CN108650131B - 用于sdn网络中多控制器部署的处理系统 - Google Patents
用于sdn网络中多控制器部署的处理系统 Download PDFInfo
- Publication number
- CN108650131B CN108650131B CN201810444194.2A CN201810444194A CN108650131B CN 108650131 B CN108650131 B CN 108650131B CN 201810444194 A CN201810444194 A CN 201810444194A CN 108650131 B CN108650131 B CN 108650131B
- Authority
- CN
- China
- Prior art keywords
- network
- minimum spanning
- controller
- spanning tree
- node
- 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
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种用于SDN网络中多控制器部署的处理系统,应用于包括有Openflow交换机、控制器伸缩池和控制器的SDN网络;是以处理模块为核心,利用处理模块中监控单元确定网络状态为静态、动态或扩张的不同网络状态;利用处理模块中静态部署单元、网络流预测单元和应急系统管理单元确定对应网络状态下的网络设计方案及控制器最优节点数;利用处理模块中控制器伸缩单元对控制器伸缩池中的控制器进行激活或休眠处理;利用处理模块中优化调整单元根据网络设计方案实现网络调整;本发明根据网络状态实时改变多控制器部署策略,保证网络负载均衡,实现网络平稳运行。
Description
技术领域
本发明涉及SDN网络中多控制器部署的处理系统,特别涉及一种针对不同网络状态基于多种优化目标的多控制器优化部署。
背景技术
随着互联网的快速发展,传统网络出现如配置复杂度高、网络协议繁杂、设备难以扩展等诸多问题,这些问题说明网络架构需要革新。软件定义网络(Software DefinedNetworking,SDN)作为一种新的网络技术与架构,其核心价值已经得到了业界的广泛认可。它减少了配置错误,解放了手工操作,易于统一快速部署。越来越多的研究者正在关注SDN技术的未来发展。
SDN的核心思想是将控制功能从交换机中剥离出来,形成了一个统一的、集中式的控制平面,而交换机只具有简单的转发功能,从而形成了数据平面。通过将控制平面与数据平面的解耦,并提供开放的可编程接口,使网络能够真正地被软件所定义,达到按需定制服务,简化网络运维,实现灵活管理调度的目标。
控制器是SDN的核心,负责对底层网络设备的统一控制,以及向上层应用提供网络服务,起到承上启下的作用。因此,控制器一直以来都是SDN领域研究的重点。最早且广泛使用的控制器平台是NOX,能够提供一系列基本接口可以实现网络功能的定制。随着SDN网络规模的扩展,单一结构集中控制的控制器(如NOX)处理能力受到限制,并且网络扩展困难,遇到了性能瓶颈,因此仅能用于小型企业网或科研人员进行部署和仿真。网络中可采用两种方式扩展单一集中式控制器:一种是通过提高自身控制器处理能力的方式,另一种是采用多控制器的方式来提升整体控制器的处理能力。然而对于大规模网络来说,即使使用单个性能卓越的多线程控制器也无法完成相应的控制功能。
目前,控制器部署问题的研究主要集中在:控制器静态部署和控制器动态部署两个方面。对于前者:研究人员主要从网络延时、负载均衡、可靠性、网络开销等方面设计控制器部署算法;对于后者:研究人员主要考虑网络过载等情况发生时如何调整控制器管理域以保证网络稳定运行。现有的静态部署策略,往往考虑一个或两个影响因素,没有注意到控制器数量及众多影响因素间的关系;现有的动态部署策略,往往考虑网络出现问题时如何调整,未能注意到提前预测网络变化,调整控制域;同时,缺乏对网络规模扩张时,控制器负载变化情况的考虑。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种用于SDN网络中多控制器部署的处理系统,以期能根据网络状态实时改变多控制器部署策略,保证网络的负载均衡同时减小网络传输时延,从而实现网络在任意时刻的平稳运行。
本发明为解决技术问题采用如下技术方案:
本发明用于SDN网络中多控制器部署的处理系统,是应用于由Openflow交换机、控制器伸缩池、控制器、状态总线和控制总线所组成的SDN网络中;所述Openflow交换机与处理模块通过状态总线进行通信,用于确定SDN网络所处状态;所述处理模块与控制器伸缩池通过控制总线进行通信,用于确定SDN网络所需所述控制器的个数;所述处理模块与控制器通过控制总线进行通信,用于确定所述控制器的优化部署方案;所述控制器伸缩池与控制器通过控制总线进行通信,用于确定所述控制器的激活状态;
本发明用于SDN网络中多控制器部署的处理系统的特点是,所述处理模块包括:监控单元、静态部署单元、网络流预测单元、应急系统管理单元、优化调整单元和控制器伸缩单元;
所述处理模块中的监控单元在时钟周期的控制下,通过状态总线接收所述Openflow交换机的网络流量变化信息,根据所述网络流量变化信息确定网络状态,所述网络状态包括:静态网络、动态网络和扩张网络的各不同状态;所述静态网络是指初始静态网络,所述动态网络是指流量动态变化网络,所述扩张网络是指规模扩张网络;
所述处理模块中的静态部署单元接收监控单元的控制命令,并确定网络状态为静态网络的状态时,基于最小覆盖集理论确定静态网络控制器最优节点数,将所述静态网络控制器最优节点数输入所述控制器伸缩单元;采用最小生成树,并结合纳什均衡理论给出基于目标约束的静态网络设计方案,所述静态网络设计方案包括控制器静态部署方案,以及Openflow交换机静态分布方案,将所述静态网络设计方案输入优化调整单元;
所述处理模块中的网络流预测单元接收监控单元的控制命令,并确定网络状态为动态网络的状态时,采用预测模型ARIMA动态预测未来时间段[t1,t24]内的网络流量预测值和动态网络控制器最优节点数,将所述动态网络控制器最优节点数输入所述控制器伸缩单元;基于网络流量预测值,结合纳什均衡理论设计在线算法确定动态网络设计方案,所述动态网络设计方案包括控制器动态调整方案,以及Openflow交换机动态分布方案,将所述动态网络设计方案输入所述优化调整单元;
所述处理模块中的应急系统管理单元接收监控单元的控制命令后,并确定网络状态为扩张网络的状态时,采用启发式的负载均衡方案确定扩张网络控制器最优节点数,将所述扩张网络控制器最优节点数输入控制器伸缩单元,采用背包理论基于目标约束给出扩张网络设计方案,所述扩张网络设计方案包括控制器扩张调整方案,以及Openflow交换机扩张分布方案,将所述扩张网络设计方案输入优化调整单元;
所述处理模块中的控制器伸缩单元根据对应网络状态下的控制器最优节点数控制所述控制器伸缩池,对处在所述控制器伸缩池中的控制器进行激活或休眠处理;
所述处理模块中的优化调整单元根据对应网络状态下的网络设计方案,控制所述控制器及所述Openflow交换机进行迁移,实现网络调整。
本发明用于SDN网络中多控制器部署的处理系统的特点也在于:所述监控单元按如下方式确定网络状态:在一个时间段Δt中,若所述Openflow交换机的个数n有所增加,判断为扩张网络;若所述Openflow交换机的个数n没有增加,则判断所述Openflow交换机的流量f是否发生变化,若流量f无变化,则为静态网络;若流量f发生变化,则为动态网络。
本发明用于SDN网络中多控制器部署的处理系统的特点也在于:按如下步骤获得静态网络控制器最优节点数以及静态网络设计方案:
步骤3.1、基于最小覆盖集理论,将拥有最大节点度Dmax的节点A加入最小覆盖集合S中后标记该节点A,并标记节点A覆盖的所有边EA;
步骤3.2、在满足约束条件一时,从未被标记的节点中选择节点B加入最小覆盖集合S后标记该节点B,并标记节点B覆盖的所有边EB,所述节点B在未被标记的节点中拥有最大节点度,并且节点B和节点A的传输距离d(A,B)为最远;
所述约束条件一为:d(x,y)<dmax,其中,d(x,y)是指任意节点x与节点y间传输距离,d(x,y)以实际物理链路距离来表示,最大允许传输距离dmax由网络实际情况所确定;
步骤3.3、重复步骤3.2直到所有边均被标记,获得所述静态网络控制器最优节点数m1为最小覆盖集合S的大小;在静态网络下,任意节点x的流量fx保持不变,单个控制器所能处理的最大流量相同且均为LCCmax,所需控制器数目m2为:m2=Σfx/LCCmax,其中,Σfx表示网络所有节点流量之和;若m1≥m2,则采用最小覆盖集理论确定静态网络控制器最优节点数为m1,否则,确定静态网络控制器最优节点数为m2,采用贪心算法新增m2-m1个控制器,且各新增控制器满足约束条件一;
步骤3.4、基于最小生成树理论,改进最小生成树的边的权值W为:
W=[(Dx+Dy)/(2×Dmax)]×d(x,y)
其中,Dx和Dy分别表示节点x和节点y的度;
将各控制器作为根节点,采用最小生成树生成算法根据权值W,选择若干Openflow交换机作为子节点加入最小生成树中,并行生成若干棵最小生成树;
步骤3.5、基于纳什均衡理论,对于不同最小生成树间的重叠节点,在同时满足约束条件一及约束条件二下,采用子博弈精炼纳什均衡理论使迁移每一个重叠节点的子博弈过程均达到最优,最终使重新迁移重叠节点的原博弈过程达到纳什均衡,从而获得控制器静态部署方案,以及Openflow交换机静态分布方案;
所述条件二为:ΣTfi<LCCmax,其中,ΣTfi表示任意一个最小生成树i的节点流量之和。
本发明用于SDN网络中多控制器部署的处理系统的特点也在于:按如下步骤获得动态网络控制器最优节点数以及动态网络设计方案:
步骤4.1、基于ARIMA预测模型,针对网络流量时间序列进行周期性检测;
若网络流量时间序列具有周期性,则针对所述网络流量时间序列进行平稳性检测;
若网络流量时间序列不具有周期性,则以周期为时间长度对网络流量时间序列作差分处理,再进行平稳性检测;若网络流量时间序列不平稳,再次经差分处理后重新进行平稳性检测,直至平稳为止;
启动ARIMA算法,首先通过两重AIC准则循环判断出最适合的ARIMA模型的阶p和q,利用ARIMA模型进行动态预测获得未来时间段[t1,t24]内的网络流量预测值及动态网络控制器最优节点数预测值,针对网络流量预测值及动态网络控制器最优节点数预测值进行逆差分还原处理后获得动态网络控制器最优节点数m3;
步骤4.2、根据未来时间段[t1,t24]内的网络流量预测值,针对[t1,t24]的时间段,按如下方式形成时间集合T1和T2:
对于分处在t=1,2,…24的各时刻,检测各最小生成树i,由满足ΣTfi<LCCmin的各待休眠最小生成树u形成时间集合T2为:以u表示待休眠最小生成树序号,其中LCCmin表示单个控制器临界休眠最小流量;
步骤4.3、对于分处在t=1,2,…24的各时刻,在当前t-1时刻统计下一时刻t处,时间集合T1中的过载最小生成树j的集合为K1t,以及时间集合T2中待休眠最小生成树u的集合为K2t;采用如下方式解决时间局部性问题及空间局部性问题:
在t-1时刻,设定过载最小生成树j第一次迁移后的流量阈值LCCthreshold为LCCthreshold=N×LCCmax,则过载最小生成树j的待迁移流量MWj为:MWj=ΣTfj-LCCthreshold,ΣTfj为过载最小生成树j的节点流量之和;
在t时刻,若是t时刻的过载最小生成树j的节点流量之和大于ΣTfj,则将流量阈值按照M×LCCmax的量值线性减少,以此平滑增加过载最小生成树j的待迁移流量,当流量阈值减少到0时,更新过载最小生成树j的流量阈值为N×LCCmax;
在t时刻,若是t时刻的过载最小生成树j的节点流量之和不大于ΣTfj,则将流量阈值按照M×LCCmax的量值线性增加,以此平滑减少过载最小生成树j的待迁移流量,当流量阈值增加到LCCmax时,更新过载最小生成树j的流量阈值为N×LCCmax;
其中N取0.5,M取0.1;
步骤4.4、对于分处在t=1,2,…24的各时刻,按如下方式实现流量迁移:
若|K2t|小于|K1t|,根据子博弈精炼纳什均衡理论设计在线算法,将集合K1t中|K2t|棵过载最小生成树j的待迁移流量MWj迁移至集合K2t的待休眠最小生成树中,并将集合K1t中剩余的过载最小生成树j的待迁移流量MWj迁移至相邻最小生成树中;
若|K2t|不小于|K1t|,根据子博弈精炼纳什均衡理论设计在线算法,将集合K1t中的过载最小生成树j的待迁移流量MWj迁移至集合K2t的待休眠最小生成树中,并休眠集合K2t中剩余待休眠最小生成树;
由此获得控制器动态调整方案,以及所述Openflow交换机动态分布方案;
以|K2t|和|K1t|分别表示集合K2t和集合K1t的大小。
本发明用于SDN网络中多控制器部署的处理系统的特点也在于:按如下方式获得扩张网络控制器最优节点数,以及扩张网络设计方案:
步骤5.1、对于任意最小生成树i,若满足:LCCmin<ΣTfi<LCCmax,表明现有的控制器数量m4仍然可以管理整个网络,按如下方式确定负载不均衡的最小生成树集合为C;
针对最小生成树i,若式(1)成立,则判断最小生成树i为负载均衡,若否,判断最小生成树i为负载不均衡:
α×LCCmax<ΣTfi<β×LCCmax (1),
其中,α和β分别表示不同权值,且α<β;将α取值为0.3,β取值为0.7;
依据式(1)确定负载不均衡的最小生成树集合为C;
步骤5.2、从所述集合C中选择各最小生成树C1,确定最小生成树C1需要迁移的流量F1为:F1=ΣTfC1-(β×LCCmax-α×LCCmax),并确定与所述最小生成树C1相邻的最小生成树C1v所能接收的流量F1v为:F1v=β×LCCmax-ΣTfC1v,则最小生成树C1与相邻的最小生成树C1v之间可以迁移的流量F(C1,C1v)为:F(C1,C1v)=min(F1,F1v);
若存在与所述最小生成树C1相邻的最小生成树C1h,且最小生成树C1h所能接收的流量为F1h;
当F1h大于F1,在最小生成树C1和相邻的最小生成树C1h均满足由式(1)表征的负载均衡的条件下,采用启发式算法将最小生成树C1中相应的Openflow交换机迁移至相邻的最小生成树C1h中;
当F1h不大于F1,选择多棵相邻的最小生成树C1h,使多棵相邻的最小生成树C1h所能接收的流量之和ΣF1h满足:ΣF1h>F1,在最小生成树C1和各相邻的最小生成树C1h均满足由式(1)表征的负载均衡的条件下,采用背包理论将最小生成树C1中相应的Openflow交换机迁移至各相邻最小生成树C1h中,将C1从集合C中去除;
步骤5.3、重复步骤5.2直至集合C为空集,得m4个负载均衡的最小生成树,从而获得扩张网络控制器最优节点数为m4,以及扩张网络设计方案;
步骤5.4、若存在最小生成树不满足约束条件二,且剩余任意一个最小生成树i均满足:LCCmin<ΣTfi<LCCmax,则表明现有的控制器数量m4无法管理整个网络,确定不满足约束条件二的最小生成树集合为G;
若集合G的大小为1,表明仅存在一个最小生成树G1流量过载,则新增一个最小生成树Gm4+1,新增的最小生成树Gm4+1中的控制器Cm4+1拥有最大节点度,且新增的控制器Cm4+1与最小生成树G1中的控制器C1的传输距离d(C1,Cm4+1)为最远;在最小生成树G1及新增的最小生成树Gm4+1均满足由式(1)表征的负载均衡的条件下,采用启发式算法将最小生成树G1中若干Openflow交换机迁移至新增的最小生成树Gm4+1中,将扩张网络控制器最优节点数更新为m5,m5=m4+1;
若集合G的大小为n,n>1,即存在有多个最小生成树G1,G2,…,Gn流量过载,确定各最小生成树需要迁移的流量分别为F1,F2,...,Fn,其中Fn=ΣTfn-(β×LCCmax-α×LCCmax),将扩张网络控制器最优节点数更新为m5,m5=ΣFn/LCCmax+m4,采用启发式算法确定各过载最小生成树G1,G2,…,Gn中可以迁移的Openflow交换机集合为V1,V2,…,Vn,根据背包理论确定新增控制器的位置及Openflow交换机的分布,获得控制器扩张调整方案,以及Openflow交换机扩张分布方案。
与已有现有技术相比,本发明有益效果体现在:
1、本发明处理系统,利用Openflow交换机通过状态总线与处理模块进行通信,处理模块由监控单元、静态部署单元、网络流预测单元、应急系统管理单元、优化调整单元和控制器伸缩单元组成,利用控制器伸缩单元管理控制器伸缩池,并将优化的控制器部署方案及交换机分布方案通过控制总线发送给控制器。实现了对控制器功能的模块化管理,各模块分工明确,允许对各模块中处理方法进行独立设计和修改,实现了高效的管理机制,同时保障网络在任意时刻的平稳运行。
2、本发明利用监控单元在时钟周期的控制下,通过状态总线接收Openflow交换机的网络流量信息,并根据网络流量情况确定网络所处状态,解决了现有方案中控制器无法根据网络流量信息确定网络状态从而提出相应部署方案的问题。相比于现有控制器针对单一网络的部署方式,为多控制器在不同网络状态下的优化部署提供基础。
3、本发明中静态部署单元在监控单元确定网络状态为初始静态网络后,基于最小覆盖集理论找到控制器最优节点数;采用改进最小生成树,结合纳什均衡理论设计基于目标约束的静态控制器部署及交换机分布方案。相比于现有的静态控制器部署方案,能够在保证网络负载均衡的同时,大大降低网络传输时延。
4、本发明中网络流预测单元在监控单元确定网络状态为流量动态变化网络后,采用预测模型ARIMA动态预测未来时间段网络流量变化预测值,基于预测值确定未来时间段中控制器最优节点数;基于目标约束设计多种在线算法确定控制器动态调整及交换机分布方案。解决了现有技术在动态变化网络中无法根据网络流量信息做出预先调整的问题,能够在保证网络负载均衡的同时,降低网络传输时延。
5、本发明中应急系统管理单元在监控单元确定网络状态为规模扩张网络后,设计启发式的负载均衡方案确定控制器最优节点数;采用背包理论基于目标约束设计控制器调整及交换机分布方案。解决了现有技术无针对网络规模扩张时的应急处理方案的问题,能够在保证网络负载均衡的同时,降低网络传输时延。
附图说明
图1为本发明系统结构示意图;
图2为本发明中处理模块内部组成图;
图3为本发明中监控单元的监控流程图;
图4为本发明中静态部署单元的处理流程图;
图5为本发明中应急系统管理单元的管理流程图;
图6为本发明系统在静态网络下的传输延时对比图;
图7为本发明系统在动态网络下的传输延时对比图;
图8为本发明系统在扩张网络下的传输延时对比图;
具体实施方式
参见图1,本实施例中用于SDN网络中多控制器部署的处理系统,是应用于由Openflow交换机、控制器伸缩池、控制器、状态总线和控制总线所组成的SDN网络中;Openflow交换机与处理模块通过状态总线进行通信,用于确定SDN网络所处状态;处理模块与控制器伸缩池通过控制总线进行通信,用于确定SDN网络所需控制器的个数;处理模块与控制器通过控制总线进行通信,用于确定控制器的优化部署方案;控制器伸缩池与控制器通过控制总线进行通信,用于确定控制器的激活状态。
参见图2,本实施例中处理模块包括:监控单元、静态部署单元、网络流预测单元、应急系统管理单元、优化调整单元和控制器伸缩单元。
参见图3,本实施例中处理模块中的监控单元在时钟周期的控制下,通过状态总线接收Openflow交换机的网络流量变化信息,根据网络流量变化信息确定网络状态,网络状态包括:静态网络、动态网络和扩张网络的各不同状态;静态网络是指初始静态网络,动态网络是指流量动态变化网络,扩张网络是指规模扩张网络。
参见图4,本实施例中处理模块中的静态部署单元接收监控单元的控制命令,并确定网络状态为静态网络的状态时,基于最小覆盖集理论确定静态网络控制器最优节点数,将静态网络控制器最优节点数输入控制器伸缩单元;采用最小生成树,并结合纳什均衡理论给出基于目标约束的静态网络设计方案,静态网络设计方案包括控制器静态部署方案,以及Openflow交换机静态分布方案,将静态网络设计方案输入优化调整单元。
参见图5,本实施例中处理模块中的应急系统管理单元接收监控单元的控制命令后,并确定网络状态为扩张网络的状态时,采用启发式的负载均衡方案确定扩张网络控制器最优节点数,将扩张网络控制器最优节点数输入控制器伸缩单元,采用背包理论基于目标约束给出扩张网络设计方案,扩张网络设计方案包括控制器扩张调整方案,以及Openflow交换机扩张分布方案,将扩张网络设计方案输入优化调整单元。
处理模块中的控制器伸缩单元根据对应网络状态下的控制器最优节点数控制控制器伸缩池,对处在控制器伸缩池中的控制器进行激活或休眠处理;处理模块中的优化调整单元根据对应网络状态下的网络设计方案,控制控制器及Openflow交换机进行迁移,实现网络调整。
具体实施中,监控单元按如下方式确定网络状态:在一个时间段Δt中,若Openflow交换机的个数n有所增加,判断为扩张网络;若Openflow交换机的个数n没有增加,则判断所述Openflow交换机的流量f是否发生变化,若流量f无变化,则为静态网络;若流量f发生变化,则为动态网络。
本实施例按如下步骤获得静态网络控制器最优节点数以及静态网络设计方案:
步骤3.1、基于最小覆盖集理论,将拥有最大节点度Dmax的节点A加入最小覆盖集合S中后标记该节点A,并标记节点A覆盖的所有边EA;
步骤3.2、在满足约束条件一时,从未被标记的节点中选择节点B加入最小覆盖集合S后标记该节点B,并标记节点B覆盖的所有边EB,节点B在未被标记的节点中拥有最大节点度,并且节点B和节点A的传输距离d(A,B)为最远;
约束条件一为:d(x,y)<dmax,其中,d(x,y)是指任意节点x与节点y间传输距离,d(x,y)以实际物理链路距离来表示,最大允许传输距离dmax由网络实际情况所确定;
步骤3.3、重复步骤3.2直到所有边均被标记,获得静态网络控制器最优节点数m1为最小覆盖集合S的大小;在静态网络下,任意节点x的流量fx保持不变,单个控制器所能处理的最大流量相同且均为LCCmax,所需控制器数目m2为:m2=Σfx/LCCmax,其中,Σfx表示网络所有节点流量之和;若m1≥m2,则采用最小覆盖集理论确定静态网络控制器最优节点数为m1,否则,确定静态网络控制器最优节点数为m2,采用贪心算法新增m2-m1个控制器,且各新增控制器满足约束条件一;
步骤3.4、基于最小生成树理论,改进最小生成树的边的权值W为:
W=[(Dx+Dy)/(2×Dmax)]×d(x,y)
其中,Dx和Dy分别表示节点x和节点y的度;
将各控制器作为根节点,采用最小生成树生成算法根据权值W,选择若干Openflow交换机作为子节点加入最小生成树中,并行生成若干棵最小生成树;
步骤3.5、基于纳什均衡理论,对于不同最小生成树间的重叠节点,在同时满足约束条件一及约束条件二下,采用子博弈精炼纳什均衡理论使迁移每一个重叠节点的子博弈过程均达到最优,最终使重新迁移重叠节点的原博弈过程达到纳什均衡,从而获得控制器静态部署方案,以及Openflow交换机静态分布方案;
条件二为:ΣTfi<LCCmax,其中,ΣTfi表示任意一个最小生成树i的节点流量之和。
覆盖集是指一类节点子集,具体来说,若图的一个节点子集使该图的每一条边都与这个子集中一个节点连接,则称这样的节点子集为覆盖集,所以最小覆盖集是指在图的所有覆盖集中,节点数最少的覆盖集;节点的度可以反映节点的重要程度;最小生成树生成算法包括:Prim算法、Kruskal算法或Sollin算法;贪心算法包括:贪心背包算法、贪心模拟退火算法。
本实施例按如下步骤获得动态网络控制器最优节点数以及动态网络设计方案:
步骤4.1、基于ARIMA预测模型,针对网络流量时间序列进行周期性检测;
若网络流量时间序列具有周期性,则针对网络流量时间序列进行平稳性检测;
若网络流量时间序列不具有周期性,则以周期为时间长度对网络流量时间序列作差分处理,再进行平稳性检测;若网络流量时间序列不平稳,再次经差分处理后重新进行平稳性检测,直至平稳为止;
启动ARIMA算法,首先通过两重AIC准则循环判断出最适合的ARIMA模型的阶p和q,利用ARIMA模型进行动态预测获得未来时间段[t1,t24]内的网络流量预测值及动态网络控制器最优节点数预测值,针对网络流量预测值及动态网络控制器最优节点数预测值进行逆差分还原处理后获得动态网络控制器最优节点数m3;
步骤4.2、根据未来时间段[t1,t24]内的网络流量预测值,针对[t1,t24]的时间段,按如下方式形成时间集合T1和T2:
对于分处在t=1,2,…24的各时刻,检测各最小生成树i,由满足ΣTfi<LCCmin的各待休眠最小生成树u形成时间集合T2为:以u表示待休眠最小生成树序号,其中LCCmin表示单个控制器临界休眠最小流量;
步骤4.3、对于分处在t=1,2,…24的各时刻,在当前t-1时刻统计下一时刻t处,时间集合T1中的过载最小生成树j的集合为K1t,以及时间集合T2中待休眠最小生成树u的集合为K2t;采用如下方式解决时间局部性问题及空间局部性问题:
在t-1时刻,设定过载最小生成树j第一次迁移后的流量阈值LCCthreshold为LCCthreshold=N×LCCmax,则过载最小生成树j的待迁移流量MWj为:MWj=ΣTfj-LCCthreshold,ΣTfj为过载最小生成树j的节点流量之和;
在t时刻,若是t时刻的过载最小生成树j的节点流量之和大于ΣTfj,则将流量阈值按照M×LCCmax的量值线性减少,以此平滑增加过载最小生成树j的待迁移流量,当流量阈值减少到0时,更新过载最小生成树j的流量阈值为N×LCCmax;
在t时刻,若是t时刻的过载最小生成树j的节点流量之和不大于ΣTfj,则将流量阈值按照M×LCCmax的量值线性增加,以此平滑减少过载最小生成树j的待迁移流量,当流量阈值增加到LCCmax时,更新过载最小生成树j的流量阈值为N×LCCmax;
其中N取0.5,M取0.1;
步骤4.4、对于分处在t=1,2,…24的各时刻,按如下方式实现流量迁移:
若|K2t|小于|K1t|,根据子博弈精炼纳什均衡理论设计在线算法,将集合K1t中|K2t|棵过载最小生成树j的待迁移流量MWj迁移至集合K2t的待休眠最小生成树中,并将集合K1t中剩余的过载最小生成树j的待迁移流量MWj迁移至相邻最小生成树中;
若|K2t|不小于|K1t|,根据子博弈精炼纳什均衡理论设计在线算法,将集合K1t中的过载最小生成树j的待迁移流量MWj迁移至集合K2t的待休眠最小生成树中,并休眠集合K2t中剩余待休眠最小生成树;
由此获得控制器动态调整方案,以及Openflow交换机动态分布方案;
以|K2t|和|K1t|分别表示集合K2t和集合K1t的大小。
本实施例按如下方式获得扩张网络控制器最优节点数,以及扩张网络设计方案:
证明一个网络流量时间序列具备平稳性需要三步:一是检测网络流量时间序列均值函数为常数;二是检测网络流量时间序列方差函数为常数且收敛;三是检测网络流量时间序列协方差函数只与时间间隔有关,与位置无关。
ARIMA预测模型为自回归滑动平均混合模型,又称ARIMA(p,d,q),其中,p为自回归的阶数;d为差分阶数;q为滑动平均阶数,设置q值为2;AIC准则用于评价ARIMA模型的好坏,AIC=-2L/n+2k/n,其中L是对数似然值,n是网络流量时间序列数目,k是被估计的参数个数,且k=p+q+1,1表示截距项;采用AIC准则通过两重AIC准则循环判断出最适合的ARIMA模型的阶p和q的过程如下:
1、设置p、q初始值为1;
2、计算temp1=AIC(p,q);
3、将q值增加1后,再计算temp2=AIC(p,q);
4、若temp2<temp1,则将p值增加1,结束循环;否则执行过程3,最终得ARIMA模型的阶p和q。
时间局部性是指一旦一个控制器流量过载,则不久的将来,该控制器可能再次过载;空间局部性是指一旦一个控制器流量过载,那么该控制器附近的控制器也可能流量过载;在线算法是指在可以在任意时刻根据当前网络状况生成设计方案的方法。
步骤5.1、对于任意最小生成树i,若满足:LCCmin<ΣTfi<LCCmax,表明现有的控制器数量m4仍然可以管理整个网络,按如下方式确定负载不均衡的最小生成树集合为C;
针对最小生成树i,若式(1)成立,则判断最小生成树i为负载均衡,若否,判断最小生成树i为负载不均衡:
α×LCCmax<ΣTfi<β×LCCmax (1),
其中,α和β分别表示不同权值,且α<β;将α取值为0.3,β取值为0.7;
依据式(1)确定负载不均衡的最小生成树集合为C;
步骤5.2、从集合C中选择各最小生成树C1,确定最小生成树C1需要迁移的流量F1为:F1=ΣTfC1-(β×LCCmax-α×LCCmax),并确定与最小生成树C1相邻的最小生成树C1v所能接收的流量F1v为:F1v=β×LCCmax-ΣTfC1v,则最小生成树C1与相邻的最小生成树C1v之间可以迁移的流量F(C1,C1v)为:F(C1,C1v)=min(F1,F1v);
若存在与最小生成树C1相邻的最小生成树C1h,且最小生成树C1h所能接收的流量为F1h;
当F1h大于F1,在最小生成树C1和相邻的最小生成树C1h均满足由式(1)表征的负载均衡的条件下,采用启发式算法将最小生成树C1中相应的Openflow交换机迁移至相邻的最小生成树C1h中;
当F1h不大于F1,选择多棵相邻的最小生成树C1h,使多棵相邻的最小生成树C1h所能接收的流量之和ΣF1h满足:ΣF1h>F1,在最小生成树C1和各相邻的最小生成树C1h均满足由式(1)表征的负载均衡的条件下,采用背包理论将最小生成树C1中相应的Openflow交换机迁移至各相邻最小生成树C1h中,将C1从集合C中去除;
步骤5.3、重复步骤5.2直至集合C为空集,得m4个负载均衡的最小生成树,从而获得扩张网络控制器最优节点数为m4,以及扩张网络设计方案;
步骤5.4、若存在最小生成树不满足约束条件二,且剩余任意一个最小生成树i均满足:LCCmin<ΣTfi<LCCmax,则表明现有的控制器数量m4无法管理整个网络,确定不满足约束条件二的最小生成树集合为G;
若集合G的大小为1,表明仅存在一个最小生成树G1流量过载,则新增一个最小生成树Gm4+1,新增的最小生成树Gm4+1中的控制器Cm4+1拥有最大节点度,且新增的控制器Cm4+1与最小生成树G1中的控制器C1的传输距离d(C1,Cm4+1)为最远;在最小生成树G1及新增的最小生成树Gm4+1均满足由式(1)表征的负载均衡的条件下,采用启发式算法将最小生成树G1中若干Openflow交换机迁移至新增的最小生成树Gm4+1中,将扩张网络控制器最优节点数更新为m5,m5=m4+1;
若集合G的大小为n,n>1,即存在有多个最小生成树G1,G2,…,Gn流量过载,确定各最小生成树需要迁移的流量分别为F1,F2,...,Fn,其中Fn=ΣTfn-(β×LCCmax-α×LCCmax),将扩张网络控制器最优节点数更新为m5,m5=ΣFn/LCCmax+m4,采用启发式算法确定各过载最小生成树G1,G2,…,Gn中可以迁移的Openflow交换机集合为V1,V2,…,Vn,根据背包理论确定新增控制器的位置及Openflow交换机的分布,获得控制器扩张调整方案,以及Openflow交换机扩张分布方案。
α和β是指衰减系数,α×LCCmax表示当控制器流量足够小时,可以休眠该控制器以减少部署控制器成本的临界流量;β×LCCmax表示减少控制器最大处理流量,以避免流量激增时控制器极易过载的问题;α、β的值属于(0,1);启发式算法包括:启发式模拟退火算法、启发式粒子群算法、启发式遗传算法。
仿真结果:
图6、图7和图8分别示意本发明系统在静态网络、动态网络及扩张网络下的传输延时对比,图中横坐标表示控制器的数目(个);纵坐标表示网络平均传输延迟(ms);仿真实验将本发明系统在各不同网络状态下的传输延迟分别与ACCPP算法及WCCPP算法进行比较,其中ACCPP及WCCPP算法均源自论文“B.HELLER,R.SHERWOOD,N.MCKEOWN,“The controllerplacement problem””,论文中提出SDN网络中控制器部署的两个重要延迟参考指标:Average-case Latency和Worst-case Latency,其中Average-case Latency(ACCPP)表示平均情况延迟,即控制域内各Openflow交换机向控制器发送请求的平均最小传输延迟,Worst-case Latency(WCCPP)表示最坏情况延迟,即控制域内各Openflow交换机向控制器发送请求的最大传输延迟;由图6、图7和图8可见,本发明系统分别在静态网络、动态网络及扩张网络下设计的IMCDS方案、MCDA方案、及SENA方案的平均传输延迟均接近与ACCPP,远小于WCCPP,因此本发明系统性能良好。
Claims (5)
1.一种用于SDN网络中多控制器部署的处理系统,是应用于由Openflow交换机、控制器伸缩池、控制器、状态总线和控制总线所组成的SDN网络中;所述Openflow交换机与处理模块通过状态总线进行通信,用于确定SDN网络所处状态;所述处理模块与控制器伸缩池通过控制总线进行通信,用于确定SDN网络所需所述控制器的个数;所述处理模块与控制器通过控制总线进行通信,用于确定所述控制器的优化部署方案;所述控制器伸缩池与控制器通过控制总线进行通信,用于确定所述控制器的激活状态;其特征是,所述处理模块包括:监控单元、静态部署单元、网络流预测单元、应急系统管理单元、优化调整单元和控制器伸缩单元;
所述处理模块中的监控单元在时钟周期的控制下,通过状态总线接收所述Openflow交换机的网络流量变化信息,根据所述网络流量变化信息确定网络状态,所述网络状态包括:静态网络、动态网络和扩张网络的各不同状态;所述静态网络是指初始静态网络,所述动态网络是指流量动态变化网络,所述扩张网络是指规模扩张网络;
所述处理模块中的静态部署单元接收监控单元的控制命令,并确定网络状态为静态网络的状态时,基于最小覆盖集理论确定静态网络控制器最优节点数,将所述静态网络控制器最优节点数输入所述控制器伸缩单元;采用最小生成树,并结合纳什均衡理论给出基于目标约束的静态网络设计方案,所述静态网络设计方案包括控制器静态部署方案,以及Openflow交换机静态分布方案,将所述静态网络设计方案输入优化调整单元;
所述处理模块中的网络流预测单元接收监控单元的控制命令,并确定网络状态为动态网络的状态时,采用预测模型ARIMA动态预测未来时间段[t1,t24]内的网络流量预测值和动态网络控制器最优节点数,将所述动态网络控制器最优节点数输入所述控制器伸缩单元;基于网络流量预测值,结合纳什均衡理论设计在线算法确定动态网络设计方案,所述动态网络设计方案包括控制器动态调整方案,以及Openflow交换机动态分布方案,将所述动态网络设计方案输入所述优化调整单元;
所述处理模块中的应急系统管理单元接收监控单元的控制命令后,并确定网络状态为扩张网络的状态时,采用启发式的负载均衡方案确定扩张网络控制器最优节点数,将所述扩张网络控制器最优节点数输入控制器伸缩单元,采用背包理论基于目标约束给出扩张网络设计方案,所述扩张网络设计方案包括控制器扩张调整方案,以及Openflow交换机扩张分布方案,将所述扩张网络设计方案输入优化调整单元;
所述处理模块中的控制器伸缩单元根据对应网络状态下的控制器最优节点数控制所述控制器伸缩池,对处在所述控制器伸缩池中的控制器进行激活或休眠处理;
所述处理模块中的优化调整单元根据对应网络状态下的网络设计方案,控制所述控制器及所述Openflow交换机进行迁移,实现网络调整。
2.根据权利要求1所述的用于SDN网络中多控制器部署的处理系统,其特征是,所述监控单元按如下方式确定网络状态:在一个时间段Δt中,若所述Openflow交换机的个数n有所增加,判断为扩张网络;若所述Openflow交换机的个数n没有增加,则判断所述Openflow交换机的流量f是否发生变化,若流量f无变化,则为静态网络;若流量f发生变化,则为动态网络。
3.根据权利要求1所述的用于SDN网络中多控制器部署的处理系统,其特征是:按如下步骤获得静态网络控制器最优节点数以及静态网络设计方案:
步骤3.1、基于最小覆盖集理论,将拥有最大节点度Dmax的节点A加入最小覆盖集合S中后标记该节点A,并标记节点A覆盖的所有边EA;
步骤3.2、在满足约束条件一时,从未被标记的节点中选择节点B加入最小覆盖集合S后标记该节点B,并标记节点B覆盖的所有边EB,所述节点B在未被标记的节点中拥有最大节点度,并且节点B和节点A的传输距离d(A,B)为最远;
所述约束条件一为:d(x,y)<dmax,其中,d(x,y)是指任意节点x与节点y间传输距离,d(x,y)以实际物理链路距离来表示,最大允许传输距离dmax由网络实际情况所确定;
步骤3.3、重复步骤3.2直到所有边均被标记,获得所述静态网络控制器最优节点数m1为最小覆盖集合S的大小;在静态网络下,任意节点x的流量fx保持不变,单个控制器所能处理的最大流量相同且均为LCCmax,所需控制器数目m2为:m2=Σfx/LCCmax,其中,Σfx表示网络所有节点流量之和;若m1≥m2,则采用最小覆盖集理论确定静态网络控制器最优节点数为m1,否则,确定静态网络控制器最优节点数为m2,采用贪心算法新增m2-m1个控制器,且各新增控制器满足约束条件一;
步骤3.4、基于最小生成树理论,改进最小生成树的边的权值W为:
W=[(Dx+Dy)/(2×Dmax)]×d(x,y)
其中,Dx和Dy分别表示节点x和节点y的度;
将各控制器作为根节点,采用最小生成树生成算法根据权值W,选择若干Openflow交换机作为子节点加入最小生成树中,并行生成若干棵最小生成树;
步骤3.5、基于纳什均衡理论,对于不同最小生成树间的重叠节点,在同时满足约束条件一及约束条件二下,采用子博弈精炼纳什均衡理论使迁移每一个重叠节点的子博弈过程均达到最优,最终使重新迁移重叠节点的原博弈过程达到纳什均衡,从而获得控制器静态部署方案,以及Openflow交换机静态分布方案;
所述条件二为:ΣTfi<LCCmax,其中,ΣTfi表示任意一个最小生成树i的节点流量之和。
4.根据权利要求3所述的用于SDN网络中多控制器部署的处理系统,其特征是:按如下步骤获得动态网络控制器最优节点数以及动态网络设计方案:
步骤4.1、基于ARIMA预测模型,针对网络流量时间序列进行周期性检测;
若网络流量时间序列具有周期性,则针对所述网络流量时间序列进行平稳性检测;
若网络流量时间序列不具有周期性,则以周期为时间长度对网络流量时间序列作差分处理,再进行平稳性检测;若网络流量时间序列不平稳,再次经差分处理后重新进行平稳性检测,直至平稳为止;
启动ARIMA算法,首先通过两重AIC准则循环判断出最适合的ARIMA模型的阶p和q,利用ARIMA模型进行动态预测获得未来时间段[t1,t24]内的网络流量预测值及动态网络控制器最优节点数预测值,针对网络流量预测值及动态网络控制器最优节点数预测值进行逆差分还原处理后获得动态网络控制器最优节点数m3;
步骤4.2、根据未来时间段[t1,t24]内的网络流量预测值,针对[t1,t24]的时间段,按如下方式形成时间集合T1和T2:
对于分处在t=1,2,…24的各时刻,检测各最小生成树i,由满足ΣTfi<LCCmin的各待休眠最小生成树u形成时间集合T2为:u=1,2,…,m3;以u表示待休眠最小生成树序号,其中LCCmin表示单个控制器临界休眠最小流量;
步骤4.3、对于分处在t=1,2,…24的各时刻,在当前t-1时刻统计下一时刻t处,时间集合T1中的过载最小生成树j的集合为K1t,以及时间集合T2中待休眠最小生成树u的集合为K2t;采用如下方式解决时间局部性问题及空间局部性问题:
在t-1时刻,设定过载最小生成树j第一次迁移后的流量阈值LCCthreshold为LCCthreshold=N×LCCmax,则过载最小生成树j的待迁移流量MWj为:MWj=ΣTfj-LCCthreshold,ΣTfj为过载最小生成树j的节点流量之和;
在t时刻,若是t时刻的过载最小生成树j的节点流量之和大于ΣTfj,则将流量阈值按照M×LCCmax的量值线性减少,以此平滑增加过载最小生成树j的待迁移流量,当流量阈值减少到0时,更新过载最小生成树j的流量阈值为N×LCCmax;
在t时刻,若是t时刻的过载最小生成树j的节点流量之和不大于ΣTfj,则将流量阈值按照M×LCCmax的量值线性增加,以此平滑减少过载最小生成树j的待迁移流量,当流量阈值增加到LCCmax时,更新过载最小生成树j的流量阈值为N×LCCmax;
其中N取0.5,M取0.1;
步骤4.4、对于分处在t=1,2,…24的各时刻,按如下方式实现流量迁移:
若|K2t|小于|K1t|,根据子博弈精炼纳什均衡理论设计在线算法,将集合K1t中|K2t|棵过载最小生成树j的待迁移流量MWj迁移至集合K2t的待休眠最小生成树中,并将集合K1t中剩余的过载最小生成树j的待迁移流量MWj迁移至相邻最小生成树中;
若|K2t|不小于|K1t|,根据子博弈精炼纳什均衡理论设计在线算法,将集合K1t中的过载最小生成树j的待迁移流量MWj迁移至集合K2t的待休眠最小生成树中,并休眠集合K2t中剩余待休眠最小生成树;
由此获得控制器动态调整方案,以及所述Openflow交换机动态分布方案;
以|K2t|和|K1t|分别表示集合K2t和集合K1t的大小。
5.根据权利要求3所述的用于SDN网络中多控制器部署的处理系统,其特征是:按如下方式获得扩张网络控制器最优节点数,以及扩张网络设计方案:
步骤5.1、对于任意最小生成树i,若满足:LCCmin<ΣTfi<LCCmax,表明现有的控制器数量m4仍然可以管理整个网络,按如下方式确定负载不均衡的最小生成树集合为C;
针对最小生成树i,若式(1)成立,则判断最小生成树i为负载均衡,若否,判断最小生成树i为负载不均衡:
α×LCCmax<ΣTfi<β×LCCmax (1),
其中,α和β分别表示不同权值,且α<β;将α取值为0.3,β取值为0.7;
依据式(1)确定负载不均衡的最小生成树集合为C;
步骤5.2、从所述集合C中选择各最小生成树C1,确定最小生成树C1需要迁移的流量F1为:F1=ΣTfC1-(β×LCCmax-α×LCCmax),并确定与所述最小生成树C1相邻的最小生成树C1v所能接收的流量F1v为:F1v=β×LCCmax-ΣTfC1v,则最小生成树C1与相邻的最小生成树C1v之间可以迁移的流量F(C1,C1v)为:F(C1,C1v)=min(F1,F1v);
若存在与所述最小生成树C1相邻的最小生成树C1h,且最小生成树C1h所能接收的流量为F1h;
当F1h大于F1,在最小生成树C1和相邻的最小生成树C1h均满足由式(1)表征的负载均衡的条件下,采用启发式算法将最小生成树C1中相应的Openflow交换机迁移至相邻的最小生成树C1h中;
当F1h不大于F1,选择多棵相邻的最小生成树C1h,使多棵相邻的最小生成树C1h所能接收的流量之和ΣF1h满足:ΣF1h>F1,在最小生成树C1和各相邻的最小生成树C1h均满足由式(1)表征的负载均衡的条件下,采用背包理论将最小生成树C1中相应的Openflow交换机迁移至各相邻最小生成树C1h中,将C1从集合C中去除;
步骤5.3、重复步骤5.2直至集合C为空集,得m4个负载均衡的最小生成树,从而获得扩张网络控制器最优节点数为m4,以及扩张网络设计方案;
步骤5.4、若存在最小生成树不满足约束条件二,且剩余任意一个最小生成树i均满足:LCCmin<ΣTfi<LCCmax,则表明现有的控制器数量m4无法管理整个网络,确定不满足约束条件二的最小生成树集合为G;
若集合G的大小为1,表明仅存在一个最小生成树G1流量过载,则新增一个最小生成树Gm4+1,新增的最小生成树Gm4+1中的控制器Cm4+1拥有最大节点度,且新增的控制器Cm4+1与最小生成树G1中的控制器C1的传输距离d(C1,Cm4+1)为最远;在最小生成树G1及新增的最小生成树Gm4+1均满足由式(1)表征的负载均衡的条件下,采用启发式算法将最小生成树G1中若干Openflow交换机迁移至新增的最小生成树Gm4+1中,将扩张网络控制器最优节点数更新为m5,m5=m4+1;
若集合G的大小为n,n>1,即存在有多个最小生成树G1,G2,…,Gn流量过载,确定各最小生成树需要迁移的流量分别为F1,F2,...,Fn,其中Fn=ΣTfn-(β×LCCmax-α×LCCmax),将扩张网络控制器最优节点数更新为m5,m5=ΣFn/LCCmax+m4,采用启发式算法确定各过载最小生成树G1,G2,…,Gn中可以迁移的Openflow交换机集合为V1,V2,…,Vn,根据背包理论确定新增控制器的位置及Openflow交换机的分布,获得控制器扩张调整方案,以及Openflow交换机扩张分布方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810444194.2A CN108650131B (zh) | 2018-05-10 | 2018-05-10 | 用于sdn网络中多控制器部署的处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810444194.2A CN108650131B (zh) | 2018-05-10 | 2018-05-10 | 用于sdn网络中多控制器部署的处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108650131A CN108650131A (zh) | 2018-10-12 |
CN108650131B true CN108650131B (zh) | 2021-05-04 |
Family
ID=63754352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810444194.2A Active CN108650131B (zh) | 2018-05-10 | 2018-05-10 | 用于sdn网络中多控制器部署的处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108650131B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108880918B (zh) * | 2018-08-24 | 2020-09-04 | 北京邮电大学 | 一种sdn多控制器负载均衡方法及系统 |
CN110505154B (zh) * | 2019-07-26 | 2022-06-07 | 北京工业大学 | 一种基于改进的迪杰斯特拉算法的交换机迁移方法 |
CN110830469A (zh) * | 2019-11-05 | 2020-02-21 | 中国人民解放军战略支援部队信息工程大学 | 基于SDN和BGP流程规范的DDoS攻击防护系统及方法 |
CN114355775A (zh) * | 2021-12-29 | 2022-04-15 | 航天科工网络信息发展有限公司 | 基于sdn网络和深度强化学习多控制器部署方法及系统 |
CN114338537B (zh) * | 2021-12-29 | 2024-01-19 | 安徽大学 | 基于预测的sdn负载均衡双重权重交换机迁移方法及系统 |
CN115361341B (zh) * | 2022-10-19 | 2023-03-24 | 南京邮电大学 | 一种基于sdn多控制器的数据中心网络负载均衡方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103428031A (zh) * | 2013-08-05 | 2013-12-04 | 浙江大学 | 一种基于软件定义网络的域间链路快速故障恢复方法 |
CN103561011A (zh) * | 2013-10-28 | 2014-02-05 | 中国科学院信息工程研究所 | 一种SDN控制器盲DDoS攻击防护方法及系统 |
CN106713177A (zh) * | 2016-11-21 | 2017-05-24 | 华南理工大学 | 一种多控制器的wmSDN组网方法 |
US9680665B2 (en) * | 2014-04-24 | 2017-06-13 | Futurewei Technologies, Inc. | Apparatus and method for dynamic hybrid routing in SDN networks to avoid congestion and balance loads under changing traffic load |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150124622A1 (en) * | 2013-11-01 | 2015-05-07 | Movik Networks, Inc. | Multi-Interface, Multi-Layer State-full Load Balancer For RAN-Analytics Deployments In Multi-Chassis, Cloud And Virtual Server Environments |
-
2018
- 2018-05-10 CN CN201810444194.2A patent/CN108650131B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103428031A (zh) * | 2013-08-05 | 2013-12-04 | 浙江大学 | 一种基于软件定义网络的域间链路快速故障恢复方法 |
CN103561011A (zh) * | 2013-10-28 | 2014-02-05 | 中国科学院信息工程研究所 | 一种SDN控制器盲DDoS攻击防护方法及系统 |
US9680665B2 (en) * | 2014-04-24 | 2017-06-13 | Futurewei Technologies, Inc. | Apparatus and method for dynamic hybrid routing in SDN networks to avoid congestion and balance loads under changing traffic load |
CN106713177A (zh) * | 2016-11-21 | 2017-05-24 | 华南理工大学 | 一种多控制器的wmSDN组网方法 |
Non-Patent Citations (2)
Title |
---|
An Efficient Algorithm for Constructing Controller Trees in SDN;Ze Yang等;《GLOBECOM 2017-2017 IEEE Global Communications Conference》;20171208;全文 * |
软件定义网络中基于负载均衡的多控制器部署算法;史久根等;《电子与信息学报》;20180228;第455-461页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108650131A (zh) | 2018-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108650131B (zh) | 用于sdn网络中多控制器部署的处理系统 | |
CN109936473B (zh) | 基于深度学习预测的分布计算系统及其运行方法 | |
WO2023160110A1 (zh) | 一种集群温控负荷系统调频方法、系统、电子设备及存储介质 | |
CN110995858A (zh) | 一种基于深度q网络的边缘网络请求调度决策方法 | |
Chen et al. | ALBRL: Automatic Load‐Balancing Architecture Based on Reinforcement Learning in Software‐Defined Networking | |
CN115277689A (zh) | 一种基于分布式联邦学习的云边网络通信优化方法及系统 | |
CN117997906B (zh) | 节点计算资源分配方法、网络交换子系统及智能计算平台 | |
CN115665258B (zh) | 一种基于深度强化学习的多目标服务功能链的优先级感知部署方法 | |
CN112214301B (zh) | 面向智慧城市基于用户偏好的动态计算迁移方法及装置 | |
Zheng et al. | Learning based task offloading in digital twin empowered internet of vehicles | |
Tao et al. | Drl-driven digital twin function virtualization for adaptive service response in 6g networks | |
CN111917653A (zh) | 用于sdn网络的数据转发规则同步方法、控制器及系统 | |
Xu et al. | Living with artificial intelligence: A paradigm shift toward future network traffic control | |
CN110049018B (zh) | 基于增强学习的spma协议参数优化方法、系统及介质 | |
Li et al. | Adaptive controller placement in software defined wireless networks | |
Yujie et al. | An effective controller placement algorithm based on clustering in SDN | |
Zhu et al. | Deep reinforcement learning-based edge computing offloading algorithm for software-defined IoT | |
Fu et al. | Periodic asynchronous event-triggered control | |
Mingshi et al. | Failure prediction based vnf migration mechanism for multimedia services in power grid substation monitoring | |
Chang et al. | Low-latency controller load balancing strategy and offloading decision generation algorithm based on lyapunov optimization in SDN mobile edge computing environment | |
CN112601232B (zh) | 基于最小费用最大流的负载均衡的多服务迁移方法及系统 | |
Wang et al. | Leveraging multiple coflow attributes for information-agnostic coflow scheduling | |
CN112134807A (zh) | 基于纳什议价的sdn负载均衡方法、系统、设备及存储介质 | |
Vaezpour | Deep learning-driven multi-objective dynamic switch migration in software defined networking (SDN)/network function virtualization (NFV)-based 5G networks | |
CN106209674B (zh) | 基于分布式无线网络的网络控制系统最优线性控制方法 |
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 |