CN108833548A - Sd-wan网络系统以及用于网络流量加速优化方法 - Google Patents

Abstract

本发明涉及一种SD‑WAN网络系统以及用于网络流量加速优化方法。该SD‑WAN网络系统中SD‑WAN网络分别连接公有云区域、总部区域、分支区域、移动终端区域；公有云区域提供公有云资源访问服务；总部区域提供总部资源访问服务；移动终端区域通过因特网连接SD‑WAN网络，分支区域通过因特网连接SD‑WAN网络；SD‑WAN网络根据移动终端区域和分支区域的网络流量加速优化请求提供优化结果，并下发至移动终端区域和分支区域；移动终端区域和分支区域根据优化结果访问公有云区域和总部区域。通过实施本发明，使得网络系统具有网络带宽高、数据丢包率低的优势。

Description

SD-WAN网络系统以及用于网络流量加速优化方法

技术领域

本发明涉及通信领域，更具体地说，涉及一种SD-WAN网络系统以及用于网络流量加速优化方法。

背景技术

SDN及SD-WAN网络已成为全球运营商发展的重要趋势，SDN及SD-WAN网络已被业界普遍认定为下一代电信网络发展的主要方向。SD-WAN继承SDN控制与转发分离、集中控制等理念，在企业WAN中部署软件控制系统，提供业务快速部署、业务智能管理等功能，帮助企业应对云服务及办公移动化所带来的挑战，实现业务的快速测试、部署和上线。当前，SDN及SD-WAN网络已经成为全球政府/企业产业界公认的发展重点；国际和国内的通信产业巨头加快技术研发、企业转型和联盟合作以抢占SDN及SD-WAN网络发展的主导权和新兴市场空间。这种情况下，面对日益迫切的SDN及SD-WAN网络发展需求，基于SD-WAN的网络流量加速优化系统对于SDN及SD-WAN网络的迅速持续发展具有重要意义。

随着SDN及SD-WAN网络业务的快速增长，伴之产生的网络带宽不足、数据丢包率高等问题日益突出。现有企业内外部网络流量具有高动态、突发的特性，未充分考虑到网络带宽不足、数据丢包率高等方面问题。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述现有网络未充分考虑到网络带宽不足、数据丢包率高的缺陷，提供一种SD-WAN网络系统以及用于网络流量加速优化方法。

本发明解决其技术问题所采用的技术方案是：构造一种SD-WAN网络系统，包括公有云区域、总部区域、分支区域、移动终端区域、以及SD-WAN网络，所述SD-WAN网络分别连接所述公有云区域、总部区域、分支区域、移动终端区域；

所述公有云区域提供公有云资源访问服务；所述总部区域提供总部资源访问服务；所述移动终端区域通过因特网连接所述SD-WAN网络，所述分支区域通过因特网连接所述SD-WAN网络；

所述SD-WAN网络根据所述移动终端区域和分支区域的网络流量加速优化请求提供优化结果，并下发至所述移动终端区域和分支区域；所述移动终端区域和分支区域根据所述优化结果访问所述公有云区域和总部区域。

进一步，本发明所述的SD-WAN网络系统，所述移动终端区域通过互联网提交所述网络流量加速优化请求，并通过无线网络传输求至所述SD-WAN网络；所述分支区域通过有线路由接入所述SD-WAN网络，并将所述网络流量加速优化请求传输至所述SD-WAN网络；

所述SD-WAN网络提供的优化结果包括公有云访问入口地址和总部资源访问入口地址，并将所述公有云访问入口地址和总部资源访问入口地址返回至所述移动终端区域和分支区域。

进一步，本发明所述的SD-WAN网络系统，所述移动终端区域内的移动终端从所述分支区域的数据库中获取访问数据和访问密钥；

所述移动终端区域和分支区域通过VPN通道上行连接至所述SD-WAN网络；

所述总部区域将所述移动终端区域和分支区域所需访问的总部资源暂存至所述总部区域的缓存中。

进一步，本发明所述的SD-WAN网络系统，所述SD-WAN网络包括根据所述网络流量加速优化请求产生所述优化结果的网络流量加速优化分析器；

所述网络流量加速优化请求包括网络带宽B和数据丢包率L；所述网络流量加速优化请求为至少一个，所述优化结果包括至少一个优化分析结果。

另，本发明还提供一种SD-WAN网络系统的网络流量加速优化方法，包括：

S1、汇总网络流量加速优化请求；

S2、以多维空间深度加速优化策略分析所述网络流量加速优化请求；

S3、将各个加速优化分析初始结果进行获取汇总；

S4、所述多维空间深度加速优化策略根据汇总后的所述加速优化分析初始结果进行自学习。

进一步，本发明所述的SD-WAN网络系统的网络流量加速优化方法，在所述步骤S4之后还包括：

S5、判断优化结果是否达到预设优化分析评价条件；

S6、若是，则优化结束；

S7、若否，则继续优化。

进一步，本发明所述的SD-WAN网络系统的网络流量加速优化方法，在所述步骤S1之后，所述步骤S2之前还包括步骤：

S12、设置迭代初始参数；

在所述步骤S7中，若优化结果未达到预设优化分析评价条件则执行下述步骤：

S71、在当前迭代次数上增加迭代次数；

S72、以多维空间深度加速优化策略分析所述网络流量加速优化请求；

S73、将各个加速优化分析初始结果进行获取汇总；

S74、判断当前迭代次数是否大于预设最大迭代次数；

S75、若是，则优化结束；

S76、若否，则执行所述步骤S4。

优选地，本发明所述的SD-WAN网络系统的网络流量加速优化方法，每次迭代中的网络流量加速优化分析过程为:

采用多维空间深度加速优化方式，在多维空间中，多个加速优化方案根据无监督自学习深度加速优化策略方式向最优方案确定的方向迁移，得到加速优化分析结果；

所述加速优化方案包括多维空间、深度学习、概率论、生物学、运筹学、随机过程、智能优化、机器学习中的至少一种。

优选地，本发明所述的SD-WAN网络系统的网络流量加速优化方法，所述步骤S1包括：

S11、采用间隔预设时间主动上报和/或定期被询问机制获取各个所述网络流量加速优化请求，并进行汇总；

若所述网络流量加速优化请求被延迟，则提高所述网络流量加速优化请求的加速优化调度优先权。

进一步，本发明所述的SD-WAN网络系统的网络流量加速优化方法，所述以多维空间深度加速优化策略分析所述网络流量加速优化请求包括：

定义数据存储模型

在三维直角坐标系m-n-p中表示数据M_ijt ^k (1-1)

联合高斯分布评价函数：

最大似然估计加速优化函数

ψ、υ∈(0,1),ψ+υ＝1

其中式(1-1)至式(1-5)中的k表示第k次迭代，其中k必须满足k≤d条件，需满足k＝1,2,…,d的条件；

式(1-2)中的和分别为加速优化的网络带宽、数据丢包率，式(1-3)、(1-4)、(1-5)中和(1-6)的B^maxk、L^mink、M^maxG、M^minG分别为当前第k次平均网络带宽、当前第k次平均数据丢包率、当前第k次网络宽带最大值、当前第k次数据丢包率最小值、历史信息向量最大值、历史信息向量最小值；

式(1-3)和(1-4)中的M_ijt ^k主要包含：和两方面的信息向量，即为其中的为采用多维无监督自学习获得的寻优向量。

实施本发明的一种SD-WAN网络系统以及用于网络流量加速优化方法，具有以下有益效果：该SD-WAN网络系统中SD-WAN网络分别连接公有云区域、总部区域、分支区域、移动终端区域；公有云区域提供公有云资源访问服务；总部区域提供总部资源访问服务；移动终端区域通过因特网连接SD-WAN网络，分支区域通过因特网连接SD-WAN网络；SD-WAN网络根据移动终端区域和分支区域的网络流量加速优化请求提供优化结果，并下发至移动终端区域和分支区域；移动终端区域和分支区域根据优化结果访问公有云区域和总部区域。通过实施本发明，使得网络系统具有网络带宽高、数据丢包率低的优势。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明一种SD-WAN网络系统第一实施例的结构示意图；

图2是本发明一种SD-WAN网络系统第二实施例的结构示意图；

图3是本发明中SD-WAN网络中网络流量加速优化分析器结构示意图；

图4是本发明一种SD-WAN网络系统的网络流量加速优化方法第一实施例流程图；

图5是本发明一种SD-WAN网络系统的网络流量加速优化方法第二实施例流程图；

图6是本发明一种SD-WAN网络系统的网络流量加速优化方法中步骤S7流程图；

图7是本发明中SD-WAN网络流量加速优化分析原理图；

图8是本发明中定义数据存储模型结构图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

图1是本发明一种SD-WAN网络系统第一实施例的结构示意图。

具体的，本实施的SD-WAN网络系统包括公有云区域、总部区域、分支区域、移动终端区域、以及SD-WAN网络，SD-WAN网络分别连接公有云区域、总部区域、分支区域、移动终端区域。公有云区域提供公有云资源访问服务；总部区域提供总部资源访问服务；移动终端区域通过因特网连接SD-WAN网络，分支区域通过因特网连接SD-WAN网络。

SD-WAN网络根据移动终端区域和分支区域的网络流量加速优化请求提供优化结果，并下发至移动终端区域和分支区域；移动终端区域和分支区域根据优化结果访问公有云区域和总部区域。

移动终端区域通过互联网提交网络流量加速优化请求，并通过无线网络传输求至SD-WAN网络；分支区域通过有线路由接入SD-WAN网络，并将网络流量加速优化请求传输至SD-WAN网络。SD-WAN网络提供的优化结果包括公有云访问入口地址和总部资源访问入口地址，并将公有云访问入口地址和总部资源访问入口地址返回至移动终端区域和分支区域，可以理解，返回的公有云访问入口地址与发送网络流量加速优化请求的终端相对应，返回的总部资源访问入口地址与发送网络流量加速优化请求的终端相对应。

图2是本发明一种SD-WAN网络系统第二实施例的结构示意图。

具体的，本实施例的移动终端区域包括至少一个移动终端，移动终端包括但不限于手机、智能手表、平板电脑、笔记本电脑等。移动终端区域内的移动终端从分支区域的数据库中获取访问数据和访问密钥。移动终端区域和分支区域通过VPN通道上行连接至SD-WAN网络。总部区域将移动终端区域和分支区域所需访问的总部资源暂存至总部区域的缓存中。

参考图2，该SD-WAN网络系统可执行的流程包括：

流程1、移动终端(手机、平板电脑、笔记本电脑等)用户接入Internet网络，并提交网络流量加速优化请求。

流程2、移动终端(手机、平板电脑、笔记本电脑等)用户通过Internet网络无线接入SD-WAN网络，并传输网络流量加速优化请求；同时，分支区域的用户终端通过有线路由接入SD-WAN网络，并传输网络流量加速优化请求。

流程3、移动终端通过分支区域的数据库获取必要的访问数据如访问密钥等。

流程4、移动终端和分支区域的用户终端通过VPN隧道上行连接至SD-WAN网络，并传输网络流量加速优化请求。

流程5、SD-WAN网络传输网络流量加速优化请求，并提供网络流量加速优化策略，实现SD-WAN网络流量转发优化等功能。

流程6、将转发优化后的公有云访问入口地址下发至移动终端和分支区域的用户终端，并允许移动终端用户和企业分支用户访问公有云资源。

流程7&8、通过VPN专线传输网络流量加速优化请求到有线路由器，并将访问总部资源的入口地址返回给移动终端用户和分支区域的用户终端。

流程9、总部区域数据库将移动终端用户和分支区域的用户终端所需访问的总部资源暂存至总部可访问缓存。

基于SD-WAN网络流量加速优化机制实现了具有网络带宽高、数据丢包率低的网络流量加速优化功能。

图3是本发明中SD-WAN网络中网络流量加速优化分析器结构示意图。

具体的，本发明的SD-WAN网络系统中，SD-WAN网络包括根据网络流量加速优化请求产生优化结果的网络流量加速优化分析器；网络流量加速优化请求包括但不限于网络带宽B和数据丢包率L等。网络流量加速优化请求为至少一个，网络流量加速优化请求之间相互独立，互不干扰；优化结果包括至少一个优化分析结果。该网络流量加速优化分析器的具体处理过程在下文进行阐述。

图4是本发明一种SD-WAN网络系统的网络流量加速优化方法第一实施例流程图。

具体的，本实施例的SD-WAN网络系统的网络流量加速优化方法应用于上述SD-WAN网络系统中，该方法包括下述步骤：

S1、汇总网络流量加速优化请求。

优选地，本发明的SD-WAN网络系统的网络流量加速优化方法，步骤S1包括：

S11、采用间隔预设时间主动上报和/或定期被询问机制获取各个网络流量加速优化请求，并进行汇总；

S2、以多维空间深度加速优化策略分析网络流量加速优化请求；

S3、将各个加速优化分析初始结果进行获取汇总；

S4、多维空间深度加速优化策略根据汇总后的加速优化分析初始结果进行自学习。多维空间深度加速优化策略根据各加速优化分析样本进行无监督学习。

图5是本发明一种SD-WAN网络系统的网络流量加速优化方法第二实施例流程图。

具体的，在第一实施例的基础上，本实施例的SD-WAN网络系统的网络流量加速优化方法，在步骤S4之后还包括：

S5、判断优化结果是否达到预设优化分析评价条件。根据多维空间、深度学习、概率论、生物学、运筹学、随机过程、智能优化、机器学习等理论的加速优化分析评价条件即评价函数(见式1-2)进行判断，当不满足加速优化分析评价条件时应继续进行迭代。

S6、若达到预设优化分析评价条件，则优化结束；

S7、若未达到预设优化分析评价条件，则继续优化。

参考图6，本实施例的SD-WAN网络系统的网络流量加速优化方法，在步骤S1之后，步骤S2之前还包括步骤：

S12、设置迭代初始参数，即设置迭代次数的初始值，初始值可根据需要进行设定。优选地，最大迭代次数为50。

在步骤S7中，若优化结果未达到预设优化分析评价条件则执行下述步骤：

S71、在当前迭代次数上增加迭代次数，增加迭代次数的数量可根据需要设置，例如，在当前叠加次数上增加1次，也即k+1,k≤d。所以当前迭代次数是一个变量，随着迭代循坏而变化。

S72、以多维空间深度加速优化策略分析网络流量加速优化请求；

S73、将各个加速优化分析初始结果进行获取汇总。采用间隔预设时间主动上报和/或定期被询问机制获取各个网络流量加速优化请求，并进行汇总。

S74、判断当前迭代次数是否大于预设最大迭代次数。可以理解，当前迭代次数是一个变量，随着迭代循坏而变化。

S75、若当前迭代次数大于预设最大迭代次数，则优化结束。

S76、若当前迭代次数不大于预设最大迭代次数，则执行步骤S4，进入下一个迭代过程。

参考图7，本实施例的SD-WAN网络系统的网络流量加速优化方法，每次迭代中的网络流量加速优化分析过程为:采用多维空间深度加速优化方式，在多1,2，···h维空间中，1,2，···w多个加速优化方案根据无监督自学习深度加速优化策略方式向最优方案确定的方向迁移，也即图中各个圆球向虚线圆球坐在位置迁移。结合多维空间深度加速优化思想，基于多维空间、深度学习、概率论、生物学、运筹学、随机过程、智能优化、机器学习等优势的加速优化分析得到加速优化分析结果。

当SD-WAN网络流量加速优化请求到达模型后，该SD-WAN网络流量加速优化请求被加速优化分析评价函数最优的分析方案分析成相应的分析结果。若网络流量加速优化请求被延迟，则提高网络流量加速优化请求的加速优化调度优先权，即赋予当前较高加速优化调度优先权。

本实施例的SD-WAN网络系统的网络流量加速优化方法，以多维空间深度加速优化策略分析网络流量加速优化请求包括：

参考图8，定义数据存储模型

在三维直角坐标系m-n-p中表示数据M_ijt ^k (1-1)

联合高斯分布评价函数：

最大似然估计加速优化函数

ψ、υ∈(0,1),ψ+υ＝1

其中式(1-1)至式(1-5)中的k表示第k次迭代，其中k必须满足k≤d条件，需满足k＝1,2,…,d的条件。

式(1-2)中的和分别为加速优化的网络带宽、数据丢包率，式(1-3)、(1-4)、(1-5)中和(1-6)的B^maxk、L^mink、M^maxG、M^minG分别为当前第k次平均网络带宽、当前第k次平均数据丢包率、当前第k次网络宽带最大值、当前第k次数据丢包率最小值、历史信息向量最大值、历史信息向量最小值。

式(1-3)和(1-4)中的M_ijt ^k主要包含：和两方面的信息向量，即为其中的为采用多维无监督自学习获得的寻优向量。使得此算法更易跳出局部最优，在求解多目标函数时可表现出更优的性能。

当评价函数不被满足时，即触动加速优化分析算法进行动态分析调整，以实现网络带宽高、数据丢包率低的优势。

通过实施本发明，使得网络系统具有网络带宽高、数据丢包率低的优势。

以上实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据此实施，并不能限制本发明的保护范围。凡跟本发明权利要求范围所做的均等变化与修饰，均应属于本发明权利要求的涵盖范围。

Claims (10)

1.一种SD-WAN网络系统，其特征在于，包括公有云区域、总部区域、分支区域、移动终端区域、以及SD-WAN网络，所述SD-WAN网络分别连接所述公有云区域、总部区域、分支区域、移动终端区域；

所述公有云区域提供公有云资源访问服务；所述总部区域提供总部资源访问服务；所述移动终端区域通过因特网连接所述SD-WAN网络，所述分支区域通过因特网连接所述SD-WAN网络；

所述SD-WAN网络根据所述移动终端区域和分支区域的网络流量加速优化请求提供优化结果，并下发至所述移动终端区域和分支区域；所述移动终端区域和分支区域根据所述优化结果访问所述公有云区域和总部区域。

2.根据权利要求1所述的SD-WAN网络系统，其特征在于，所述移动终端区域通过互联网提交所述网络流量加速优化请求，并通过无线网络传输求至所述SD-WAN网络；所述分支区域通过有线路由接入所述SD-WAN网络，并将所述网络流量加速优化请求传输至所述SD-WAN网络；

所述SD-WAN网络提供的优化结果包括公有云访问入口地址和总部资源访问入口地址，并将所述公有云访问入口地址和总部资源访问入口地址返回至所述移动终端区域和分支区域。

3.根据权利要求2所述的SD-WAN网络系统，其特征在于，所述移动终端区域内的移动终端从所述分支区域的数据库中获取访问数据和访问密钥；

所述移动终端区域和分支区域通过VPN通道上行连接至所述SD-WAN网络；

所述总部区域将所述移动终端区域和分支区域所需访问的总部资源暂存至所述总部区域的缓存中。

4.根据权利要求1所述的SD-WAN网络系统，其特征在于，所述SD-WAN网络包括根据所述网络流量加速优化请求产生所述优化结果的网络流量加速优化分析器；

所述网络流量加速优化请求包括网络带宽B和数据丢包率L；所述网络流量加速优化请求为至少一个，所述优化结果包括至少一个优化分析结果。

5.一种SD-WAN网络系统的网络流量加速优化方法，其特征在于，包括：

S1、汇总网络流量加速优化请求；

S2、以多维空间深度加速优化策略分析所述网络流量加速优化请求；

S3、将各个加速优化分析初始结果进行获取汇总；

S4、所述多维空间深度加速优化策略根据汇总后的所述加速优化分析初始结果进行自学习。

6.根据权利要求5所述的SD-WAN网络系统的网络流量加速优化方法，其特征在于，在所述步骤S4之后还包括：

S5、判断优化结果是否达到预设优化分析评价条件；

S6、若是，则优化结束；

S7、若否，则继续优化。

7.根据权利要求6所述的SD-WAN网络系统的网络流量加速优化方法，其特征在于，在所述步骤S1之后，所述步骤S2之前还包括步骤：

S12、设置迭代初始参数；

在所述步骤S7中，若优化结果未达到预设优化分析评价条件则执行下述步骤：

S71、在当前迭代次数上增加迭代次数；

S72、以多维空间深度加速优化策略分析所述网络流量加速优化请求；

S73、将各个加速优化分析初始结果进行获取汇总；

S74、判断当前迭代次数是否大于预设最大迭代次数；

S75、若是，则优化结束；

S76、若否，则执行所述步骤S4。

8.根据权利要求7所述的SD-WAN网络系统的网络流量加速优化方法，其特征在于，每次迭代中的网络流量加速优化分析过程为:

采用多维空间深度加速优化方式，在多维空间中，多个加速优化方案根据无监督自学习深度加速优化策略方式向最优方案确定的方向迁移，得到加速优化分析结果；

所述加速优化方案包括多维空间、深度学习、概率论、生物学、运筹学、随机过程、智能优化、机器学习中的至少一种。

9.根据权利要求5所述的SD-WAN网络系统的网络流量加速优化方法，其特征在于，所述步骤S1包括：

S11、采用间隔预设时间主动上报和/或定期被询问机制获取各个所述网络流量加速优化请求，并进行汇总；

若所述网络流量加速优化请求被延迟，则提高所述网络流量加速优化请求的加速优化调度优先权。

10.根据权利要求5或7所述的SD-WAN网络系统的网络流量加速优化方法，其特征在于，所述以多维空间深度加速优化策略分析所述网络流量加速优化请求包括：

定义数据存储模型

在三维直角坐标系m-n-p中表示数据M_ijt ^k (1-1)

联合高斯分布评价函数：

最大似然估计加速优化函数

其中式(1-1)至式(1-5)中的k表示第k次迭代，其中k必须满足k≤d条件，需满足k＝1,2,…,d的条件；

式(1-2)中的和分别为加速优化的网络带宽、数据丢包率，式(1-3)、(1-4)、(1-5)中和(1-6)的B^maxk、L^mink、M^maxG、M^minG分别为当前第k次平均网络带宽、当前第k次平均数据丢包率、当前第k次网络宽带最大值、当前第k次数据丢包率最小值、历史信息向量最大值、历史信息向量最小值；

式(1-3)和(1-4)中的M_ijt ^k主要包含：和两方面的信息向量，即为其中的为采用多维无监督自学习获得的寻优向量。