CN108040012B - 基于天牛须搜索的sdn网络中多目标组播路由路径构建方法 - Google Patents
基于天牛须搜索的sdn网络中多目标组播路由路径构建方法 Download PDFInfo
- Publication number
- CN108040012B CN108040012B CN201711267401.3A CN201711267401A CN108040012B CN 108040012 B CN108040012 B CN 108040012B CN 201711267401 A CN201711267401 A CN 201711267401A CN 108040012 B CN108040012 B CN 108040012B
- Authority
- CN
- China
- Prior art keywords
- multicast
- multicast routing
- target
- population
- routing path
- 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.)
- Expired - Fee Related
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
- H04L45/16—Multipoint routing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于天牛须搜索的SDN网络中多目标组播路由路径构建方法,包括步骤:用户主机通过交换机向控制器发送组播服务请求;控制器接收到用户请求之后,解析报文以获取用户主机地址与组播组地址;控制器根据全网视图信息及组播组成员信息,启动多目标组播路由算法模块,计算出满足QoS约束的组播路由路径集;由组播业务要求动态选择合适的路由路径,制定转发策略;控制器根据已制定转发策略向相关交换机下发流表;交换机添加流表项,并按已定规则进行数据转发。其中,采用多目标天牛搜索优化算法模块。本发明的SDN多目标组播路由机制不仅能提供满足QoS约束的路由路径,还可以为决策者提供多种高质量备选方案,灵活匹配不同的网络情景。
Description
技术领域
本发明涉及网络通信技术领域,特别是一种基于天牛须搜索的SDN(Software-Defined Networking,软件定义网络)网络中多目标组播路由路径构建方法。
背景技术
随着网络技术的不断革新和高速宽带网络的快速发展,愈来愈多的网络业务出现在市场上,例如视频会议、网络游戏、数据分发、远程教学等,这些网络通信业务的要求不同于传统点对点之间的网络通信,要求数据接收方为一组目的节点。组播技术的出现正是为了解决这一问题,组播是指将数据信息从源节点以多路复用的方式,通过树形网络结构下发至一组目的节点。
组播路由问题是在网络中寻找一棵满足QoS(Quality of Service,服务质量)约束的包含所有组播组成员的组播路由树,该问题亦是网络提供组播服务的核心问题之一。
Internet作为社会基础设施的重要组成成分,面对日趋成熟多媒体的业务和大流量网络数据的要求,其结构和功能已异常复杂,传统网络管控能力的已不能完美支撑目前的众多网络业务。SDN作为一种新型网络架构技术,将数据平面和控制平面解耦合,从而简化了网络管理。在控制平面,通过高度逻辑化和可编程的SDN控制器,掌握全局网路视图,方便管理配置网络和部署网络协议;在数据平面,SDN交换机用于提供简单的数据转发功能,可快速匹配各种不同的网络数据包;在这数据平面和控制平面之间通过统一的接口(OpenFlow协议等)进行数据交互。SDN的提出旨在解决传统网络中存在的问题和不足,例如业务部署效率低、业务适应能力差、服务质量保障弱等问题,因此,SDN中的组播路由也是一个亟待解决和完善的问题。
在图论中,网络中的组播路由问题属于ST(Steiner Tree,斯坦纳树)问题,已证明该问题是一个NP-hard(non-deterministic polynomial,非确定性多项式)问题,而带QoS约束的组播路由问题属于NP-C(NP-Complete,NP完全)问题,即不能在多项式时间内求得最优解。该问题的研究多采用进化算法来解决这一问题,包括遗传算法、蚁群算法、粒子群优化等。
在解决多目标问题上,一般地将优化目标以数学方式加权为单目标或将优化目标转换成约束条件来处理,这种方法的局限性在于不能求得问题的最优解,且提供的解决方案单一,这完全不能满足现实网络情景下的多业务要求。面对日益增长的网络通信服务需求,多目标优化的方法在解决SDN组播路由问题上具有可行性和有效性。
发明内容
本发明的目的是提出一种基于BAS(Beetle Antennae Search,天牛须搜索)算法的多目标组播路由优化方法,并将其运用于SDN组播路由问题当中。
实现本发明目的的技术方案如下:
基于天牛须搜索的SDN网络中多目标组播路由路径构建方法,包括步骤:
用户主机通过交换机向控制器发送组播服务请求;控制器接收到用户请求之后,解析报文以获取用户主机地址与组播组地址;
控制器根据全网视图信息及组播组成员信息,启动多目标组播路由算法模块,计算出满足QoS约束的组播路由路径集;
由组播业务要求动态选择合适的路由路径,制定转发策略;
控制器根据已制定转发策略向相关交换机下发流表;
交换机添加流表项,并按已定规则进行数据转发;
所述多目标组播路由算法模块采用多目标天牛搜索优化算法模块,具体步骤为:
(1)输入原始拓扑结构G=(V,E),确定多目标组播路由问题模型,设定种群规模、最大进
化代数、外部归档集合容量、初始移动步长、初始须间距等算法参数;
(2)根据原始拓扑结构初始化种群,并对种群中个体进行适应度评估,将初始种群中的
非支配解保存到外部档案集合中,设当前进化代数t=1;
(3)随机生成速度向量矩阵,然后根据当前须间距计算出种群中每个个体左右触角所在
位置;
(4)种群中个体根据左右触角所在位置和当前移动步长,对自身位置进行重定位;
(5)种群适应度重评估,更新移动步长和须间距;
(6)更新外部档案集合,保存新产生的非支配解;
(7)判断是否满足终止条件,若满足,输出外部档案集合,算法运行结束,否则,t=t+1,转至步骤(3);
所述外部档案集合即组播路由路径集。
本发明的有益效果在于,SDN多目标组播路由机制不仅能提供满足QoS约束的路由路径,还可以为决策者提供多种高质量备选方案,灵活匹配不同的网络情景。其中,多目标天牛搜索优化算法,采用多天牛并行进化机制,避免陷入局部较优解;采用自适应移动步长方法,有效加速全局收敛能力。
附图说明
图1是本发明提出的多目标组播路由模块所在位置示意图。
图2是本发明提出的一种基于天牛须算法的多目标组播路由优化方法流程图。
图3是本发明提出的一种新型SDN多目标组播路由机制的流程图。
图4是本发明与多目标粒子群算法在同一网络场景中独立运行10次得到的GD指标的统计箱线图。
图5是本发明与多目标粒子群算法在同一网络场景中独立运行10次得到的IGD指标的统计箱线图。
图6是本发明与多目标粒子群算法在同一网络场景中独立运行10次得到的HV指标的统计箱线图。
具体实施方式
以下结合附图,对本发明作进一步详细说明。
参照图2,MOBSO(Multi-objective Beetle Search Optimization,多目标天牛搜索优化)的具体实现步骤如下:
步骤一输入原始拓扑结构G=(V,E),确定多目标组播路由问题模型(包含源节点s、目的节点集合D和QoS约束条件),设定种群规模、最大进化代数、外部归档集合容量、初始移动步长、初始须间距等算法参数。
1.本实施例采用的拓扑结构表示为一个带权无向图G=(V,E),其中V表示网络中的节点集合,E表示网络中的链路集合,|V|和|E|分别为图中节点个数和链路条数。
2.给定一个带权无向图G=(V,E),QoS约束组播路由问题可看作成一个组播任务S=(M,Q,O,T),其中M为组播组,Q为服务质量要求,O为优化目标函数,T为组播树。已知p(s,d)是源节点s到目的节点d的一条路径,其满足以下条件:
Bandwidth(p(s,d))=mine∈p(s,d)bandwidth(e) (1)
Delay(p(s,d))=∑e∈p(s,d)delay(e) (2)
Loss(p(s,d))=1-∏e∈p(s,d)(1-loss(e)) (3)
本实施例的问题模型定义如下:
Minimize F(x)=(f1(x),f2(x)) (4)
f1(x)=ArgDelay(T)=Delay(T)/ND (5)
f2(x)=ArgLoss(T)=Loss(T)/ND (6)
subject to Bandwidth(T)≥B (7)
其中,x∈X,X为决策空间,ND是目的节点集合大小,Delay(T)是组播树的时延(从源节点到每个目的节点路径的时延和),Loss(T)是组播树的包丢失率(从源节点到每个目的节点路径的包丢失率和),Bandwidth(T)是组播树的带宽(组播树中所有链路的最小带宽),B是约束带宽,f1(x)是组播树的平均时延,即本发明问题模型的优化目标函数之一,f2(x)是组播树的平均包丢失率,是本发明问题模型的另一个优化目标函数。
3.算法参数设定:种群规模NP,最大进化代数MaxGen,外部归档集合容量NEP,初始移动步长α,初始须间距β。
步骤二根据原始拓扑初始化种群,并对种群中个体进行适应度评估,将初始种群中的非支配解保存到外部档案集合中,设当前进化代数t=1。
1.由于组播路由问题属于离散组合优化问题,个体编码只能采用二进制边编码或整数节点编码方式,本算法采用二进制编码的方式。随机初始化种群中第i只天牛的位置向量Xi=(x1,x2,…,xn),i=1,2,…,NP,n=|E|,xj随机取0或1。
2.种群中个体的位置向量表示是否选中拓扑中对应编号的链路(1表示选中,0表示未选中);被选中的链路集合构成一个在原拓扑图基础上的子图G’=(V’,E’),个体对应的解可描述为一棵子图G’中满足QoS约束的组播树T’,整个解构造的具体过程如下:
(1)判断V’是否包含源节点和所有目的节点,若包含,进入(2);否则,指定该解为非法解;
(2)判断子图G’是否为连通图,本发明采用Union-Find算法(网址https:// algs4.cs.princeton.edu/15uf/)判断子图连通性(亦可采用深度优先或广度优先搜索算法判断子图连通性),若子图连通分量为1,进入(3);否则,指定该解为非法解;
(3)随机选择一个优化目标作为权重系数,在子图G’中依次找到从源节点s到目的节点di(di∈D,i=1,2,…,|D|)的最短路径pi(s,di),集合Path=set(pi)是子图G’中的一棵最优组播树,即该个体对应的解,本发明采用Dijkstra算法(亦可采用Bellman-Ford,Floyd,SPFA等算法)作为寻找源节点到目的节点的最短路径算法;确定Path之后,根据公式(4)评估个体适应度值,即个体对应的目标函数值F(x)。
3.种群初始化完成之后,将种群中的非支配解依次存入至外部档案集合中,该集合用于存储进化过程中找到的非支配解。
在实施例的问题模型中,对于某个x∈X,X为问题决策空间,如果x满足约束条件(7),那么,称x为可行解;设xA,xB为该问题的两个可行解,当且仅当
非支配解表示解之间不存在支配关系的解,也成为Pareto最优解。
在算法运行过程中,会找到不同的非支配解,外部档案集合用于存储这些解,即解对应的组播树和适应度值。
步骤三随机生成速度向量矩阵,然后根据当前须间距计算出种群中每个个体左右触角所在位置。
1.算法求解的过程可看作是天牛在决策空间中觅食的过程,MOBSO在初始化阶段定义了每只天牛个体在决策空间中的位置,天牛根据一个速度向量来确定下一步达到的位置。随机产生第i只天牛的速度向量Vi=(v1,v2,…,vn),i=1,2,…,NP,n=|E|,vj=rand(0,1),rand(0,1)表示取(0,1)之间的随机数。
2.种群中天牛根据速度向量和须间距确定左、右触角达到的位置,具体如下式:
式中,Xi l表示第i只天牛的左触角所在位置,Xi l=(xl i1,xl i2,…,xl in),i=1,2,…,NP,n=|E|,Xi r表示第i只天牛的右触角所在位置,Xi r=(xr i1,xr i2,…,xr in),Xi t表示进化到第t代时,第i只天牛所在的位置,β表示t时刻天牛的须间距,rnd表示一个(0,1)之间的随机数,T(x)为转换函数(参考文献Mirjalili S,Lewis A.S-shaped versus V-shapedtransfer functions for binary Particle Swarm Optimization[J].Swarm&Evolutionary Computation,2013,9:1-14.)。
步骤四种群中个体根据左右触角所在位置和当前移动步长,对自身位置进行重定位。
当天牛的左右触角所在位置对应的解存在支配关系时,根据公式(11)进行位置更新,否则天牛位置不变。
步骤五种群适应度重评估,更新移动步长和须间距。
类似于步骤二中的2,根据天牛所在的新位置,重新评估适应度值;根据公式(13)和(14),更新天牛搜索参数。
式中,αmax和αmin表示天牛移动步长取值的上下界,βmax和βmin表示天牛须间距取值的上下界。
步骤六更新外部档案集合,保存新产生的非支配解。
把当前种群和外部档案融合到一个集合中,然后,利用Fast-Nondominated-Sort算法(参考文献K.Deb,et al.A fast and elitist multi-objective geneticalgorithm:NSGA-II[J].IEEE Trans.On Evolutionary Computation,2002,6(2):182-197.),对集合中所有的解进行非支配排序,将ParetoRank为1的解定义为新的外部档案集合。
步骤七判断是否满足终止条件,即t=MaxGen,若满足,输出外部档案集合,算法运行结束,否则,t=t+1,转至步骤三。
参照图3,SDN多目标组播路由机制的具体操作流程如下:
步骤一用户主机通过交换机向控制器发送组播服务请求。
不同于传统的IP组播通信,SDN网络中的组播组管理和组播报文转发功能均在控制器中实现。用户需要组播服务时,向与宿主机直连的交换机发送IGMP(Internet GroupManagement Protocol,因特网组管理协议)报文,交换机接收到报文之后,发送Packet-In消息给控制器,请求控制器处理该事务。
步骤二控制器接收到用户请求之后,解析报文以获取用户主机地址与组播组地址。
控制器接收到来自交换机的Packet-In消息之后,解析该消息以获取报文中的信息,包含用户主机地址、请求组播地址等。
步骤三控制器根据全网视图信息及组播组成员信息,启动MMRA(Multi-objectiveMulticast Routing Algorithm,多目标组播路由算法)模块,计算出满足QoS约束的组播路由路径集。
SDN控制器作为网络的核心处理器,通过监测与之相连接的交换机状态来获取全局网络视图。控制器解析消息之后,创建组播组成员信息表,并启动MMRA模块。MMRA模块位于SDN控制器中,该模块用于寻找以时延和包丢失率为优化目标,以带宽为约束的组播树集合,模块的核心是多目标组播路由算法,结合本发明实施例,用于解决式4,5,6,7问题模型的算法都可用于该模块。本发明提出的MOBSO是一种方案,算法得出的外部档案集合即组播路由路径集。
步骤四由组播业务特性动态选择合适的路由路径,制定转发策略。
不同的组播业务对网络的要求也不尽相同,最优组播转发树也应具体业务而定。控制器计算出一组组播转发树之后,通过判断业务应用场景对网络的要求,选择出合适的组播树作为该组播业务的转发策略。
步骤五控制器根据已制定转发策略向相关交换机下发流表。
转发路径确定之后,控制器封装Flow-Mod消息,将制定的转发策略内容下发至相关交换机。
步骤六交换机添加流表项,并按已定规则进行数据转发。
多目标优化的目的在于在可接受时间内求解一组尽可能逼近理想Pareto前沿、在目标空间分布均匀的Pareto解集,因此,多目标优化算法的性能主要在于求得解集的收敛性和分布性。本次算法对比采用三个评价指标,分别为:IGD(Inverted GenerationalDistance,反转世代距离)指标、GD(Generational Distance,世代距离)指标和HV(Hypervolume,超立方体体积)指标。
HV(P)=∪p∈Pvol(p) (17)
式中,P*表示理想Pareto前沿,P表示算法求得Pareto前沿,d(y*,P)表示解y*到P的最短欧氏距离,d(y,P*)表示解y到P*的最短欧氏距离,|P*|表示理想Pareto前沿中解的个数,|P|表示算法求得Pareto前沿中解的个数,vol(p)表示求得Pareto前沿中的解与理想点构成的超立方体体积。
实施例:
下面针对六个不同的随机网络拓扑进行算法仿真对比,与本发明比较的算法是MOPSO(Multi-objective Particle Swarm Optimization,多目标粒子群优化算法)(参考文献Coello,C.A.C,G.T.Pulido,and M.S.Lechuga."Handling multiple objectiveswith particle swarm optimization."IEEE Transactions on EvolutionaryComputation 8.3(2004):256-279.)。两种算法设定的种群规模为20,进化代数为200,外部归档大小为50。
场景一:节点数=50,链路数=126,源节点=48,目的节点=[4,8,10,20,39];
场景二:节点数=50,链路数=134,源节点=2,目的节点=[10,33,34,46,49];
场景三:节点数=100,链路数=220,源节点=89,目的节点=[5,15,31,35,50,73,91,92,93,94];
场景四:节点数=100,链路数=260,源节点=55,目的节点=[8,12,26,36,44,48,52,57,71,79];
场景五:节点数=150,链路数=316,源节点=127,目的节点=[12,42,43,55,59,70,94,104,107,108,115,138,146,149];
场景六:节点数=150,链路数=352,源节点=64,目的节点=[2,4,18,30,33,52,53,62,81,100,108,116,118,124]。
两种算法在相同条件下的对比详情如下:
表1 两种算法求解相同网络场景时10次独立运行的IGD指标统计
表2 两种算法求解相同网络场景时10次独立运行的GD指标统计
表3 两种算法求解相同网络场景时10次独立运行的HV指标统计
表1-3记录了两种算法针对6种不同场景独立运行10次的IGD、GD和HV指标的统计结果,其中包含各指标的平均值、最小值和方差。图4-6是本发明与多目标粒子群算法在场景四中独立运行10次得到的评价指标值的统计箱线图。
IGD指标和GD指标反映了算法求得的Pareto前沿的多样性和收敛性,其值越小,算法求解的性能越高。HV指标反映了算法求得的Pareto前沿与理想点构成的超体积大小,反映了PF在目标空间中的分布情况。
由图表综合分析可知,本发明提出的MOBSO算法在解决多目标组播路由问题时,求得的非支配解集明显优于MOPSO所求解。特别的,随网络规模变大,MOBSO更加稳定且求解质量越高。
综上所述,本发明提出的MOBSO算法在处理多目标组播路由问题的效果明显优于MOPSO算法,充分说明本发明解决这类问题的高效性和优越性。
Claims (1)
1.基于天牛须搜索的SDN网络中多目标组播路由路径构建方法,其特征在于,包括步骤:
用户主机通过交换机向控制器发送组播服务请求;
控制器接收到用户请求之后,解析报文以获取用户主机地址与组播组地址;
控制器根据全网视图信息及组播组成员信息,启动多目标组播路由算法模块,计算出满足QoS约束的组播路由路径集;
由组播业务要求动态选择合适的路由路径,制定转发策略;
控制器根据已制定转发策略向相关交换机下发流表;
交换机添加流表项,并按已定规则进行数据转发;
所述多目标组播路由算法模块采用的算法为多目标天牛搜索优化算法,具体步骤为:
(1)输入原始拓扑结构G=(V,E),确定多目标组播路由问题模型,设定种群规模、最大进化代数、外部归档集合容量、初始移动步长和初始须间距;其中V表示网络中的节点集合,E表示网络中的链路集合;
(2)根据原始拓扑结构初始化种群,并对种群中个体进行适应度评估,将初始种群中的非支配解保存到外部档案集合中,设当前进化代数t=1;
(3)随机生成速度向量矩阵,然后根据当前须间距计算出种群中每个个体左右触角所在位置;
(4)种群中个体根据左右触角所在位置和当前移动步长,对自身位置进行重定位;
(5)种群适应度重评估,更新移动步长和须间距;
(6)更新外部档案集合,保存新产生的非支配解;
(7)判断是否满足终止条件,若满足,输出外部档案集合,算法运行结束,否则,t=t+1,转至步骤(3);所述终止条件为t等于最大进化代数;
所述外部档案集合即组播路由路径集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711267401.3A CN108040012B (zh) | 2017-12-05 | 2017-12-05 | 基于天牛须搜索的sdn网络中多目标组播路由路径构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711267401.3A CN108040012B (zh) | 2017-12-05 | 2017-12-05 | 基于天牛须搜索的sdn网络中多目标组播路由路径构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108040012A CN108040012A (zh) | 2018-05-15 |
CN108040012B true CN108040012B (zh) | 2020-02-21 |
Family
ID=62095357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711267401.3A Expired - Fee Related CN108040012B (zh) | 2017-12-05 | 2017-12-05 | 基于天牛须搜索的sdn网络中多目标组播路由路径构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108040012B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108900330B (zh) * | 2018-06-25 | 2021-04-27 | 电子科技大学 | 一种适用于大规模软件定义网络的多控制器部署方法 |
CN110661704B (zh) * | 2018-06-30 | 2021-10-26 | 华为技术有限公司 | 转发路径的计算方法及sdn控制器 |
CN109039672B (zh) * | 2018-07-20 | 2021-04-20 | 苏州大学张家港工业技术研究院 | 超立方体线图结构数据中心网络的信息广播方法及系统 |
CN109673034B (zh) * | 2018-12-28 | 2022-08-26 | 中国科学院上海微系统与信息技术研究所 | 一种基于天牛须搜索的无线传感网络分簇路由方法 |
CN109889450B (zh) * | 2019-03-13 | 2021-12-21 | 西南交通大学 | 组播速率控制方法以及组播传输设备 |
CN110167204B (zh) * | 2019-05-08 | 2020-05-19 | 燕山大学 | 一种基于ms-bas算法的中继传输策略选择和功率分配方法 |
CN113472671B (zh) * | 2020-03-30 | 2023-05-02 | 中国电信股份有限公司 | 组播路由的确定方法、装置和计算机可读存储介质 |
CN112260950B (zh) * | 2020-10-19 | 2022-05-06 | 桂林电子科技大学 | 一种基于业务优先级区分的云存储网络组播流调度方法 |
CN113985922B (zh) * | 2021-11-10 | 2023-11-17 | 浙江建德通用航空研究院 | 一种多目标约束下的无人机分级式路径规划方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101741749A (zh) * | 2010-01-15 | 2010-06-16 | 西安电子科技大学 | 基于免疫克隆的多目标组播路由优化方法 |
CN101777990A (zh) * | 2010-01-15 | 2010-07-14 | 西安电子科技大学 | 多目标免疫优化组播路由路径选择方法 |
CN105357132A (zh) * | 2015-10-30 | 2016-02-24 | 中国人民武装警察部队工程大学 | 一种基于超图模型的多域ason损伤感知组播路由方法 |
CN105721302A (zh) * | 2016-03-31 | 2016-06-29 | 重庆邮电大学 | 一种软件定义网络路由选择方法 |
CN107196860A (zh) * | 2017-05-23 | 2017-09-22 | 西南交通大学 | Sdn网络中网络编码进行组播传输的方法 |
-
2017
- 2017-12-05 CN CN201711267401.3A patent/CN108040012B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101741749A (zh) * | 2010-01-15 | 2010-06-16 | 西安电子科技大学 | 基于免疫克隆的多目标组播路由优化方法 |
CN101777990A (zh) * | 2010-01-15 | 2010-07-14 | 西安电子科技大学 | 多目标免疫优化组播路由路径选择方法 |
CN105357132A (zh) * | 2015-10-30 | 2016-02-24 | 中国人民武装警察部队工程大学 | 一种基于超图模型的多域ason损伤感知组播路由方法 |
CN105721302A (zh) * | 2016-03-31 | 2016-06-29 | 重庆邮电大学 | 一种软件定义网络路由选择方法 |
CN107196860A (zh) * | 2017-05-23 | 2017-09-22 | 西南交通大学 | Sdn网络中网络编码进行组播传输的方法 |
Non-Patent Citations (3)
Title |
---|
A Quantum Inspired Evolutionary Algorithm for Dynamic Multicast Routing with Network Coding;Huanlai Xing etc.;《IEEE》;20160928;第186-190页 * |
基于Spark的蚁群优化算法;王诏远等;《计算机应用》;20151010;第2777-2780、2797页 * |
基于自优化的SDN 交换机动态迁移机制;童俊峰等;《计算机系统应用》;20171115;第82-88页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108040012A (zh) | 2018-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108040012B (zh) | 基于天牛须搜索的sdn网络中多目标组播路由路径构建方法 | |
CN108521375B (zh) | 一种基于SDN的网络多业务流量QoS的传输及调度方法 | |
CN113300960B (zh) | 一种基于路由调度与联合优化的时延确定性传输方法 | |
CN115460130B (zh) | 一种时间敏感网络中的多路径联合调度方法 | |
US8279753B2 (en) | Efficient determination of fast routes when voluminous data is to be sent from a single node to many destination nodes via other intermediate nodes | |
CN107094112B (zh) | 基于果蝇优化算法的带宽约束组播路由优化方法 | |
WO2013059683A1 (en) | Comprehensive multipath routing for congestion and quality-of-service in communication networks | |
Sarasvathi et al. | QoS guaranteed intelligent routing using hybrid PSO-GA in wireless mesh networks | |
CN112350948B (zh) | 一种基于sdn的分布式网络溯源系统的分布式网络溯源方法 | |
CN105553855B (zh) | 动态调整底层网络生成树拓扑结构的方法及系统 | |
CN114745227B (zh) | 基于FlexE和SPN技术的电力业务网络切片时延计算方法及装置 | |
Zhao et al. | DRL-M4MR: An intelligent multicast routing approach based on DQN deep reinforcement learning in SDN | |
CN107454647A (zh) | 周期性路由信息的发送方法及装置 | |
Long et al. | Research on applying hierachical clustered based routing technique using artificial intelligence algorithms for quality of service of service based routing | |
Kumar et al. | Routing path determination using QoS metrics and priority based evolutionary optimization | |
WO2023206395A1 (zh) | 一种网络路径的计算方法及网络设备 | |
CN113328950B (zh) | 一种基于树状结构的sdn路由系统构建方法 | |
Garg et al. | Adaptive optimized open shortest path first algorithm using enhanced moth flame algorithm | |
Eyobu et al. | A Deep Learning-Based Routing Approach for Wireless Mesh Backbone Networks | |
Masood et al. | Proposing bat inspired heuristic algorithm for the optimization of GMPLS networks | |
Mahdian et al. | Mindelay: Low-latency forwarding and caching algorithms for information-centric networks | |
Wang et al. | A Q-Learning based Routing Optimization Model in a Software Defined Network | |
Ridwan et al. | A New Machine Learning-based Hybrid Intrusion Detection System and Intelligent Routing Algorithm for MPLS Network | |
Arnous et al. | Improving the load balancing within the data network via modified AntNet algorithm | |
Wang et al. | A fuzzy decision based intelligent QoS multicast routing algorithm |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200221 Termination date: 20201205 |
|
CF01 | Termination of patent right due to non-payment of annual fee |