CN114189433A - 一种意图驱动网络系统 - Google Patents
一种意图驱动网络系统 Download PDFInfo
- Publication number
- CN114189433A CN114189433A CN202111550557.9A CN202111550557A CN114189433A CN 114189433 A CN114189433 A CN 114189433A CN 202111550557 A CN202111550557 A CN 202111550557A CN 114189433 A CN114189433 A CN 114189433A
- Authority
- CN
- China
- Prior art keywords
- network
- intention
- layer
- strategy
- user
- 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.)
- Pending
Links
- 238000012795 verification Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 abstract description 52
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 27
- 238000012544 monitoring process Methods 0.000 description 24
- 238000000034 method Methods 0.000 description 22
- 238000007726 management method Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- 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
- H04L41/0866—Checking the configuration
-
- 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
- H04L41/0876—Aspects of the degree of configuration automation
- H04L41/0886—Fully automatic configuration
-
- 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
- H04L41/0893—Assignment of logical groups to network elements
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种意图驱动网络系统,它包括:应用层、意图层、应用层、控制层和网络层:应用层用于收集用户意图,意图层主要由意图引擎和策略验证模块构成;控制层主要由SDN控制器组成,SDN控制器通过OpenFlow协议与网络层交互从而实现网络状态感知与上报,并实施网络策略;网络层主要由支持OpenFlow接口协议的各种交换机构成。本发明具有将意图驱动网络与软件定义网络结合,使网络管理者或应用通过意图语言的方式与网络进行交互,并基于AI算法完成网络的动态配置,是进一步提高网络管理运营效率的有益效果。
Description
技术领域
本发明涉及一网络系统,特别是一种意图驱动网络系统,属于通信技术领域。
背景技术
未来网络是以客户体验为中心的网络,同时应当具备自我配置、自我管理和自我优化的能力。作为信息化建设的主力军,移动、联通和电信等通信运营商在AI所需的数据、算力和算法领域具有天然优势,例如,联通内部规建维优多个场景均可应用AI,且联通对外智能服务已经在波速管理、无线网优、边缘计算和切片资源管理四方面成熟应用AI技术。但是,未来网络也带来各种新的挑战:
(1)需要满足不同场景、差异化的行业需求(大带宽、低时延、高安全、高可靠)。
(2)需要实现网络自身的快速部署、敏捷调整、及时扩展。
(3)需要满足实时的感知网络状态、快速的故障诊断和修复、精准的流量预测和优化、以及系统的开放可靠。
(4)需具备实时分析整个网络的资源使用情况,从而实时调整优化网络资源,实现网络资源效益最大化
(5)网络管理运维领域方面需要融合AI算法实现智能化运维。
(6)基于AI算法的智能网络管理要实现跨网跨域的端到端全局控制,要根据具体的网络架构进行调整和适配。
发明内容
针对现有技术存在的上述不足,本发明的目的是将意图驱动网络(Intent-DrivenNetwork,IDN)与SDN技术结合,使用解耦网络控制逻辑和闭环编排技术来自动化应用程序意图,根据运营商的意图自动转换、验证、部署、配置和优化自身以达到目标网络状态,并自动解决异常事件以保证网络的可靠性,并基于AI算法完成网络的动态配置,从而简化网络配置的过程,最终通过降低运维门槛和使能网络的智能动态调整以实现网络管理运维效率的提升。
为了解决上述问题,本发明采用了以下的技术方案。
一种意图驱动网络系统,其特征在于,它包括:
应用层,用于收集用户意图,并把所述用户意图统一为标准形式;
意图层,所述意图层主要由意图引擎和策略验证模块构成;
意图引擎用于对所述用户意图进行解析与转译得到网络策略;
策略验证模块用于根据当前的网络状态信息对所述网络策略进行可执行验证,通过验证的网络策略通过SDN控制器下发到实际网络设施中以实现用户意图的下发与执行;
应用层与意图层通过北向意图输入接口进行通信;
控制层主要由所述SDN控制器组成,SDN控制器通过OpenFlow协议与网络层交互从而实现网络状态感知与上报,并实施网络策略;
网络层主要由支持OpenFlow接口协议的各种交换机构成。
进一步的,所述解析与转译是:根据所述用户意图中的内容以及当前网络状态将用户意图转化为相应的网络策略。
更进一步的,所述支持OpenFlow接口协议的各种交换机包括:物理交换机、虚拟交换机、可编程交换机和OpenFlow交换机。
本发明具有如下有益效果:
本发明在意图网络架构与系统设计上,分析并结合当前体系结构,设计上紧扣意图,实现智能闭环。
附图说明
图1为本发明IDN结构示意图
图2为本发明网络性能和状态监测算法框架设计示意图
图3为本发明意图网络系统具体模块设计示意图
具体实施方式
下面结合附图和实例,对本发明做进一步详细说明。
为了应对背景技术部分提出的未来网路存在的挑战和问题,本发明所提出的网络系统总的目标可以简述为:将意图驱动网络(Intent-Driven Network,IDN)与软件定义网络(Software-Defined Networking,SDN)结合,使网络管理者或应用通过意图语言的方式与网络进行交互,并基于AI算法完成网络的动态配置,是进一步提高网络管理运营效率。
一、本发明的产业价值分析
本发明的产业价值在于:在完成本发明意图驱动网络架构设计与实现以及业务落地模式开发的基础上,可以进一步实现网络AI的具体应用场景开发,构建统一的跨域跨网端到端SDN路径计算能力,建立基于AI算法的用户模型和意图路径推荐的技术预研,为网络向基于意图驱动的服务化网络逐步发展奠定相应的理论与应用基础,构建网络AI领域新的核心竞争力。具体的,可以综述为以下4点:
(1)完成IDN网络架构和业务落地模式的开发;
在本发明的基础上,进一步的可以实现:
(2)开发网络AI的具体应用场景,实现统一的跨域跨网端到端SDN路径计算能力,完成基于AI算法的用户模型建立和意图路径推荐的技术预研;
(3)解决现有联通网络面向用户意图和快速满足用户SLA要求的问题,解决现有跨域跨网业务端到端自动开通问题。
具体的设计与开发任务包括:
(1)建立支撑高度自动化和人性化网络管理的意图网络体系架构:通过系统层面的网络架构设计,为相应的平台研发和算法设计提供基础支撑;
(2)基于AI的意图网络核心算法设计:针对IDN网络设计基于AI算法的用户模型建立、意图路径推荐以及网络性能和状态监测;
在本发明基础上,还可以实现:
(3)意图网络跨网跨域端到端平台设计:完成跨网跨域端到端平台设计、意图网路系统模块设计以及意图验证设计;
(4)网络AI应用场景分析与开发:研究基于意图的业务开通、基于AI和意图驱动的网络管控以及基于意图的状态监控,助力相关业务的落地。
目前,业界还没有统一的IDN标准体系结构,但是不同的IDN参考体系结构的核心思想是一致的。IDN的实现步骤分为意图的获取、意图的转译、策略的验证、意图的下发与执行以及网络状态信息的实时反馈。
本发明在产业上预期解决的核心问题如下:在意图网络架构与系统设计上,分析并结合当前体系结构,设计上要紧扣意图,实现智能闭环。在基于AI的意图网络核心算法设计时,紧扣用户模型建立和意图路径推荐选取合适的AI算法,并完成网络性能和状态监测算法框架设计。本发明在产业上所解决的具体的技术问题可以归纳为:(1)设计支撑高度自动化和人性化网络管理的意图网络系统整体体系架构,快速满足用户SLA要求,进一步的在意图网络体系架构下实现:(2)设计基于AI算法的用户模型建立和意图路径推荐算法,以及网络性能和状态监测算法框架,实现基于应用的端到端保障和调度能力,根据用户对应用带宽、质量(延时、丢包和抖动)的要求进行灵活选路,实现应用的带宽和质量保障;
本发明及其落地应用要达到的技术指标如下:
(1)支持SR-MPLS和SRv6隧道,都可以承载IPv4、IPv6或者VPN等业务;
(2)支持通过链路可用度、质量优先、metric、带宽利用率等进行选路策略;
(3)支持至少15种业务类型,支持8个SLA级别;
(4)网络路径根据业务SLA需求和实时网络状态动态控制;
(5)意图驱动网络可识别3类主要故障,包括设备故障,链路故障以及应用质量故障,并支持故障识别和实时告警两大功能的可视化;
(6)支持至少4种意图路径推荐。
(7)支持自动逃生和一键逃生。
(8)平台支持容器化部署,支持三台集群方式部署。
(9)支持网络、应用和故障可视。
二、意图网络体系架构整体设计
本发明的意图网络体系架构如图1所示,传统SDN网络为网络配置行为提供了类似编程语言的SDN北向接口,使用函数的组合构成了网络中事件的处理链。使用这些接口需要知道大量底层网络细节,因此该类设计并不能减少使用者对网络的了解。本发明将IDN与SDN技术结合,使网络管理者或应用通过意图语言的方式与网络进行交互,并完成网络配置。从而实现以下目标:
·简化网络配置过程,并向使用者屏蔽网络细节
·实现高度自动化和人性化的网络管理,支持业务的敏捷性
本发明的IDN体系结构从上到下(或称由北向南)分为应用层、意图层、控制层和网络层。
应用层面向的用户包括但不限于普通用户、网络管理员等。其主要负责收集用户以各种形式输入的意图,并把各种形式的意图统一为标准形式。应用层与意图层通过北向意图输入接口进行通信,北向意图输入接口主要负责用户意图的输入以及意图引擎向上反馈相关信息。
意图层是IDN的核心,是驱动IDN运行最为关键的因素。其与控制层通过南向策略下发接口进行通信,南向策略下发接口主要负责将经过验证后的网络策略下发到实际的网络基础设施中。意图层的核心部件是意图引擎,主要负责用户意图的解析与转译,即根据意图中的内容以及当前网络状态将用户意图转化为相应的网络策略,网络策略描述了网络为实现某一目标而执行的动作以及动作执行的顺序。随后,策略验证模块根据当前的网络状态信息对网络策略进行可执行验证,主要考虑资源的可用性和策略冲突这两个方面。一旦策略验证完成,通过验证的策略则通过SDN控制器下发到实际网络设施中以实现意图的下发与执行。
控制层负责控制平面的功能,由SDN控制器组成。SDN控制器通过OpenFlow协议与网络层交互从而实现网络状态感知与上报,并实施具体的网络策略。
网络层是负责数据转发的网络元素的集合,其核心是支持OpenFlow接口协议的各种交换机,包括物理交换机、虚拟交换机、可编程交换机和传统的OpenFlow交换机。
三、意图驱动网络的具体系统模块设计
如图3所示,基于上述意图网络体系架构整体设计,本发明意图驱动网络的具体系统模块设计如下:
1、意图获取模块
意图以一种声明形式描述用户想要网络所达到的状态。
IDN的实现按照意图的获取、意图的分析转译、策略的验证、策略的下发与执行以及实时反馈的顺序执行。在意图网络中,意图就是一种对使用者的需求的描述,它只表达了需要什么,而不包含使用什么来做或怎么来做。这里可以理解为用户体验质量(Quality ofExperience,QoE)。对于内容提供商来说,获知用户QoE的目的是为了给用户提供更好的服务,这体现在网络或应用上就是服务质量(Quality of Service,QoS)的变化。因此,用户模型的建立也就是QoE和QoS之间的映射问题。关于户模型的建立的详细技术细节在“三、基于AI的意图网络核心算法设计”的“1、基于AI算法建立用户模型”中将具体展开。
在IDN中,应用层中的意图获取模块将用户的意图统一为标准形式作为意图层的输入。其中用户网络意图可以是自然语言形式,也可以是语音形式或者其他形式。用户网络意图在意图获取模块中被进行关键词提取、语义分析和语义挖掘等处理后得到领域特定语言(DSL),根据领域特定语言(DSL)得出用户意图的抽象,当然这一系列处理的要依靠运行在网络中的各种服务器计算机来完成。综上所述,其实现功能可以归纳为:意图的定义。
此外,北向意图输入接口被设计用于统一意图的表达形式,并提供统一的接口供应用调用,用于屏蔽服务运行的复杂性,允许应用向网络请求服务而不需要了解服务运行的具体细节。
2、意图解析与转译模块
意图层中的意图解析与转译模块,所实现的功能可以归纳为:用户意图到网络策略的转换以及多条策略的加权与复合。
意图转译需根据意图获取模块获取的用户意图中的内容及当前网络状态将用户意图转化为相应的网络策略。
网络策略描述了网络为实现某一目标而执行的动作以及动作执行的顺序,多条策略则需组合为一条复合策略从而实现网络策略的模块化。
具体的,本模块针对用户意图进行分析以获得用户期望的网络运行状态,并结合当前网络状态,使用基于AI的智能算法生成对应的网络策略。具体所采用的AI的智能算法详见下文“三、基于AI的意图网络核心算法设计”的“2、基于AI算法的意图路径推荐”部分所述。
3、策略验证模块
在将网络策略下发前,须对策略进行可执行性验证,主要考虑资源的可用性和策略冲突这两个方面。这需要意图层中的策略验证模块来实现完成。简言之策略验证模块实现功能为:验证策略的可执行性。具体包括了资源可用性验证和策略冲突验证
(1)对于资源可用性的验证工作,主要通过控制层中的SDN控制器对当前网络状态进行感知,根据网络状态查看当前策略所需网络资源是否可用?是否足够?以此来实现资源可用性的验证。
(2)对于策略冲突的验证工作,根据策略匹配域的相交关系以及策略执行的动作给出几种策略的冲突关系:冗余、覆盖、泛化、相关和重叠。如检测到待下发策略与网络当前策略存在上述冲突,则需进行冲突的消解。冲突的消解主要采用设置优先级的方法来消除一些优先级低策略。
显然,策略验证模块需要将验证结果反馈给意图获取模块,用于意图获取模块的工作调节参数。
4、意图下发与执行模块
如前所述,通过验证的策略则通过SDN控制器(控制层的主要组成单元)下发到实际网络设施中以实现意图的下发与执行。其实现功能可以归纳为:网络策略的下发以及转发设备的配置。
具体控制过程和方式如下:一旦策略验证通过,IDN会将网络策略自动下发到实际的网络基础设施,并对转发设备进行配置。此过程需对网络进行全局控制,以实现从一个单点集中式的意图需求到分布式全局网络配置的转换。SDN控制器可实现网络的全局控制,为意图的下发与执行提供了便捷的操作方式,在本任务的IDN架构中,需将网络策略转换为相应的OpenFlow流表规则,从而实现用户意图。
5、网络状态感知模块
如图3所示,策略通过SDN控制器下发到网络层后,需对网络状态信息进行实时监控,确保网络的转发行为符合用户意图。因此在上述4大模块之外事实上还设计了网络状态感知模块。
其实现功能可以归纳为:网络状态实时监控和网络状态的及时反馈,其得出的感知信息将分别发送给意图下发与执行模块和网络策略验证模块,并对意图获取模块进行即时反馈与优化。其所涉及到的具体算法详见下文“三、基于AI的意图网络核心算法设计”的“3、网络性能和状态监测算法框架设计”
网络状态处于一个动态变化的过程,初始执行的网络状态与运行过程中的网络状态可能存在不一致,IDN需自动根据意图期望达到的状态以及当前的网络状态对策略进行优化与调整,保证网络始终满足意图需求。如果用户意图没有被正确地实现或在网络运行期间被意外改变,则需及时向意图层反馈信息,根据当前的网络状态对用户意图进行重新转译、编排。
三、基于AI的意图网络核心算法设计
1、基于AI算法建立用户模型
通常情况下,一个服务的好坏通过QoS来进行度量,QoS评价体系中具体包含网络的带宽、时延、丢包率、抖动等参数,它是一种数值评价,客观的反映了网络传输性能的好坏,通常越大的带宽、越小的时延、越小的丢包率和抖动就表示越好的QoS,但是需要注意到在QoS评价体系中,它只关注了网络性能参数而忽略了用户的主观感受。用户体验质量QoE就是一种将用户的主观感受纳入对服务质量的评价的方法,其中考虑了用户的感受与期望、应用的体验、网络的性能等方面,它反映了用户对服务质量好坏的直接感受。
由于这里的意图网络是面向应用QoE的,常见的对服务有QoE需求的都是流媒体类应用,例如视频播放器。需要注意的是,应用程序需要有判断当前QoE水平的能力,因为意图驱动网络需要它持续的QoE反馈信息来进行网络配置的调整。
这里的QoS一般划分为两种类型的QoS,一种是存在于应用端的QoS,它由应用端的参数组成,例如视频中的比特率、帧率等,另一类则是存在于网络端的QoS,它由网络中的参数组成,例如带宽、时延、抖动等。
现有的研究提出了各种各样的QoS/QoE之间的映射模型,可以分为基于统计分析方法(例如统计学中的相关性分析或者是方差分析、主成分分析法),和基于机器学习的映射法。统计分析方法中,通常需要假设QoS/QoE样本服从某种分布,或是QoS与QoE之间存在某一种相关性关系,使得这些方法难以达到很高的准确度。本发明中将收集到的QoS/QoE对看成机器学习中的样本,那么QoS就代表了样本属性,而QoE就代表了一个预测值(连续情况下)或者是一个分类值(离散情况下),然后使用机器学习中的模型来对样本进行拟合,相比统计分析方法而言,机器学习的方法具有十分强大的拟合能力,所以并不需要事先对样本的分布做出假设。
对于QoE是离散值的情况下,可以使用决策树(DecisionTree)、支持向量机(SupportVectorMachine,SVM),的方法来拟合映射函数。对于QoE是连续值的情况下,本发明采用人工神经网络(ArtificialNeuralNetwork,ANN)、策略梯度算法(Policy Gradient,PG)、深度Q网络(Deep Q Network,DQN)、演员-评判家(Actor-Critic,AC)等算法来进行拟合。
2、基于AI算法的意图路径推荐
为了解决现有联通网络面向用户意图和快速满足用户SLA要求解决的问题,在多意图路径推荐和最优路径推荐的问题上,我们可以采用基于AI的解决方案。
在意图驱动的通信网络中,路由目标代表了克服链路过载从而导致传输延迟的主要功能,这种情况最终会影响网络性能。通过使用SDN,可以利用SDN的全局可见性和可编程性,灵活配置网络交换机,保证流量路由,减少流量拥塞,平衡多意图网络的负载。
目前流行的路由算法有两种:第一种是最短路径优先(SFP)算法,它是一种基于跳数或时延准则的最大努力算法;其次是启发式算法(HA)。尽管采用了尽力而为的SPF算法,但它们并不适合于资源的最优利用。此外,已有的SDN网络中也采用了HAs算法,但是由于这些算法的使用,其计算复杂度受到了很大的挑战。在逐流路由策略计算期间,这种情况可能会使SDN控制器过度拉伸。
机器学习(ML)和深度学习(DL)技术在SDN中的最新进展和应用提供了一种合适的解决方案。本发明给出一种基于ML的解决方案可以在短时间内训练出接近最优的路由解决方案。本发明进一步给出以下几种基于AI的意图路径算法。这些算法可以为进行多意图路径推荐和最优路径推荐的AI算法研究提供解决思路。
(1)本发明给出支持SDN的确定性策略梯度(DDPG)路由算法框架,该框架利用DRL和网络流量预测从DRL代理动态生成最佳路径。然后,使用LSTM来执行未来的流量需求。这是因为需要通过SDN提供的知识平面智能,结合ML和DL来优化路由。这些进展提供了解决网络挑战的选择,例如在典型的大型动态网络中,QoS感知的性能路由优化。此外,动作由元组根据链接的权重来执行。然后,根据网络的平均时延计算报酬。
(2)本发明给出一种新的支持SDN的非监督DRL框架,该框架采用了DBN。该框架采用CNN技术计算最佳路径组合,从而提高了路径控制能力。其目标是缓解现代大型网络典型的爆炸性流量增长率。SDN控制器负责训练CNN算法,以学习如何适应不断变化的流量模式,从而根据以往的经验对流量流进行路由。本质上,控制器监控网络性能,在执行基于DL的路由策略后捕获网络流量跟踪,以周期性地重新训练CNN算法。基于CNN的解决方案有两个作用:执行智能路由和自适应网络状态变化。该解决方案反复实时标记数据捕获,然后用于重新训练DL-CNN网络体系结构。这个过程允许对网络变化的适应性。
(3)本发明给出一种智能的、经验的、支持SDN的DL框架,用于自动化流量路由。重点是使用吞吐量和延迟度量来最大化网络利用率。同时考虑不同的流量特性,提出一种基于DDPG的DRL自动路由算法,以确定接近最优的路径。
(4)IPv6上的分段路由(简称SRv6)是一种适用于IP骨干网和数据中心的网络架构。该架构的研究、标准化和实施正在积极进行中,SRv6已经在多个大规模部署中得到采用。大型ISP将其用于流量调度和快速重路由,使用SRv6,可以在路由器和终端主机上定义透明的网络功能。对于本发明基于意图驱动的网络,可以提出针对SRv6网络的性能监控(PM)的有效解决方案。完整的性能监控解决方案需要包括:i)数据平面(根据需要测量数据包丢失和延迟等指标);ii)控制平面(向节点中的监控实体发送命令);iii)管理平面(例如,收集测量的指标)。此外,大数据工具和解决方案可以应用于传统管理平面边界之内或之上,以存储和分析收集到的数据。可以支持:i)使用大数据工具对PM数据进行摄取、处理、存储和可视化;ii)基于SDN的网络路由器控制以驱动性能监控操作。
3、网络性能和状态监测算法框架设计
如图2所示,网络复杂性的不断增加使得实时网络性能和状态监测成为必要。实时网络性能和状态监测的实现需要三个阶段。第一阶段,监督网络性能,收集监控信息。第二阶段,分析和挖掘收集的信息并建立分析管理模型。最后阶段,进行故障识别、定位及恢复。第一阶段作为实现自动控制和认知网络管理的基础,依赖于高性能的网络监控技术。当前网络对监控技术提出了以下要求:1、为了实现更细粒度的网络性能验证需求,实时监控技术成为必需;2、最小化监控开销以满足带宽限制;3、适应动态变化的网络环境和应用需求;4、全面监控所有网络设备,包括终端设备。网络遥测作为一种低开销的网络监控技术,能够实现对包括终端设备在内的网络端到端性能监督。
当网络出现故障的时候,需要对网络性能进行分析和测量从而找到故障发生的位置,然而手工部署这些测量任务需要考虑很多因素,耗时较大;而意图驱动网络测量只需要用户输入测量意图,便可综合多方面因素得到最优的网络测量策略,得到网络性能指标,方便制定相应的状态监测、故障预测、故障诊断以及网络优化模型,识别出网络故障,找到网络故障的发生位置,制定相应的愈合策略,详细算法框架如图2所示。”
总而言之,本发明设了计支撑高度自动化和人性化网络管理的意图网络体系架构,能快速满足用户SLA要求;本发明还研制了基于AI算法的用户模型建立和意图路径推荐算法,以及网络性能和状态监测算法框架,实现基于应用的端到端保障和调度能力,根据用户对应用带宽、质量(延时、丢包和抖动)的要求进行灵活选路,实现应用的带宽和质量保障。
最后需要说明的是,以上实施实例仅用以说明本发明的技术方案而非限制,尽管参照较佳实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.一种意图驱动网络系统,其特征在于,它包括:
应用层,用于收集用户意图,并把所述用户意图统一为标准形式;
意图层,所述意图层主要由意图引擎和策略验证模块构成;
意图引擎用于对所述用户意图进行解析与转译得到网络策略;
策略验证模块用于根据当前的网络状态信息对所述网络策略进行可执行验证,通过验证的网络策略通过SDN控制器下发到实际网络设施中以实现用户意图的下发与执行;
应用层与意图层通过北向意图输入接口进行通信;
控制层主要由所述SDN控制器组成,SDN控制器通过OpenFlow协议与网络层交互从而实现网络状态感知与上报,并实施网络策略;
网络层主要由支持OpenFlow接口协议的各种交换机构成。
2.根据权利要求1所述的一种意图驱动网络系统,其特征在于,所述解析与转译是:根据所述用户意图中的内容以及当前网络状态将用户意图转化为相应的网络策略。
3.根据权利要求1或者2所述的一种意图驱动网络系统,其特征在于,所述支持OpenFlow接口协议的各种交换机包括:物理交换机、虚拟交换机、可编程交换机和OpenFlow交换机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111550557.9A CN114189433A (zh) | 2021-12-17 | 2021-12-17 | 一种意图驱动网络系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111550557.9A CN114189433A (zh) | 2021-12-17 | 2021-12-17 | 一种意图驱动网络系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114189433A true CN114189433A (zh) | 2022-03-15 |
Family
ID=80544346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111550557.9A Pending CN114189433A (zh) | 2021-12-17 | 2021-12-17 | 一种意图驱动网络系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114189433A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115022195A (zh) * | 2022-05-26 | 2022-09-06 | 电子科技大学 | 一种用于IPv6网络的流量动态测量方法 |
CN116208497A (zh) * | 2023-05-05 | 2023-06-02 | 广东省新一代通信与网络创新研究院 | 一种可编程网络系统、方法、交换机及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110198237A (zh) * | 2019-05-27 | 2019-09-03 | 北京邮电大学 | 一种无线意图驱动网络的配置方法 |
CN112565336A (zh) * | 2020-11-06 | 2021-03-26 | 西安电子科技大学 | 智能物联网集中化控制方法、系统、介质、设备及应用 |
CN112631856A (zh) * | 2020-12-17 | 2021-04-09 | 西安电子科技大学 | 一种意图驱动6g网络智能运维方法、系统、设备及应用 |
CN113055206A (zh) * | 2019-12-27 | 2021-06-29 | 中国电信股份有限公司 | 基于意图的网络的业务配置方法、装置以及存储介质 |
-
2021
- 2021-12-17 CN CN202111550557.9A patent/CN114189433A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110198237A (zh) * | 2019-05-27 | 2019-09-03 | 北京邮电大学 | 一种无线意图驱动网络的配置方法 |
CN113055206A (zh) * | 2019-12-27 | 2021-06-29 | 中国电信股份有限公司 | 基于意图的网络的业务配置方法、装置以及存储介质 |
CN112565336A (zh) * | 2020-11-06 | 2021-03-26 | 西安电子科技大学 | 智能物联网集中化控制方法、系统、介质、设备及应用 |
CN112631856A (zh) * | 2020-12-17 | 2021-04-09 | 西安电子科技大学 | 一种意图驱动6g网络智能运维方法、系统、设备及应用 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115022195A (zh) * | 2022-05-26 | 2022-09-06 | 电子科技大学 | 一种用于IPv6网络的流量动态测量方法 |
CN115022195B (zh) * | 2022-05-26 | 2023-10-10 | 电子科技大学 | 一种用于IPv6网络的流量动态测量方法 |
CN116208497A (zh) * | 2023-05-05 | 2023-06-02 | 广东省新一代通信与网络创新研究院 | 一种可编程网络系统、方法、交换机及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11240153B1 (en) | Scoring policies for predictive routing suggestions | |
US10389585B2 (en) | System and method for data flow optimization | |
US10062036B2 (en) | Predictive path characteristics based on non-greedy probing | |
US10904125B2 (en) | Active probe construction using machine learning for measuring SD-WAN tunnel metrics | |
US9654361B2 (en) | Dynamic collection of network metrics for predictive analytics | |
US10924393B2 (en) | Per-flow call admission control using a predictive model to estimate tunnel QoS in SD-WAN networks | |
CN109450790B (zh) | 一种基于流量感知的网络服务功能链智慧供应方法 | |
CN114189433A (zh) | 一种意图驱动网络系统 | |
Barakabitze et al. | QualitySDN: Improving video quality using MPTCP and segment routing in SDN/NFV | |
Machado et al. | Towards SLA policy refinement for QoS management in software-defined networking | |
US20220382615A1 (en) | System, method and associated computer readable media for facilitating machine learning engine selection in a network environment | |
CN108833279A (zh) | 软件定义网络中基于业务分类的多约束QoS路由的方法 | |
CN114167760A (zh) | 一种意图驱动网络管理系统及方法 | |
WO2015103297A1 (en) | Network communication methods and apparatus | |
US20220070086A1 (en) | Optimal proactive routing with global and regional constraints | |
Etengu et al. | AI-assisted framework for green-routing and load balancing in hybrid software-defined networking: Proposal, challenges and future perspective | |
Yan et al. | A survey of low-latency transmission strategies in software defined networking | |
AU2019226295A1 (en) | System and method for enabling intelligent network services by cognitive sense-analyze-decide-respond framework | |
Machado et al. | Policy authoring for software-defined networking management | |
CN117640335B (zh) | 一种智能建筑综合布线的动态调整和优化方法 | |
Ouamri et al. | Request delay and survivability optimization for software defined‐wide area networking (SD‐WAN) using multi‐agent deep reinforcement learning | |
US11522787B1 (en) | Path metric oscillation analysis with SLA threshold adjustment | |
US11711291B2 (en) | Progressive automation with predictive application network analytics | |
Sacco et al. | On control and data plane programmability for data-driven networking | |
Fares et al. | OPR: SDN-based Optimal Path Routing within Transit Autonomous System 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 |