CN108259367A - 一种基于软件定义网络的服务感知的流策略定制方法 - Google Patents
一种基于软件定义网络的服务感知的流策略定制方法 Download PDFInfo
- Publication number
- CN108259367A CN108259367A CN201810025363.9A CN201810025363A CN108259367A CN 108259367 A CN108259367 A CN 108259367A CN 201810025363 A CN201810025363 A CN 201810025363A CN 108259367 A CN108259367 A CN 108259367A
- Authority
- CN
- China
- Prior art keywords
- service
- flow
- stream
- software defined
- network
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 241000406668 Loxodonta cyclotis Species 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000009434 installation Methods 0.000 claims description 5
- 230000000644 propagated effect Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000008447 perception Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 235000019580 granularity Nutrition 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000000686 essence Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000165940 Houjia Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000010025 steaming Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
-
- 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
- H04L47/12—Avoiding congestion; Recovering from congestion
- H04L47/125—Avoiding congestion; Recovering from congestion by balancing the load, e.g. traffic engineering
-
- 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
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
-
- 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
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
- H04L47/2441—Traffic characterised by specific attributes, e.g. priority or QoS relying on flow classification, e.g. using integrated services [IntServ]
-
- 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
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
- H04L47/2483—Traffic characterised by specific attributes, e.g. priority or QoS involving identification of individual flows
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明属于流量调度技术领域,公开了一种基于软件定义网络的服务感知的流策略定制方法,流识别与流调度都是在控制器,通过扩展控制器的基础模块,开发出服务流识别分类和服务流策略调度两个模块,分别处理流的分类和调度功能。本发明是一种在软件定义网络(SDN)中,较为合理的流识别和流调度方案,能够对流进行服务层面的感知,较为精确的识别分类服务流,为不同类别的服务流制定不同的QoS级别的转发策略,提升企业门户面向用户所提供的业务访问所需的服务质量得到保障,提升用户对该服务的体验质量(QoE),同时在一定程度上保证了链路的负载均衡和利用率。
Description
技术领域
本发明属于流量调度技术领域,尤其涉及一种基于软件定义网络的服务感知的流策略定制方法。
背景技术
目前,业内常用的现有技术是这样的:流量调度问题是传统网络中流量工程问题的一种,在SDN软件定义网络中通常将流量调度称为流调度。流量调度策略并不完全统一,针对大部分流量使用相同的流调度策略,如负载均衡、最短路径等。但往往,还有许多类型的流量需要区分对待,用于满足用户所需的高质量的传输需求(如关键应用和多媒体应用流量等),对于这部分流量,将其称为服务流,需要定制化特殊的方案来对其识别分类和调度。然而目前流量分类技术有深度包检测技术(DPI)和支持向量机的机器学习方式。但前者只能识别分类出数据库中已知应用程序的流,对于网络中新出现的应用程序产生的流无法识别,并且这不是一个有效的识别服务类别流的方法,因为很多不同的应用程序可能属于同一个服务类别,而后者的分类准确度还能再提高。对分类出来的服务流对其进行满足多个QoS(服务质量)约束级别的调度,而调度的本质就是要计算出一条满足多个约束条件的路径。然而现有的求解多约束QoS路经问题的方法,虽然可以为某个服务流寻找到一条满足多约束条件的路径,保证该流传输的服务质量,但并不能保证整个网络链路的负载均衡。原因如下,目前在多约束QoS路由上做的比较好的属于最大最小蚁群算法,但它的约束条件往往只考虑了时延、剩余带宽、抖动、丢包率等,虽然它能够在较短时间计算出一条满足上述4个约束条件的最优路径,但是当某个时段业务种类增多时,高质量的链路上可能会承载更多的业务流量,而低质量的链路上业务流量很低,造成了负载不均衡的现象。造成上述问题主要的原因是没有充分考虑全网的拓扑和链路状态信息。
综上所述,现有技术存在的问题是:现有的流量调度策略对于网络中新出现的应用程序产生的流无法识别,因而难以准确的为所有的流提供高质量的服务,对分类出来的服务流进行满足多个QoS(服务质量)约束级别的调度时,没有充分考虑全网的拓扑和链路状态信息,并不能保证整个网络链路的负载均衡,可能出现某段链路负载很高而某段链路负载很低和时常空闲等负载不均衡问题。
发明内容
针对现有技术存在的问题,本发明提供了一种基于软件定义网络的服务感知的流策略定制方法。
本发明是这样实现的,一种基于软件定义网络的服务感知的流策略定制系统,所述基于软件定义网络的服务感知的流策略定制系统包括:
数据转发层,用于基本的网络数据的传输;
控制器层,包括基本控制器模块和服务流模块;
基本控制器模块用于SDN网络事件管理;
服务流模块由服务流识别与分类模块和服务流策略调度模块两部分组成;协同工作用于完成流的服务级别分类与调度;
初步流检测用于对大象流进行识别,服务分类模型使用深度神经网络作为分类器对大象流进一步做服务级别的分类,同时历史数据库用于采集流信息作为新的训练样本用于后续某时段对服务分类模型进行再训练以提高模型的自适应性;
slave控制器,用于防止主控制器宕机。
进一步,所述服务流识别分类模块运用机器学习中的深度神经网络算法作为训练模型,对历史数据库中的大量流数据样本进行训练,并通过神经网络算法中的前向传播和逆向反馈不断迭代更新权重w和偏置b,训练出一个深度神经网络的分类器。
进一步,所述策略调度模块用于对识别分类模块中识别出的服务流进行满足多QoS约束的路径计算,运用最大最小蚁群算法,并将链路利用率作为附加约束条件。
本发明的另一目的在于提供一种实现所述基于软件定义网络的服务感知的流策略定制系统的计算机程序。
本发明的另一目的在于提供一种实现所述基于软件定义网络的服务感知的流策略定制系统的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的基于软件定义网络的服务感知的流策略定制系统。
本发明的另一目的在于提供一种所述基于软件定义网络的服务感知的流策略定制系统的基于软件定义网络的服务感知的流策略定制方法,所述基于软件定义网络的服务感知的流策略定制方法包括:
运用机器学习中的深度神经网络算法作为训练模型,对历史数据库中的大量流数据样本进行训练,并通过神经网络算法中的前向传播和逆向反馈不断迭代更新权重w和偏置b,训练出一个深度神经网络的分类器,并加入弹性机制自适应调整分类模型的粗细粒度;
对识别分类模块中识别出的服务流进行满足多QoS约束的路径计算,其中运用到了最大最小蚁群算法,并将链路利用率作为附加约束条件,使用评价指标计算路径评分,同时对于多约束QoS路径算法找不到可行解的情况,将保证剩余最大带宽为主要约束,然后加入惩罚因子对不满足约束的路径做惩罚幂计算,最后根据路径的最终评分来选择最优路径。
进一步,所述流信息采集方法如下:当检测到大象流时,会有p的概率被复刻一份存储到历史数据库中,其中p的值依赖于网络状态;如果该流被选择存储,特征信息将被提取并存储到控制器的历史数据库中;
所述服务分类模型将识别出的服务流信息交由服务流策略调度模块中做处理,通过对服务信息的评估制定QoS约束条件,使用改进的蚁群算法计算可行路径,然后将得到的路径信息再交由基础控制器模块的流表读写中进行转发策略的安装;手动策略管理用于网络管理员自主调整策略。
本发明的另一目的在于提供一种实现所述基于软件定义网络的服务感知的流策略定制方法的计算机程序。
本发明的另一目的在于提供一种实现所述基于软件定义网络的服务感知的流策略定制方法的信息数据处理终端。
本发明通过神经网络训练出对服务流的分类模型,能弹性粒度划分应用层各种相似服务的流量,并且集成在SDN集中控制中,从而达到对服务流智能感知的能力,同时还具备信息采集和模型再训练的机制,使分类模型具有自适应性,能够满足未来网络的变化,对新应用程序所产生的流具备较好的识别能力;改进后的流调度算法能够为服务流提供QoS(服务质量)的保障,同时为服务流计算的路径对全网链路负载的影响总是趋于负载均衡的;本发明是一种在SDN网络中实施智能化的流识别和调度方法,通过实验图进一步分析,通过图2所示本发明所用到的深度神经网络算法与其他两个算法相比有较好的分类准确度,并且通过图3所示本发明的流调度算法在发现最优路径时拥有较快的收敛速度和较少的迭代次数,能充分利用负载较低的链路,快速提供满意的转发策略。
附图说明
图1是本发明实施例提供的基于软件定义网络的服务感知的流策略定制系统结构示意图。
图2是本发明实施例提供的基于软件定义网络的服务感知的流策略定制方法不同类别服务流的分类精确度示意图。
图3是本发明实施例提供的本发明的算法在计算最优路径时的迭代速度和收敛性的示意图;
图中:其中fitness值表示路径评分,其值越大路径越优,best_fitness和avg_fitness越接近表示越收敛,其中utilization表示路径利用率和,在迭代次数达到25次后就没有再变化,既找到最优路径解。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的附图1给出本流程架构图中的各模块功能作用:其中数据转发层是用于基本的网络数据的传输,控制器层包括两大块,基本控制器模块和服务流模块。基本控制器模块具备基础的SDN网络事件管理功能,如交换机设备的管理、网络拓扑的收集与发现、链路状态事件的监听、外部API的控制、转发流表的安装与读写等。而服务流模块由服务流识别与分类模块和服务流策略调度模块两部分组成,协同工作用于完成流的服务级别分类与调度,其中初步流检测用于对大象流进行识别,服务分类模型使用深度神经网络作为分类器对大象流进一步做服务级别的分类,同时历史数据库用于采集流信息作为新的训练样本用于后续某时段对服务分类模型进行再训练以提高模型的自适应性,服务分类模型将识别出的服务流信息交由服务流策略调度模块中做处理,通过对服务信息的评估制定QoS约束条件,使用改进的蚁群算法计算可行路径,然后将得到的路径信息再交由基础控制器模块的流表读写中进行转发策略的安装。手动策略管理用于网络管理员自主调整策略,最右边的slave控制器是为了防止主控制器宕机而做的高可用);
图3中fitness值表示路径评分,其值越大路径越优,best_fitness和avg_fitness越接近表示越收敛,其中utilization表示路径利用率和,在迭代次数达到25次后就没有再变化,既找到最优路径解)。
如图1所示,本发明实施例提供的基于软件定义网络的服务感知的流策略定制方法,通过扩展控制器的基础模块,开发出服务流识别分类和服务流策略调度两个模块,分别处理流的分类和调度功能;
在服务流识别分类模块中运用机器学习中的深度神经网络算法作为训练模型,对历史数据库中的大量流数据样本进行训练,并通过神经网络算法中的前向传播和逆向反馈不断迭代更新权重和偏置,最终训练出一个深度神经网络的分类器;为了使深度神经网络的分类器具有自适应性,加入一种定期的流信息采集方法,将采集到的新流信息存储在历史数据库中,用于重新培训分类器以使其适应未来网络的变化,加入一种弹性机制,能根据网络需求自适应调整分类粒度的粗细,在网络繁忙时以粗粒度进行服务流分类,以减少网络控制器计算负担,而在网络空闲时能较细粒度分类服务流类别,如表中所示的多媒体服务流可以更细粒度分为在线多媒体视频服务和离线多媒体视频服务流,同理其他类别服务流也可按此规则细粒度划分,以提高用户的弹性体验;
策略调度模块用于对识别分类模块中识别出的服务流进行满足多QoS约束的路径计算,其中运用到了最大最小蚁群算法,并将链路利用率作为附加约束条件,对于多约束QoS路径算法找不到可行解的情况,将保证剩余最大带宽为主要约束,同时将放宽没有满足约束的那一项条件,通常对它进行可容忍程度的放宽,进行次优级别路径计算。
所述的深度神经网络的分类器能过对需要识别的流进行准确的分类,判断其属于哪一类别的服务流,通常被送往分类器的需要被识别的流往往是“大象流”,大象流的检测是在初步流检测模块中完成的。
所述流信息采集方法如下:当检测到“大象”流时,该流会有p的概率被复刻一份存储到历史数据库中,其中p的值依赖于网络状态;如果该流被选择存储,那么他的特征信息将被提取并存储到控制器的历史数据库中。
深度神经网络一共包括7层,其中含5个隐层,一个输入层一个输出层。通过图2所示的实验结果,发现9个特征值已经可以很好满足分类精确度。因此输入层X包含9个特征输入神经元X(x1,x2,x3,...,x9),输出层Y包含5个输出神经元Y(y1,y2,...,y5),其中(x1,x2,x3,...,x9)分别表示前五个包的大小、前五个包的达到时间、前五个包到达间隔时间、源主机MAC地址、目的主机MAC地址、源主机IP地址、目的主机IP地址、源端口、目的端口、流的持续时间、字节计数、报文计数等,然后对上述特征值进行Z-score处理,使得输入数据标准化;而其中(y1,y2,...,y5)分别表示语音/视频会议的服务流、交互式数据的服务流、多媒体的服务流、批量数据传输的服务流以及非服务流。以上两个输入输出神经元的具体含义如下表所述。
多约束QoS路径选择算法通过将时延、抖动、丢包率、剩余最大带宽和最小利用率等指标作为约束条件,构成数学模型
其中fi(e)(i=1,2,..m)分别表示某一段链路e上的时延、丢包、抖动、最大带宽、利用率等,并且fi(p)要保证不超过单条路径上的约束临界值,fi(e)要保证不超过单条链路上的约束临界值,然后对该数学模型使用最大最小蚁群算法求解,便可以得到一条最优的路径。
一种对未知的传输流进行服务感知和QoS级别的调度方法:
(1)当服务器A产生流量到客户B时,首先它会在进入的第一个OpenFlow交换机中进行流表匹配,若匹配到相对应的流表,则会执行安装在该OpenFlow交换机中的流表的转发动作,完成按照已有策略的直接转发,如果该流量并没有匹配到对应的转发流表,OpenFlow交换机会向控制器发送packet_in消息询问控制器为该流表制定相应的转发策略。
(2)通过南向接口OpenFlow协议发往控制器的packet_in消息会包含该流量的相关信息,控制器的监听模块监听到packet_in消息后会将它送往服务流识别分类模块进行处理。首先该模块会对收到的packet_in消息进行解析,获取其流量的协议类型和相关参数,然后对解析后的流量进行安全检测,如果检测到属于恶意类型,将会拒绝服务并向OpenFlow交换机下发一个丢弃该流量的转发策略;如果流量安全性正常,并且该流量属于简单服务类型,将直接交由控制器的基础转发模块进行处理;而如果属于“大象流”,进行步骤三。
(3)需要将其送往服务分类模型中进行分类,并以P的概率存储一份到历史数据库中。在服务分类模型中可以对送入的流进行准确的分类,推断其所属的服务流。
(4)服务流策略调度模块接收到服务流识别分类模块发送来的服务流的类别信息后,将会对该服务进行评估,找出满足该服务流的各项QoS约束条件的指标,然后将各个QoS约束条件的指标组合成多约束的数学模型,使用最大最小蚁群算法求解最优路径。
(5)对于多约束找不到可行解的情况,加入惩罚因子以防止没有可行解的情况发生,用惩罚因子对不满足约束的路径进行一定程度惩罚幂计算,惩罚因子的取值能在很大程度上保证不满足约束的解得分一定是劣于满足约束的节得分,因此在存在满足约束的路径时,一定是存在满足约束的最优路径,而在找不到满足约束的路径时,也能通过惩罚得分找出次优路径。
(6)服务流策略调度模块计算出一条最优路径的时候,它会将该路径生成策略信息通知给基础模块中流表模块,流表模块将会按照策略信息的指示安装转发流策略到需要的OpenFlow交换机,这样,该服务流将会按照上述步骤计算得到的路径进行传输。该条路径能够合理的满足其服务质量,并且保证整个网络的链路利用始终趋于负载均衡的状态。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于软件定义网络的服务感知的流策略定制系统,其特征在于,所述基于软件定义网络的服务感知的流策略定制系统包括:
数据转发层,用于基本的网络数据的传输;
控制器层,包括基本控制器模块和服务流模块;
基本控制器模块用于SDN网络事件管理;
服务流模块由服务流识别与分类模块和服务流策略调度模块两部分组成;协同工作用于完成流的服务级别分类与调度;
初步流检测用于对大象流进行识别,服务分类模型使用深度神经网络作为分类器对大象流进一步做服务级别的分类,同时历史数据库用于采集流信息作为新的训练样本用于后续某时段对服务分类模型进行再训练以提高模型的自适应性;
slave控制器,用于防止主控制器宕机。
2.如权利要求1所述的基于软件定义网络的服务感知的流策略定制系统,其特征在于,所述服务流识别分类模块运用机器学习中的深度神经网络算法作为训练模型,对历史数据库中的大量流数据样本进行训练,并通过神经网络算法中的前向传播和逆向反馈不断迭代更新权重w和偏置b,训练出一个深度神经网络的分类器。
3.如权利要求1所述的基于软件定义网络的服务感知的流策略定制系统,其特征在于,所述策略调度模块用于对识别分类模块中识别出的服务流进行满足多QoS约束的路径计算,运用最大最小蚁群算法,并将链路利用率作为附加约束条件。
4.一种实现权利要求1~3任意一项所述基于软件定义网络的服务感知的流策略定制系统的计算机程序。
5.一种实现权利要求1~3任意一项所述基于软件定义网络的服务感知的流策略定制系统的信息数据处理终端。
6.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-3任意一项所述的基于软件定义网络的服务感知的流策略定制系统。
7.一种如权利要求1所述基于软件定义网络的服务感知的流策略定制系统的基于软件定义网络的服务感知的流策略定制方法,其特征在于,所述基于软件定义网络的服务感知的流策略定制方法包括:
运用机器学习中的深度神经网络算法作为训练模型,对历史数据库中的大量流数据样本进行训练,并通过神经网络算法中的前向传播和逆向反馈不断迭代更新权重w和偏置b,训练出一个深度神经网络的分类器,并加入弹性机制自适应调整分类模型的粗细粒度;
对识别分类模块中识别出的服务流进行满足多QoS约束的路径计算,其中运用到了最大最小蚁群算法,并将链路利用率作为附加约束条件,使用评价指标计算路径评分,同时对于多约束QoS路径算法找不到可行解的情况,将保证剩余最大带宽为主要约束,然后加入惩罚因子对不满足约束的路径做惩罚幂计算,最后根据路径的最终评分来选择最优路径。
8.如权利要求4所述的基于软件定义网络的服务感知的流策略定制方法,其特征在于,所述流信息采集方法如下:当检测到大象流时,会有p的概率被复刻一份存储到历史数据库中,其中p的值依赖于网络状态;如果该流被选择存储,特征信息将被提取并存储到控制器的历史数据库中;
所述服务分类模型将识别出的服务流信息交由服务流策略调度模块中做处理,通过对服务信息的评估制定QoS约束条件,使用改进的蚁群算法计算可行路径,然后将得到的路径信息再交由基础控制器模块的流表读写中进行转发策略的安装;手动策略管理用于网络管理员自主调整策略。
9.一种实现权利要求7~8任意一项所述基于软件定义网络的服务感知的流策略定制方法的计算机程序。
10.一种实现权利要求7~8任意一项所述基于软件定义网络的服务感知的流策略定制方法的信息数据处理终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810025363.9A CN108259367B (zh) | 2018-01-11 | 2018-01-11 | 一种基于软件定义网络的服务感知的流策略定制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810025363.9A CN108259367B (zh) | 2018-01-11 | 2018-01-11 | 一种基于软件定义网络的服务感知的流策略定制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108259367A true CN108259367A (zh) | 2018-07-06 |
CN108259367B CN108259367B (zh) | 2022-02-22 |
Family
ID=62726007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810025363.9A Active CN108259367B (zh) | 2018-01-11 | 2018-01-11 | 一种基于软件定义网络的服务感知的流策略定制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108259367B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109547423A (zh) * | 2018-11-09 | 2019-03-29 | 上海交通大学 | 一种基于机器学习的web恶意请求深度检测系统及方法 |
CN109831386A (zh) * | 2019-03-08 | 2019-05-31 | 西安交通大学 | 一种sdn下基于机器学习的最优路径选择算法 |
CN110086888A (zh) * | 2019-05-15 | 2019-08-02 | 上海淇毓信息科技有限公司 | 基于RabbitMQ的多集群动态负载方法、装置、电子设备 |
CN110290065A (zh) * | 2019-06-17 | 2019-09-27 | 南京邮电大学 | 基于负载均衡与QoE度量值的SDN网络路径选择方法 |
CN110417664A (zh) * | 2019-07-31 | 2019-11-05 | 国家电网有限公司信息通信分公司 | 基于电力通信网的业务路由分配方法及装置 |
CN110601916A (zh) * | 2019-08-14 | 2019-12-20 | 天津大学 | 一种基于机器学习的流量采样和应用感知的系统 |
CN110730138A (zh) * | 2019-10-21 | 2020-01-24 | 中国科学院空间应用工程与技术中心 | 天基云雾计算架构的动态资源配置方法、系统和存储介质 |
CN110891030A (zh) * | 2019-12-26 | 2020-03-17 | 南京烽火星空通信发展有限公司 | 一种基于机器学习的http流量特征识别与提取方法 |
CN111049859A (zh) * | 2019-12-27 | 2020-04-21 | 东南大学 | 一种基于拓扑分析的攻击流量分流和阻断方法 |
CN111294344A (zh) * | 2020-01-19 | 2020-06-16 | 中移(杭州)信息技术有限公司 | 数据转发的控制系统、方法、电子设备及存储介质 |
CN111800352A (zh) * | 2020-06-30 | 2020-10-20 | 中国联合网络通信集团有限公司 | 基于负载均衡的服务功能链部署方法和存储介质 |
CN112838990A (zh) * | 2021-01-18 | 2021-05-25 | 北京工业大学 | 大规模软件定义网络的负载均衡方法 |
CN113079102A (zh) * | 2020-01-03 | 2021-07-06 | 中国移动通信有限公司研究院 | 一种大象流多分级调度方法及装置、设备、存储介质 |
CN114827021A (zh) * | 2022-06-27 | 2022-07-29 | 南京邮电大学 | 一种基于sdn和机器学习的多媒体业务流量加速系统 |
CN115134288A (zh) * | 2021-03-10 | 2022-09-30 | 中国移动通信集团广东有限公司 | 通信网络路由调度方法及系统 |
CN115499306A (zh) * | 2022-07-29 | 2022-12-20 | 天翼云科技有限公司 | 流量调度模型的构建方法、装置、电子设备及存储介质 |
WO2024119884A1 (zh) * | 2022-12-08 | 2024-06-13 | 中兴通讯股份有限公司 | 服务感知方法、数据生成方法及发送方法、电子设备、存储介质 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110194411A1 (en) * | 2007-07-12 | 2011-08-11 | Cisco Technology, Inc. | Applying router quality of service on a cable modem interface on a per-service-flow basis |
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 |
CN103281245A (zh) * | 2013-04-26 | 2013-09-04 | 广东电网公司电力调度控制中心 | 确定业务路由路径的方法及装置 |
CN103685025A (zh) * | 2013-12-04 | 2014-03-26 | 中国空间技术研究院 | 一种基于leo卫星网络的跨层动态自适应路由方法 |
CN104158753A (zh) * | 2014-06-12 | 2014-11-19 | 南京工程学院 | 基于软件定义网络的动态流调度方法及系统 |
CN104994033A (zh) * | 2015-05-13 | 2015-10-21 | 南京航空航天大学 | 一种资源动态管理的SDN网络QoS保障方法 |
CN105162759A (zh) * | 2015-07-17 | 2015-12-16 | 哈尔滨工程大学 | 一种基于网络层流量异常的SDN网络DDoS攻击检测方法 |
CN105227481A (zh) * | 2015-09-02 | 2016-01-06 | 重庆邮电大学 | 基于路径开销和流调度代价最小化的sdn拥塞控制路由方法 |
US9270605B2 (en) * | 2014-05-28 | 2016-02-23 | Robin Systems, Inc. | Method and system of setting network traffic flow quality of service by modifying port numbers |
CN105379204A (zh) * | 2014-01-14 | 2016-03-02 | 华为技术有限公司 | 用于选择数据路由的资源的方法和系统 |
CN105847151A (zh) * | 2016-05-25 | 2016-08-10 | 安徽大学 | 一种面向软件定义网络的多约束QoS路由策略设计方法 |
CN105897575A (zh) * | 2016-06-03 | 2016-08-24 | 中国电子科技集团公司第三十研究所 | 一种sdn下基于多约束路径计算策略的路径计算方法 |
CN106570597A (zh) * | 2016-11-14 | 2017-04-19 | 广州大学 | 一种sdn架构下基于深度学习的内容流行度预测方法 |
CN106921666A (zh) * | 2017-03-06 | 2017-07-04 | 中山大学 | 一种基于协同理论的DDoS攻击防御系统及方法 |
CN106953802A (zh) * | 2017-03-01 | 2017-07-14 | 浙江工商大学 | 一种基于深度学习的网络最优路径选择方法 |
CN106973413A (zh) * | 2017-03-28 | 2017-07-21 | 重庆理工大学 | 面向无线传感器网络的自适应QoS控制方法 |
CN107370676A (zh) * | 2017-08-03 | 2017-11-21 | 中山大学 | 一种融合QoS及负载均衡需求的路由选择方法 |
-
2018
- 2018-01-11 CN CN201810025363.9A patent/CN108259367B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110194411A1 (en) * | 2007-07-12 | 2011-08-11 | Cisco Technology, Inc. | Applying router quality of service on a cable modem interface on a per-service-flow basis |
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 |
CN103281245A (zh) * | 2013-04-26 | 2013-09-04 | 广东电网公司电力调度控制中心 | 确定业务路由路径的方法及装置 |
CN103685025A (zh) * | 2013-12-04 | 2014-03-26 | 中国空间技术研究院 | 一种基于leo卫星网络的跨层动态自适应路由方法 |
CN105379204A (zh) * | 2014-01-14 | 2016-03-02 | 华为技术有限公司 | 用于选择数据路由的资源的方法和系统 |
US9270605B2 (en) * | 2014-05-28 | 2016-02-23 | Robin Systems, Inc. | Method and system of setting network traffic flow quality of service by modifying port numbers |
CN104158753A (zh) * | 2014-06-12 | 2014-11-19 | 南京工程学院 | 基于软件定义网络的动态流调度方法及系统 |
CN104994033A (zh) * | 2015-05-13 | 2015-10-21 | 南京航空航天大学 | 一种资源动态管理的SDN网络QoS保障方法 |
CN105162759A (zh) * | 2015-07-17 | 2015-12-16 | 哈尔滨工程大学 | 一种基于网络层流量异常的SDN网络DDoS攻击检测方法 |
CN105227481A (zh) * | 2015-09-02 | 2016-01-06 | 重庆邮电大学 | 基于路径开销和流调度代价最小化的sdn拥塞控制路由方法 |
CN105847151A (zh) * | 2016-05-25 | 2016-08-10 | 安徽大学 | 一种面向软件定义网络的多约束QoS路由策略设计方法 |
CN105897575A (zh) * | 2016-06-03 | 2016-08-24 | 中国电子科技集团公司第三十研究所 | 一种sdn下基于多约束路径计算策略的路径计算方法 |
CN106570597A (zh) * | 2016-11-14 | 2017-04-19 | 广州大学 | 一种sdn架构下基于深度学习的内容流行度预测方法 |
CN106953802A (zh) * | 2017-03-01 | 2017-07-14 | 浙江工商大学 | 一种基于深度学习的网络最优路径选择方法 |
CN106921666A (zh) * | 2017-03-06 | 2017-07-04 | 中山大学 | 一种基于协同理论的DDoS攻击防御系统及方法 |
CN106973413A (zh) * | 2017-03-28 | 2017-07-21 | 重庆理工大学 | 面向无线传感器网络的自适应QoS控制方法 |
CN107370676A (zh) * | 2017-08-03 | 2017-11-21 | 中山大学 | 一种融合QoS及负载均衡需求的路由选择方法 |
Non-Patent Citations (8)
Title |
---|
孙岩: "多媒体传感器网络中服务质量保障问题的研究", 《中国优秀硕士学位论文全文数据库》 * |
王寅,尚凤军,任东海: "一种基于自适应蚁群系统的传感器网络QoS路由算法水", 《传感技术学报》 * |
王玉斐,王汝传,肖甫: "基于流量类型的多媒体传感器网络QoS选路算法", 《南京邮电大学学报》 * |
葛君伟,邓金鑫: "基于改进遗传算法的多约束QoS路由算法研究", 《电视技术》 * |
郭小雪,秦勇,叶建锋: "动态带宽分配分级QoS链路接入控制算法", 《计算机工程与应用》 * |
金陈敏: "无线多媒体传感器网络多约束QoS路由机制研究", 《中国优秀硕士学位论文全文数据库》 * |
陈俊清,朱文兴: "基于快速蚁群算法的分类规则发现算法", 《计算机科学》 * |
马衍庆: "基于机器学习的网络流量识别方法与实现", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109547423B (zh) * | 2018-11-09 | 2021-03-30 | 上海交通大学 | 一种基于机器学习的web恶意请求深度检测系统及方法 |
CN109547423A (zh) * | 2018-11-09 | 2019-03-29 | 上海交通大学 | 一种基于机器学习的web恶意请求深度检测系统及方法 |
CN109831386A (zh) * | 2019-03-08 | 2019-05-31 | 西安交通大学 | 一种sdn下基于机器学习的最优路径选择算法 |
CN109831386B (zh) * | 2019-03-08 | 2020-07-28 | 西安交通大学 | 一种sdn下基于机器学习的最优路径选择算法 |
CN110086888A (zh) * | 2019-05-15 | 2019-08-02 | 上海淇毓信息科技有限公司 | 基于RabbitMQ的多集群动态负载方法、装置、电子设备 |
CN110086888B (zh) * | 2019-05-15 | 2022-05-17 | 上海淇毓信息科技有限公司 | 基于RabbitMQ的多集群动态负载方法、装置、电子设备 |
CN110290065A (zh) * | 2019-06-17 | 2019-09-27 | 南京邮电大学 | 基于负载均衡与QoE度量值的SDN网络路径选择方法 |
CN110290065B (zh) * | 2019-06-17 | 2021-06-08 | 南京邮电大学 | 基于负载均衡与QoE度量值的SDN网络路径选择方法 |
CN110417664A (zh) * | 2019-07-31 | 2019-11-05 | 国家电网有限公司信息通信分公司 | 基于电力通信网的业务路由分配方法及装置 |
CN110417664B (zh) * | 2019-07-31 | 2022-02-25 | 国家电网有限公司信息通信分公司 | 基于电力通信网的业务路由分配方法及装置 |
CN110601916A (zh) * | 2019-08-14 | 2019-12-20 | 天津大学 | 一种基于机器学习的流量采样和应用感知的系统 |
CN110730138A (zh) * | 2019-10-21 | 2020-01-24 | 中国科学院空间应用工程与技术中心 | 天基云雾计算架构的动态资源配置方法、系统和存储介质 |
CN110891030A (zh) * | 2019-12-26 | 2020-03-17 | 南京烽火星空通信发展有限公司 | 一种基于机器学习的http流量特征识别与提取方法 |
CN111049859A (zh) * | 2019-12-27 | 2020-04-21 | 东南大学 | 一种基于拓扑分析的攻击流量分流和阻断方法 |
CN113079102A (zh) * | 2020-01-03 | 2021-07-06 | 中国移动通信有限公司研究院 | 一种大象流多分级调度方法及装置、设备、存储介质 |
CN111294344A (zh) * | 2020-01-19 | 2020-06-16 | 中移(杭州)信息技术有限公司 | 数据转发的控制系统、方法、电子设备及存储介质 |
CN111800352B (zh) * | 2020-06-30 | 2023-02-17 | 中国联合网络通信集团有限公司 | 基于负载均衡的服务功能链部署方法和存储介质 |
CN111800352A (zh) * | 2020-06-30 | 2020-10-20 | 中国联合网络通信集团有限公司 | 基于负载均衡的服务功能链部署方法和存储介质 |
CN112838990A (zh) * | 2021-01-18 | 2021-05-25 | 北京工业大学 | 大规模软件定义网络的负载均衡方法 |
CN112838990B (zh) * | 2021-01-18 | 2023-05-23 | 北京工业大学 | 大规模软件定义网络的负载均衡方法 |
CN115134288A (zh) * | 2021-03-10 | 2022-09-30 | 中国移动通信集团广东有限公司 | 通信网络路由调度方法及系统 |
CN115134288B (zh) * | 2021-03-10 | 2023-08-15 | 中国移动通信集团广东有限公司 | 通信网络路由调度方法及系统 |
CN114827021A (zh) * | 2022-06-27 | 2022-07-29 | 南京邮电大学 | 一种基于sdn和机器学习的多媒体业务流量加速系统 |
CN115499306A (zh) * | 2022-07-29 | 2022-12-20 | 天翼云科技有限公司 | 流量调度模型的构建方法、装置、电子设备及存储介质 |
CN115499306B (zh) * | 2022-07-29 | 2024-03-12 | 天翼云科技有限公司 | 流量调度模型的构建方法、装置、电子设备及存储介质 |
WO2024119884A1 (zh) * | 2022-12-08 | 2024-06-13 | 中兴通讯股份有限公司 | 服务感知方法、数据生成方法及发送方法、电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108259367B (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108259367A (zh) | 一种基于软件定义网络的服务感知的流策略定制方法 | |
Pei et al. | Optimal VNF placement via deep reinforcement learning in SDN/NFV-enabled networks | |
WO2020181761A1 (zh) | 一种sdn增强路径装箱装置及方法 | |
CN104158753B (zh) | 基于软件定义网络的动态流调度方法及系统 | |
CN107579922B (zh) | 网络负载均衡装置和方法 | |
CN106550049B (zh) | 一种中间件部署方法、装置及系统 | |
CN109688056B (zh) | 智能网络控制系统及方法 | |
US20170366398A1 (en) | System and method for data flow optimization | |
CN106533806B (zh) | 多租户SDN网络中基于应用感知提供跨层QoS的方法 | |
CN109714275A (zh) | 一种用于接入业务传输的sdn控制器及其控制方法 | |
US20190182103A1 (en) | In-situ oam (ioam) network risk flow-based "topo-gram" for predictive flow positioning | |
CN115277574B (zh) | 一种sdn架构下数据中心网络负载均衡方法 | |
Torkzadeh et al. | Energy-aware routing considering load balancing for SDN: a minimum graph-based Ant Colony Optimization | |
CN105791151B (zh) | 一种动态流量控制方法,及装置 | |
Di Fatta et al. | A genetic algorithm for the design of a fuzzy controller for active queue management | |
Liu | Intelligent routing based on deep reinforcement learning in software-defined data-center networks | |
CN108880888A (zh) | 一种基于深度学习的sdn网络流量预测方法 | |
Abdollahi et al. | Flow-aware forwarding in SDN datacenters using a knapsack-PSO-based solution | |
Zhou et al. | Multi-task deep learning based dynamic service function chains routing in SDN/NFV-enabled networks | |
Babayigit et al. | Deep learning for load balancing of SDN‐based data center networks | |
Quang et al. | Intent-based routing policy optimization in sd-wan | |
Umoh et al. | Fuzzy logic-based quality of service evaluation for multimedia transmission over wireless ad hoc networks | |
Li et al. | Data-driven routing optimization based on programmable data plane | |
Gupta et al. | Improved route selection approaches using Q-learning framework for 2D NoCs | |
Khedkar | A deep learning method for effective channel allotment for SDN based IoT |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240717 Address after: Room 2A062, Innovation and Entrepreneurship Service Center, Jianshe Road, High tech Zone, Zhaoqing City, Guangdong Province, China 526000 Patentee after: Guangdong Huiyuan Software Co.,Ltd. Country or region after: China Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS Country or region before: China |
|
TR01 | Transfer of patent right |