CN111917653B - 用于sdn网络的数据转发规则同步方法、控制器及系统 - Google Patents

用于sdn网络的数据转发规则同步方法、控制器及系统 Download PDF

Info

Publication number
CN111917653B
CN111917653B CN202010704781.8A CN202010704781A CN111917653B CN 111917653 B CN111917653 B CN 111917653B CN 202010704781 A CN202010704781 A CN 202010704781A CN 111917653 B CN111917653 B CN 111917653B
Authority
CN
China
Prior art keywords
rule
node
forwarding
time
data forwarding
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
Application number
CN202010704781.8A
Other languages
English (en)
Other versions
CN111917653A (zh
Inventor
赖培源
李奎
叶世兵
周海涛
戴川
李程
廖德章
谢子琪
闫永骅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong South China Technology Transfer Center Co ltd
Original Assignee
Guangdong South China Technology Transfer Center Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong South China Technology Transfer Center Co ltd filed Critical Guangdong South China Technology Transfer Center Co ltd
Priority to CN202010704781.8A priority Critical patent/CN111917653B/zh
Publication of CN111917653A publication Critical patent/CN111917653A/zh
Application granted granted Critical
Publication of CN111917653B publication Critical patent/CN111917653B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04L45/02—Topology update or discovery
    • H04L45/021—Ensuring consistency of routing table updates, e.g. by using epoch numbers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H04L45/02—Topology update or discovery
    • H04L45/023—Delayed use of routing table updates

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本公开提供了一种用于SDN网络的数据转发规则同步方法、SDN控制器以及网络系统、存储介质，涉及SDN技术领域，其中的方法包括：SDN控制器生成新数据转发规则，控制入口节点暂停数据转发；SDN控制器利用神经网络模型获取规则生效时间，将新数据转发规则和规则生效时间发送给目标转发节点和入口节点，以使目标转发节点和入口节点同时控制新数据转发规则生效；本公开的方法、控制器以及网络、存储介质，使得收到新数据转发规则的所有节点在规定的时刻同时生效，确保了全网规则的一致性；可以提高规则生效时间的计算速度，便于时间校准，并能够确保数据包不会在转发中由于规则的变化而导致丢包或出现安全问题。

Description

用于SDN网络的数据转发规则同步方法、控制器及系统
技术领域
本公开涉及软件定义网络SDN技术领域，尤其涉及一种用于SDN网络的数据转发规则同步方法、SDN控制器以及网络系统、存储介质。
背景技术
SDN即软件定义网络(Software Defined Networking，SDN)是以OpenFlow协议为基础的网络架构，通过虚拟化技术并采用集中式的控制方式，将网络设备的控制面和数据面分离，易于资源的灵活调度。SDN网络系统包含OpenFlow交换机和SDN控制器，SDN控制器负责网络的拓扑管理，并配置转发流表；OpenFlow交换机只需按照SDN控制器的设置来完成数据包的转发。
在SDN网络系统中，OpenFlow交换机的处理机制和转发策略是由SDN控制器生成并统一下发的转发规则所决定的，由此实现网络的集中式控制及高效快速的数据处理性能。SDN控制器生成并统一下发的转发规则，能够确保SDN流表更新的一致性，对于保障网络配置更新过程的正确性，以及SDN网络系统的有效、安全运行，具有重要的意义。目前，SDN控制器与多个OpenFlow交换机之间的网络时延、OpenFlow交换机更新速率等方面存在差异，导致转发节点无法在同一时刻完成业务流表和网络策略的更新，导致丢包及安全问题等问题。
发明内容
为了解决上述技术问题，提出了本公开。本公开的实施例提供了一种用于SDN网络的数据转发规则同步方法、SDN控制器以及网络系统、存储介质。
根据本公开实施例的第一方面，提供一种用于SDN网络的数据转发规则同步方法，包括：当SDN控制器确定需要更新原数据转发规则时，生成与所述原数据转发规则相对应的新数据转发规则；所述SND控制器控制与所述原数据转发规则相对应的入口节点暂停与所述原数据转发规则相对应的数据转发；所述SDN控制器获取需要下发所述新数据转发规则的目标转发节点，利用神经网络模型获取与所述目标转发节点和所述入口节点相对应的规则生效时间；所述SDN控制器将所述新数据转发规则和所述规则生效时间发送给所述目标转发节点和所述入口节点，以使所述目标转发节点和所述入口节点根据所述规则生效时间同时控制所述新数据转发规则生效，并根据所述新数据转发规则进行数据转发。
可选地，所述利用神经网络模型获取与所述目标转发节点和所述入口节点相对应的规则生效时间包括：所述SDN控制器建立转发节点与规则更新完成预测时间之间的对应关系；所述SDN控制器根据心跳时延信息和规则更新完成实际时延信息并利用所述神经网络模型，获得与所述转发节点相对应的规则更新完成预测时间，用以对所述对应关系进行更新处理；所述SDN控制器基于所述对应关系获取与所述目标转发节点和所述入口节点相对应的多个规则更新完成预测时间，根据所述多个规则更新完成预测时间确定所述规则生效时间。
可选地，所述SDN控制器根据心跳时延信息和规则更新完成实际时延信息并利用所述神经网络模型，获得与所述转发节点相对应的规则更新完成预测时间包括：所述SDN控制器获取与所述转发节点相对应的第一心跳时延信息、第一规则更新完成实际时延信息，生成预测样本数据；所述SDN控制器利用训练好的所述神经网络模型对所述预测样本数据进行预测处理，获得与所述转发节点相对应的规则更新完成预测时间。
可选地，所述SDN控制器预先基于与所述转发节点相对应的第二心跳时延信息、第二规则更新完成实际时延信息，生成训练样本数据并获得与所述训练样本数据相对应的预测结果；所述SDN控制器使用所述训练样本数据和所述预测结果对预设的神经网络模型进行训练，用于对所述神经网络模型的参数进行调整，获得训练好的所述神经网络模型。
可选地，在所述转发节点未执行任何数据转发规则更新处理的状态下，所述SDN控制器基于与所述转发节点的第三心跳时延信息确定与所述转发节点相对应的规则更新完成预测时间，用以对所述对应关系进行更新处理；如果所述转发节点执行了数据转发规则更新处理，并且所述转发节点执行此数据转发规则更新的实际时延与所述对应关系中对应的规则更新完成预测时间不同，或者所述转发节点执行数据转发规则更新处理的实际时延发生了变化，则所述SDN控制器将所述预测样本数据输入所述训练好的神经网络模型，获得与所述转发节点相对应的规则更新完成预测时间，用以对所述对应关系进行更新处理。
可选地，所述根据所述多个规则更新完成预测时间确定所述规则生效时间包括：所述SDN控制器从所述多个规则更新完成预测时间中选取最长的规则更新完成预测时间；所述SDN控制器根据所述最长的规则更新完成预测时间确定所述规则生效时间。
可选地，所述SDN控制器获取所述转发节点应当发送心跳检测响应包的第一时间、所述转发节点实际发送心跳检测响应包的第二时间；所述SDN控制器将所述第二时间与所述第一时间的时间差，作为心跳时延；所述SDN控制器获取所述转发节点应当发送规则更新完成消息的第三时间、所述转发节点实际发送规则更新完成消息的第四时间；所述SDN控制器将所述第四时间与所述第三时间的时间差，作为规则更新完成实际时延信息。
可选地，所述目标转发节点和所述入口节点根据所述规则生效时间同时控制所述新数据转发规则生效包括：所述目标转发节点和所述入口节点使用所述新数据转发规则替换所述原数据转发规则；在所述规则生效时间到达时，所述目标转发节点和所述入口节点同时控制所述新数据转发规则生效。
可选地，所述入口节点接收到所述SDN下发的转发暂停指令，缓存与所述原数据转发规则相对应的数据；在所述原数据转发规则生效时，所述入口节点基于所述新数据转发规则对与所述原数据转发规则相对应的数据进行转发。
可选地，所述新数据转发规则包括：全局流表和网络策略；所述神经网络模型包括：递归神经网络模型。
根据本公开实施例的第二方面，提供一种SDN控制器，应用于SDN网络中，包括：新规则生成模块，用于确定需要更新原数据转发规则时，生成与所述原数据转发规则相对应的新数据转发规则；转发暂停模块，用于控制与所述原数据转发规则相对应的入口节点暂停与所述原数据转发规则相对应的数据转发；生效时间获取模块，用于获取需要下发所述新数据转发规则的目标转发节点，利用神经网络模型获取与所述目标转发节点和所述入口节点相对应的规则生效时间；新规则下发模块，用于将所述新数据转发规则和所述规则生效时间发送给所述目标转发节点和所述入口节点，以使所述目标转发节点和所述入口节点根据所述规则生效时间同时控制所述新数据转发规则生效，并根据所述新数据转发规则进行数据转发。
根据本公开实施例的第三方面，提供一种SDN控制器，包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现如上所述的方法。
根据本公开实施例的第四方面，提供一种SDN网络系统，包括：OpenFlow交换机、如上所述的SDN控制器。
根据本公开实施例的第五方面，提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述的方法。
基于本公开上述实施例提供的一种用于SDN网络的数据转发规则同步方法、SDN控制器以及网络系统、存储介质，SDN控制器生成新数据转发规则，并控制与原数据转发规则相对应的入口节点暂停数据转发；SDN控制器利用神经网络模型获取与目标转发节点和入口节点相对应的规则生效时间，将新数据转发规则和规则生效时间发送给目标转发节点和入口节点，以使目标转发节点和入口节点根据规则生效时间同时控制新数据转发规则生效；通过统一确定全部目标转发节点和入口节点的新数据转发规则的生效时间，使得收到新数据转发规则的所有节点在规定的时刻同时生效，确保了全网规则的一致性；利用神经网络模型进行生效时间的预测，并建立和维护转发节点与规则更新完成预测时间之间的对应关系，可以提高规则生效时间的计算速度，便于时间校准；通过暂缓入口节点对于相关数据包的转发，可以确保数据包不会在转发中由于规则的变化而导致丢包或出现安全问题，有效改善了客户体验。
下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征以及优势将变得更加明显。附图用来提供对本公开实施例的进一步的理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为本公开的用于SDN网络的数据转发规则同步方法的一个实施例的流程示意图；
图2A为现有技术中的进行数据转发规则同步的示意图，图2B为本公开的用于SDN网络的数据转发规则同步方法中的进行数据转发规则同步的示意图；
图3为本公开的用于SDN网络的数据转发规则同步方法的一个实施例中的获取规则生成时间的流程示意图；
图4为本公开的用于SDN网络的数据转发规则同步方法的一个实施例中的获得规则更新完成预测时间的流程示意图；
图5为本公开的用于SDN网络的数据转发规则同步方法的一个实施例中的进行模型训练的流程示意图；
图6为本公开的用于SDN网络的数据转发规则同步方法的一个实施例中的确定规则生效时间的流程示意图；
图7为本公开的SDN控制器的一个实施例的结构示意图；
图8为本公开的SDN控制器的一个实施例中的生效时间获取模块的结构示意图；
图9为本公开的SDN控制器的另一个实施例的结构示意图。
具体实施方式
下面将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
还应理解，在本公开实施例中，“多个”可以指两个或者两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本公开中术语“和/或”，仅是一种描述关联对象的关联关系，表示可以存在三种关系，如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。
还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本公开的实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或者专用计算系统环境或配置一起操作。适于与终端设备、计算机系统或者服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施。在分布式云计算环境中，任务可以是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
示例性方法
图1为本公开的用于SDN网络的数据转发规则同步方法的一个实施例的流程图，如图1所示的方法包括步骤：S101-S104。下面对各步骤分别进行说明。
S101，当SDN控制器确定需要更新原数据转发规则时，生成与原数据转发规则相对应的新数据转发规则。
在一实施例中，在SDN网络系统中，路由切换、负载均衡、网络设备的维护和访问控制权限的变更等都会引起网络转发规则的更新。当SDN控制器确定原数据转发规则需要更新时，生成与原数据转发规则相对应的新数据转发规则，原数据转发规则和新数据转发规则包括全局流表和网络策略等，网络策略包括ACL、QoS等网络策略。
例如，当网络拓扑发生变化时，需要更新某类业务数据包的原数据转发规则，SDN控制器确定此类业务数据包的业务转发新路径，生成新数据转发规则；原数据转发规则包括与业务转发原路径对应的全局流表和网络策略，新数据转发规则包括与业务转发新路径对应的全局流表和网络策略。
S102，SND控制器控制与原数据转发规则相对应的入口节点暂停与原数据转发规则相对应的数据转发。
在一实施例中，SND控制器获取与原数据转发规则相对应的入口节点，向入口节点发送转发暂停指令，入口节点根据转发暂停指令缓存接收到的与原数据转发规则相对应的数据，不进行转发。入口节点可以为OpenFlow交换机等。
S103，SDN控制器获取需要下发新数据转发规则的目标转发节点，利用神经网络模型获取与目标转发节点和入口节点相对应的规则生效时间。
在一实施例中，SDN控制器确定与原数据转发规则和新数据转发规则相对应的转发节点，作为目标转发节点，转发节点可以为OpenFlow交换机等，OpenFlow交换机采用流表项匹配方式进行数据转发。神经网络模型可以为多种神经网路模型，例如为递归神经网络模型等；利用递归神经网络模型可以获取与目标转发节点和入口节点相对应的规则生效时间。
S104，SDN控制器将新数据转发规则和规则生效时间发送给目标转发节点和入口节点，以使目标转发节点和入口节点根据规则生效时间同时控制新数据转发规则生效，并根据新数据转发规则进行数据转发。
在一个实施例中，SDN控制器同时向全部目标转发节点和入口节点发送流表更新命令，流表更新命令中携带新数据转发规则和规则生效时间。目标转发节点和入口节点接收到流表更新命令后，根据新数据转发规则更新自身配置的流表等。
规则生效时间可以为具体时刻，例如为18:00:00等，时间精确到毫秒；规则生效时间也可以为等待时长，例如为50ms等。例如，规则生效时间为50ms,目标转发节点和入口节点在接收到新数据转发规则后，等待50ms后同时控制新数据转发规则生效，启用新流表并根据新流表进行数据转发。
如图2A所示，当S节点出现故障时，需要更新原数据转发规则，SDN控制器同时向各个交换机(入口节点和转发节点)等数据面节点下发流表更新命令，转发节点在收到流表更新命令后将原数据转发规则更新为新数据转发规则，即更新了数据包转发路径或处理策略。数据包传输到S节点时，由于原数据转发规则更新为新数据转发规则，S节点的下一跳节点将不再转发此数据包，导致此数据包丢失。
如图2B所示，应用本公开的用于SDN网络的数据转发规则同步方法，当S节点出现故障，需要更新原数据转发规则；SDN控制器首先控制入口节点暂停继续转发相关数据包，利用递归神经网络模型获取与所有相关节点相对应的规则生效时间，将该规则生效时间连同新数据转发规则下发给关联的所有转发节点；收到新数据转发规则的所有转发节点在规定的时刻同时生效，入口节点也按照该时刻启动转发，完成新数据转发规则的执行，提升网络运行效率。
图3为本公开的用于SDN网络的数据转发规则同步方法的一个实施例中的获取规则生成时间的流程示意图，如图3所示的方法包括步骤：S301-S303。下面对各步骤分别进行说明。
S301，SDN控制器建立转发节点与规则更新完成预测时间之间的对应关系；对应关系可以为对应关系表等，转发节点包括上述的入口节点和目标转发节点等。
S302，SDN控制器根据心跳时延信息和规则更新完成实际时延信息并利用神经网络模型，获得与转发节点相对应的规则更新完成预测时间，用以对对应关系进行更新处理。
在一实施例中，SDN控制器获取转发节点应当发送心跳检测响应包的第一时间、转发节点实际发送心跳检测响应包的第二时间，SDN控制器将第二时间与第一时间的时间差，作为心跳时延。第一时间可以设置为SDN控制器发送心跳检测包的时刻或SDN控制器发送心跳检测包的时刻加上预设的时间间隔。
SDN控制器同时向全部目标转发节点和入口节点发送流表更新命令，流表更新命令中携带新数据转发规则和规则生效时间。全部目标转发节点和入口节点在完成规则更新后，向SDN控制器返回规则更新完成消息。SDN控制器获取转发节点应当发送规则更新完成消息的第三时间、转发节点实际发送规则更新完成消息的第四时间；SDN控制器将第四时间与第三时间的时间差，作为规则更新完成实际时延信息。第三时间可以设置为SDN控制器发送流表更新命令的时刻或SDN控制器发送流表更新命令的时刻加上预设的时间间隔。
S303，SDN控制器基于对应关系获取与目标转发节点和入口节点相对应的多个规则更新完成预测时间，根据多个规则更新完成预测时间确定规则生效时间。
在一实施例中，SDN控制器从多个规则更新完成预测时间中选取最长的规则更新完成预测时间，SDN控制器根据最长的规则更新完成预测时间确定规则生效时间。
图4为本公开的用于SDN网络的数据转发规则同步方法的一个实施例中的获得规则更新完成预测时间的流程示意图，如图4所示的方法包括步骤：S401-S402。下面对各步骤分别进行说明。
S401，SDN控制器获取与转发节点相对应的第一心跳时延信息、第一规则更新完成实际时延信息，生成预测样本数据。
在一实施例中，第一心跳时延信息可以包括最新的心跳时延信息以及历史心跳时延信息，第二规则更新完成实际时延信息包括最新的规则更新完成实际时延信息以及历史规则更新完成实际时延信息；基于第一心跳时延信息、第一规则更新完成实际时延信息生成的预测样本数据可以为预测样本序列等。预测样本数据可以为与一个转发节点相对应的预测样本序列，也可以为与多个转发节点相对应的预测样本序列。
S402，SDN控制器利用训练好的神经网络模型对预测样本数据进行预测处理，获得与转发节点相对应的规则更新完成预测时间。
在一实施例中，将与一个转发节点相对应的预测样本序列或与多个转发节点相对应的预测样本序列输入训练好的递归神经网络模型，获得与一个转发节点或多个转发节点相对应的规则更新完成预测时间，规则更新完成预测时间为递归神经网络模型预测的、转发节点完成规则更新所需要的时长，例如为30ms、1s等。
SDN控制器预先建立转发节点与规则更新完成预测时间之间的对应关系，对应关系可以为预测时间表。规则更新完成预测时间为SDN控制器向转发节点发送新数据转发规则到新数据转发规则在转发节点上生效所需的全部时间。SDN控制器基于第一心跳时延信息、第一规则更新完成实际时延信息等因素，进行递归神经网络的时序预测，获取规则更新完成预测时间，更新预测时间表。
图5为本公开的用于SDN网络的数据转发规则同步方法的一个实施例中的进行模型训练的流程示意图，如图5所示的方法包括步骤：S501-S502。下面对各步骤分别进行说明。
S501，SDN控制器预先基于与转发节点相对应的第二心跳时延信息、第二规则更新完成实际时延信息，生成训练样本数据并获得与训练样本数据相对应的预测结果。
在一实施例中，第二心跳时延信息可以包括历史心跳时延信息，第二规则更新完成实际时延信息包括历史规则更新完成实际时延信息，基于第二心跳时延信息、第二规则更新完成实际时延信息生成的训练样本数据可以为训练样本序列等。训练样本数据可以为与一个或多个转发节点相对应的训练样本序列。
基于第二规则更新完成实际时延信息获得与训练样本数据相对应的预测结果，预测结果为与训练样本序列相对应的下一次进行规则更新处理的规则更新完成实际时延，将此下一个规则更新完成实际时延作为与训练样本序列相对应、通过递归神经网络模型得到的规则更新完成预测时间。
S502，SDN控制器使用训练样本数据和预测结果对预设的神经网络模型进行训练，用于对神经网络模型的参数进行调整，获得训练好的神经网络模型。
在一实施例中，使用与多个转发节点相对应的训练样本序列以及对应的预测结果对预设的递归神经网络模型进行训练；可以使用现有的多种模型训练方法对神经网络模型进行训练，对递归神经网络模型的参数进行调整，获得训练好的递归神经网络模型。
递归神经网络(recursive neural network，RNN)是具有树状阶层结构且网络节点按其连接顺序对输入信息进行递归的人工神经网络(Artificial Neural Network,ANN)，是深度学习(deep learning)算法之一。利用递归神经网络算法建立递归神经网络模型，递归神经网络模型的每一次隐含层的计算结果都与当前输入以及上一次的隐含层结果相关，适合用于时间序列预测，将其应用到SDN网络流表下发生效的统一规则生效时间的预测中，能有效解决网络策略的一致性问题，确保网络高效安全运行。
递归神经网络的核心部分由阶层分布的节点构成，其中，高阶层的节点为父节点，低阶层的节点被称为子节点，最末端的子节点通常为输出节点，节点的性质与树中的节点相同。递归神经网络的输出节点通常位于树状图的最上方，此时其结构是自下而上绘制的，父节点位于子节点的下方。递归神经网络的每个节点都可以有数据输入，对第i阶层的节点，其系统状态的计算方式如下所示：
Figure BDA0002594315370000101
其中，h(i),
Figure BDA0002594315370000111
为该节点和其所有父节点的系统状态，在有多个父节点时，
Figure BDA0002594315370000112
是合并为矩阵的系统状态，X是该节点的数据输入，若该节点没有输入则不进行计算。f为激励函数或封装的前馈神经网络，后者对应门控算法和一些深度算法。U，W，b为权重系数，权重系数与节点的阶层无关，即递归神经网络所有节点的权重是共享的。
递归神经网络支持单输出和多输出。在单输出模式下，其最末端子节点的系统状态会通过输出函数(例如分类器)得到结果。多输出模式下递归神经网络的输出取决于拓扑结构，在理论上其任意一个节点的系统状态都可以参与输出。
由SDN控制器得到的转发节点状态时延进行路径参数的迭代优化。例如，在每个周期T内(T必须大于节点的心跳信号周期)，SDN控制器通过心跳信息的平均时延，计算实际的路径权重，从而达到优化的效果。路径权重的调整在连续N次调整数值比例小于阈值(如5％)时，可以对递归神经网络模型预测的规则更新完成预测时间T进行翻倍，当大于阈值(如20％)时，T应该相应缩小。
图6为本公开的用于SDN网络的数据转发规则同步方法的一个实施例中的确定规则生效时间的流程示意图，如图6所示的方法包括步骤：S601-S602。下面对各步骤分别进行说明.
S601，SDN控制器从多个规则更新完成预测时间中选取最长的规则更新完成预测时间；
S602，SDN控制器根据最长的规则更新完成预测时间确定规则生效时间。
在一个实施例中，如果转发节点执行了数据转发规则更新处理，并且转发节点执行此数据转发规则更新的实际时延与对应关系中对应的规则更新完成预测时间不同，或者转发节点执行数据转发规则更新的实际时延发生了变化，则SDN控制器将预测样本数据输入训练好的神经网络模型，获得与转发节点相对应的规则更新完成预测时间，用以对对应关系进行更新处理。
在SDN网络系统建立初期，SDN控制器建立转发节点与规则更新完成预测时间之间的对应关系,即预测时间表，记录每个转发节点的规则更新完成预测时间。在转发节点未执行任何数据转发规则更新处理的状态下，SDN控制器基于与转发节点的第三心跳时延信息确定与转发节点相对应的规则更新完成预测时间，用以对对应关系进行更新处理。
例如，在转发节点未执行任何数据转发规则更新处理的状态下，如果在第二时间T1收到转发节点本应在第二时间T0时间发出的心跳信息(心跳检测响应包)，则确定规则更新完成预测时间T＝T1-T0，预测时间表如下表1所示：
节点ID 预测时间(规则更新完成预测时间)
节点1的ID 1ms
节点2的ID 1.2ms
节点3的ID 0.8ms
节点4的ID 0.9ms
表1-预测时间表
如果一个或多个转发节点执行了数据转发规则更新处理，并且转发节点执行数据转发规则更新的实际时延与预测时间表中对应的规则更新完成预测时间不同，或者转发节点执行前后两次数据转发规则更新的实际时延不同，即转发节点执行数据转发规则更新的实际时延发生了变化，则SDN控制器将预测样本数据输入训练好的神经网络模型，获得与转发节点相对应的规则更新完成预测时间，对预测时间表进行更新处理，即在预测时间表中修改对应的预测时间(规则更新完成预测时间)。
在一个实施例中，在SDN网络系统中，如果转发路由的路径变更，需要通知原路径和新路径的相关转发节点，则确定需要更新原数据转发规则，生成与原数据转发规则相对应的新数据转发规则。目标转发节点和入口节点使用新数据转发规则替换原数据转发规则，在规则生效时间到达时，目标转发节点和入口节点同时控制新数据转发规则生效。其中，入口节点接收到SDN下发的转发暂停指令，缓存与原数据转发规则相对应的数据；在原数据转发规则生效时，入口节点基于新数据转发规则对与原数据转发规则相对应的数据进行转发。
在一个实施例中，SDN控制器通知入口节点暂缓与原数据转发规则相对应的数据包的转发，确保数据包不会在转发中由于中间转发节点的数据转发规则变化而导致丢包或安全问题。例如，SDN控制器基于表1获取与目标转发节点和入口节点(节点1-节点4)相对应的四个规则更新完成预测时间，SDN控制器从四个规则更新完成预测时间中选取最长的规则更新完成预测时间1.2ms；SDN控制器根据最长的规则更新完成预测时间1.2ms确定规则生效时间，规则生效时间可以为规则生效等待时长，例如，转发节点和入口节点在1.2ms后的时刻T2进行新数据转发规则的生效。
SDN控制器将新数据转发规则和规则生效时间发送给目标转发节点和入口节点。目标转发节点和入口节点在收到新数据转发规则和规则生效时间后，提取新数据转发规则进行更新准备，例如，检查需要更新的对应数据，或者创建新的数据目录等。在规则生效时间到达时，目标转发节点和入口节点开始执行新规则。
示例性装置
在一个实施例中，如图7所示，本公开提供一种SDN控制器，应用于SDN网络中，SDN控制器包括新规则生成模块71、转发暂停模块72、生效时间获取模块73和新规则下发模块74。
新规则生成模块71确定需要更新原数据转发规则时，生成与原数据转发规则相对应的新数据转发规则。转发暂停模块72控制与原数据转发规则相对应的入口节点暂停与原数据转发规则相对应的数据转发。生效时间获取模块73获取需要下发新数据转发规则的目标转发节点，利用神经网络模型获取与目标转发节点和入口节点相对应的规则生效时间。
新规则下发模块74将新数据转发规则和规则生效时间发送给目标转发节点和入口节点，以使目标转发节点和入口节点根据规则生效时间同时控制新数据转发规则生效，并根据新数据转发规则进行数据转发。
在一个实施例中，如图8所示，生效时间获取模块73包括对应关系建立单元731、对应关系更新单元732、生效时间确定单元733和模型训练模块734。对应关系建立单元731建立转发节点与规则更新完成预测时间之间的对应关系。对应关系更新单元732根据心跳时延信息和规则更新完成实际时延信息并利用神经网络模型，获得与转发节点相对应的规则更新完成预测时间，用以对对应关系进行更新处理。
生效时间确定单元733基于对应关系获取与目标转发节点和入口节点相对应的多个规则更新完成预测时间，根据多个规则更新完成预测时间确定规则生效时间。例如，生效时间确定单元733从多个规则更新完成预测时间中选取最长的规则更新完成预测时间，根据最长的规则更新完成预测时间确定规则生效时间。
对应关系更新单元732获取转发节点应当发送心跳检测响应包的第一时间、转发节点实际发送心跳检测响应包的第二时间，将第二时间与第一时间的时间差，作为心跳时延。对应关系更新单元732获取转发节点应当发送规则更新完成消息的第三时间、转发节点实际发送规则更新完成消息的第四时间，将第四时间与第三时间的时间差，作为规则更新完成实际时延信息。
在一个实施例中，对应关系更新单元732获取与转发节点相对应的第一心跳时延信息、第一规则更新完成实际时延信息，生成预测样本数据。对应关系更新单元732利用训练好的神经网络模型对预测样本数据进行预测处理，获得与转发节点相对应的规则更新完成预测时间。
模型训练模块734预先基于与转发节点相对应的第二心跳时延信息、第二规则更新完成实际时延信息，生成训练样本数据并获得与训练样本数据相对应的预测结果。模型训练模块734使用训练样本数据和预测结果对预设的神经网络模型进行训练，用于对神经网络模型的参数进行调整，获得训练好的神经网络模型。
对应关系更新单元732在转发节点未执行任何数据转发规则更新处理的状态下，对应关系更新单元732基于与转发节点的第三心跳时延信息确定与转发节点相对应的规则更新完成预测时间，用以对对应关系进行更新处理。
如果转发节点执行了数据转发规则更新处理，并且转发节点执行此数据转发规则更新的实际时延与对应关系中对应的规则更新完成预测时间不同，或者转发节点执行数据转发规则更新的实际时延发生了变化，则对应关系更新单元732将预测样本数据输入训练好的神经网络模型，获得与转发节点相对应的规则更新完成预测时间，用以对对应关系进行更新处理。
图9为本公开的SDN控制器的另一个实施例的结构示意图，如图9所示，SDN控制器91包括一个或多个处理器911和存储器912。
处理器911可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制SDN控制器91中的其他组件以执行期望的功能。
存储器912可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器，例如，可以包括：随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器，例如，可以包括：只读存储器(ROM)、硬盘以及闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器911可以运行程序指令，以实现上文的本公开的各个实施例的用于SDN网络的数据转发规则同步方法以及/或者其他期望的功能。在计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，SDN控制器91还可以包括：输入装置913以及输出装置914等，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。此外，该输入设备913还可以包括例如键盘、鼠标等等。该输出装置914可以向外部输出各种信息。该输出设备914可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图9中仅示出了该SDN控制器91中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，SDN控制器91还可以包括任何其他适当的组件。
在一个实施例中，本公开提供一种SDN网络系统，包括OpenFlow交换机、如上任一实施例中的SDN控制器。
除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的用于SDN网络的数据转发规则同步方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的用于SDN网络的数据转发规则同步方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列举)可以包括：具有一个或者多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势以及效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
上述实施例中的用于SDN网络的数据转发规则同步方法、SDN控制器以及网络系统、存储介质，SDN控制器生成与原数据转发规则相对应的新数据转发规则并控制与原数据转发规则相对应的入口节点暂停数据转发；SDN控制器利用神经网络模型获取与目标转发节点和入口节点相对应的规则生效时间，将新数据转发规则和规则生效时间发送给目标转发节点和入口节点，以使目标转发节点和入口节点根据规则生效时间同时控制新数据转发规则生效；通过统一确定全部目标转发节点和入口节点的新数据转发规则的生效时间，使得收到新数据转发规则的所有节点在规定的时刻同时生效，确保了全网规则的一致性；利用神经网络模型进行生效时间的预测，并建立和维护转发节点与规则更新完成预测时间之间的对应关系，可以提高规则生效时间的计算速度，便于时间校准；通过暂缓入口节点对于相关数据包的转发，可以确保数据包不会在转发中由于规则的变化而导致丢包或出现安全问题，有效改善了客户体验。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备以及系统。诸如“包括”、“包含、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述，以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改等对于本领域技术人员而言，是非常显而易见的，并且在此定义的一般原理可以应用于其他方面，而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式中。尽管以上已经讨论了多个示例方面以及实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (13)

1.一种用于SDN网络的数据转发规则同步方法，包括：
当SDN控制器确定需要更新原数据转发规则时，生成与所述原数据转发规则相对应的新数据转发规则；
所述SDN控制器控制与所述原数据转发规则相对应的入口节点暂停与所述原数据转发规则相对应的数据转发；
所述SDN控制器获取需要下发所述新数据转发规则的目标转发节点，利用神经网络模型获取与所述目标转发节点和所述入口节点相对应的规则生效时间；
所述SDN控制器将所述新数据转发规则和所述规则生效时间发送给所述目标转发节点和所述入口节点，以使所述目标转发节点和所述入口节点根据所述规则生效时间同时控制所述新数据转发规则生效，并根据所述新数据转发规则进行数据转发；
其中，所述利用神经网络模型获取与所述目标转发节点和所述入口节点相对应的规则生效时间包括：
所述SDN控制器建立转发节点与规则更新完成预测时间之间的对应关系；
所述SDN控制器根据心跳时延信息和规则更新完成实际时延信息并利用所述神经网络模型，获得与所述转发节点相对应的规则更新完成预测时间，用以对所述对应关系进行更新处理；
所述SDN控制器基于所述对应关系获取与所述目标转发节点和所述入口节点相对应的多个规则更新完成预测时间，根据所述多个规则更新完成预测时间确定所述规则生效时间。
2.如权利要求1所述的方法，所述SDN控制器根据心跳时延信息和规则更新完成实际时延信息并利用所述神经网络模型，获得与所述转发节点相对应的规则更新完成预测时间包括：
所述SDN控制器获取与所述转发节点相对应的第一心跳时延信息、第一规则更新完成实际时延信息，生成预测样本数据；
所述SDN控制器利用训练好的所述神经网络模型对所述预测样本数据进行预测处理，获得与所述转发节点相对应的规则更新完成预测时间。
3.如权利要求2所述的方法，还包括：
所述SDN控制器预先基于与所述转发节点相对应的第二心跳时延信息、第二规则更新完成实际时延信息，生成训练样本数据并获得与所述训练样本数据相对应的预测结果；
所述SDN控制器使用所述训练样本数据和所述预测结果对预设的神经网络模型进行训练，用于对所述神经网络模型的参数进行调整，获得训练好的所述神经网络模型。
4.如权利要求2所述的方法，还包括：
在所述转发节点未执行任何数据转发规则更新处理的状态下，所述SDN控制器基于与所述转发节点的第三心跳时延信息确定与所述转发节点相对应的规则更新完成预测时间，用以对所述对应关系进行更新处理；
如果所述转发节点执行了数据转发规则更新处理，并且所述转发节点执行此数据转发规则更新的实际时延与所述对应关系中对应的规则更新完成预测时间不同，或者所述转发节点执行数据转发规则更新处理的实际时延发生了变化，则所述SDN控制器将所述预测样本数据输入所述训练好的神经网络模型，获得与所述转发节点相对应的规则更新完成预测时间，用以对所述对应关系进行更新处理。
5.如权利要求1所述的方法，所述根据所述多个规则更新完成预测时间确定所述规则生效时间包括：
所述SDN控制器从所述多个规则更新完成预测时间中选取最长的规则更新完成预测时间；
所述SDN控制器根据所述最长的规则更新完成预测时间确定所述规则生效时间。
6.如权利要求1所述的方法，还包括：
所述SDN控制器获取所述转发节点应当发送心跳检测响应包的第一时间、所述转发节点实际发送心跳检测响应包的第二时间；
所述SDN控制器将所述第二时间与所述第一时间的时间差，作为心跳时延；
所述SDN控制器获取所述转发节点应当发送规则更新完成消息的第三时间、所述转发节点实际发送规则更新完成消息的第四时间；
所述SDN控制器将所述第四时间与所述第三时间的时间差，作为规则更新完成实际时延信息。
7.如权利要求1所述的方法，所述目标转发节点和所述入口节点根据所述规则生效时间同时控制所述新数据转发规则生效包括：
所述目标转发节点和所述入口节点使用所述新数据转发规则替换所述原数据转发规则；
在所述规则生效时间到达时，所述目标转发节点和所述入口节点同时控制所述新数据转发规则生效。
8.如权利要求1所述的方法，还包括：
所述入口节点接收到所述SDN控制器下发的转发暂停指令，缓存与所述原数据转发规则相对应的数据；
在所述原数据转发规则生效时，所述入口节点基于所述新数据转发规则对与所述原数据转发规则相对应的数据进行转发。
9.如权利要求1至8任一项所述的方法，其中，
所述新数据转发规则包括：全局流表和网络策略；
所述神经网络模型包括：递归神经网络模型。
10.一种SDN控制器，应用于SDN网络中，包括：
新规则生成模块，用于确定需要更新原数据转发规则时，生成与所述原数据转发规则相对应的新数据转发规则；
转发暂停模块，用于控制与所述原数据转发规则相对应的入口节点暂停与所述原数据转发规则相对应的数据转发；
生效时间获取模块，用于获取需要下发所述新数据转发规则的目标转发节点，利用神经网络模型获取与所述目标转发节点和所述入口节点相对应的规则生效时间；
新规则下发模块，用于将所述新数据转发规则和所述规则生效时间发送给所述目标转发节点和所述入口节点，以使所述目标转发节点和所述入口节点根据所述规则生效时间同时控制所述新数据转发规则生效，并根据所述新数据转发规则进行数据转发；
其中，所述生效时间获取模块，包括：
对应关系建立单元，用于建立转发节点与规则更新完成预测时间之间的对应关系；
对应关系更新单元，用于根据心跳时延信息和规则更新完成实际时延信息并利用神经网络模型，获得与转发节点相对应的规则更新完成预测时间，用以对对应关系进行更新处理；
生效时间确定单元，用于基于对应关系获取与目标转发节点和入口节点相对应的多个规则更新完成预测时间，根据多个规则更新完成预测时间确定规则生效时间。
11.一种SDN控制器，包括：
处理器；用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-9任一项所述的方法。
12.一种SDN网络系统，其特征在于，包括：
OpenFlow交换机、如权利要求10或11所述的SDN控制器。
13.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-9任一项所述的方法。
CN202010704781.8A 2020-07-21 2020-07-21 用于sdn网络的数据转发规则同步方法、控制器及系统 Active CN111917653B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010704781.8A CN111917653B (zh) 2020-07-21 2020-07-21 用于sdn网络的数据转发规则同步方法、控制器及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010704781.8A CN111917653B (zh) 2020-07-21 2020-07-21 用于sdn网络的数据转发规则同步方法、控制器及系统

Publications (2)

Publication Number Publication Date
CN111917653A CN111917653A (zh) 2020-11-10
CN111917653B true CN111917653B (zh) 2022-05-13

Family

ID=73280107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010704781.8A Active CN111917653B (zh) 2020-07-21 2020-07-21 用于sdn网络的数据转发规则同步方法、控制器及系统

Country Status (1)

Country Link
CN (1) CN111917653B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116982330A (zh) * 2021-03-06 2023-10-31 华为技术有限公司 关于数据转发过程中的id交换的系统和方法
CN113472654B (zh) * 2021-05-31 2022-11-15 济南浪潮数据技术有限公司 一种网络流量数据转发方法、装置、设备及介质
CN117195591B (zh) * 2023-11-06 2024-01-09 成都大征创智科技有限公司 一种异构节点的分布式全局时序控制周期效率优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105959221A (zh) * 2016-06-29 2016-09-21 中国电子科技集团公司第五十四研究所 软件定义卫星网络中的流表更新及流表一致性优化的方法
CN106034046A (zh) * 2015-03-20 2016-10-19 中兴通讯股份有限公司 访问控制列表acl的发送方法及装置
CN108011827A (zh) * 2016-10-28 2018-05-08 中国电信股份有限公司 一种基于sdn的数据转发方法、系统以及控制器

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102946365B (zh) * 2012-11-09 2015-06-17 清华大学 一种基于软件定义网络的保持流表更新一致性的方法
US9350607B2 (en) * 2013-09-25 2016-05-24 International Business Machines Corporation Scalable network configuration with consistent updates in software defined networks
CN104468360B (zh) * 2014-12-12 2018-01-19 国家电网公司 一种无损电力软件定义网络流表一致更新方法
WO2017011981A1 (zh) * 2015-07-20 2017-01-26 华为技术有限公司 一种流表项的定时处理方法及装置
CN107666627A (zh) * 2016-07-28 2018-02-06 上海诺基亚贝尔股份有限公司 一种pon网络中数据转发控制方法及其装置
CN106656822A (zh) * 2017-02-13 2017-05-10 北京邮电大学 一种软件定义网络流表更新的方法及装置
CN109120525B (zh) * 2017-06-26 2021-02-09 中国电信股份有限公司 用于sdn的路径确定方法、装置、sdn控制器及网络
US10531351B2 (en) * 2017-10-20 2020-01-07 Nec Corporation Method for in-network, dynamic radio access network functional split configuration by radio access network data plane forwarding nodes
CN110798276B (zh) * 2018-08-02 2022-11-11 全球能源互联网研究院有限公司 一种智能变电站sdn网络的时间同步方法与系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106034046A (zh) * 2015-03-20 2016-10-19 中兴通讯股份有限公司 访问控制列表acl的发送方法及装置
CN105959221A (zh) * 2016-06-29 2016-09-21 中国电子科技集团公司第五十四研究所 软件定义卫星网络中的流表更新及流表一致性优化的方法
CN108011827A (zh) * 2016-10-28 2018-05-08 中国电信股份有限公司 一种基于sdn的数据转发方法、系统以及控制器

Also Published As

Publication number Publication date
CN111917653A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN111917653B (zh) 用于sdn网络的数据转发规则同步方法、控制器及系统
Pei et al. Optimal VNF placement via deep reinforcement learning in SDN/NFV-enabled networks
US11153196B2 (en) Efficient machine learning for network optimization
JP6457447B2 (ja) データセンターのネットワークトラフィックスケジューリング方法及び装置
Lama et al. Autonomic provisioning with self-adaptive neural fuzzy control for end-to-end delay guarantee
JP6380110B2 (ja) リソース制御システム、制御パターン生成装置、制御装置、リソース制御方法及びプログラム
JP6863091B2 (ja) 管理装置、管理方法及び管理プログラム
Moschakis et al. Towards scheduling for Internet‐of‐Things applications on clouds: a simulated annealing approach
CN108650131B (zh) 用于sdn网络中多控制器部署的处理系统
Zhang et al. MACS: Deep reinforcement learning based SDN controller synchronization policy design
Cai et al. SARM: service function chain active reconfiguration mechanism based on load and demand prediction
Yuan et al. Artificial intelligence empowered QoS-oriented network association for next-generation mobile networks
Jin et al. A congestion control method of SDN data center based on reinforcement learning
Tosounidis et al. Deep Q-learning for load balancing traffic in SDN networks
Chiu et al. Reinforcement learning-based service-oriented dynamic multipath routing in sdn
Akki et al. Energy efficient resource scheduling using optimization based neural network in mobile cloud computing
Zahedi et al. A power-efficient and performance-aware online virtual network function placement in SDN/NFV-enabled networks
Zhou et al. AQROM: A quality of service aware routing optimization mechanism based on asynchronous advantage actor-critic in software-defined networks
Tokuda et al. Network slice reconfiguration with deep reinforcement learning under variable number of service function chains
Wei et al. GRL-PS: Graph embedding-based DRL approach for adaptive path selection
CN108574727A (zh) 一种基于飞腾平台的改进的负载均衡调度系统
Tahmasebi-Pouya et al. A blind load-balancing algorithm (BLBA) for distributing tasks in fog nodes
Majidi et al. MiFi: Bounded update to optimize network performance in software-defined data centers
Yi et al. SDN/NFV‐enabled performance estimation framework for SFC optimization
Park et al. Desa: Decentralized self-adaptive horizontal autoscaling for bursts of load in fog computing

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