CN108075974B - 一种流量转发控制方法、装置及sdn架构系统 - Google Patents
一种流量转发控制方法、装置及sdn架构系统 Download PDFInfo
- Publication number
- CN108075974B CN108075974B CN201610998978.0A CN201610998978A CN108075974B CN 108075974 B CN108075974 B CN 108075974B CN 201610998978 A CN201610998978 A CN 201610998978A CN 108075974 B CN108075974 B CN 108075974B
- Authority
- CN
- China
- Prior art keywords
- routing scheme
- traffic model
- traffic
- network topology
- learning
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/33—Flow control; Congestion control using forward notification
-
- 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
- H04L45/36—Backward learning
-
- 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
- H04L45/38—Flow based 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
- H04L45/54—Organization of routing tables
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/80—Actions related to the user profile or the type of traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种流量转发控制方法、装置及SDN架构系统。本发明方法包括:确定当前网络的第一网络拓扑以及当前业务的第一流量模型;第一网络拓扑用以表示当前网络中路由节点的连接关系;第一流量模型用以表示当前业务状态下流量在时间上的分布;确定第一网络拓扑对应的历史流量模型和历史路由方案,并对历史流量模型和历史路由方案进行深度学习,得到第一网络拓扑对应的自学习路由方案;从历史路由方案和自学习路由方案中,按照链路利用率最高的准则为第一流量模型确定第一路由方案;根据第一路由方案,生成第一流表并写入SDN控制器,以使SDN控制器按照第一流表控制流量转发。本发明能够提高网络链路利用率。
Description
技术领域
本发明涉及软件定义网络技术领域,尤其涉及一种流量转发控制方法、装置及SDN架构系统。
背景技术
软件定义网络(Software Defined Network,SDN)是一种新型网络创新架构,其核心思想是将网络设备的控制层面与转发层面分离,以实现对网络流量的灵活控制,为核心网络及相关应用提供良好的平台。
在现有SDN架构中,SDN控制器起到整个网络指挥控制中心的作用,它是连接底层交互设备与上层应用的桥梁。一方面,SDN控制器通过南向接口协议对底层网络交换设备进行集中管理,状态监测、转发决策以及处理和调度数据平面的流量;另一方面,SDN控制器通过北向接口向上层应用开放多个层次的可编程能力,允许网络用户根据特定的应用场景灵活地制定各种网络策略。在SDN架构中,SDN控制器掌握全局网络拓扑,基于SDN控制器中的流表项对整个网络流量路由进行控制,数据包的路由转发控制通过SDN控制器中的流表中的流表项来决定。目前流表项通常是通过手工配置来完成,在具体配置上更多的是依据业务流量情况以及网络运维人员的经验,这样基于经验人工配置流表项的方式并不能保证在给定业务流量条件下对网络链路的充分利用。
因此,如何克服现有技术由人工配置SDN控制器中流表的缺陷,提供一种能够自动配置SDN控制器中流表的技术方案,提高网络链路利用率,均衡网络整体流量,是业界所亟待研究和解决的问题。
发明内容
本发明实施例提供一种流量转发控制方法、装置及SDN架构系统,用以提供一种能够自动配置SDN控制器中流表的技术方案,提高网络链路利用率,均衡网络整体流量。
本发明的一个实施例提供的流量转发控制方法,应用于SDN中,包括:
确定当前网络的第一网络拓扑以及当前业务的第一流量模型;所述第一网络拓扑用以表示当前网络中路由节点的连接关系;所述第一流量模型用以表示当前业务状态下流量在时间上的分布;
确定所述第一网络拓扑对应的历史流量模型和历史路由方案,并对所述历史流量模型和所述历史路由方案进行深度学习,得到所述第一网络拓扑对应的自学习路由方案;
从所述历史路由方案和所述自学习路由方案中,按照链路利用率最高的准则为所述第一流量模型确定第一路由方案;
根据所述第一路由方案,生成第一流表并写入所述SDN中的SDN控制器,以使所述SDN控制器按照所述第一流表控制流量转发。
可选地,对所述历史流量模型和所述历史路由方案进行深度学习,得到所述第一网络拓扑对应的自学习路由方案,包括:
确定每个历史流量模型对应的历史路由方案的链路利用率;
根据每个历史流量模型,以及每个历史流量模型对应的历史路由方案和链路利用率,确定路由方案与流量模型及链路利用率之间的映射关系;
根据所述第一流量模型以及预设的链路利用率,通过所述映射关系得到所述第一网络拓扑对应的、由所述第一流量模型确定的自学习路由方案。
可选地,通过所述映射关系得到所述第一网络拓扑对应的自学习路由方案之后,还包括:
对所述第一网络拓扑模拟生成训练流量模型;
根据所述训练流量模型以及预设的链路利用率,通过所述映射关系得到所述第一网络拓扑对应的、由所述训练流量模型确定的自学习路由方案;
对所述第一流量模型和由所述第一流量模型确定的自学习路由方案、以及所述训练流量模型和由所述训练流量模型确定的自学习路由方案再次进行深度学习,得到所述第一网络拓扑对应的优化自学习路由方案;
从所述历史路由方案和所述自学习路由方案中,按照链路利用率最高的准则为所述第一流量模型确定第一路由方案,包括:从所述历史路由方案和所述优化自学习路由方案中,按照链路利用率最高的准则为所述第一流量模型确定第一路由方案。
可选地,确定路由方案与流量模型及链路利用率之间的映射关系之后,还包括:
对所述第一网络拓扑模拟生成训练流量模型;
根据所述训练流量模型以及预设的链路利用率,通过所述映射关系得到所述第一网络拓扑对应的、由所述训练流量模型确定的自学习路由方案;
将所述历史路由方案和所述自学习路由方案中的每个路由方案转化为可视拓扑图形,构建可视拓扑图形库;其中,由一个路由方案转化得到的可视拓扑图形对应一个链路利用率;
从所述历史路由方案和所述自学习路由方案中,按照链路利用率最高的准则为所述第一流量模型确定第一路由方案,包括:
根据所述第一流量模型,从所述可视拓扑图形库中查找与所述第一流量模型匹配的可视拓扑图形;
比较所查找到的可视拓扑图形对应的链路利用率,将链路利用率最高的可视拓扑图形对应的路由方案确定为所述第一路由方案。
可选地,所述流量转发控制方法还包括:
若检测到所述第一路由方案中有链路被占用,则确定当前网络的第二网络拓扑;
根据所述第二网络拓扑,从所述可视拓扑图形库中识别与所述第二网络拓扑匹配的可视拓扑图形;
比较所识别出的可视拓扑图形对应的链路利用率,将链路利用率最高的可视拓扑图形对应的路由方案确定为第二路由方案;
根据所述第二路由方案,生成第二流表并写入所述SDN控制器,以使所述SDN控制器按照所述第二流表控制流量转发。
本发明的一个实施例提供的流量转发控制装置,应用于SDN中,包括:
确定模块,用于确定当前网络的第一网络拓扑以及当前业务的第一流量模型;所述第一网络拓扑用以表示当前网络中路由节点的连接关系;所述第一流量模型用以表示当前业务状态下流量在时间上的分布;
学习模块,用于确定所述第一网络拓扑对应的历史流量模型和历史路由方案,并对所述历史流量模型和所述历史路由方案进行深度学习,得到所述第一网络拓扑对应的自学习路由方案;
选择模块,用于从所述历史路由方案和所述自学习路由方案中,按照链路利用率最高的准则为所述第一流量模型确定第一路由方案;
生成模块,用于根据所述第一路由方案,生成第一流表并写入所述SDN中的SDN控制器,以使所述SDN控制器按照所述第一流表控制流量转发。
可选地,所述学习模块,具体用于:
确定每个历史流量模型对应的历史路由方案的链路利用率;
根据每个历史流量模型,以及每个历史流量模型对应的历史路由方案和链路利用率,确定路由方案与流量模型及链路利用率之间的映射关系;
根据所述第一流量模型以及预设的链路利用率,通过所述映射关系得到所述第一网络拓扑对应的、由所述第一流量模型确定的自学习路由方案。
可选地,所述学习模块,还用于:
对所述第一网络拓扑模拟生成训练流量模型;
根据所述训练流量模型以及预设的链路利用率,通过所述映射关系得到所述第一网络拓扑对应的、由所述训练流量模型确定的自学习路由方案;
对所述第一流量模型和由所述第一流量模型确定的自学习路由方案、以及所述训练流量模型和由所述训练流量模型确定的自学习路由方案再次进行深度学习,得到所述第一网络拓扑对应的优化自学习路由方案;
所述选择模块,具体用于:从所述历史路由方案和所述优化自学习路由方案中,按照链路利用率最高的准则为所述第一流量模型确定第一路由方案。
可选地,所述学习模块,还用于:对所述第一网络拓扑模拟生成训练流量模型;根据所述训练流量模型以及预设的链路利用率,通过所述映射关系得到所述第一网络拓扑对应的、由所述训练流量模型确定的自学习路由方案;将所述历史路由方案和所述自学习路由方案中的每个路由方案转化为可视拓扑图形,构建可视拓扑图形库;其中,由一个路由方案转化得到的可视拓扑图形对应一个链路利用率;
所述选择模块,具体用于:根据所述第一流量模型,从所述可视拓扑图形库中查找与所述第一流量模型匹配的可视拓扑图形;比较所查找到的可视拓扑图形对应的链路利用率,将链路利用率最高的可视拓扑图形对应的路由方案确定为所述第一路由方案。
可选地,所述确定模块,还用于:在检测到所述第一路由方案中有链路被占用时,确定当前网络的第二网络拓扑;
所述选择模块,还用于:根据所述第二网络拓扑,从所述可视拓扑图形库中识别与所述第二网络拓扑匹配的可视拓扑图形;比较所识别出的可视拓扑图形对应的链路利用率,将链路利用率最高的可视拓扑图形对应的路由方案确定为第二路由方案;
所述生成模块,还用于:根据所述第二路由方案,生成第二流表并写入所述SDN控制器,以使所述SDN控制器按照所述第二流表控制流量转发。
本发明的一个实施例提供的SDN架构系统,包括:如本发明上述任一实施例所描述的流量转发控制装置以及SDN控制器;所述SDN控制器,用于按照所述流量转发控制装置生成的流表控制流量转发。基于同一发明构思,由于该SDN架构系统解决问题的原理以及有益效果可以参见上述各可能的流量转发控制方法的实施方式以及所带来的有益效果,因此该SDN架构系统的实施可以参见方法及装置的实施,重复之处不再赘述。
本发明上述实施例所提供的流量转发控制方案中,确定当前网络的第一网络拓扑和当前业务的第一流量模型后,通过对第一网络拓扑对应的历史流量模型和历史路由方案的深度学习,可以得到第一网络拓扑对应的自学习路由方案,进而可以从历史路由方案与深度学习得到的自学习路由方案中,按照利用率最高的准则为第一流量模型选择出路由方案,通过将该路由方案形成流表并写入SDN控制器,使得SDN控制器按照该流表控制流量的转发。可以看到,本发明上述实施例所提供的流量转发控制方案是一种以人工智能的方式自动配置SDN控制器中流表的技术方案,能够克服目前SDN控制器中的流表项由人工配置方式的缺陷。本发明上述实施例所提供的方案中,联合了网络拓扑与网络业务流量分配的信息,通过对网络拓扑下的历史流量信息和历史路由方案的深度学习得到自学习路由方案,进而在给定流量和网络拓扑环境下,从历史路由方案和通过深度学习得到的自学习路由方案中确定出较佳的路由方案,并根据该种路由方式自动生成流表,写入到SDN控制器中,从而达到提高网络链路利用率、实现网络优化的效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1(a)为本发明的一些实施例中不同流量模型对应的流量模型视图;
图1(b)为本发明的一些实施例中不同网络状态对应的网络拓扑视图;
图1(c)为本发明的一些实施例中给定业务的流量模型以及网络拓扑的基础上业务流量传递的不同路由方案视图;
图2为本发明的一些实施例提供的流量转发控制方法的流程示意图;
图3为本发明的一些实施例中基于深度学习算法进行路由方案学习以及得到最佳路由方案的流程示意图;
图4为本发明的一些实施例中利用线性回归的方式确定出规则的具体算法示意图;
图5为本发明的一些实施例中基于图像识别方法进行深度学习找出符合链路利用率最大化原则的路由方案的流程示意图;
图6为本发明的一些实施例提供的流量转发控制装置的结构示意图;
图7为本发明的一些实施例提供的流量转发控制装置应用于SDN网络中的网络结构示意图;
图8为本发明的一些实施例提供的SDN架构系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在目前的SDN架构系统中,SDN控制器起到整个网络指挥控制中心的作用。SDN控制器掌握全局网络拓扑,基于SDN控制器中流表的流表项对整个网络流量路由进行控制。流量的转发控制是影响网络的性能的重要因素。局部突发流量很容易导致网络整体性能的下降,网络中不同的业务对资源的占用不同,也会导致少数业务流量占用大部分带宽,影响网络资源的利用率。因此,合理的流量转发控制尤为重要。
然而现有技术中,配置SDN控制器中流表的方式依据的主要是网络管理和运维人员的经验,这种经验式的手工配置方式不仅不够灵活,也不能很好地适配多变的网络业务流量及网络拓扑所带来的不确定性,在这些不确定因素存在的情形下,依靠手工方式进行流表的构建,不能保证在给定业务流量条件下网络链路的充分利用,会导致网络整体流量的不均衡,网络部分路由利用率较低等问题。
为了克服现有技术中人工配置SDN控制器中流表的上述缺陷,本发明实施例提出了一种流量转发控制方法、装置及SDN架构系统,用以提供一种能够自动配置SDN控制器中流表的技术方案,从而达到提高网络链路利用率,均衡网络整体流量,优化网络的效果。
具体地,本发明实施例所提供的流量转发控制的技术方案主要实现了一种自动学习的网络技术架构,通过充分利用深度学习技术来对网络拓扑及流量信息进行智能学习和处理,从而自动寻找到可以使得网络链路利用率最大化的路由方案,并形成流表写入SDN控制器,从而避免手工定义流表的繁琐,同时通过对网络信息进行深度学习进一步地实现网络流表最优化的搜索和寻找,提高网络链路利用率,保证网络整体流量均衡。
下面将结合附图对本发明实施例提供的流量转发控制方案进行说明。
为了更清楚地理解本发明的实施例所提供的流量转发控制方案,下面首先本发明的实施例涉及到的部分技术术语进行说明:
业务的流量模型,用以表示网络中传递的业务数据的流量随着时间的变化而产生的分布;不同的业务需求状态下,在网络中传递的业务数据的流量随着时间的变化而产生的不同分布。业务的流量模型可以表示为流量模型视图。
图1(a)示出了本发明的一些实施例中不同流量模型对应的流量模型视图的示意图。如图1(a)所示,假设使用Fi(i=1,2,3,…)表示不同的流量模型视图,F1示出了在一种业务需求状态下随着时间的变化而产生不同分布的数据流量的一个流量模型视图;Fn示出了在又一种业务需求状态下随着时间的变化而产生不同分布的数据流量的又一个流量模型视图。
网络的网络拓扑,用以表示网络中各个路由节点之间的连接关系。相较于业务的流量模型而言,网络拓扑通常相对稳定,但是也会在网络扩展或运维等过程中发生变化,这些变化包括网络中路由节点发生增减或者路由节点之间连接关系发生变化等。网络的网络拓扑可以表示为网络拓扑视图。
图1(b)示出了本发明的一些实施例中不同网络状态对应的网络拓扑视图的示意图。如图1(b)所示,假设使用Ti(i=1,2,3,…)表示不同的网络拓扑视图,T1示出了一个由路由节点A、B、C、D、E、F组成的网络拓扑对应的网络拓扑视图;T2示出了T1所示网络拓扑中从C到E的连接由原先的C到D到E变化为C到E后的网络拓扑视图。
路由方案,用以表示在业务流量在网络拓扑中的分配与传输的路径。应当理解的是,对于任一给定的业务流量和网络拓扑,相应的路由方案可以有很多种,通常情况下,能够达到最佳链路利用率的路由方案是用以实现业务流量传递的最优路由方案,本发明的目的也在于通过对历史流量和历史拓扑信息的深度学习来寻找出更多的路由方案,从而能够基于所有的路由方案,寻找到最优路由方案,来达到自动配置SDN控制器中流表的目的。路由方案也可表示为路由方案视图。
图1(c)示出了本发明的一些实施例中给定业务的流量模型以及网络拓扑的基础上业务流量传递的不同路由方案的示意图。如图1(c)所示,假设给定的业务的流量模型为图1(a)所示的F1,给定的网络拓扑为图1(b)所示的T1;假设使用Ri(i=1,2,3,…)表示不同的路由方案视图,R1示出了在给定的F1和T1的基础上,业务流量从A传递到F的一种路由方案视图,其传递路径包括从A到B,再从B到D到F以及从B到E到F;R2示出了同样在给定的F1和T1的基础上,业务流量从A传递到F的又一种路由方案视图,其传递路径包括从A到C,再从C到B,再从B到E到F。
具体地,本发明实施例所提供的流量转发控制方案将通过历史流量和网络拓扑,并基于深度学习找出更多种路由方案,并在这些所有方案中找到最优的路由方案,形成流表,由SDN控制器来执行,从而实现SDN控制器中流表的自动配置,达到网络优化,提高网络链路利用率的效果。
具体地,本发明的一些实施例所提供的流量转发控制方案主要可以通过以下过程实现SDN控制器中流表的自动配置:首先对业务流量分布形成流量视图F,对当前网络拓扑形成拓扑视图T;不同的流量情况,对应的流量视图可表示为Fi(i=1,2,3,…),不同网络情况下对应的网络拓扑可表示为Ti(i=1,2,3,…);进而针对Fi与Ti的各种组合情况,结合并查找历史流量信息与网络拓扑信息,输入到深度学习网络,以形成最优路由方式为目标进行学习和训练,从而输出经过监督学习的路由方案Ri;因而对于任意输入Fi与Ti,根据学习的结果,都可以自动输出一种最佳的路由方式,以形成流表写入SDN控制器,从而实现SDN控制器中流表的自动配置。下面将描述具体方案。
图2示出了本发明实施例提供的流量转发控制方法的流程示意图,该流程可以应用到SDN中,以实现自动配置SDN控制器中流表的目的,该流程具体可通过软件编程或软硬件的结合来实现。
如图2所示,该流程包括如下步骤:
步骤201:确定当前网络的第一网络拓扑以及当前业务的第一流量模型;其中,第一网络拓扑用以表示当前网络中路由节点的连接关系;第一流量模型用以表示当前业务状态下流量在时间上的分布。
步骤202:确定第一网络拓扑对应的历史流量模型和历史路由方案,并对历史流量模型和历史路由方案进行深度学习,得到第一网络拓扑对应的自学习路由方案。
步骤203:从历史路由方案和自学习路由方案中,按照链路利用率最高的准则为第一流量模型确定第一路由方案。
步骤204:根据第一路由方案,生成第一流表并写入SDN中的SDN控制器,以使SDN控制器按照第一流表控制流量转发。
应当理解的是,虽然术语“第一”、“第二”等可能在本申请中用来描述各种元素(比如网络拓扑、流量模型等),但是这些元素不被这些术语所限定,这些术语只是用来将一个元素与另一个元素区分开。例如,第一网络拓扑可以被命名为第二网络拓扑,并且类似地,第二网络拓扑可以被命名为第一网络拓扑,而不悖离本发明的范围,第一网络拓扑和第二网络拓扑两者都是网络拓扑,但它们不是同一网络拓扑。
具体地,本发明的一些实施例中,由于网络的拓扑结构相对于业务流量而言是相对稳定的,因而可以对应于网络拓扑,记录在各个时刻与该网络拓扑对应的业务流量数据以及相应的路由方案和链路利用率,从而能够得到在通过步骤201确定出当前网络的第一网络拓扑之后,基于所记录的历史数据,确定出该第一网络拓扑所对应的历史流量模型和历史路由方案。具体地,历史业务流量数据以及相应的路由方案和链路利用率可以存储在SDN控制器中。
具体地,在本发明的一些实施例中,步骤202中对历史流量模型和历史路由方案进行深度学习,得到第一网络拓扑对应的自学习路由方案的具体实现可以通过但不限于以下过程:
首先确定出每个历史流量模型对应的历史路由方案的链路利用率;
再根据每个历史流量模型,以及每个历史流量模型对应的历史路由方案和链路利用率,确定出路由方案与流量模型及链路利用率之间的映射关系;
从而在确定出映射关系之后,可以根据第一流量模型以及预设的链路利用率,通过所确定出的映射关系得到第一网络拓扑对应的、由第一流量模型确定的自学习路由方案。
其中,在深度学习领域中,自学习可以理解为自行生成路由方案进行训练。
具体地,本发明的一些实施例中,在基于历史数据确定路由方案与流量模型及链路利用率之间的映射关系时,业务的流量模型可以通过业务流量多维的属性信息进行量化,具体比如,业务流量中一般可以包括有以下信息:数据流的带宽需求、流量持续时间、总数据量等信息,对这些信息量化得到的分量可以用来表示业务的流量模型,比如,假设对于业务流量模型Fi而言,这些多维信息分别量化可得到分量f1(i)、f2(i)、…、fn(i)等,进而业务的流量模型Fi可相应量化表示为Fi={f1(i)、f2(i)、…、fn(i)};路由方案可以通过路由跳数以及各跳的带宽进行量化,比如假设以hi表示第i跳,以Bi表示第i跳的带宽,那么路由方案Ri可以量化表示为其中,对应给定的网络拓扑,路由方案可以生成为固定的路由表,具体该路由表可通过遍历该网络拓扑的所有路径及跳数所生成的。具体地,每个路由方案所对应的链路利用率可以是网络运营商预先配置或指定的数值。
进一步地,基于量化后的历史流量模型(假设用Fi表示,i=1、2、…)、历史路由方案(假设用Ri表示,i=1、2、…)以及对应的链路利用率(假设用ui表示,i=1、2、…),那么基于这些历史数据可以通过线性回归的方式来得到路由方案与流量模型及链路利用率之间的映射关系(比如假设用H表示映射关系,该映射关系可以表示为Ri=H(Fi,ui))。
具体地,在本发明的一些实施例中,基于步骤202所得到的自学习路由方案,可以进一步地通过步骤203,从历史路由方案和步骤202所得到的自学习路由方案中为第一流量模型确定出第一路由方案;其中,由于历史路由方案以及自学习路由方案都对应有各自的链路利用率,因而可以按照链路利用率最高的准则为第一流量模型确定出第一路由方案。
进一步地,在本发明的一些实施例中,通过步骤203为第一流量模型确定出第一路由方案之后,便可以通过执行步骤204中根据第一路由方案,生成第一流表并写入SDN中的SDN控制器的过程,实现SDN控制器中流表的自动配置,进而SDN控制器便可以按照所配置的该第一流表控制流量转发,在实现自动配置SDN控制器流表目的的同时,由于流表的生成依据链路利用率,因而所生成的该流表也能够实现较高的链路利用率,达到了提高链路利用率,优化网络的效果。
具体地,在本发明的一些实施例中,在步骤202中对历史流量模型和历史路由方案进行深度学习,得到路由方案与流量模型及链路利用率之间的映射关系之后,还可以进一步地通过模拟生成用以训练映射关系的训练流量模型,来得到更多的自学习路由方案,并对所确定的映射关系进行训练和优化。
具体比如,在本发明的一些实施例中,可以通过但不限于以下过程来得到更多的自学习路由方案:对第一网络拓扑模拟生成训练流量模型;根据训练流量模型以及预设的链路利用率,通过所确定出的映射关系得到第一网络拓扑对应的、由训练流量模型确定的自学习路由方案。
进一步地,在本发明的一些实施例中,基于由第一流量模型确定的自学习路由方案以及由训练流量模型确定的自学习路由方案,可以通过进一步地进行深度学习来对初始基于历史数据所确定的映射关系进行优化,并得到更为优化的自学习路由方案。具体比如可以是通过对第一流量模型和由第一流量模型确定的自学习路由方案、以及训练流量模型和由训练流量模型确定的自学习路由方案再次进行深度学习,从而对路由方案与流量模型及链路利用率之间的映射关系进行优化,在得到优化后的映射关系后,进而可以根据第一流量模型以及预设的链路利用率,通过优化后的映射关系得到第一网络拓扑对应的优化自学习路由方案。
进而,在本发明的一些实施例中,基于步骤202所得到的优化自学习路由方案,在步骤203中,可以从历史路由方案和优化自学习路由方案中,按照链路利用率最高的准则为第一流量模型确定第一路由方案。
相应地,在本发明的一些实施例中,通过深度学习的方式为第一流量模型确定出第一路由方案之后,可以通过执行步骤204中根据第一路由方案,生成第一流表并写入SDN中的SDN控制器的过程,实现SDN控制器中流表的自动配置,进而SDN控制器便可以按照所配置的该第一流表控制流量转发,且由于该自动生成的第一流表具有较高的链路利用率,因而可以达到提高链路利用率,优化网络的效果。
具体地,在本发明的一些实施例中,在步骤202中得到路由方案与流量模型及链路利用率之间的映射关系之后,通过模拟生成用以训练映射关系的训练流量模型,基于该映射关系将可以得到较多的自学习路由方案。因而,基于所得到自学习路由方案以及历史路由方案,还可以进一步地通过图像识别的方式从所有的路由方案中为第一流量模型寻找出具有最高链路利用率的路由方案。
具体比如,在本发明的一些实施例中,可以通过如前述实施例类似的过程来得到较多的自学习路由方案,比如:对第一网络拓扑模拟生成训练流量模型,进而根据训练流量模型以及预设的链路利用率,通过所确定出的映射关系得到第一网络拓扑对应的、由训练流量模型确定的自学习路由方案。
进一步地,在本发明的一些实施例中,基于历史路由方案以及由训练流量模型确定的自学习路由方案,可以通过构建可视拓扑图库进而基于图像识别的方式为第一流量模型确定最佳的路由方案。
具体比如,在本发明的一些实施例中,可以通过但不限于以下过程来实现上述图像识别确定路由方案的方式:
首先将历史路由方案和自学习路由方案中的每个路由方案转化为可视拓扑图形,从而构建出可视拓扑图形库;其中,每个可视拓扑图形由一个路由方案转化得到,每个可视拓扑图形对应一个链路利用率;
进而可以根据第一流量模型,从所构建出的该可视拓扑图形库中查找与第一流量模型匹配的可视拓扑图形;通过比较所查找到的可视拓扑图形对应的链路利用率,便可以寻找到链路利用率最高的可视拓扑图形,从而可以将该可视拓扑图形对应的路由方案确定为第一路由方案。
相应地,在本发明的一些实施例中,通过图像识别的方式为第一流量模型确定出第一路由方案之后,便可以通过执行步骤204中根据第一路由方案,生成第一流表并写入SDN中的SDN控制器的过程,实现SDN控制器中流表的自动配置,进而SDN控制器便可以按照所配置的该第一流表控制流量转发,在实现自动配置SDN控制器流表目的的同时,由于流表的生成依据链路利用率,因而所生成的该流表也能够实现较高的链路利用率,达到了提高链路利用率,优化网络的效果。
进一步地,考虑到在实际网络环境中,不同时刻有各种流量注入网络中,可能会导致网络中一些链路被完全占用,从而可能导致对应一个新的流量模型,所确定出的对应的路由方案可能是不通的,因而,在本发明的一些实施例中,还可以进一步地包括针对该情况的处理过程。
具体比如,在本发明的一些实施例中,如果检测到第一路由方案中有链路被占用,则确定当前网络的第二网络拓扑;根据第二网络拓扑,可以从可视拓扑图形库中识别与第二网络拓扑匹配的可视拓扑图形;进而通过比较所识别出的可视拓扑图形对应的链路利用率,可以将链路利用率最高的可视拓扑图形对应的路由方案确定为第二路由方案;从而根据第二路由方案,可以生成第二流表并写入SDN控制器,以使SDN控制器按照第二流表控制流量转发。
进一步地,在本发明的一些实施例中,如果识别出的第二路由方案仍然出现比如部分链路完全被占等情形所导致的路由不通的情况,还可以再次通过与上述过程类似的识别过程寻找可使用的次优路由方案,依次类推,从而可以为流量模型寻找出较佳并可行的路由方案。
可以看到,本发明的上述实施例通过联合网络业务流量分配和网络拓扑,形成流量+网络拓扑视图,通过对大量这种视图的深度学习,可以得到在给定流量和网络拓扑环境下的最佳路由方式,并根据该种路由方式自动生成流表,写入到SDN控制器中,从而达到最大化网络链路利用率的效果。
因而,可以看到,本发明上述实施例所提供的流量转发控制方案提供了一种以人工智能的方式自动配置SDN控制器中流表的技术方案,通过对业务流量分布和网络拓扑进行深度学习来自动地生成能够满足最大化网络链路利用率的路由方案,克服了目前SDN控制器中的流表项由人工配置方式的缺陷。本发明上述实施例所提供的方案中,联合了网络拓扑与网络业务流量分配的信息,通过对网络拓扑下的历史流量信息和历史路由方案的深度学习得到自学习路由方案,进而在给定流量和网络拓扑环境下,从历史路由方案和通过深度学习得到的自学习路由方案中确定出较佳的路由方案,并根据该种路由方式自动生成流表,写入到SDN控制器中,从而达到提高网络链路利用率、实现网络优化的效果。
综上所述,本发明实施例所提供的流量转发控制方案,充分利用了深度学习技术对网络拓扑及流量信息进行了智能学习和处理,从而能够自动寻找到可以使得网络链路利用率最大化的路由方案,并形成流表写入SDN控制器,从而避免了手工定义流表的繁琐,更重要的是通过对网络信息进行深度学习还实现了网络流表最优化的搜索和寻找,有效提高网络链路利用率。
具体地,通过本发明上述实施例的描述可以看到,本发明实施例所提供的流量转发控制方案的关键部分在于:一方面通过对现有SDN中SDN控制器扩展基于深度学习算法进行路由方案学习的功能来达到自动写入SDN控制器中流表的目的,实现了网络流表的智能自动化生成和写入,另一方面基于深度学习来执行流量转发控制则实现了网络智能的流量路由,使得SDN集中控制下的网络利用率得到了提升。
为了更清楚地说明本发明实施例所提供的流量转发控制方案,下面将基于如图2所示的流程示意图,以本发明的一些具体实施例为例并结合附图,对本发明实施例所提供的流量转发控制方案中深度学习算法以及具体实现过程进行详细的阐述,但不局限于本发明的下述实施例。
图3示出了本发明的一些实施例中基于深度学习算法进行路由方案学习以及得到最佳路由方案的流程示意图,该流量示意图主要由SDN路由深度学习框架示例来表示。
如图3所示,该SDN路由深度学习框架示例具体可以说明如下:
首先,针对不同的流量模型视图Fi(i=1,2,…)和不同的网络拓扑Ti,可在SDN控制器中搜索已有的与历史流量模型Fi和网络拓扑Ti对应的所有路由方案(假设表示为Ri),如图3所示框架中的301;
其次,将Ri结合流量模型视图Fi(i=1,2,…)和网络拓扑Ti结合监督学习(Supervised Learning),经过学习形成一种基于已有路由方案学习提取的路由方案,如图3所示框架中的302;
第三,将经过深度学习输出的路由方案与通过深度学习算法自学习生成的根据该流量模型视图Fi(i=1,2,…)和网络拓扑Ti的自学习路由方案再次进行增强学习(自学习,自行生成路由方案进行训练)和分析,输出优化后的自学习路由方案,如图3所示框架中的303;
第四,将已有路由方案和自学习路由方案进行评估比较,选出能够满足在当前条件下(即Fi和Ti)的满足链路利用率最大的路由方案,如图3所示框架中的304;
最后,将最终选择出的路由方案形成流表,写入SDN控制器,以使SDN控制器按照该流表进行流量转发的控制,如图3所示框架中的305。
可以看到,通过本发明的一些实施例中所提供的如图3所示的SDN路由深度学习框架示例,可以实现基于深度学习算法进行路由方案学习并得到最佳的路由方案,从而在实现SDN控制器中流表的自动写入的同时,实现了网络智能的流量路由,使得SDN集中控制下的网络利用率得到了提升。
进一步地,在本发明实施例所提供的流量转发控制方案中,采用深度学习算法进行路由学习的目标是寻找出符合链路利用率最大化原则的路由方案,在具体实现上可以采用监督学习方法或者图像识别方法的全局方式来执行,下面将分别对监督学习方法与图像识别方法进行介绍:
A、监督学习方法
设对于在网络拓扑为T的网络中,已有流量模型Fi,给定路由方案Ri,链路利用率ui;这样的历史数据有n组。
具体地,流量模型Fi可以用数据流的带宽需求、流量持续时间、总数据量等多维信息来表示,比如这些多维信息可分别量化为f1(i)、f2(i)…等分量;
具体地,路由方案Ri可以用路由跳数、各跳的带宽来表示,比如Ri可以量化为:其中,hi表示第i跳,Bi表示第i跳的带宽。对应给定网络拓扑T,路由方案可以通过固定路由表(其中,固定路由表可以是根据网络拓扑,遍历所有路径及跳数自动生成的)查找得到,示例如下表:
因而,可以通过对历史数据的学习来寻找出路有方案与流量模型以及链路利用率之间的映射关系,比如将该映射关系表示为规则H,该规则H将能够建立路由方案和流量模型及链路利用率的映射关系,即Ri=H{Fi,ui}
具体地,基于历史数据,可以利用线性回归的方式确定出规则H,进而在给定流量模型Fi及链路利用率ui的情况下,根据规则H得到路由方案Ri。
图4示出了本发明的一些实施例中利用线性回归的方式确定出规则H的具体算法示例。如图4所示,确定出规则H的具体算法可以包括有如下步骤:
步骤401:定义规则H(x):Define H(x),xi,θ儰,Ri;
其中,H表示映射规则;x为表示流量模型及链路利用率的多维度向量,x={F,u}={f1,f2,…,u};xi表示流量模型及链路利用率的多维度向量x的各项分量;θ儰为待求解的权重参数;Ri为路由方案,对应向量表示为R;
其中,n为已知历史数据的数量,或者也可以理解为{Ri,Fi,ui}的数量。
步骤403:基于所有的历史数据{Ri,Fi,ui}进行遍历,得到规则H(x)的表达式中的权重参数θ儰,进而确定出规则H(x):
{For i=1to n,{For every j,θj:=θj+a(Ri-H(xi))xj i}}
其中,α为设定常数,用于控制收敛时间。
进而,通过上述遍历过程便可以慢慢收敛从而得到权重参数θ儰,进而可以确定出规则H(x),因而在给定业务流量模型Fi及链路利用率ui的情况下,可以通过H(x),得到对应的路由方案Ri,根据所得到的Ri,在网络拓扑T中查找固定路由表中便可以确定出具体的路由方案。
B、图像识别方法
图5示出了本发明的一些实施例中基于图像识别方法进行深度学习找出符合链路利用率最大化原则的路由方案的流程示意图。
如图5所示,基于图像识别方法进行深度学习找出符合链路利用率最大化原则的路由方案的流程可以大致包括有以下步骤:
步骤501a:在给定拓扑结构T下,记录历史数据信息:针对不同数据流Fi,路由方案Ri下的链路利用率ui;
步骤501b:在给定拓扑结构T下,开始自我训练:假设各种不同数据流Fi,路由方案Ri下的链路利用率ui;
步骤502:合并这两类数据,形成数据库;
步骤503:根据数据库信息,形成各种路由方案的可视拓扑图形;
步骤504:构建可视拓扑图形库,每个图形对应一个链路利用率ui的值;
步骤505:对于同一流量模型,将其对应的所有可视网络拓扑的链路利用率ui进行比较,留取最大ui值所对应的可视网络拓扑;
步骤506:根据给定的流量模型,查找与给定流量模型匹配的链路利用率ui最高的拓扑所对应的路由方案。
进一步地,在上述流程中,由于各种流量注入网络,可能使得网络部分链路完全被占用,从而可能导致对应一个新的流量,对应确定出的路由方案可能并不通的,这种情况下,实际上可以转化为一个给定流量模型,网络拓扑变化的情况,因而,在本发明的一些实施例中,针对这种情况,可以通过但不限于通过以下过程来进行处理已得到较佳并可用的路由方案:
步骤1:将当前网络拓扑重新构建成为可视化视图;
步骤2:通过图形识别的方法,识别当前网络拓扑视图;
步骤3:当前网络拓扑视图将被识别为已构建的可视拓扑图库中的某一拓扑图;
步骤4:根据该拓扑图形输出路由方案;如果识别出的路由方案仍旧不通(比如部分链路完全被占),那么就再次进行识别,选择次优拓扑图形作为路由方案;依次类推,直至找出可行路由方案。
通过以上描述可以看出,在本发明实施例中,一方面通过对原有SDN控制器的功能扩展了网络深度学习算法能够实现SDN流表的自动写入,实现了网络流表的智能自动化生成和写入;另一方面通过深度学习进行学习能够实现网络智能的流量路由,使得SDN集中控制下的网络利用率得到了提升。
综上所述,本发明实施例所提供的流量转发控制方案通过提取网络中针对不同业务流量模型的路由方案,将这些方案进行深度学习及分析,从而能够基于深度学习输出最佳的路由方案,并形成流表写入SDN控制器,来实现对业务流量的网络利用率最大化的传输。因而,本发明实施例所提供的流量转发控制方案能够充分利用深度学习技术对网络拓扑及流量信息进行了智能学习和处理,自动寻找到可以使得网络链路利用率最大化的路由方案,并形成流表,写入SDN控制器,从而避免了手工定义流表的繁琐,更重要的是通过对网络信息进行深度学习实现了网络流表最优化的搜索和寻找,
基于相同的技术构思,本发明实施例还提供一种流量转发控制装置,该装置可执行本发明上述流量转发控制方法的实施例,该装置可应用于SDN中,可通过软件编程或软硬件的结合来实现,该装置在具体应用于SDN中时,可集成到现有SDN控制器中,也可以实现为单独的装置与SDN控制器耦合。
图6示出了本发明的一些实施例提供的流量转发控制装置的结构示意图。如图6所示,该装置包括:
确定模块601,用于确定当前网络的第一网络拓扑以及当前业务的第一流量模型;其中,第一网络拓扑用以表示当前网络中路由节点的连接关系;第一流量模型用以表示当前业务状态下流量在时间上的分布;
学习模块602,用于确定第一网络拓扑对应的历史流量模型和历史路由方案,并对历史流量模型和历史路由方案进行深度学习,得到第一网络拓扑对应的自学习路由方案;
选择模块603,用于从历史路由方案和自学习路由方案中,按照链路利用率最高的准则为第一流量模型确定第一路由方案;
生成模块604,用于根据第一路由方案,生成第一流表并写入SDN中的SDN控制器,以使SDN控制器按照第一流表控制流量转发。
具体地,在本发明的一些可选实施例中,学习模块602可以具体用于:
确定每个历史流量模型对应的历史路由方案的链路利用率;
根据每个历史流量模型,以及每个历史流量模型对应的历史路由方案和链路利用率,确定路由方案与流量模型及链路利用率之间的映射关系;
根据第一流量模型以及预设的链路利用率,通过所确定的映射关系得到第一网络拓扑对应的、由第一流量模型确定的自学习路由方案。
具体地,在本发明的一些可选实施例中,学习模块602还可以用于:
对第一网络拓扑模拟生成训练流量模型;根据训练流量模型以及预设的链路利用率,通过所确定的映射关系得到第一网络拓扑对应的、由训练流量模型确定的自学习路由方案;进而可以对第一流量模型和由第一流量模型确定的自学习路由方案、以及训练流量模型和由训练流量模型确定的自学习路由方案再次进行深度学习,得到第一网络拓扑对应的优化自学习路由方案;
进一步地,选择模块603可以基于学习模块602所得到的优化自学习路由方案,从历史路由方案和优化自学习路由方案中,按照链路利用率最高的准则为第一流量模型确定第一路由方案。
具体地,在本发明的一些可选实施例中,学习模块602还可以在对第一网络拓扑模拟生成训练流量模型,并根据训练流量模型以及预设的链路利用率,通过映射关系得到所述第一网络拓扑对应的、由训练流量模型确定的自学习路由方案之后,进一步地将历史路由方案和自学习路由方案中的每个路由方案转化为可视拓扑图形,构建可视拓扑图形库;其中,由一个路由方案转化得到的可视拓扑图形对应一个链路利用率;
进一步地,选择模块603可以基于学习模块602得到的可视拓扑图形库,根据第一流量模型,从可视拓扑图形库中查找与第一流量模型匹配的可视拓扑图形;比较所查找到的可视拓扑图形对应的链路利用率,将链路利用率最高的可视拓扑图形对应的路由方案确定为第一路由方案。
具体地,在本发明的一些可选实施例中,确定模块601还可以用于检测第一路由方案中是否有链路被占用,并在检测到第一路由方案中有链路被占用时确定当前网络的第二网络拓扑;
进一步地,选择模块603可以根据确定模块601所确定出的第二网络拓扑,从可视拓扑图形库中识别与第二网络拓扑匹配的可视拓扑图形;进而比较所识别出的可视拓扑图形对应的链路利用率,将链路利用率最高的可视拓扑图形对应的路由方案确定为第二路由方案;
进一步地,生成模块604可以根据选择模块603所确定的第二路由方案,生成第二流表并写入SDN控制器,以使SDN控制器按照第二流表控制流量转发。
具体地,本发明的一些实施例所提供的流量转发控制装置中各个模块的具体功能可以参见本发明前述如图2所示方法流程实施例中对应的描述,本申请在此将不再赘述。基于同一发明构思,本发明的一些实施例所提供的流量转发控制装置解决现有技术问题的原理以及有益效果同样可以参见本发明前述方法实施例的实施以及所带来的有益效果,重复之处不再赘述。
作为一个示例,图7示出了本发明的一些实施例提供的流量转发控制装置应用于SDN网络中的网络结构示意图。其中,在图7所示的示例中,流量转发控制装置实现为与SDN控制器耦合的装置,应当理解的是,流量转发控制装置也可实现为SDN控制器中的功能模块等,本发明对此不作限定。
如图7所示,该架构主要由SDN控制器701及流量转发控制装置702组成,其中,流量转发控制装置702获取业务流量模型703,并提取网络704中针对不同业务流量模型的路由方案705,通过对这些方案进行深度学习及分析,从而得到最佳的路由方案,并形成流表写入SDN控制器701,来实现对业务流量703的网络利用率最大化的路由传输。
其中,流量转发控制装置702主要是通过对大量数据流量模型及网络拓扑信息进行监督学习和增强学习,选择出在给定当前网络拓扑和流量模型情况下使得网络链路利用率最高的路由方案。
其中,SDN控制器701具体可以是在原有标准SDN控制器的基础上扩展与流量转发控制装置702进行耦合的功能模块,或者流量转发控制装置702也可以集成到原有标准SDN控制器中,流量转发控制装置702通过读取SDN中已有的针对不同业务流量模型的流表(路由方案),最终输出经过深度学习的优化路由方案,并转化成流表写入控制器。
基于如图7所示的系统架构,可以看到,本发明实施例所提供的流量转发控制装置能够以人工智能的方式形成SDN控制器流表,通过首先对业务流量分布形成流量视图F,对当前网络拓扑形成拓扑视图T;不同的流量情况,对应的流量视图表示为Fi(i=1,2,…),不同网络情况下对应的网络拓扑表示为Ti(i=1,2,…);针对Fi与Ti的各种组合情况,结合并查找历史流量信息与网络拓扑信息,输入到深度学习网络;以形成最优路由方式为目标进行学习和训练,输出经过监督学习方式的路由方案Ri,对于任意输入Fi与Ti,根据学习的结果,自动输出一种最佳的路由方式,形成流表写入SDN控制器。来实现网络优化,提高网络链路利用率。
基于相同的技术构思,本发明实施例还提供一种SDN架构系统,该SDN架构系统中可应用本发明上述流量转发控制方法的实施例,具体比如,该SDN架构系统可包括如图7所示的流量转发控制装置702以及SDN控制器701。
图8示出了本发明的一些实施例提供的SDN架构系统的结构示意图。
如图8所示,该系统中可以包括:流量转发控制装置801以及SDN控制器802;其中,流量转发控制装置801用于自动生成流表;SDN控制器802用于按照流量转发控制装置801所生成的流表控制流量转发。
具体地,在本发明的一些实施例中,流量转发控制装置801可以实现为如图6所示的结构示意图,其具体实现以及相应地功能模块具体可参见本发明前述实施例的描述,本申请在此将不再赘述。
基于同一发明构思,本发明的一些实施例所提供的SDN架构系统解决现有技术问题的原理以及有益效果可以参见上述图2所示方法实施例的实施以及所带来的有益效果,因此该SDN架构系统的实施可以参见上述方法实施例的实施,重复之处不再赘述。
在本发明的又一些实施例中,如图8所示的流量转发控制装置801也可以集成到SDN控制器802中,解决现有技术问题的原理以及有益效果同样可以参见本发明上述实施例的实施以及所带来的有益效果,重复之处不再赘述。
对于软件实施,这些技术可以用实现这里描述的功能的模块(例如程序、功能等等)实现。软件代码可以储存在存储器单元中,并且由处理器执行。存储器单元可以在处理器内或者在处理器外实现。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种流量转发控制方法,应用于软件定义网络SDN中,其特征在于,该方法包括:
确定当前网络的第一网络拓扑以及当前业务的第一流量模型;所述第一网络拓扑用以表示当前网络中路由节点的连接关系;所述第一流量模型用以表示当前业务状态下流量在时间上的分布;
确定所述第一网络拓扑对应的历史流量模型和历史路由方案,并确定每个历史流量模型对应的历史路由方案的链路利用率;根据每个历史流量模型,以及每个历史流量模型对应的历史路由方案和链路利用率,确定路由方案与流量模型及链路利用率之间的映射关系;根据所述第一流量模型以及预设的链路利用率,通过所述映射关系得到所述第一网络拓扑对应的、由所述第一流量模型确定的自学习路由方案;
对所述第一网络拓扑模拟生成训练流量模型;根据所述训练流量模型以及预设的链路利用率,通过所述映射关系得到所述第一网络拓扑对应的、由所述训练流量模型确定的自学习路由方案;对所述第一流量模型和由所述第一流量模型确定的自学习路由方案、以及所述训练流量模型和由所述训练流量模型确定的自学习路由方案再次进行深度学习,得到所述第一网络拓扑对应的优化自学习路由方案;
从所述历史路由方案和所述优化自学习路由方案中,按照链路利用率最高的准则为所述第一流量模型确定第一路由方案;
根据所述第一路由方案,生成第一流表并写入所述SDN中的SDN控制器,以使所述SDN控制器按照所述第一流表控制流量转发。
2.如权利要求1所述的方法,其特征在于,确定路由方案与流量模型及链路利用率之间的映射关系之后,还包括:
对所述第一网络拓扑模拟生成训练流量模型;
根据所述训练流量模型以及预设的链路利用率,通过所述映射关系得到所述第一网络拓扑对应的、由所述训练流量模型确定的自学习路由方案;
将所述历史路由方案和所述自学习路由方案中的每个路由方案转化为可视拓扑图形,构建可视拓扑图形库;其中,由一个路由方案转化得到的可视拓扑图形对应一个链路利用率;
从所述历史路由方案和所述自学习路由方案中,按照链路利用率最高的准则为所述第一流量模型确定第一路由方案,包括:
根据所述第一流量模型,从所述可视拓扑图形库中查找与所述第一流量模型匹配的可视拓扑图形;
比较所查找到的可视拓扑图形对应的链路利用率,将链路利用率最高的可视拓扑图形对应的路由方案确定为所述第一路由方案。
3.如权利要求2所述的方法,其特征在于,还包括:
若检测到所述第一路由方案中有链路被占用,则确定当前网络的第二网络拓扑;
根据所述第二网络拓扑,从所述可视拓扑图形库中识别与所述第二网络拓扑匹配的可视拓扑图形;
比较所识别出的可视拓扑图形对应的链路利用率,将链路利用率最高的可视拓扑图形对应的路由方案确定为第二路由方案;
根据所述第二路由方案,生成第二流表并写入所述SDN控制器,以使所述SDN控制器按照所述第二流表控制流量转发。
4.一种流量转发控制装置,应用于SDN中,其特征在于,该装置包括:
确定模块,用于确定当前网络的第一网络拓扑以及当前业务的第一流量模型;所述第一网络拓扑用以表示当前网络中路由节点的连接关系;所述第一流量模型用以表示当前业务状态下流量在时间上的分布;
学习模块,用于确定所述第一网络拓扑对应的历史流量模型和历史路由方案,并确定每个历史流量模型对应的历史路由方案的链路利用率;根据每个历史流量模型,以及每个历史流量模型对应的历史路由方案和链路利用率,确定路由方案与流量模型及链路利用率之间的映射关系;根据所述第一流量模型以及预设的链路利用率,通过所述映射关系得到所述第一网络拓扑对应的、由所述第一流量模型确定的自学习路由方案;对所述第一网络拓扑模拟生成训练流量模型;根据所述训练流量模型以及预设的链路利用率,通过所述映射关系得到所述第一网络拓扑对应的、由所述训练流量模型确定的自学习路由方案;对所述第一流量模型和由所述第一流量模型确定的自学习路由方案、以及所述训练流量模型和由所述训练流量模型确定的自学习路由方案再次进行深度学习,得到所述第一网络拓扑对应的优化自学习路由方案;
选择模块,用于从所述历史路由方案和所述优化自学习路由方案中,按照链路利用率最高的准则为所述第一流量模型确定第一路由方案;
生成模块,用于根据所述第一路由方案,生成第一流表并写入所述SDN中的SDN控制器,以使所述SDN控制器按照所述第一流表控制流量转发。
5.如权利要求4所述的装置,其特征在于,所述学习模块,还用于:
对所述第一网络拓扑模拟生成训练流量模型;
根据所述训练流量模型以及预设的链路利用率,通过所述映射关系得到所述第一网络拓扑对应的、由所述训练流量模型确定的自学习路由方案;
将所述历史路由方案和所述自学习路由方案中的每个路由方案转化为可视拓扑图形,构建可视拓扑图形库;其中,由一个路由方案转化得到的可视拓扑图形对应一个链路利用率;
所述选择模块,具体用于:
根据所述第一流量模型,从所述可视拓扑图形库中查找与所述第一流量模型匹配的可视拓扑图形;
比较所查找到的可视拓扑图形对应的链路利用率,将链路利用率最高的可视拓扑图形对应的路由方案确定为所述第一路由方案。
6.如权利要求5所述的装置,其特征在于,所述确定模块,还用于:在检测到所述第一路由方案中有链路被占用时,确定当前网络的第二网络拓扑;
所述选择模块,还用于:
根据所述第二网络拓扑,从所述可视拓扑图形库中识别与所述第二网络拓扑匹配的可视拓扑图形;
比较所识别出的可视拓扑图形对应的链路利用率,将链路利用率最高的可视拓扑图形对应的路由方案确定为第二路由方案;
所述生成模块,还用于:
根据所述第二路由方案,生成第二流表并写入所述SDN控制器,以使所述SDN控制器按照所述第二流表控制流量转发。
7.一种SDN架构系统,其特征在于,包括:如权利要求4-6任一项所述的流量转发控制装置以及SDN控制器;所述SDN控制器,用于按照所述流量转发控制装置生成的流表控制流量转发。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610998978.0A CN108075974B (zh) | 2016-11-14 | 2016-11-14 | 一种流量转发控制方法、装置及sdn架构系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610998978.0A CN108075974B (zh) | 2016-11-14 | 2016-11-14 | 一种流量转发控制方法、装置及sdn架构系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108075974A CN108075974A (zh) | 2018-05-25 |
CN108075974B true CN108075974B (zh) | 2021-01-15 |
Family
ID=62161727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610998978.0A Active CN108075974B (zh) | 2016-11-14 | 2016-11-14 | 一种流量转发控制方法、装置及sdn架构系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108075974B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108880909B (zh) * | 2018-07-10 | 2021-04-30 | 北京邮电大学 | 一种基于强化学习的网络节能方法及装置 |
CN108900419B (zh) * | 2018-08-17 | 2020-04-17 | 北京邮电大学 | Sdn架构下基于深度强化学习的路由决策方法及装置 |
CN109543818A (zh) * | 2018-10-19 | 2019-03-29 | 中国科学院计算技术研究所 | 一种基于深度学习模型的链路评估方法和系统 |
CN112671648A (zh) * | 2020-12-22 | 2021-04-16 | 北京浪潮数据技术有限公司 | 一种sdn网络数据传输方法、sdn网络、设备及介质 |
CN113395207B (zh) * | 2021-06-15 | 2022-12-23 | 北京工业大学 | 一种sdn架构下基于深度强化学习的路由优化架构及方法 |
CN113709002B (zh) * | 2021-09-01 | 2022-10-21 | 中国电子科技集团公司第七研究所 | 面向复杂地形下高抗毁专网的sdn受控转发回落方法 |
CN117176592B (zh) * | 2023-09-04 | 2024-03-01 | 广州佳新智能科技有限公司 | 多银行链路人工智能网关处理方法、系统、介质和设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2005256148A1 (en) * | 2004-06-23 | 2006-01-05 | Es Labs Pty Limited | A network optimisation system |
CN102638409A (zh) * | 2012-04-27 | 2012-08-15 | 浙江工商大学 | 基于转发和控制分离网络件架构内通道间的流量控制方法 |
CN105323099A (zh) * | 2014-07-31 | 2016-02-10 | 中国移动通信集团公司 | 业务网络流量建模方法、网络资源调度方法及网元 |
CN105429886A (zh) * | 2015-10-30 | 2016-03-23 | 南京优速网络科技有限公司 | 一种基于sdn的综合统一流量调度系统及其调度方法 |
CN105960779A (zh) * | 2014-11-14 | 2016-09-21 | 华为技术有限公司 | 具有基于机器学习的路由模型的数据路由 |
-
2016
- 2016-11-14 CN CN201610998978.0A patent/CN108075974B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2005256148A1 (en) * | 2004-06-23 | 2006-01-05 | Es Labs Pty Limited | A network optimisation system |
CN102638409A (zh) * | 2012-04-27 | 2012-08-15 | 浙江工商大学 | 基于转发和控制分离网络件架构内通道间的流量控制方法 |
CN105323099A (zh) * | 2014-07-31 | 2016-02-10 | 中国移动通信集团公司 | 业务网络流量建模方法、网络资源调度方法及网元 |
CN105960779A (zh) * | 2014-11-14 | 2016-09-21 | 华为技术有限公司 | 具有基于机器学习的路由模型的数据路由 |
CN105429886A (zh) * | 2015-10-30 | 2016-03-23 | 南京优速网络科技有限公司 | 一种基于sdn的综合统一流量调度系统及其调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108075974A (zh) | 2018-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108075974B (zh) | 一种流量转发控制方法、装置及sdn架构系统 | |
CN113315700B (zh) | 算力资源调度方法、装置和存储介质 | |
US10070328B2 (en) | Predictive network traffic management | |
US10389585B2 (en) | System and method for data flow optimization | |
US9172614B2 (en) | Network capacity management system and method | |
CN108924198A (zh) | 一种基于边缘计算的数据调度方法、装置及系统 | |
US9740534B2 (en) | System for controlling resources, control pattern generation apparatus, control apparatus, method for controlling resources and program | |
CN113220457A (zh) | 模型部署方法、模型部署装置、终端设备及可读存储介质 | |
CN108365969B (zh) | 一种基于无线传感网的自适应服务组合方法 | |
Dalgkitsis et al. | Dynamic resource aware VNF placement with deep reinforcement learning for 5G networks | |
WO2014042753A1 (en) | Generating and evaluating expert networks | |
CN108650011A (zh) | 多无人机与地面网络高效协作性数据中继方法及系统 | |
CN114710439B (zh) | 基于深度强化学习的网络能耗与吞吐量联合优化路由方法 | |
CN114827284B (zh) | 工业物联网中服务功能链编排方法、装置及联邦学习系统 | |
WO2022062648A1 (zh) | 一种自动驾驶仿真任务调度方法、装置、设备及可读介质 | |
Mroue et al. | A neural network based handover for multi-RAT heterogeneous networks with learning agent | |
CN116980298A (zh) | 一种基于边图注意力的确定性端到端切片流量编排策略 | |
CN116436923A (zh) | 一种按需组网服务实例自主生成及匹配方法与系统 | |
KR20230100683A (ko) | 준마코프 사후상태 액터-크리틱을 활용한 전력망 자동 운영 방법 | |
Li et al. | Online coordinated NFV resource allocation via novel machine learning techniques | |
CN111915102A (zh) | 一种基于负载预测的工作平台工作量预测方法及系统 | |
Zhang et al. | Effective 3C Resource Utilization and Fair Allocation Strategy for Multi-Task Federated Learning | |
Alzadjali et al. | OctoMap: Supporting Service Function Chaining via Supervised Learning and Online Contextual Bandit | |
Han et al. | Multi-SP Network Slicing Parallel Relieving Edge Network Conflict | |
KR20200126212A (ko) | 인터커넥션 네트워크(Interconnection network) 기반의 다중 노드 클러스터로 구성된 고성능 컴퓨팅 환경에서 유저 리퀘스트 처리율 최대화/인트라통신 지연시간 최소화를 달성하기 위한 딥러닝 기반의 동적 라우팅 기법 |
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 |