CN108400890A - 一种软件定义网络多控制器部署方法 - Google Patents

Abstract

本发明公开一种软件定义网络多控制器部署方法，首先获取OpenFlow网络拓扑；其次，定义交换机之间的相似度S(i，j),建立相似度矩阵；再次，计算交换机到控制器通信代价、域间通信代价、控制器部署代价；然后，建立OpenFlow网络通信代价模型；最后，通过改进的邻近传播算法进行控制器放置位置求解。本发明部署方法不需要指定控制器个数，并且做到网络延迟小，系统的网络通信代价小。

Description

一种软件定义网络多控制器部署方法

技术领域

本发明属于多控制器静态部署领域，具体涉及一种软件定义网络多控制器部署方法。

背景技术

软件定义网络(SDN)采用控制与转发分离的网络架构，利用OpenFlow协议将控制层从传统交换设备中独立出来，从而更加灵活地控制网络。控制平面中逻辑上集中的可编程控制器可以掌握全局网络信息，方便运营商和科研人员对网络进行灵活的调整和部署。随着SDN在实际大型网络拓扑以及广域网中部署的增加，单台控制器能够支持的网络规模有限，在网络设备跨地域分布广泛时，控制器域交换机之间的传输距离过远使得网络时延高、性能差。同时，集中的控制器也容易形成单点故障，当控制器出现故障时，转发平面不可用，网络容错能力差、可靠性低。在大规模网络下，单控制器的部署方案难以满足实际部署的需求，分布式的多控制器部署是解决控制平面可扩展性的有效途径。

SDN控制器部署的位置对网络状态分布、网络容错能力以及性能指标等影响明显，当控制器离转发设备过远时，控制器与转发设备间的远程通信时间过长，可能导致网络收敛慢、网络性能低、容错性差等一系列问题。因此合理设置控制器的地理位置对优化SDN网络具有重要的意义。

当前基于多控制器的SDN控制层面的研究工作主要从时延优化和可靠性优化两个方面展开。其中，大量的文献以交换机到控制器的时延作为部署依据。Heller等^[4]最早提出了控制器的部署问题，使用了平均时延和最大时延这2个指标来分析控制器的部署，利用贪心算法进行求解。Sallahi等^[5]提出了控制器部署问题中基于部署代价的完整模型，但文献没有给出算法。Ishigaki^[6]提出了一种压力中心的节点计算指标，并给出了基于该中心的控制器部署算法。Jimenez等^[7]提出了K-critical算法，通过构建Robust树，根据最大允许时延来计算所需控制器的数量及部署位置。文献^[8]中提出了使用一种改进的k-means算法来对SDN控制器进行部署，其算法开始时只分一个区，随后逐次增加分区数量的方法来进行迭代。Tracy等^[9]分别提出了基于贪心、基于原始对偶和基于分区的3个算法来进行控制器部署。一些文献研究了控制器的容量问题，毕军等^[10]提出了基于容量的控制器部署算法。文献^[11]使用了粒子群算法来求解SDN的控制器部署问题，其优化目标为控制器到交换机及控制器之间延迟最小，并考虑了控制器的容量限制。文献^[12]将粒子群算法和节点分区结合起来，提出了NCPSO控制器部署算法，兼顾了最小时延和负载均衡。Xiao等^[13]使用了谱聚类来解决广域网上的控制器部署问题，其算法具备一定的负载均衡效果。在基于SDN可靠度的部署方面，Neda等^[14]分析了SDN中控制平面和转发平面之间的连接恢复问题，并根据节点度提出了贪心的控制器部署算法和基于贪心路由树的算法。Lucas等^[15]提出了Survivor优化部署算法来提高网络的可靠性。Survivor算法考虑3个方面：连通性、容量和恢复性。为了保证连通性，算法选择节点不相交路径最多的位置进行部署，同时还提出了备份控制器的选择方法。胡延楠等^[16～18]研究了SDN中最大化SDN控制网络可靠性的控制器部署问题并提出了SDN网络可靠性的度量和部署算法。Guo等^[19]提出了SDN可靠度的度量并给出了基于根据closeness中心进行控制器部署。这些文献中的算法均是基于可靠度优化而不是以时延作为优化目标。Guo等^[20]给出了以网络状态延迟作为优化目标的SDN失效分析模型，并提出了2个最小化网络状态延迟的部署算法。一些文献考虑了以多个优化目标作为部署依据，David等^[21,22]在考虑多种网络失效情况的条件下，提出了基于Pareto最优的控制器部署框架POCO，以及基于Pareto最优的控制器的动态部署方法^[23]，随后又提出了基于Pareto模拟退火的启发式算法^[24]。这些文献给出了控制器失效、链路失效、交换机到控制器延迟、控制器到控制器延迟和控制器负载差异等各种不同的评价指标，并根据这些指标给出了帕累托最优的算法。Vahid等^[25,26]将多目标遗传算法NSGA-II引入到控制器部署问题中，并给出了相应的算法。但这些文献均未考虑控制器分配交换机时域内可能出现不连通的问题。

综合国内外研究现状，目前现有的SDN多个控制器静态部署方案中，大多是从交换机节点到控制器的传输时延角度或者可靠性角度来分析控制器的部署问题，通过对控制器部署问题建模，用优化算法进行求解。

目前的研究中存在以下问题：

(1)考虑最大限度减少交换机与所述控制器之间的通信延迟，而忽略了各个控制器域间的通信延迟。目前重点针对在平均和最差时延情况下，用尽量少的控制器数量完成控制器部署问题。并没有考虑随着控制器数量的增加，不同控制器域间的网络通信也在增加。应当综合考虑域内和域间的通信开销。

(2)目前的研究大部分是基于给定控制器的数量。然而，要预先知道大型网络中需要多少控制器是不可能的。找到这个数字的唯一方法是通过遍历所有候选数字来比较结果，这在大规模网络中是不可行的。

SDN控制器部署的位置对网络状态分布、网络容错能力以及性能指标等影响明显，当控制器离转发设备过远时，控制器与转发设备间的远程通信时间过长，可能导致网络收敛慢、网络性能低、容错性差等一系列问题^[1,2,3]。因此合理设置控制器的地理位置对优化SDN网络具有重要的意义。目前，学术界有不少关于SDN控制器部署位置优化的研究，主要研究在给定网络拓扑情况下，需要部署多少台控制器，以及将控制器部署在什么位置，才能取得最优的网络性能和网络可靠性问题。在实际网络部署时，本专利从网络拓扑和实际网络应用需求进行分析，提出基于时延和控制器管辖交换机数量的控制器部署模型，并以改进的近邻传播算法来求解控制器的部署问题。

发明内容

本发明的目的在于克服背景技术中提出的技术问题，在现有研究方案的基础上对分布式多控制器的部署提出改进方案，同时考虑控制器域内和域间两方面因素，将时延和控制器管辖交换机数量作为约束，以网络域内、域间网络通信代价为优化目标，研究分布式控制平面中多控制器的部署问题，并将近邻传播算法(AP)引入到SDN多控制器部署问题的求解。同时针对近邻传播(AP)算法中偏向参数与收敛系数对AP算法的聚类效果的局限性的问题，通过粒子群算法对近邻传播算法中的偏向参数和收敛系数作为粒子进行智能调整，提高聚类效果与收敛精度，实现均衡的SDN控制域划分及控制器部署。

本发明的技术方案是一种软件定义网络多控制器部署方法，包括如下步骤：

1)获取OpenFlow网络拓扑；

2)定义交换机之间的相似度S(i，j),建立相似度矩阵；

3)计算交换机到控制器通信代价、域间通信代价、控制器部署代价；

4)建立OpenFlow网络通信代价模型；

5)通过改进的邻近传播算法进行控制器放置位置求解。

所述步骤5)中通过改进的邻近传播算法进行控制器放置位置求解，具体为：

(1)OpenFlow网络交换机拓扑，最短距离计算交换机相似度值；

(2)建立交换机相似度矩阵；

(3)初始化粒子坐标a(i,j)、r(i,j)与速度；

(4)计算粒子适应度；

(5)更新粒子速度，移动下一个位置；

(6)更新信息矩阵；

(7)确定OpenFlow网络交换机聚类中心集合M；

(8)判断是否满足终止条件：终止条件为迭代次数>100或结果不再发生改变；

若不满足，则回到步骤(4)；

若满足，则输出控制器集合。

本发明的有益效果：

1、本文在目前研究方案的基础上对分布式多控制器的部署提出改进方案，同时考虑控制器域内和域间两方面因素，将时延和控制器管辖交换机数量作为约束，以网络域内、域间网络通信代价为优化目标，研究分布式控制平面中多控制器的部署问题，并将近邻传播算法(AP)引入到SDN多控制器部署问题的求解。同时针对近邻传播(AP)算法中偏向参数与收敛系数对AP算法的聚类效果的局限性的问题，通过粒子群算法对近邻传播算法中的偏向参数和收敛系数作为粒子进行智能调整，提高聚类效果与收敛精度，实现均衡的SDN控制域划分及控制器部署。

2、本发明的创新点包括：(1)多控制器部署模型；(2)模型求解算法。本发明部署方法不需要指定控制器个数，并且做到网络延迟小，系统的网络通信代价小。

为验证本专利中的技术方案可行性和有效性，特做以下实验：

1)采用物理网络拓扑Internet2OS3E^[27]进行实验。OS3E网络是对美国实际骨干网络的抽象，由美国多所大学、研究机构和公司为建设下一代互联网共同创建，具有较高的权威性。拓扑中的节点、链路和距离等数据信息完全按照真实网络中的参数进行设置。

OS3E拓扑信息如表1所示。

表1 OS3E拓扑信息

2)仿真环境搭建

为了评估本文提出的控制器部署算法，在OS3E拓扑基础上应用本文多控制器部署算法计算所需控制器数量及所管辖交换机拓扑，部署方案使用带内方式与转发设备连接。仿真程序由Python编译运行。仿真实验中，拓扑中链路间的时延根据节点的地理位置进行计算，设光纤中的信号传播速度为真空中光速的2/3，同时每100km链路引入1ms的光信号中继延迟。设交换机上平均的排队转发时延tf为0.1ms，控制器的处理时延tc为0.01ms。

3)实验内容

Jianlong Zhao在文章“Towards controller placement problem forsoftware-defined network using affinity propagation”中使用AP算法解决控制平面部署问题，仿真实验结果表明所提出的AP算法可以提供更稳定、更精确的控制器部署，在最小延迟方面优于k-median和K-centre算法。为进一步提高更稳定、更精确的控制器部署方案，本发明提出在网络时延和控制器数量约束下，综合域间、域内、控制器部署通信代价的控制器部署模型；考虑到AP算法中吸引度和归属度参数对控制器分类数量的影响，基于粒子群算法对AP进行改进，提出PSO-AP算法。在实验中分析在不同约束下不同部署策略所需控制器数量、交换机到控制器平均传输延迟、网络通信代价等的影响。

本实验中，任何一条请求路径的通信延迟δ给定最大值为300ms，在给定不同的单控制器最大允许的交换机数目条件下，整个网络所需的控制器个数如图2所示。

从图2中可以看到，专利提出的PSO-AP算法在同等条件下所需控制器个数在各阶段均少于AP算法。每种算法随着控制器容量的增加，所需控制器数量在逐步减少。AP算法在单控制器允许的交换机数较少时与PSO-AP算法差距相对较大，在允许的交换机数量超过9个后与PSO-AP差距不大，比PSO-AP算法多需要一个控制器。

图3实验为比较在网络拥有相同数量的控制器时，各算法下全网络的交换机向控制器查询的平均时延。在实验中设定允许的时延为一个较大的数，调节控制器的容量，可以模拟用指定的控制器数管理整个网络时不同算法的部署情况，然后计算交换机到控制器的平均时延。由实验结果可知，单控制器能容忍最大交换机个数相同的情况下，PSO-AP算法比AP算法有最小的平均时延，具有较好的性能。当控制器管辖交换机个数增大到9和12时，两种算法差距相对较小。

图4实验为比较在网络拥有相同数量的控制器时，系统的目标函数值，即系统的整体通信代价。

图4是控制器所管理交换机个数从3增加到15时，网络通信代价的统计结果。从实验数据可知，随着控制器所管理交换机数量的增加，由于各个算法划分网络拓扑的方式不同，网络通信代价出现了不同的变化，接近线性的上升过程。由于本文改进的AP算法在模型上考虑了域内、域间及控制器部署的代价，同时改进了AP算法相似性矩阵的计算方式，并也对AP算法中偏向参数和收敛系数作为粒子进行智能调整。因此，在降低网络通信代价与流表构建代价上具有良好效果。

附图说明

图1为分布式SDN网络拓扑图；

图2为限定控制器容量时系统需要的控制器数示意图；

图3为限定控制器容量时系统交换机向控制器查询的平均时延；

图4为限定控制器容量时系统的网络通信代价；

图5为本发明技术方案的流程图；

图6为本发明改进算法流程图。

具体实施方式

下面通过具体实施例和附图对本发明作进一步的说明。本发明的实施例是为了更好地使本领域的技术人员更好地理解本发明，并不对本发明作任何的限制。

本发明一种软件定义网络多控制器部署方法，如图5所示，主要步骤包括：首先，获取OpenFlow网络拓扑；其次，定义交换机之间的相似度S(i，j),建立相似度矩阵；再次，计算交换机到控制器通信代价、域间通信代价、控制器部署代价；然后，建立OpenFlow网络通信代价模型：

分布式SDN网络拓扑如图1所示，SDN网络中根据控制器管理交换机的范围不同划分成不同的网络域，每一个控制器管理域内交换机请求，控制器间共享全局网络视图。

OpenFlow网络的性能主要取决于OpenFlow交换机的转发性能以及控制器设置流表的速度。在不需要控制器参与的情况下，OpenFlow交换机可以做到线速转发。当需要按需安装流表如新流表出现时，交换机需要将数据包发往控制器，由控制器计算转发路径并将相应流标项安装到转发路径的交换机中，交换机再根据流表转发数据包。在这个过程中，性能的开销主要来自于：交换机与控制器的两次通信(Packet-In、Packet-Out)，控制器计算转发路径，交换机安装流表。除非预先安装，在实时响应的情况下，交换机和控制器的网络通信开销是远程控制所必须的，可通过将控制器部署在离交换机尽量近的位置降低通信时延。

多控制器部署的通信代价包括域内通信代价和控制器域间通信代价，其中域间通信包括控制器初始安装代价及控制器间信息同步通信代价。控制器数量越少，控制器间的通信代价越小，而域内交换机与控制器的通信代价越大；相反，控制器数量越多，控制器间的通信代价越大，而域内交换机域控制器的通信代价越小。为保证网络性能，应该使交换机到控制器的通信延迟不超过一个可以容忍的阈值，同时，由于受到控制器处理能力及带宽的限制，单台控制器单位时间能够处理的请求数是有限的，对交换机的分配要考虑控制器最大请求数的问题。同时，为了保证基本的性能，应该使交换机到控制器的通信时延不超过一个可容忍的阈值。因而，SDN网络中受时延和交换机限制的多控制器部署可描述为：给定一个SDN网络，已知其交换机和链路的拓扑结构，以及链路间的时延情况，在交换机到控制器的通信时延不超过可容忍的最大时延T，并且单台控制器管辖交换机数量不超过给定的上限值B的情况下求解部署合适的控制器及交换机位置使得网络通信代价最小，并使各控制器分配的负载尽可能均衡。

在有向图向G中部署控制器时，选择带内部署方式，即选取某个核心交换机(文中交换机节点均指核心交换机节点)的位置作为控制器部署位置，且控制器部署位置所对应的交换机在该控制器所管理的交换机范围内，它们之间的时延忽略不计，减少网络设备开销。

为了便于描述，将网络拓扑等效为一个连通图G＝(V,E)，V＝{1,2,3......,N}表示交换机集合，N＝|V|为交换机个数，E为交换机之间的链路集合，所需部署的控制器个数为M。即控制器分布式部署把网络划分M个子域，每个子域由一个控制器管理，有C＝{C₁,C₂,...,C_M}。交换机V_i与控制器C_j之间的连接关系为x_ij。

d(i,j)表示交换机i与交换机j之间的最短路径，用传播时延表示。令u_j表示控制器C_j单位时间内能管理的最大的交换机数量，我们假定所用到的各个控制器的处理能力是相同的。网络通信代价主要包括域内和域间通信代价，域内通信代价主要是控制器处理一个新流请求的代价，域间通信包括控制器初始安装代价和域间同步通信代价(同步延迟开销)。根据OpenFlow的工作机制，本文对控制器部署问题定义以下指标。

(1)交换机到控制器通信代价(流表建立延迟)

当需要按需安装流表如新流表出现时，交换机需要将数据包发往控制器，由控制器计算转发路径并将相应相应流标项安装到转发路径的交换机中，交换机再根据流表转发数据包。在这个过程中，对于控制器C_j来说，T时间内器域内总的流请求路径时延主要包括：交换机发送Packet-In到所属控制器，控制器计算转发路径，交换机安装流表。设交换机设备数据请求排队加转发的平均时延为t_c。

OpenFlow网络中交换机与控制器两次通信时延可以用式(2)表示：

路径计算阶段表示控制器进行路径计算，可以使用表示，是由控制器内部路径计算组件进行计算，通过控制器的拓扑管理组件获知网络情况，再根据拓扑进行路径计算。控制器对每个请求的平均处理时延为f_c。

在交换机到控制器通信代价求取中，d_ij,t_f,t_c均为已知量，由此可以得到流表通信代价：

(2)控制器部署代价

假设部署中使用相同类型的控制器，部署每台控制器的花费为P，总共需部署M台，则总体的部署代价为

D_P＝P×M (5)

(3)域间通信代价

在多控制器环境下，控制器之间需要进行信息同步，以便各控制器维持一个全局的网络状态信息。我们假定控制器间每隔T_a时间进行一次同步更新，则控制器之间进行同步的时延D_syn为

网络通信代价(Total)表示某个时刻各交换机与控制器、控制器与控制器之间相互通信的开销，式(8)表示网络通信总代价Total用来描述算法的性能。在网络拓扑固定的情况下，域内通信代价会随着控制器数量的增多而减少，而域间通信代价会随着控制器数量增多而增大。通常，在控制器的部署过程中，为了提高整个网络的性能，我们总希望网络的流表建立时间尽可能短，控制器之间的同步时延开销尽可能的小。因此，本方案需要实现流表建立时间与控制器之间的权衡，我们将这一问题看成是一个求最小值的优化问题。本专利以OpenFlow网络通信代价作为研究对象，求解合适的控制器数量及控制器部署使得公式(7)总开销达到最小值。其中，α,β是用于权衡两种代价权重的常数。

Min Total＝αD_req+β(D_P+D_syn) (7)

其中，约束条件(8)表示每一个交换机在任何时候都至少与一个控制器相连；式(9)初始化阶段时，交换机流处理的请求数不能超过控制器的处理的流数量上限；式(10)表示任何一条请求路径的通信延迟不超过δ；式(11)表示x_ij为指示变量，如果交换机i与控制器j相连，则满足x_ij＝1，否则为0。

最后通过改进的邻近传播算法进行控制器放置位置求解，如图6所示：

求解步骤包括：

(1)OpenFlow网络交换机拓扑，最短距离计算交换机相似度值；

(2)建立交换机相似度矩阵；

(3)初始化粒子坐标a(i,j)、r(i,j)与速度；

(4)计算粒子适应度；

(5)更新粒子速度，移动下一个位置；

(6)更新信息矩阵；

(7)确定OpenFlow网络交换机聚类中心集合M；

(8)判断是否满足终止条件：迭代次数>100或结果不再发生改变；

若不满足，则回到步骤(4)；

若满足，则输出控制器集合。

与K-means、模糊C等聚类算法相比较,AP聚类算法不需要初始中心,它将每个数据点作为候选的聚类中心，通过数据点之间的吸引与归属关系进行聚类。该算法中有两个重要的参数:偏向参数与收敛系数。偏向参数主要影响聚类的数目，收敛系数主要影响算法的收敛速度与精度,但这两个参数往往需要通过实验分别进行调试取值,不但过程复杂,而且难于获得最佳参数值，在很大程度上局限了AP算法的聚类效果。本节用改进的基于聚类的近邻传播算法求解上节提到的控制器部署问题。

AP算法是根据建立的相似度(Similarity)矩阵进行聚类的。在本文中，相似度矩阵即网络拓扑等效的连通图G＝(V,E)的邻接矩阵，V＝{1,2,3......,N}表示交换机集合，非对角线元素s(i,j)为交换机i与交换机j之间的相似度关系，以交换机i与交换机j之间的相似度以最短距离进行计算；对角线元素s(j,j))为偏向(Preference)参数P(j)，P(j)的初始值一般取相同的值，为相似度矩阵中所有非对角线元素最小值或均值，其的初始大小对最后的聚类数有较大的影响，P越大产生的聚类个数越多，反之亦然。

根据对所提出模型的分析，控制器部署的问题就是使得SDN网络通信代价(公式7)取最小值的情况下得到控制器的矩阵。

AP算法的核心为数据点之间相互的信息传递,AP算法有两种信息^[3],它们分别为吸引度(Responsibility)与归属度(Availability)。算法开始吸引度r(i,j)与归属度a(i,j))的初值都为0,表示开始时数据之间没有任何聚类关系,它们按(13)到(17)式更新.r(i,j)为由点i传到候选聚类中心点j的信息,它反映候选聚类中心点j作为点i的聚类中心的适应程度。a(i,j)为由候选聚类中心点j传到其所有潜在聚类成员点i,它反映点i作为点j的聚类成员的适应程度。其中r(j,j)与a(j,j)为点j的自吸引度与自归属度这两个值越大说明其越适合作为聚类中心^[4],一般把r(j,j)与a(j,j)之和大于0的点就认为其是一个较好的聚类中心。

r_new(i,j)＝λr_old(i,j)+(1-λ)×r(i,j) (14)

a_new(i,j)＝λ×a_old(i,k)+(1-λ)×a(i,k) (17)

其中下标为old的代表上一次的结果,new代表本次更新后结果。λ为收敛系数λ越大消除振荡的效果越好，但收敛速度也越慢，反之亦然。考虑到偏向参数和收敛系数对聚类结果的影响，本文将偏向参数与收敛系数作为粒子群算法中粒子的位置坐标，提出基于粒子群的近邻传播算法(PSO-AP)。初始化各粒子坐标与速度，即选取不同的偏向参数与收敛系数与其初始的变化方向。然后按照式(18)、(19)不断更新粒子的位置与方向，在更新的过程中将粒子的位置作为AP算法的偏向参数与收敛系数的值进行聚类，并用BWP指标衡量聚类效果作为粒子的适应度。

V_id＝ωV_id+η₁rand()(P_id-X_id)+η₂rand()(P_gd-X_id) (18)

X_id＝X_id+V_id (19)

其中V_id表示第i个粒子在第d维上的速度，P_id为该粒子经历过的最好位置，P_gd为群体所经历的最好位置，ω为惯性权重，η₁、η₂为调节P_id和P_gd的重要参数。(19)式将当前粒子位置与个体最优解与群体最优解对比，得到一个群体最优与个体最优的发展趋势，再根据这个发展趋势与原来初速度的方向确定新的速度方向。(20)式就是在之前的到的向上运动一定距离产生粒子的新位置。其中X_nd的奇数维上值为新的偏向参数偶数维上的值为收敛系数,如(20)到(21)式所示。

P＝X_nd 当d为奇数 (20)

λ＝X_nd 当d为偶数 (21)

迭代结束的条件为：当迭代次数超过100次或者当聚类中心连续5次不发生改变时终止迭代。

改进的近邻传播算法的执行步骤见以下算法1所示：

相关文献：

[1]N.McKeown,T.Anderson,H.Balakrishnan,G.Parulkar,L.Peterson,J.Rexford,S.Shenker,and J.Turner,“Openflow:enabling innovationin campusnetworks,”ACM SIGCOMM CCR,vol.38,no.2,pp.69–74,2008.

[2]T.Koponen,M.Casado,N.Gude,and et al.“Onix:A Distributed ControlPlatform for Large-scale Production Networks,”,Proceedings of the 9th USENIXconference on Operating systems design and implementation(OSDI’10),USENIX2010,pp.1-6,2010.

[3]HELLER B,SHERWOOD R,MCKEOWN N.The controller placement problem[C]//Proceedings of the First Workshop on Hot Topics in SoftwareDefinedNetworks.ACM,2012:7-12.

[4]SALLAHI A,ST-HILAIRE M.Optimal model for the controller placementproblem in software defined networks[J].Communications Letters,IEEE,2015,19(1):30-33.

[5]ISHIGAKI G,SHINOMIYA N.Controller placement algorithm to alleviateburdens on communication nodes[C]//2016International Conference on Computing,Networking and Communications(ICNC).

IEEE,2016:1-5.

[6]Y,-PASTOR C,GARCIA A J.On the controllerplacement fordesigning a distributed SDN control layer[C]//NetworkingConference,2014IFIP.IEEE,2014:1-9.

[7]WANG G,ZHAO Y,HUANG J,et al.A k-means-based network partitionalgorithm for controller placement in software defined network[C]//2016IEEEInternational Conference on Communications(ICC).IEEE,2016:1-6.

[8]CHENG T Y,WANG M,JIA X.QoS-guaranteed controller placement in SDN[C]//2015IEEE Global Communications Conference(GLOBECOM).IEEE,2015:1-6.

[9]YAO G,BI J,LI Y,et al.On the capacitated controllerplacementproblem in software defined networks[J].Communications Letters,IEEE,2014,18(8):1339-1342.

[10]GAO C,WANG H,ZHU F,et al.A particle swarm optimizationalgorithmfor controller placement problem in software defined network[C]//International Conference on Algorithms and Architectures for ParallelProcessing.Springer International Publishing,2015:44-54.

[11]LIU S,WANG H,YI S,et al.NCPSO:a solution of the controllerplacement problem in software defined networks[C]//International Conferenceon Algorithms and Architectures for Parallel Processing.SpringerInternational Publishing,2015:213-225.

[12]XIAO P,QU W,QI H,et al.The SDN controller placement problem forWAN[C]//Communications in China(ICCC),2014 IEEE/CIC International Conferenceon IEEE.2014:220-224.

[13]BEHESHTI N,ZHANG Y.Fast failover for control traffic in softwaredefined networks[C]//Global Communications Conference(GLOBECOM),2012IEEE.IEEE,2012:2665-2670.

[14]MüLLER L F,OLIVEIRA R R,LUIZELLI M C,et al.Survivor:an enhancedcontroller placement strategy for improving SDN survivability[C]//2014 IEEEGlobal Communications Conference.IEEE,2014:1909-1915.

[15]HU Y,WANG W,GONG X,et al.On the placement of controllers insoftware-defined networks[J].Journal of China Universities of Posts andTelecommunications,2012,19:92-171.

[16]HU Y,WENDONG W,GONG X,et al.Reliability-aware controllerplacement for software-defined networks[C]//2013 IFIP/IEEE InternationalSymposium on Integrated Network Management(IM 2013).IEEE,2013:672-675.

[17]HU Y,WANG W,GONG X,et al.On reliability-optimized controllerplacement for software-defined networks[J].Communications,China,2014,11(2):38-54.

[18]GUO M,BHATTACHARYA P.Controller placement for improvingresilience of software-defined networks[C]//2013 Fourth InternationalConference on Networking and Distributed Computing.IEEE,2013:23-27.

[19]GUO S,YANG S,LI Q,et al.Towards controller placement for robustsoftware-defined networks[C]//2015 IEEE 34th International PerformanceComputing and Communications Conference(IPCCC).IEEE,2015:1-8.

[20]HOCK D,HARTMANN M,GEBERT S,et al.Pareto-optimal resilientcontroller placement in SDN-based core networks[C]//Teletraffic Congress(ITC),2013 25th International.2013:1-9.

[21]HOCK D,GEBERT S,HARTMANN M,et al.POCO-framework forPareto-optimalresilient controller placement in SDN-based core networks[C]//NetworkOperations and Management Symposium(NOMS),2014 IEEE.2014:1-2.

[22]HOCK D,HARTMANN M,GEBERT S,et al.POCO-PLC:enablingdynamic pareto-optimal resilient controller placement in SDN networks[C]//ComputerCommunications Workshops(INFOCOMWKSHPS),2014 IEEE Conference on IEEE.2014:115-116.

[23]LANGE S,GEBERT S,ZINNER T,et al.Heuristic approaches tothecontroller placement problem in large scale SDN networks[J].Network andService Management,IEEE Transactions.2015,12(1):4-17.

[24]AHMADI V,JALILI A,KHORRAMIZADEH S M,et al.A hybridNSGA-II forsolving multiobjective controller placement inSDN[C]//2015 2nd InternationalConference on Knowledge-Based Engineering and Innovation(KBEI).2015:663-669.

[25]JALILI A,AHMADI V,KESHTGARI M,et al.Controller placement insoftware-defined WAN using multi objective genetic algorithm[C]//2015 2ndInternational Conference on Knowledge-Based Engineering and Innovation(KBEI).2015:656-662.

[26]Klein,D.,and Jarschel,M.:‘An OpenFlow extension for the OMNeT++INET framework’.Proc.Int.ICST Conf.on Simulation TOOLS andTechniques,2013,pp.322–329

[27]Internet2 Open Science,Scholarship and Services Exchange[EB/OL].

Claims (2)

1.一种软件定义网络多控制器部署方法，其特征在于，包括如下步骤：

1)获取OpenFlow网络拓扑；

2)定义交换机之间的相似度S(i，j),建立相似度矩阵；

3)计算交换机到控制器通信代价、域间通信代价、控制器部署代价；

4)建立OpenFlow网络通信代价模型；

5)通过改进的邻近传播算法进行控制器放置位置求解。

2.根据权利要求1所述的软件定义网络多控制器部署方法，其特征在于，所述步骤5)中通过改进的邻近传播算法进行控制器放置位置求解，具体为：

(1)OpenFlow网络交换机拓扑，最短距离计算交换机相似度值；

(2)建立交换机相似度矩阵；

(3)初始化粒子坐标a(i,j)、r(i,j)与速度；

(4)计算粒子适应度；

(5)更新粒子速度，移动下一个位置；

(6)更新信息矩阵；

(7)确定OpenFlow网络交换机聚类中心集合M；

(8)判断是否满足终止条件：终止条件为迭代次数>100或结果不再发生改变；

若不满足，则回到步骤(4)；

若满足，则输出控制器集合。