OVS网络流量加速优化请求转发模块，还包括基于共享云虚拟机进行信息转发和控制的OVS网络流量优化模块、寻优优化模块和判定触动模块，其中：
所述OVS网络流量加速优化请求接收模块，用于获取并汇总各OVS网络流量加速优化请求，建立加速优化模型；
所述OVS网络流量优化模块，用于对OVS网络流量加速优化请求进行加速优化分析，获取并汇总各加速优化分析结果；
所述寻优优化模块，用于以加速优化分析结果作为样本，进行加速优化自学习以获得寻优向量；
所述判定触动模块，判断加速优化函数的分析结果是否满足加速优化分析评价条件；以及，触动以寻优向量交互所述OVS网络流量优化模块中的相应向量，直到满足加速优化分析评价条件或达到最大迭代次数；
所述OVS网络流量加速优化请求转发模块，用于根据满足加速优化分析评价条件或最大迭代次数的位置进行流量转发；
在所述OVS网络流量加速优化请求接收模块中，每隔预置时间主动上报和定期被询问机制获取各OVS网络流量加速优化请求，并汇总请求信息，加速优化模型为：
Figure FDA0002753193030000041
其中，
Figure FDA0002753193030000042
为包含网络拥塞度
Figure FDA0002753193030000043
数据丢包率
Figure FDA0002753193030000044
和消耗度
Figure FDA0002753193030000045
的信息向量，即
Figure FDA0002753193030000046
其中的k表示第k次迭代，k小于等于最大迭代数，即k必须满足k≤d，使得k＝1,2,…,d；i＝1,2,…m,j＝1,2,…n，其中i和j分别为加速优化模型的行数和列数，m和n分别为加速优化模型的请求数和可能路径数。
6.根据权利要求5所述的OVS网络流量加速优化系统，其特征在于，在所述OVS网络流量优化模块中，加速优化函数为：
Figure FDA0002753193030000047
其中，MminG为历史信息向量最小值，MavgG为历史信息向量平均值，MmaxG为历史信息向量最大值，ψ、υ分别为调整因子。
7.根据权利要求6所述的OVS网络流量加速优化系统，其特征在于，在所述寻优优化模块中，寻优向量公式为：
Figure FDA0002753193030000051
Figure FDA0002753193030000052
以及，得到的寻优向量为：
Figure FDA0002753193030000053
其中：
Figure FDA0002753193030000054
为采用多元多维自学习规则获得的寻优向量，
Figure FDA0002753193030000055
Figure FDA0002753193030000056
和
Figure FDA0002753193030000057
为第k次迭代中，最优、次优、次次优的多维空间位置，E()为数字期望函数，
Figure FDA0002753193030000058
为采用更易跳出局部最优的算法获得的寻优向量。
8.根据权利要求7所述的OVS网络流量加速优化系统，其特征在于，所述判定触动模块中，评价函数为：
Figure FDA0002753193030000059
其中，DmaxG为历史网络拥塞度最大值，LmaxG为历史数据丢包率最大值，CmaxG为历史消耗度最大值，MmaxK为当前第k次迭代信息向量最大值，MminK为当前第k次迭代信息向量最小值；
Figure FDA00027531930300000510
为加速优化的网络拥塞度，
Figure FDA00027531930300000511
为加速优化的数据丢包率，
Figure FDA00027531930300000512
为加速优化的消耗度，α,β,γ,δ分别为调整因子。
CN201711320158.7A 2017-12-12 2017-12-12 Ovs网络流量加速优化方法及ovs网络流量加速优化系统 Active CN108023840B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711320158.7A CN108023840B (zh) 2017-12-12 2017-12-12 Ovs网络流量加速优化方法及ovs网络流量加速优化系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711320158.7A CN108023840B (zh) 2017-12-12 2017-12-12 Ovs网络流量加速优化方法及ovs网络流量加速优化系统

Publications (2)

Publication Number Publication Date
CN108023840A CN108023840A (zh) 2018-05-11
CN108023840B true CN108023840B (zh) 2021-02-02

Family

ID=62073004

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711320158.7A Active CN108023840B (zh) 2017-12-12 2017-12-12 Ovs网络流量加速优化方法及ovs网络流量加速优化系统

Country Status (1)

Country Link
CN (1) CN108023840B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108833548A (zh) * 2018-06-20 2018-11-16 中国联合网络通信集团有限公司 Sd-wan网络系统以及用于网络流量加速优化方法
CN108833227B (zh) * 2018-06-20 2021-03-19 中国联合网络通信集团有限公司 一种基于边缘计算的智能家居通信优化调度系统及方法
CN108829846B (zh) * 2018-06-20 2021-09-10 中国联合网络通信集团有限公司 一种基于用户特征的业务推荐平台数据聚类优化系统及方法
CN108830422B (zh) * 2018-06-21 2021-08-17 中国联合网络通信集团有限公司 智能驾驶的优化方法、装置及系统
CN108831548B (zh) * 2018-06-21 2021-07-06 中国联合网络通信集团有限公司 远程智能医疗的优化方法、装置及系统
CN108900594B (zh) * 2018-06-21 2021-03-19 中国联合网络通信集团有限公司 移动视频的优化方法、装置及系统
CN112615738B (zh) * 2020-12-09 2023-02-28 四川迅游网络科技股份有限公司 一种基于流量特征的网络加速方法
CN115567423A (zh) * 2021-12-25 2023-01-03 深圳市奥斯达通信有限公司 Ovs网络流量加速优化方法及其系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106936905A (zh) * 2017-03-07 2017-07-07 中国联合网络通信集团有限公司 基于openstack的Nova组件虚拟机的调度方法及其调度系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102158417A (zh) * 2011-05-19 2011-08-17 北京邮电大学 实现多约束QoS路由选择的优化方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106936905A (zh) * 2017-03-07 2017-07-07 中国联合网络通信集团有限公司 基于openstack的Nova组件虚拟机的调度方法及其调度系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Bernal Mauricio Vasquez等.Transparent Optimization of Inter-Virtual Network Function Communication in Open vSwitch.《2016 5th IEEE International Conference on Cloud Networking》.2016, *
Yan yaohua等.Open vSwitch Vxlan Performance Acceleration in Cloud Computing Data Center.《2016 5th International Conference on Computer Science and Network Technology (ICCSNT)》.2016, *
江涛.基于OpenFlow的虚拟交换机的关键技术研究与实现.《中国优秀硕士学位论文全文数据库》.2016, *
郦丽珍.基于Open vSwitch虚拟网络的细粒度访问控制.《中国优秀硕士学位论文全文数据库》.2016, *

Also Published As

Publication number Publication date
CN108023840A (zh) 2018-05-11

Similar Documents

Publication Publication Date Title
CN108023840B (zh) Ovs网络流量加速优化方法及ovs网络流量加速优化系统
Li et al. An end-to-end network slicing algorithm based on deep Q-learning for 5G network
Zhang et al. Caching placement and resource allocation for cache-enabling UAV NOMA networks
CN106341826B (zh) 基于虚拟化技术的面向无线电力专网的资源优化分配方法
Lee et al. Federated learning-empowered mobile network management for 5G and beyond networks: From access to core
Ren et al. Fine-grained elastic partitioning for distributed dnn towards mobile web ar services in the 5g era
Kiran et al. Resource allocation optimization in LTE-A/5G networks using big data analytics
Li et al. MoRule: Optimized rule placement for mobile users in SDN-enabled access networks
CN113727306A (zh) 一种基于深度强化学习的解耦c-v2x网络切片方法
CN108833227B (zh) 一种基于边缘计算的智能家居通信优化调度系统及方法
CN116208567A (zh) 跨域数据中心sdn网络资源的流量调度的方法和系统
CN107454630B (zh) 负载均衡方法及负载均衡路由器
Mollahasani et al. Actor-critic learning based QoS-aware scheduler for reconfigurable wireless networks
Ghoreishi et al. A cost-driven approach to caching-as-a-service in cloud-based 5G mobile networks
CN113543271B (zh) 一种面向有效容量的资源分配方法及系统
CN113315806B (zh) 一种面向云网融合的多接入边缘计算架构
CN109219122A (zh) 一种发射功率的设置方法及装置
CN111542078B (zh) 一种nfv环境下核心网控制面弹性资源分配方法
Vista et al. Network intelligence with quantum computing in 6G and B6G: Design principles and future directions
CN107509230B (zh) 路由优化方法及路由器
Meng et al. Intelligent routing orchestration for ultra-low latency transport networks
US11622322B1 (en) Systems and methods for providing satellite backhaul management over terrestrial fiber
Ye et al. Intelligent hierarchical NOMA-based network slicing in cell-free RAN for 6G systems
Akutsu et al. Analyzing vertical and horizontal offloading in federated cloud and edge computing systems
Gu et al. Communication-Computation-Aware User Association in MEC HetNets: A Meta-Analysis

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
GR01 Patent grant
GR01 Patent grant