CN113114582B - 基于机器学习的链路拥塞故障预测及网络自主管控方法 - Google Patents
基于机器学习的链路拥塞故障预测及网络自主管控方法 Download PDFInfo
- Publication number
- CN113114582B CN113114582B CN202110572087.XA CN202110572087A CN113114582B CN 113114582 B CN113114582 B CN 113114582B CN 202110572087 A CN202110572087 A CN 202110572087A CN 113114582 B CN113114582 B CN 113114582B
- Authority
- CN
- China
- Prior art keywords
- path
- link
- service
- qos
- utility
- 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
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/12—Avoiding congestion; Recovering from congestion
- H04L47/127—Avoiding congestion; Recovering from congestion by using congestion prediction
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- H04L45/12—Shortest path evaluation
- H04L45/124—Shortest path evaluation using a combination of metrics
-
- 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
- H04L45/22—Alternate routing
-
- 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
- H04L45/24—Multipath
-
- 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
- H04L45/38—Flow based routing
-
- 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
- H04L47/2416—Real-time traffic
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明属于人工智能技术领域,具体的说是涉及一种基于机器学习的链路拥塞故障预测及网络自主管控方法,首先周期性的测量的链路性能参数,并分析不同类型业务流的QoS需求特点,提出了基于效用值的QoS路由质量度量方法,量化了路由对于业务QoS的满足程度,建立了路由质量空间到数值空间的映射。然后,基于LSTM神经网络对链路流量进行预测,并根据流量预测的结果进行链路拥塞风险判断和预防。最后,基于效用值和流量预测设计了QoS路由引擎,该引擎可以根据网络的实时资源状态、业务效用函数和链路拥塞判断结果计算业务的QoS路由,为多种不同类型网络业务流提供QoS路由计算服务,同时起到控制网络拥塞的作用。
Description
技术领域
本发明属于人工智能技术领域,具体的说是涉及一种基于机器学习的链路拥塞故障预测及网络自主管控方法。
背景技术
近年来,随着移动通信、互联网技术的高速发展,用户数量、网络规模和网络业务流量都在经历爆炸式的增长,新型网络应用层出不穷,业务场景越来越趋向于多样化,用户对网络的服务质量保障也提出了新的要求。服务质量(Quality Of Service,QoS)作为一种针对传统网络提出的控制机制,根据带宽、时延、时延抖动和丢包率等指标,为不同类型的业务提供与业务需求一致的服务质量保障。在传统网络中,服务商通常通过流量工程的方式优化网络,在节省硬件成本的情况下提高服务质量,改善用户体验,但是传统网络受限于紧耦合和分布式的架构本身,流量工程难以获取全局视图,难以进行集中化的控制协调和流量的统一调度,限制了网络路由更新设计和部署,无法为用户提供理想的QoS保障。因此,寻找一种能够根据网络的状态和需求进行自适应调整的网络业务路由方案,节省网络资源开销,增强网络服务质量,是传统网络中一个亟待解决的问题。
软件定义网络(Software Defined Network,SDN)的出现为实时业务的QoS保障问题带来了新的思路。区别于传统网络紧密耦合的垂直结构,SDN将数据平面和控制平面分离,数据平面由支持OpenFlow协议的SDN交换机实现,控制平面由软件实现,提供网络的可编程性。控制平面对整个网络具有完整的全局视图,能够根据网络状态动态配置业务流的转发路由,从而更高效地进行网络资源的调配。控制平面在向下层的数据平面下发控制策略的同时,向上层的应用平面提供开放应用程序可编程接口,使得运营商可以简单快速地完成动态、自动化的网络应用开发,而不被运维复杂的问题所困扰。整个SDN网络架构形成闭环,为部署QoS路由方案提供了保障。
随着人工智能技术的发展,机器学习算法已经渗透到包括QoS路由在内的各个领域。网络流量的特征是:自相似性、多尺度性、长期依赖性和高度非线性性质,这些统计特征决定了网络流量的可预测性。因此,使用机器学习技术进行流量预测,并根据预测结果进行拥塞控制和业务QoS路由计算,从而保障业务的服务质量,是网络自主管控的一个新的思路。
发明内容
本发明的发明目的在于:通过流量预测技术预测可能出现拥塞的链路,并通过效用值将路径对业务QoS需求的满足程度进行量化,从而寻找满足业务流传输QoS需求的路由,在提高网络资源的综合利用率的同时控制网络拥塞,实现网络的自主管控。
本发明的基于机器学习的链路拥塞故障预测及网络自主管控方法的技术方案为:
S1、构建实时的网络全局视图,对承载业务的SDN网络数据平面的每一条链路进行周期性的性能监测,获取每条链路实时的QoS性能参数;
S2、使用基于LSTM的流量预测方法,预测每一条链路未来一段时间的流量统计峰值,并根据该值进行链路拥塞风险判断;
S3、建立对业务路径质量的评估模型,依据不同类型业务的QoS需求特点,定义不同的效用函数,并根据效用函数将业务路径对业务QoS需求的满足程度量化为效用值;
S4、依据效用值和链路拥塞判断的结果,使用QoS路由算法进行业务流的路径计算,获取业务流传输的QoS路由。
本发明通过上述QoS路由方法,用于多种不同业务流的QoS路由计算,保障了QoS路由的实时性、提高了网络资源利用率,并且一定程度上控制了网络拥塞。
网络中的路由问题可以视作图论中的寻路问题,整个网络拓扑记为图G=(V,E),其中,V代表图中顶点的集合,用于描述网络中的交换机,E代表图中边的集合,描述连接各个网络设备的链路。
为了度量路径对业务QoS需求的满足程度,本发明引入了效用值。通过计算路径的效用值,可以将路由对业务QoS的满足程度量化为标准的MOS值,在路由的质量空间和数值之间建立一种直接的映射关系,通过MOS值高低评价一条路由服务质量的优劣。效用值的计算步骤为:
S31、定义链路的QoS性能参数。每条链路在计算效用值时,需要根据链路的剩余带宽、时延、时延抖动和丢包率4种QoS性能参数进行计算。
S32、定义路径的QoS性能参数。设业务的一条可行路径为p,则路径p的4种QoS性能参数可以表示为:
其中,bp为路径p的剩余带宽,be为路径p所包含的链路e的剩余带宽。
其中,dp为路径p的总时延,de为路径p所包含的链路e的时延。
其中,jp为路径p的总抖动,je为路径p所包含的链路e的抖动。
其中,lp为路径p的总丢包率,le为路径p所包含的链路e的丢包率。
S33、定义不同业务的路由效用评估函数。每个QoS参数的效用函数如下:
其中,bp代表路径p的剩余带宽,βb和αb控制效用的变化幅度和变量的延展范围,cb用于调整效用在x轴作平移变换。
本发明中设一条路由中各个QoS参数相互独立,通过加权求和的方法计算路径的综合效用值。
Up=δbub+δdud+δjuj+δlul
Up表示路径p的综合效用,ub,ud,uj,ul分表代表带宽、时延、时延抖动、丢包率的效用值,δb,δd,δj,δl分表代表带宽、时延、时延抖动、丢包率的权重,权重之和为1。路径的效用值将会作为业务QoS路由计算的主要参考标准。
在对链路的剩余带宽进行实时监测时,监测结果往往存在滞后性,因为我们采取流量预测的方法对链路流量进行预测,以得到更加准确的链路QoS参数,同时可以根据链路流量预测的结果进行链路拥塞风险判断,如图所示。具体步骤为:
S21、采集一段时间的链路历史流量数据,使用间隔采样的方法构造数据集,设采集的时间间隔为i,则可以把t,t+i,t+2i,...,t+(n-1)i时刻的流量作为输入数据,t+ni时刻的流量作为输出,构成一组训练数据。
S22、根据构造出的历史流量数据集进行预训练,得到该条链路对应的LSTM神经网络模型,用于链路未来流量预测;
S23、采集链路t时刻到t+ni-1时刻的实时流量数据,预测出链路t+ni时刻到t+(n+1)i-1时刻的流量[x1,x2,...,xi];
S25、根据链路预测流量的统计峰值与链路额定带宽的比例是否超过一定门限来判断该条链路是否存在拥塞风险,即xp≥r*B,其中,B为链路的额定带宽,r为门限比例,取值范围为[0,1]。
业务请求QoS路由时,具体可以包含下列步骤:
S41、在控制器初始化阶段,对于各种不同业务流的效用评估模型在控制器中进行事先配置,并建立业务类型和其评估模型之间的映射关系。
S42、控制器对每条链路进行周期性的性能监测,获取每条链路的QoS参数;
S43、控制器依据业务类型进行QoS路由,具体为:
S431、控制器接收交换机上报的未匹配流表的业务报文,并解析报文中的ToS域、源IP地址和目的IP地址;
S432、控制器根据获取的ToS域字段判断当前业务的业务类型,判断是否是背景类业务,若是,则转入S433,否则转入S434;
S433、控制器使用跳数为代价的最短路径算法为当前业务流计算最小跳数路径,得到计算结果并执行步骤S435;
S434、控制器根据数据字段上报的业务流具体应用类型,使用基于效用值和流量预测的QoS路由算法查找满足当前类型业务流QoS需求的路径,并基于计算结果执行步骤S435;
S435、控制器根据当前路径计算结果下发流表。
进一步地,S434所述的基于效用值和流量预测的QoS路由算法计算业务QoS路径的过程如下:
S4341、根据解析得到的源IP地址和目的IP获取与与源IP地址对应主机所直连的交换机S1、与目的IP地址对应主机直连的交换机S2;
S4342、在图G中,将预测出拥塞的链路暂时设置为中断,即设定该链路相连的两个交换机不存在连接关系。
S4343、以跳数为代价,使用K最短路径算法计算出图G中S1到S2的K条最短路径作为备选路径。
S4344、根据链路预测流量、时延、时延抖动和丢包率,计算出每条备选路径的QoS指标,并根据这些指标和业务的效用函数,计算出每条备选路径的QoS效用值。
S4345、根据设定的容限范围从所有可行路径中优选出一组效用值相对较高的路径。这组路径中包含效用值最大的一条优选路径,而其余优选路由路径的效用值与该最大效用值的差值需要在容限范围内。
S4346、在该组优选路径中,选取跳数最小的路径,作为最终得到的QoS路径。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
(1)建立了针对路径对业务的QoS需求满足程度进行度量的效用模型,可以适用于不同类型的业务。
(2)从路径的剩余带宽、时延、时延抖动和丢包率等多个方面进行了优化,使得业务的路径可以更好地满足业务的QoS需求。
(3)使用流量预测算法,一定程度上起到了控制网络拥塞的作用。
附图说明
图1为实施例的实验拓扑。
图2为实施例中,流量预测的神经网络模型结构。
图3为实施例中,基于流量预测进行拥塞判断和预防流程。
图4为实施例中,QoS路由计算流程。
图5为实施例中,在线语音业务不同路由算法的网络性能对比。
图6为实施例中,在线视频业务不同路由算法的网络性能对比。
图7为实施例中,在线游戏业务不同路由算法的网络性能对比。
具体实施方式
下面结合实施方式和附图,对本发明作进一步地详细描述。
实施例
本实施例使用ONOS作为网络控制器。通过Mininet(由一些虚拟的终端节点、交换机、路由器连接而成的一个网络仿真器)模拟SDN网络环境,使用Mininet的拓扑构建API生成了如图1所示的实验拓扑。
该拓扑由24个交换机节点和37条双向链路构成,每个交换机默认连接一个终端主机,编号与交换机相同。链路的带宽、时延、抖动和丢包率这四项性能参数通过Mininet的TCLink类进行配置。每条链路的额定带宽设置为10Mbps,链路时延范围为10~100ms,时延抖动范围为0~20ms,丢包率范围为0~2%。
实验使用基于Python语言的Scapy库模拟不同类型的QoS业务,并在发送数据包时,在数据包的数据部分加入当前系统时间戳,并在监听数据包时解析该时间戳,即可获得数据包从源到目的的传输时延。同时,时延使用Iperf工具模拟背景流量进行发送。
本实施例中,使用常见的在线语音业务、在线视频业务和在线游戏业务作为实例说明,如何设置效用值度量模型、流量预测神经网络模型和进行QoS路由计算。
在效用值度量模型设计中,三种不同类型的效用函数参数设置如表1所示。
表1业务效用函数参数设置
三种不同类型的效用值权重设置如表2所示。
表2业务效用值权重设置
在流量预测神经网络模型设计中,LSTM神经网络模型结构如图2所示,神经网络的参数设置如表3所示。
表3神经网络参数设置
基于流量预测结果进行链路拥塞风险判断和预防的过程如图3所示,具体包含以下步骤:
S1、以1次/s的频率采集10000s,共计10000个链路历史流量数据,并使用间隔采样的方法构造数据集,取i=4为采样间隔,把t,t+4,t+8,...,t+16时刻的流量作为输入数据,t+20时刻的流量作为输出,构成一组训练数据。
S2、根据构造出的历史流量数据集进行预训练,得到该条链路对应的LSTM神经网络模型,用于链路未来流量预测;
S3、采集链路t时刻到t+19时刻的实时流量数据,预测出链路t+20时刻到t+23时刻的流量[x1,x2,x3,x4];
S5、根据链路预测流量的统计峰值与链路额定带宽的比例是否超过一定门限来判断该条链路是否存在拥塞风险,即xp≥0.95*10000000时认定该链路存在拥塞风险,否则不存在拥塞风险。
S6、当链路存在拥塞风险时,删除与该链路相关的流表项,并把拥塞链路同步到QoS路由计算中,重新计算涉及该条链路的QoS业务的路由。
本实施例提供了一种SDN网络中基于效用值和流量预测的QoS路由计算方法,如图4所示,具体可以包含下列步骤:
S1、在控制器初始化阶段,对于各种不同业务流的效用评估模型在控制器中进行事先配置,并建立业务类型和其评估模型之间的映射关系。
S2、控制器对每条链路进行周期性的性能监测,获取每条链路的QoS参数;
S3、控制器依据业务类型进行QoS路由,具体为:
S31、控制器接收交换机上报的未匹配流表的业务报文,并解析报文中的ToS域、源IP地址和目的IP地址;
S32、控制器根据获取的ToS域字段判断当前业务的业务类型,判断是否是背景类业务,若是,则转入S33,否则转入S34;
S33、控制器使用跳数为代价的最短路径算法为当前业务流计算最小跳数路径,得到计算结果并执行步骤S35;
S34、控制器根据数据字段上报的业务流具体应用类型,使用基于效用值和流量预测的QoS路由算法查找满足当前类型业务流QoS需求的路径,并基于计算结果执行步骤S35;
S35、控制器根据当前路径计算结果下发流表。
进一步地,S34所述的基于效用值和流量预测的QoS路由算法计算业务QoS路径的过程如下:
A、根据解析得到的源IP地址和目的IP获取与与源IP地址对应主机所直连的交换机S1、与目的IP地址对应主机直连的交换机S2;
B、在图G中,将预测出拥塞的链路暂时设置为中断,即设定该链路相连的两个交换机不存在连接关系。
C、以跳数为代价,使用K最短路径算法计算出图G中S1到S2的5条最短路径作为备选路径。
D、根据链路预测流量、时延、时延抖动和丢包率,计算出每条备选路径的QoS指标,并根据这些指标和上述指定类型业务的效用函数,计算出每条备选路径的QoS效用值。
E、根据设定的容限范围从所有可行路径中优选出一组效用值相对较高的路径。这组路径中包含效用值最大的一条优选路径,而其余优选路由路径的效用值与该最大效用值的差值需要在容限范围内。
F、在该组优选路径中,选取跳数最小的路径,作为最终得到的QoS路径。
为了评估在不同网络负载情况下基于效用值和流量预测的QoS路由算法的性能,本实施例设置6种不同的背景流量速率进行测试,分别是0Mbps、20Mbps、40Mbps、60Mbps、80Mbps和100Mbps。为了保证数据的有效性,在每种流量速率下,使用TMgen工具,基于随机重力模型生成10组流量矩阵作为背景流量,分为10组实验进行测试,并对得到的结果取平均值。在每组实验中,按照固定的源-目的对产生在线语音、在线视频和在线游戏三种类型的业务。除了最小跳数算法以外,本发明还实现了两种算法作为参照对象,分别是以时延作为路径权重进行最短路径计算的最短时延算法,和以最小化路径中的最大链路利用率为目标进行路由选择的负载均衡算法。对于每种类型的业务,分别使用最小跳数算法、最短时延算法、负载均衡算法和本文设计的QoS路由算法进行业务的路由规划,并对四种算法的端到端时延和丢包率进行对比。三种类型业务的实验结果分别如图5、图6和图7所示。从图中可以看出,本发明实现的QoS路由在背景流量速率较低时,能够优先选择时延较低的路径进行业务传输;在背景流量速率较高时,通过业务优先级机制和链路拥塞风险预测机制保障了传输效果,时延表现相对平稳,能够较好地保障实时性业务对时延的需求。在可靠性保证方面,在背景流量速率较高时能够根据视频业务的带宽需求智能分配路径,避免网络拥塞导致的大规模丢包现象;同时,能够主动探测到丢包率相对较低的高质量路径,从而较好地保障业务对可靠性的需求。
综上,本发明从多个方面对路由性能进行优化,在可用网络资源不同的场景下,相较于最小跳数、最短时延和负载均衡算法,能够更好地满足不同类型业务的QoS需求,有效提高网络资源的利用率,并一定程度上控制网络拥塞。
Claims (3)
1.基于机器学习的链路拥塞故障预测及网络自主管控方法,其特征在于,包括以下步骤:
S1、构建实时的网络全局视图,对承载业务的SDN网络数据平面的每一条链路进行周期性的性能监测,获取每条链路实时的QoS性能参数;
S2、使用基于LSTM的流量预测方法,预测每一条链路未来一段时间的流量统计峰值,并根据该值进行链路拥塞风险判断;具体方法是:
S21、在步骤S1中采集一段时间的链路历史流量数据,使用间隔采样的方法构造数据集,设采集的时间间隔为i,则可以把t,t+i,t+2i,...,t+(n-1)i时刻的流量作为输入数据,t+ni时刻的流量作为输出,构成一组训练数据;
S22、根据构造出的历史流量数据集进行预训练,得到该条链路对应的LSTM神经网络模型,用于链路未来流量预测;
S23、采集链路t时刻到t+ni-1时刻的实时流量数据,预测出链路t+ni时刻到t+(n+1)i-1时刻的流量[x1,x2,...,xi];
S25、根据链路预测流量的统计峰值与链路额定带宽的比例是否超过一定门限来判断该条链路是否存在拥塞风险,即xp≥r*B是否成立,B为链路的额定带宽,r为门限比例,取值范围为[0,1];
S3、建立对业务路径质量的评估模型,依据不同类型业务的QoS需求特点,定义不同的效用函数,并根据效用函数将业务路径对业务QoS需求的满足程度量化为效用值;具体方法是:
S31、定义链路的QoS性能参数,包括剩余带宽、时延、时延抖动和丢包率;
S32、定义路径的QoS性能参数,设业务的一条可行路径为p,则路径p的QoS性能参数表示为:路径剩余带宽bp为路径p的剩余带宽,be为路径p所包含的链路e的剩余带宽;路径时延dp为路径p的总时延,de为路径p所包含的链路e的时延;路径时延抖动jp为路径p的总抖动,je为路径p所包含的链路e的抖动;路径丢包率lp为路径p的总丢包率,le为路径p所包含的链路e的丢包率;
S33、定义不同业务的路由效用评估函数,每个QoS参数的效用函数如下:
其中,bp代表路径p的剩余带宽,βb和αb控制效用的变化幅度和变量的延展范围,cb用于调整效用在x轴作平移变换,dp为路径p的总时延,单位为毫秒,参数βd,用于表征每个区间中效用变化幅度,参数为分段函数的边界值;参数δd用于保持分段函数的连续性,jp代表路径p的总抖动,用于调整效用在x轴作平移变换,用于调整效用在y轴作平移变换,βj用于表征效用的变化幅度,lp代表路径p的总丢包率,用于调整效用值在x轴作平移变换,用于调整效用在y轴作平移变换,βl用于表征效用的变化幅度;
设一条路由中各个QoS参数相互独立,通过加权求和的方法计算路径的综合效用值:
Up=δbub+δdud+δjuj+δlul
其中,Up表示路径p的综合效用,ub,ud,uj,ul分表代表带宽、时延、时延抖动、丢包率的效用值,δb,δd,δj,δl分表代表带宽、时延、时延抖动、丢包率的权重,权重之和为1;
S4、依据效用值和链路拥塞判断的结果,使用QoS路由算法进行业务流的路径计算,获取业务流传输的QoS路由。
2.根据权利要求1所述的基于机器学习的链路拥塞故障预测及网络自主管控方法,其特征在于,步骤S4的具体方法是:
S41、在控制器初始化阶段,对于各种不同业务流的效用评估模型在控制器中进行事先配置,并建立业务类型和其评估模型之间的映射关系;
S42、控制器对每条链路进行周期性的性能监测,获取每条链路的QoS参数;
S43、控制器依据业务类型进行QoS路由,具体为:
S431、控制器接收交换机上报的未匹配流表的业务报文,并解析报文中的ToS域、源IP地址和目的IP地址;
S432、控制器根据获取的ToS域字段判断当前业务的业务类型,判断是否是背景类业务,若是,则转入S433,否则转入S434;
S433、控制器使用跳数为代价的最短路径算法为当前业务流计算最小跳数路径,得到计算结果并执行步骤S435;
S434、控制器根据数据字段上报的业务流具体应用类型,使用基于效用值和流量预测的QoS路由算法查找满足当前类型业务流QoS需求的路径,并基于计算结果执行步骤S435;
S435、控制器根据当前路径计算结果下发流表。
3.根据权利要求2所述的基于机器学习的链路拥塞故障预测及网络自主管控方法,其特征在于,步骤S434的具体方法是:
S4341、根据解析得到的源IP地址和目的IP获取与源IP地址对应主机所直连的交换机S1、与目的IP地址对应主机直连的交换机S2;
S4342、将预测出拥塞的链路暂时设置为中断,即设定该链路相连的两个交换机不存在连接关系;
S4343、以跳数为代价,使用K最短路径算法计算出S1到S2的K条最短路径作为备选路径;
S4344、根据链路预测流量、时延、时延抖动和丢包率,计算出每条备选路径的QoS指标,并根据这些指标和业务的效用函数,计算出每条备选路径的QoS效用值;
S4345、根据设定的容限范围从所有可行路径中优选出一组效用值相对较高的路径,即这组路径中包含效用值最大的一条优选路径,而其余优选路由路径的效用值与该最大效用值的差值需要在容限范围内;
S4346、在该组优选路径中,选取跳数最小的路径,作为最终得到的QoS路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110572087.XA CN113114582B (zh) | 2021-05-25 | 2021-05-25 | 基于机器学习的链路拥塞故障预测及网络自主管控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110572087.XA CN113114582B (zh) | 2021-05-25 | 2021-05-25 | 基于机器学习的链路拥塞故障预测及网络自主管控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113114582A CN113114582A (zh) | 2021-07-13 |
CN113114582B true CN113114582B (zh) | 2022-05-17 |
Family
ID=76723217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110572087.XA Active CN113114582B (zh) | 2021-05-25 | 2021-05-25 | 基于机器学习的链路拥塞故障预测及网络自主管控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113114582B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113992546B (zh) * | 2021-12-29 | 2022-04-19 | 中科南京信息高铁研究院 | Sdn网络基于业务流信息的链路状态预测方法及系统 |
CN114423020B (zh) * | 2022-01-21 | 2023-05-16 | 温州大学乐清工业研究院 | 一种LoRaWAN网络下行路由控制方法及系统 |
CN114915539B (zh) * | 2022-05-20 | 2023-07-28 | 电子科技大学 | 一种基于知识图谱的sdn流规则冲突故障检测方法 |
CN114866406B (zh) * | 2022-05-25 | 2023-04-18 | 电子科技大学 | 无线自组网中基于故障定位的业务性能快速修复方法 |
CN114760669B (zh) * | 2022-06-13 | 2022-09-02 | 南京邮电大学 | 一种基于流量预测的路由决策方法及系统 |
CN115225560B (zh) * | 2022-07-15 | 2023-08-22 | 国网河南省电力公司信息通信公司 | 一种电力通信业务中路由规划方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012131424A1 (en) * | 2011-02-25 | 2012-10-04 | Telefonaktiebolaget L M Ericsson (Publ) | Method for introducing network congestion predictions in policy decision |
CN106059942A (zh) * | 2016-08-02 | 2016-10-26 | 浪潮集团有限公司 | 一种sdn网络中基于负载预测的流量控制方法 |
CN108833279A (zh) * | 2018-05-08 | 2018-11-16 | 西安交通大学 | 软件定义网络中基于业务分类的多约束QoS路由的方法 |
CN109831320A (zh) * | 2018-12-29 | 2019-05-31 | 国家电网有限公司 | 一种辅助流量预测控制方法、存储介质和电子设备 |
CN111526096A (zh) * | 2020-03-13 | 2020-08-11 | 北京交通大学 | 智融标识网络状态预测与拥塞控制系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102377670B (zh) * | 2011-10-21 | 2014-05-07 | 南京邮电大学 | 面向认知网络的用户QoS动态路由调整方法 |
US9426075B2 (en) * | 2013-03-12 | 2016-08-23 | Huawei Technologies Co., Ltd. | Method and system to represent the impact of load variation on service outage over multiple links |
CN104093009B (zh) * | 2014-07-17 | 2018-09-11 | 重庆邮电大学 | 无线自组织网络中基于网络效用的视频传输方法 |
CN106656847B (zh) * | 2017-03-10 | 2019-05-24 | 重庆邮电大学 | 网络效用最大化的sdn负载均衡方法 |
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 |
US10924393B2 (en) * | 2019-06-05 | 2021-02-16 | Cisco Technology, Inc. | Per-flow call admission control using a predictive model to estimate tunnel QoS in SD-WAN networks |
CN112202672B (zh) * | 2020-09-17 | 2021-07-02 | 华中科技大学 | 一种基于业务服务质量需求的网络路由转发方法和系统 |
-
2021
- 2021-05-25 CN CN202110572087.XA patent/CN113114582B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012131424A1 (en) * | 2011-02-25 | 2012-10-04 | Telefonaktiebolaget L M Ericsson (Publ) | Method for introducing network congestion predictions in policy decision |
EP2679048A1 (en) * | 2011-02-25 | 2014-01-01 | Telefonaktiebolaget LM Ericsson (PUBL) | Method for introducing network congestion predictions in policy decision |
CN106059942A (zh) * | 2016-08-02 | 2016-10-26 | 浪潮集团有限公司 | 一种sdn网络中基于负载预测的流量控制方法 |
CN108833279A (zh) * | 2018-05-08 | 2018-11-16 | 西安交通大学 | 软件定义网络中基于业务分类的多约束QoS路由的方法 |
CN109831320A (zh) * | 2018-12-29 | 2019-05-31 | 国家电网有限公司 | 一种辅助流量预测控制方法、存储介质和电子设备 |
CN111526096A (zh) * | 2020-03-13 | 2020-08-11 | 北京交通大学 | 智融标识网络状态预测与拥塞控制系统 |
Non-Patent Citations (2)
Title |
---|
具有分类服务功能的路由选择算法研究;陈巍巍;《中国优秀硕士学位论文全文数据库》;20070115;全文 * |
网络路由信息安全应用研究———基于流量预测的路由选择新算法;陶滔,马淑萍,罗江琴;《中国安全科学学报》;20030531;61-64 * |
Also Published As
Publication number | Publication date |
---|---|
CN113114582A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113114582B (zh) | 基于机器学习的链路拥塞故障预测及网络自主管控方法 | |
CN113328938B (zh) | 一种基于深度强化学习的网络自主智能管控方法 | |
CN105471764B (zh) | 一种SDN网络中端到端QoS保障的方法 | |
US11082290B2 (en) | Method and apparatus for optimizing a software defined network configuration | |
Egilmez et al. | Scalable video streaming over OpenFlow networks: An optimization framework for QoS routing | |
Moravejosharieh et al. | A fuzzy logic approach to increase quality of service in software defined networking | |
CN107689919B (zh) | Sdn网络的动态调整权重模糊选路方法 | |
Ongaro et al. | Enhancing the quality level support for real-time multimedia applications in software-defined networks | |
CN103685054A (zh) | 基于业务感知的多路径负载均衡方法 | |
Calvigioni et al. | Quality of experience-based routing of video traffic for overlay and ISP networks | |
CN104348743A (zh) | 一种全网均衡负载的方法及装置 | |
Houidi et al. | Constrained deep reinforcement learning for smart load balancing | |
Oužecki et al. | Reinforcement learning as adaptive network routing of mobile agents | |
Koryachko et al. | Analysis of QoS metrics in software defined networks | |
Monika et al. | Performance analysis of software defined network using intent monitor and reroute method on ONOS controller | |
Tran et al. | QoE content distribution network for cloud architecture | |
Houidi et al. | Multi-agent graph convolutional reinforcement learning for intelligent load balancing | |
JP2019169783A (ja) | 経路制御システム、経路制御方法、及び、プログラム | |
Fawaz et al. | Graph convolutional reinforcement learning for load balancing and smart queuing | |
Farhoudi et al. | Server load balancing in software-defined networks | |
Nguyen et al. | Accumulative-load aware routing in software-defined networks | |
Albur et al. | QoS-aware Flow Management in Software Defined Network | |
Tran et al. | Global state-dependent QoE based routing | |
Barzamini et al. | Congestion control of differentiated services networks by sliding mode control | |
Lin et al. | Proactive multipath routing with a predictive mechanism in software‐defined networks |
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 |