CN114401192A - 一种多sdn控制器协同训练方法 - Google Patents
一种多sdn控制器协同训练方法 Download PDFInfo
- Publication number
- CN114401192A CN114401192A CN202111565495.9A CN202111565495A CN114401192A CN 114401192 A CN114401192 A CN 114401192A CN 202111565495 A CN202111565495 A CN 202111565495A CN 114401192 A CN114401192 A CN 114401192A
- Authority
- CN
- China
- Prior art keywords
- sdn controller
- training
- model
- accuracy
- edge
- 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.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000002776 aggregation Effects 0.000 claims abstract description 17
- 238000004220 aggregation Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010295 mobile communication 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
- H04L41/0893—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
- H04L41/12—Discovery or management of network topologies
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开一种多SDN控制器协同训练方法,包括以下步骤:步骤一,发送模型优化请求;步骤二,发送联邦学习通知;步骤三,边缘SDN控制器信息上传;步骤四,分发初始模型及达标参数;步骤五,边缘SDN控制器进行模型训练;步骤六,边缘SDN控制器进行模型上传;步骤七,中心SDN控制器进行动态调整模型聚合权重,完成全局模型聚合并计算准确度等级;步骤八,若全局模型达到准确度等级要求则向网络编排器返回优化结果,否则开始下一轮联邦学习训练。本发明通过对边缘节点与中心控制器的协同控制,有效提升了中心节点网络拓扑模型的准确性,进而提高路径选择及流量负载均值的合理性。
Description
技术领域
本发明属于移动通信网络技术领域,具体涉及了一种多SDN控制器协同训练方法。
背景技术
在云网融合场景下,SDN主控制器既要管理控制各网络节点设备,又要对云管理平台中的虚拟机网络进行管理。在多个SDN控制器进行联邦学习的场景下,某些节点SDN控制器可能在指定的训练时间内无法达到准确度要求,或因本地数据集较少,产生过拟合现象。以上几种情况都会导致中心SDN控制器所聚合的全局模型无法达到较高的准确性,从而影响系统总体性能。
现有方法1:传统联邦学习算法,如FedAvg、FedProx等,中心SDN控制器在每轮训练中聚合所有参与节点上传的模型。
现有方法2:通过中心SDN控制器的本地数据对各节点上传的模型进行评估,根据评估结果动态调整聚合权重。
但是上述方法,现有方法1无疑会很大程度降低全局模型的准确性;现有方法2则无法应用于当中心SDN控制器中不具备全局数据的场景。
发明内容
本发明的目的在于提供一种多SDN控制器协同训练方法。本发明通过对边缘节点(子节点)与中心控制器的协同控制,有效提升了中心节点网络拓扑模型的准确性,进而提高路径选择及流量负载均值的合理性。
为了实现上述目的,本发明采用了以下技术方案:
一种多SDN控制器协同训练方法,包括以下步骤:
步骤一,网络编排器向中心SDN控制器发送模型优化请求,包括分析性能指标和准确度等级要求参数;
步骤二,中心SDN控制器向边缘SDN控制器发送联邦学习通知;
步骤三,边缘SDN控制器向中心SDN控制器发送相关信息,包括本地数据量、空闲时间、计算资源;
步骤四,中心SDN控制器选择参与该轮训练的边缘SDN控制器并分发初始模型及达标参数,达标参数包括准确度等级要求、训练时间;
步骤五,参与该轮训练的边缘SDN控制器将本地数据集分为训练集和测试集,使用训练集进行本地训练,并使用测试集计算性能等级和准确率;
步骤六,在规定的训练时间内准确度等级达到要求的边缘SDN控制器进行模型上传,包括更新后的模型参数、性能等级和准确率;
步骤七,中心SDN控制器根据步骤六中符合要求的边缘SDN控制器上传的模型参数、性能等级、准确率动态调整模型聚合权重,完成全局模型聚合并计算准确度等级;
步骤八,若全局模型达到准确度等级要求则向网络编排器返回优化结果,否则开始下一轮联邦学习训练。
本发明进一步说明,步骤五中,所述将本地数据集分为训练集和测试集采用随机抽样的分类方式,然后按照预定的比例分为训练集和测试集。
本发明进一步说明,步骤七中,所述模型聚合的公式为:
其中,ωt+1是第(t+1)轮训练的准确率,t为训练轮次,k是第k个边缘sdn控制器,St是第t轮训练的训练集合,最后一个是第t轮训练的准确率。
本发明主要是由中心SDN控制器规定路由性能等级和该轮训练时间并下发到选中参与的边缘SDN控制器中;参与节点收到通知后,将本地数据集按一定比例随机抽样,分为训练集和测试集;各参与的SDN控制器使用训练集进行训练,并在规定的训练时间通过测试集计算本地的路由性能等级和拓扑准确率;若达到中心SDN控制器的路由性能等级和拓扑准确度要求,则向中心SDN控制器发送拓扑模型参数和准确率;中心SDN控制器根据各参与节点的准确率动态调整模型聚合权重。此方法提高了全局模型的准确性,并一定程度上节省了通信资源和存储资源。
本发明的优点:
1.本发明中的边缘SDN控制器节点通过判断准确度是否满足要求来决定是否上传模型,即若边缘SDN控制器经过训练和测试后达到中心SDN控制器下发的路由性能等级和拓扑准确度要求,边缘SDN控制器则向中心SDN控制器发送拓扑模型参数和准确率;否则,不上传数据,因此相比于传统方法节省了通信资源。
2.本发明中的中心SDN控制器动态调整模型聚合参数,提升了全局模型的准确性。
附图说明
图1为本发明的整体技术方案架构示意图。
图2是本发明中中心SDN控制器和边缘SDN控制器的协同训练流程示意图。
具体实施方式
下面结合附图对本发明进一步说明。
实施例1:
一种多SDN控制器协同训练方法,如图1所示,包括以下步骤:
步骤一,网络编排器向中心SDN控制器发送模型优化请求,包括分析性能指标和准确度等级要求参数;
步骤二,中心SDN控制器向边缘SDN控制器发送联邦学习通知;
步骤三,边缘SDN控制器向中心SDN控制器发送相关信息,包括本地数据量、空闲时间、计算资源;
步骤四,中心SDN控制器选择参与该轮训练的边缘SDN控制器并分发初始模型及达标参数,达标参数包括准确度等级要求、训练时间;
步骤五,参与该轮训练的边缘SDN控制器将本地数据集分为训练集和测试集,使用训练集进行本地训练,并使用测试集计算性能等级和准确率;
步骤六,在规定的训练时间内准确度等级达到要求的边缘SDN控制器进行模型上传,包括更新后的模型参数、性能等级和准确率;
步骤七,中心SDN控制器根据步骤六中符合要求的边缘SDN控制器上传的模型参数、性能等级、准确率动态调整模型聚合权重,完成全局模型聚合并计算准确度等级;
所述模型聚合的公式为:
其中,ωt+1是第(t+1)轮训练的准确率,t为训练轮次,k是第k个边缘sdn控制器,St是第t轮训练的训练集合,最后一个是第t轮训练的准确率。
步骤八,若全局模型达到准确度等级要求则向网络编排器返回优化结果,否则开始下一轮联邦学习训练。
本实施例的训练流程如图2所示,包括:
1.中心SDN控制器根据边缘SDN控制器的空闲时间、计算资源等信息选择参与本轮训练的SDN控制器,并将训练通知、全局模型、准确度等级要求发送给边缘SDN控制器。准确度等级可随训练轮数逐渐提升。
2.被选中的边缘SDN控制器接收中心SDN控制器通知,并将本地的数据集进行随机抽样,按一定比例分为训练集和测试集。
3.参与的边缘SDN控制器节点使用本地训练集完成模型更新并使用本地测试集计算模型的准确度等级_以及准确率_,此参数可以作为各SDN控制器输出的“预测自信度”。
4.若SDN控制器的准确度等级达到中心SDN控制器要求则将模型参数和准确率发送给中心SDN控制器,否则不进行模型上传。
5.中心SDN控制器接收模型参数和准确率信息,并按照计算公式进行模型聚合。
在本实施例中,边缘SDN控制器将本地数据集分为训练集和测试集并用测试集计算性能等级和准确率,未达到性能等级要求的节点不进行模型上传。节省了通信资源和中心SDN控制器的存储空间。中心SDN控制器根据上传的参数调整模型聚合权重完成模型聚合,提升了全局模型的准确性。
显然,上述实施例仅仅是为了清楚的说明本发明所作的举例,而并非对本发明实施的限定。对于所属技术领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动;这里无需也无法对所有的实施方式予以穷举;而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围之中。
Claims (5)
1.一种多SDN控制器协同训练方法,其特征在于包括以下步骤:
步骤一,网络编排器向中心SDN控制器发送模型优化请求,包括分析性能指标和准确度等级要求参数;
步骤二,中心SDN控制器向边缘SDN控制器发送联邦学习通知;
步骤三,边缘SDN控制器向中心SDN控制器发送相关信息;
步骤四,中心SDN控制器选择参与该轮训练的边缘SDN控制器并分发初始模型及达标参数;
步骤五,参与该轮训练的边缘SDN控制器将本地数据集分为训练集和测试集,使用训练集进行本地训练,并使用测试集计算性能等级和准确率;
步骤六,在规定的训练时间内准确度等级达到要求的边缘SDN控制器进行模型上传,包括更新后的模型参数、性能等级和准确率;
步骤七,中心SDN控制器根据步骤六中符合要求的边缘SDN控制器上传的模型参数、性能等级、准确率动态调整模型聚合权重,完成全局模型聚合并计算准确度等级;
步骤八,若全局模型达到准确度等级要求则向网络编排器返回优化结果,否则开始下一轮联邦学习训练。
2.根据权利要求1所述的多SDN控制器协同训练方法,其特征在于:步骤五中,所述将本地数据集分为训练集和测试集采用随机抽样的分类方式。
4.根据权利要求3所述的多SDN控制器协同训练方法,其特征在于:步骤三中,所述相关信息包括本地数据量、空闲时间、计算资源。
5.根据权利要求4所述的多SDN控制器协同训练方法,其特征在于:步骤四中,所述达标参数包括准确度等级要求、训练时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111565495.9A CN114401192B (zh) | 2021-12-20 | 2021-12-20 | 一种多sdn控制器协同训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111565495.9A CN114401192B (zh) | 2021-12-20 | 2021-12-20 | 一种多sdn控制器协同训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114401192A true CN114401192A (zh) | 2022-04-26 |
CN114401192B CN114401192B (zh) | 2024-02-06 |
Family
ID=81226367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111565495.9A Active CN114401192B (zh) | 2021-12-20 | 2021-12-20 | 一种多sdn控制器协同训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114401192B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912581A (zh) * | 2022-05-07 | 2022-08-16 | 奇安信科技集团股份有限公司 | 检测模型的训练方法、装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275114A (zh) * | 2020-01-20 | 2020-06-12 | 黄惠芬 | 一种sdn架构下的基于集成学习的网络资质图片鉴别方法 |
US20200336376A1 (en) * | 2019-04-16 | 2020-10-22 | Ciena Corporation | Self-optimizing fabric architecture and self-assembling network |
CN113490254A (zh) * | 2021-08-11 | 2021-10-08 | 重庆邮电大学 | 一种基于联邦学习双向gru资源需求预测的vnf迁移方法 |
-
2021
- 2021-12-20 CN CN202111565495.9A patent/CN114401192B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200336376A1 (en) * | 2019-04-16 | 2020-10-22 | Ciena Corporation | Self-optimizing fabric architecture and self-assembling network |
CN111275114A (zh) * | 2020-01-20 | 2020-06-12 | 黄惠芬 | 一种sdn架构下的基于集成学习的网络资质图片鉴别方法 |
CN113490254A (zh) * | 2021-08-11 | 2021-10-08 | 重庆邮电大学 | 一种基于联邦学习双向gru资源需求预测的vnf迁移方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912581A (zh) * | 2022-05-07 | 2022-08-16 | 奇安信科技集团股份有限公司 | 检测模型的训练方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114401192B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109684083B (zh) | 一种面向边缘-云异构下的多级事务调度分配策略 | |
CN110351754B (zh) | 基于Q-learning的工业互联网机器设备用户数据计算卸载决策方法 | |
CN110968426B (zh) | 一种基于在线学习的边云协同k均值聚类的模型优化方法 | |
CN107948083B (zh) | 一种基于增强学习的sdn数据中心拥塞控制方法 | |
CN114595049A (zh) | 一种云边协同任务调度方法及装置 | |
CN112329997A (zh) | 电力需求负荷预测方法及系统、电子设备和存储介质 | |
CN115941790A (zh) | 边缘协同内容缓存方法、装置、设备及存储介质 | |
CN113887748B (zh) | 在线联邦学习任务分配方法、装置、联邦学习方法及系统 | |
CN114401192B (zh) | 一种多sdn控制器协同训练方法 | |
CN116933318A (zh) | 一种基于联邦学习的用电数据隐私保护方法 | |
CN113676357B (zh) | 面向电力物联网中边缘数据处理的决策方法及其应用 | |
CN113435125A (zh) | 一种面向联邦物联网系统的模型训练加速方法与系统 | |
CN113179175A (zh) | 一种电力通信网业务的实时带宽预测方法及装置 | |
CN113516163B (zh) | 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质 | |
CN115345320A (zh) | 一种在分层联邦学习框架下实现个性化模型的方法 | |
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 | |
CN115329985A (zh) | 无人集群智能模型训练方法、装置和电子设备 | |
CN115499365A (zh) | 路由优化方法、装置、设备及介质 | |
CN112925793A (zh) | 一种多种结构数据分布式混合存储方法和系统 | |
CN117392483B (zh) | 基于增强学习的相册分类模型训练加速方法、系统及介质 | |
CN115250253B (zh) | 带宽感知的归约处理方法以及ai模型的训练方法 | |
CN111092755A (zh) | 一种基于资源占用的边缘服务迁移仿真方法 | |
CN116991337B (zh) | 一种远程教育系统的教育资源的云存储方法及装置 | |
CN110011929A (zh) | 一种改善网络拥塞现象的分布式预测控制方法 | |
CN105472641B (zh) | 基于3D-Markov链的IEEE802.11ad网络用户QoE优化方法 |
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 |