CN114513816A - 一种sdn网络资源分配方法、系统及存储介质 - Google Patents

一种sdn网络资源分配方法、系统及存储介质 Download PDF

Info

Publication number
CN114513816A
CN114513816A CN202210091614.XA CN202210091614A CN114513816A CN 114513816 A CN114513816 A CN 114513816A CN 202210091614 A CN202210091614 A CN 202210091614A CN 114513816 A CN114513816 A CN 114513816A
Authority
CN
China
Prior art keywords
flow
data
value
database
formula
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
Application number
CN202210091614.XA
Other languages
English (en)
Inventor
陈美娟
李文萌
王凯巍
杨翠芸
刘旭
徐鼎
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210091614.XA priority Critical patent/CN114513816A/zh
Publication of CN114513816A publication Critical patent/CN114513816A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0925—Management thereof using policies
    • H04W28/0942—Management thereof using policies based on measured or predicted load of entities- or links
    • 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
    • H04L47/2441—Traffic characterised by specific attributes, e.g. priority or QoS relying on flow classification, e.g. using integrated services [IntServ]
    • 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
    • H04L47/2483—Traffic characterised by specific attributes, e.g. priority or QoS involving identification of individual flows
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0925—Management thereof using policies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0958—Management thereof based on metrics or performance parameters
    • H04W28/0967—Quality of Service [QoS] parameters
    • H04W28/0983—Quality of Service [QoS] parameters for optimizing bandwidth or throughput

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了网络资源分配领域的一种SDN网络资源分配方法、系统及存储介质，其中包括：对SVM流量分类模型和路由策略生成模型进行训练；采用预先训练的SVM流量分类模型将数据包流量分为大象流和小鼠流；根据大象流和小鼠流配置不同的路径转发权重；通过预先训练的路由策略生成模型生成大象流和小鼠流转发路径，完成SDN网络负载均衡资源分配；本发明将数据包流量拆分成子流后进行合理分配的路由路径，降低了网络端到端的时延、提高了网络吞吐量、改善了网络拥塞的问题。

Description

一种SDN网络资源分配方法、系统及存储介质
技术领域
本发明属于网络资源分配领域，具体涉及一种SDN网络资源分配方法、系统及存储介质。
背景技术
近年来，随着互联网快速发展，网络的规模日趋庞大，社交媒体、高清影视、在线游戏以及5G的普及使得网络流量迅速增长，业务需求量激增。在这巨大的流量数据的网络环境下，业务呈现出随机性、不均衡性等特点，传统的网络架构在该环境下备受挑战。面对网络中85％以上的流是不超过10KB的小鼠流，而10％左右的大象流传输数据量占总网络传输数据的90％的情况，传统网络静态路由的方法极易造成网络拥塞、丢包，给用户带来极差的用户体验，迫切需要构建智能的路由算法。
软件定义网络(Software-Defined-Networking，SDN)相较于传统网络，可将网络控制逻辑与底层转发设备分离，实现了数据层和控制层解耦控制逻辑集中化，使得网络运维人员通过可编程接口，在尽可能少改动硬件部署的情况下，灵活地选择路由策略来调度网络，从而提升网络服务质量(Quality of Service，QoS)。
面对网络中85％以上的流是不超过10KB的小鼠流，而10％左右的大象流传输数据量占总网络传输数据的90％的情况，目前常采用的路由算法是最短路径优先(OpenPathShortFirst,OPSF)，该算法根据网络拓扑链路权重，规划网络中流量的路由方式，虽然生成路由策略的计算量小，但常常会让网络出现多条大流碰撞的情况，易造成网络拥塞。最短路径优先算法不仅增加了流量的传输时间，还会增加部分流量在交换机缓存溢出时丢包的风险。
发明内容
本发明的目的在于提供一种SDN网络资源分配方法、系统及存储介质，将数据包流量拆分成子流后进行合理分配的路由路径，降低了网络端到端的时延、提高了网络吞吐量、改善了网络拥塞的问题。
为达到上述目的，本发明所采用的技术方案是：
本发明第一方面提供了一种SDN网络资源分配方法，包括：
采用预先训练的SVM流量分类模型将数据包流量分为大象流和小鼠流；根据大象流和小鼠流配置不同的路径转发权重；
通过预先训练的路由策略生成模型生成大象流和小鼠流转发路径，完成SDN网络负载均衡资源分配；
所述SVM流量分类模型的训练方法，包括：
获取SDN网络中的历史技术特征，构建数据库P；
利用最佳超平面构建SVM流量分类模型，并通过数据库P对SVM流量分类模型进行训练，获得分类精准率大于设定值M的SVM流量分类模型。
优选的，利用最佳超平面构建SVM流量分类模型的方法包括：
根据超平面方程设定SVM流量分类模型为：
f(x)＝sign(ωT·x+b)
公式中，ω表示训练实例中所含特征的权重；b表示超平面到原点的截距；sign()表示为超平面方程ωT·x+b的符号函数；(·)T表示为矩阵的转置变换；x表示为数据库P的每组数据对应的特征向量；
将网络中的流量分类问题转化为约束函数的最优化问题，通过最大化特征空间中的点xi到超平面的距离D(i)的最小值，得到利用超平面分类流量的相关参数，特征空间中的点xi到超平面的距离D(i)是：
Figure BDA0003489269950000031
公式中，ω表示训练实例中所含特征的权重；b表示超平面到原点的截距；(·)T表示为矩阵的转置变换；x表示为数据库P的每组数据对应的特征向量；||·||表示为矩阵范数；l表示为数据库P的数据组数；
将网络中的流量分类问题转化为约束函数的最优化问题，通过数据库P的数据对权重ω和截距b进行优化求解获得最佳分离超平面，包括：
(1)当数据库P的数据为线性分布时，约束函数的表达公式为：
Figure BDA0003489269950000032
s.t.yi·(ωT·xi+b)≥1 i＝1，2...，l
(2)当数据库P的数据为线性分布时，训练样本线性不可分离，约束函数的表达公式为：
Figure BDA0003489269950000033
s.t.yi·(ωT·xi+b)≥1-ξi i＝1,2…,l
公式中，ω表示训练实例中所含特征的权重；b表示超平面到原点的截距；(·)T表示为矩阵的转置变换；x表示为数据库P的每组数据对应的特征向量；||·||表示为矩阵范数；yi∈{-1,+1}表示为类标识符，-1表示反例，+1表示正例；l表示为数据库P的数据组数；
(3)当数据库P的数据为非线性分布时，约束函数的表达公式为：
Figure BDA0003489269950000034
s.t.yi·(ωT·K(x,xi)+b)≥1-ξi I＝1,2…,l
Figure BDA0003489269950000041
公式中，C是用于平衡距离和训练误差的调整参数，σ为内核参数；ξi表示松弛变量；l表示为数据库P的数据组数；||·||表示为矩阵范数；xi表示为数据库P的第i组数据对应的特征向量；exp()表示为以自然常数e为底的指数函数；yi表示为特征向量xi对应的类标记。
优选的，通过数据库P对SVM流量分类模型进行训练的方法包括：
将数据库P的每组数据中流量大小f、节点间吞吐量Tij和链路利用率lij进行归一化处理，获得区间[0,1]内的流量映射值f′、节点间吞吐量映射值T′ij和链路利用率映射值l′ij；
通过流量映射值f′、节点间吞吐量映射值T′ij和链路利用率映射值l′ij获得特征向量x[f′,b′ij,l′ij]；将各组数据对应的特征向量x[f′,b′ij,l′ij]和类标记y构建为训练数据集D；
将训练数据集D按照设定比例划分为训练集Dtr和测试集Dte；通过训练集Dtr对SVM流量分类模型进行训练；采用测试集Dte对训练后的SVM流量分类模型进行测试，判断其分类精准率是否大于设定值M。
优选的，将数据库P的每组数据中流量大小f、节点间吞吐量Tij和链路利用率lij进行归一化处理，获得区间[0,1]内的流量映射值f′、节点间吞吐量映射值T′ij和链路利用率映射值l′ij，方法包括：
对数据包的流大小f进行归一化处理，计算公式为：
Figure BDA0003489269950000042
公式中，f表示数据包流大小的原始属性值，minf表示为f的最小值，maxf为f的最大值，f′为流大小f归一化处理的数值；
对数据包的节点间吞吐量Tij进行归一化处理，计算公式为：
Figure BDA0003489269950000051
公式中，Tij表示节点间吞吐量的原始属性值，minTij表示为Tij的最小值，maxTij为Tij的最大值，T′ij为节点间吞吐量Tij归一化处理的数值；
对数据包的节点间吞吐量Tij进行归一化处理，计算公式为：
Figure BDA0003489269950000052
公式中，lij表示链路利用率的原始属性值，minlij表示为lij的最小值，maxlij为lij的最大值，l′ij为链路利用率lij归一化处理的数值。
优选的，根据大象流和小鼠流配置不同的路径转发权重的方法包括：
当数据包流量分为大象流时，利用K-最短路径算法计算源在SDN网络中第i个节点和第j个节点之间K条最短路径，将第i个节点和第j个节点之间待传输的大象流fij分裂成的子流选择在第kth路径传输的权重为
Figure BDA0003489269950000053
表达公式为：
Figure BDA0003489269950000054
公式中，
Figure BDA0003489269950000055
表示大象流fij分裂成的子流选择在K-最短路径算法中第kth路径；
当数据包流量分为小鼠流时，通过Q学习数据库P的数据配置链路权重。
优选的，路由策略生成模型的训练方法，包括：
获取SDN网络i节点和j节点之间的传输时延(dij)、节点间吞吐量(tij)构建初始状态空间的特征矩阵s，各节点之间的特征矩阵s构成状态空间S；
依据特征矩阵s选取的动作空间a；各节点之间的动作空间a构成动作空间A(s)；根据特征矩阵s和动作空间a构建Q值计算函数Q(s,a)，
Figure BDA0003489269950000061
将数据库P的每组数据中端到端吞吐量Tend、端到端时延Dend和端到端链路利用率Lend进行归一化处理，获得区间[0,1]内的端到端吞吐量映射值Te′nd、端到端时延映射值D′end和链路利用率映射值L′end，并构建奖励函数R；通过各组数据对应的奖励函数R对Q值计算函数Q(s,a)进行训练；
生成路由策略生成模型，表达公式为：
π(s)＝argmaxQ(s,a)
公式中，argmaxQ(s,a)表示计算Q值计算函数Q(s,a)的参数。
优选的，将数据库P的每组数据中端到端吞吐量Tend、端到端时延Dend和端到端链路利用率Lend进行归一化处理，获得区间[0,1]内的端到端吞吐量映射值T′end、端到端时延映射值D′end和链路利用率映射值L′end，并构建奖励函数R；方法包括：
所述端到端吞吐量Tend进行归一化处理，获得端到端吞吐量映射值T′end，表达公式为：
Figure BDA0003489269950000062
公式中，
Figure BDA0003489269950000063
为第k次测得的端到端的吞吐量；
所述端到端时延Dend进行归一化处理，获得端到端时延映射值D′end，表达公式为：
Figure BDA0003489269950000064
公式中，
Figure BDA0003489269950000065
为第k次测得的端到端的时延；
Figure BDA0003489269950000071
公式中，
Figure BDA0003489269950000072
为第k次测得的端到端链路利用率；
构建奖励函数R,表达公式为：
R＝ω1×T′end-ω2×D′end-ω3×L′end
公式中，ω1表示为端到端吞吐量映射值T′end的权重，ω2表示为端到端时延映射值D′end的权重，ω3表示为链路利用率映射值L′end的权重，ω1、ω2、ω3∈[0,1]。
本发明第二方面提供了一种SDN网络资源分配系统，包括：
流量分类模块，用于采用预先训练的SVM流量分类模型将数据包流量分为大象流和小鼠流；
配置权重模块，根据大象流和小鼠流配置不同的路径转发权重；
资源分配模块，通过预先训练的路由策略生成模型生成大象流和小鼠流转发路径，完成SDN网络负载均衡资源分配。
本发明第三方面提供了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述SDN网络资源分配的步骤。
与现有技术相比，本发明的有益效果：
(1)本发明采取预先训练的SVM流量分类模型将数据包流量分为大象流和小鼠流，抓取特征包括流量大小、节点间吞吐量、链路利用率构成特征矩阵对SVM流量分类模型进行训练，提高了流量分类模型的分类准确率及分类速度。
(2)本发明采取了先将大象流拆解为子流，利用K-最短路径制定转发权重，降低了大象流在网络传输中造成拥塞的情况，降低了端到端间的时延，提高了端到端的吞吐量。
(3)本发明使用当前流量大小、链路利用率、时延、吞吐量构成Q学习初始化状态s，较好的表征了网络情况，利用ε-greedy和奖励函数，让智能路由算法在训练所需的数据集较少的情况下，更快的收敛到最佳策略函数。
附图说明
图1是本发明实施例提供的一种SDN网络资源分配方法的流程图；
图2是本发明实施例提供的一种SDN网络资源分配系统的结构图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一
如图1所示，一种SDN网络资源分配方法，包括：
采用预先训练的SVM流量分类模型将数据包流量分为大象流和小鼠流；
根据大象流和小鼠流配置不同的路径转发权重的方法包括：
当数据包流量分为大象流时，利用K-最短路径算法计算源在SDN网络中第i个节点和第j个节点之间K条最短路径，将第i个节点和第j个节点之间待传输的大象流fij分裂成的子流选择在第kth路径传输的权重为
Figure BDA0003489269950000081
表达公式为：
Figure BDA0003489269950000082
公式中，
Figure BDA0003489269950000083
表示大象流fij分裂成的子流选择在K-最短路径算法中第kth路径；
当数据包流量分为小鼠流时，通过Q学习数据库P的数据配置链路权重。
通过预先训练的路由策略生成模型生成大象流和小鼠流转发路径，完成SDN网络负载均衡资源分配；
所述SVM流量分类模型的训练方法，包括：
获取SDN网络中的历史技术特征，构建数据库P；
根据超平面方程设定SVM流量分类模型为：
f(x)＝sign(ωT·x+b)
公式中，ω表示训练实例中所含特征的权重；b表示超平面到原点的截距；sign()表示为超平面方程ωT·x+b的符号函数；(·)T表示为矩阵的转置变换；x表示为数据库P的每组数据对应的特征向量；
将网络中的流量分类问题转化为约束函数的最优化问题，通过最大化特征空间中的点xi到超平面的距离D(i)的最小值，得到利用超平面分类流量的相关参数，特征空间中的点xi到超平面的距离D(i)是：
Figure BDA0003489269950000091
公式中，ω表示训练实例中所含特征的权重；b表示超平面到原点的截距；(·)T表示为矩阵的转置变换；x表示为数据库P的每组数据对应的特征向量；||·||表示为矩阵范数；l表示为数据库P的数据组数。
将网络中的流量分类问题转化为约束函数的最优化问题，通过数据库P的数据对权重ω和截距b进行优化求解获得最佳分离超平面，包括：
(1)当数据库P的数据为线性分布时；训练样本可线性分离，SVM通过求解以下优化问题找到最佳分离超平面，最大化D(i)的最小值，约束函数的表达公式为：
Figure BDA0003489269950000092
s.t.yi·(ωT·xi+b)≥1 i＝1，2...，l
(2)当数据库P的数据为线性分布时；训练样本线性不可分离，没有符合条件的超平面可以正确地对每个训练样本进行分类。为了将可分离的情况放松到不可分离的情况，引入松弛变量ξi，约束函数的表达公式为：
Figure BDA0003489269950000101
s.t.yi·(ωT·xi+b)≥1-ξi i＝1,2…,l
公式中，ω表示训练实例中所含特征的权重；b表示超平面到原点的截距；(·)T表示为矩阵的转置变换；x表示为数据库P的每组数据对应的特征向量；||·||表示为矩阵范数；yi∈{-1,+1}表示为类标识符，-1表示反例，+1表示正例；l表示为数据库P的数据组数。
(3)当数据库P的数据为非线性分布时，SVM通过求解以下优化问题找到最佳分离超平面，最大化D(i)的最小值，约束函数的表达公式为：
Figure BDA0003489269950000102
s.t.yi·(ωT·K(x,xi)+b)≥1-ξi i＝1,2…,l
Figure BDA0003489269950000103
公式中，C是用于平衡距离和训练误差的调整参数，σ为内核参数；ξi表示松弛变量；l表示为数据库P的数据组数；||·||表示为矩阵范数；xi表示为数据库P的第i组数据对应的特征向量；exp()表示为以自然常数e为底的指数函数；yi表示为特征向量xi对应的类标记。
通过数据库P的数据对权重ω和截距b进行优化求解；方法包括：
将数据库P的每组数据中流量大小f、节点间吞吐量Tij和链路利用率lij进行归一化处理，获得区间[0,1]内的流量映射值f′、节点间吞吐量映射值T′ij和链路利用率映射值l′ij；
对数据包的流大小f进行归一化处理，计算公式为：
Figure BDA0003489269950000111
公式中，f表示数据包流大小的原始属性值，minf表示为f的最小值，maxf为f的最大值，f′为流大小f归一化处理的数值；
对数据包的节点间吞吐量Tij进行归一化处理，计算公式为：
Figure BDA0003489269950000112
公式中，Tij表示节点间吞吐量的原始属性值，minTij表示为Tij的最小值，maxTij为Tij的最大值，T′ij为节点间吞吐量Tij归一化处理的数值；
对数据包的节点间吞吐量Tij进行归一化处理，计算公式为：
Figure BDA0003489269950000113
Figure BDA0003489269950000114
公式中，lij表示链路利用率的原始属性值，minlij表示为lij的最小值，maxlij为lij的最大值，l′ij为链路利用率lij归一化处理的数值，bij表示i节点与j节点之间的带宽；uij表示为i节点与j节点之间的已用带宽。
通过流量映射值f′、节点间吞吐量映射值T′ij和链路利用率映射值l′ij获得特征向量x[f′,b′ij,l′ij]；将各组数据对应的特征向量x[f′,b′ij,l′ij]和类标记y构建为训练数据集D；
D＝{(x1,y1),(x2,y2),...,(xl,yl)}
公式中，xi∈Rn,yi∈{+1,-1},i＝1,2,...,l；类标记y等于+1时为正例；类标记y为-1时为负例；
将训练数据集D按照设定比例划分为训练集Dtr和测试集Dte；通过训练集Dtr对SVM流量分类模型进行训练；采用测试集Dte对训练后的SVM流量分类模型进行测试，判断其分类精准率是否大于设定值M；
分类精准率的计算公式为：
Figure BDA0003489269950000121
公式中，TP表示为分类正确的真正例，FP表示为分类错误的假正例，Precision为分类精准率；
当分类精准率大于设定值M，输出训练后的SVM流量分类模型；当分类精准率小于设定值M；修改调整参数C、内核参数σ构建新的约束函数并重新SVM流量分类模型；
路由策略生成模型的训练方法，包括：
获取SDN网络i节点和j节点之间的传输时延(dij)、节点间吞吐量(tij)构建初始状态空间的特征矩阵s，各节点之间的特征矩阵s构成状态空间S；
Figure BDA0003489269950000122
其中d11表示节点1到节点1之间传输时延，t1表示节点1到节点1之间吞吐量，若节点起始位置为同一个节点，则传输时延和吞吐量为0，若两节点间无链路，则节点之间的传输时延和吞吐量为-1。
依据特征矩阵s选取的动作空间a；具体方法为：
根据流量分类，将大象流拆解为多个子流，其动作空间a1(s)由大象流fij分裂成的子流选择在第kth路径传输的权重
Figure BDA0003489269950000131
构成，则
Figure BDA0003489269950000132
公式中，非K-最短算法计算出的最短路径的链路权重设置为0。
构建小鼠流的动作空间a2，mr,t表示t时刻第r条可选路径上各链路权值构成的向量，其动作空间为：
a2＝{m1,t,…,mr,t,…,mn,t}
各节点之间的动作空间a构成动作空间A(s)；根据特征矩阵s和动作空间a构建Q值计算函数Q(s,a)，
Figure BDA0003489269950000133
将数据库P的每组数据中端到端吞吐量Tend、端到端时延Dend和端到端链路利用率Lend进行归一化处理，获得区间[0,1]内的端到端吞吐量映射值T′end、端到端时延映射值D′end和链路利用率映射值L′end，并构建奖励函数R；方法包括：
所述端到端吞吐量Tend进行归一化处理，获得端到端吞吐量映射值T′end，表达公式为：
Figure BDA0003489269950000134
公式中，
Figure BDA0003489269950000135
为第k次测得的端到端的吞吐量；
所述端到端时延Dend进行归一化处理，获得端到端时延映射值D′end，表达公式为：
Figure BDA0003489269950000136
公式中，
Figure BDA0003489269950000137
为第k次测得的端到端的时延；
Figure BDA0003489269950000138
公式中，
Figure BDA0003489269950000141
为第k次测得的端到端链路利用率；
构建奖励函数R,表达公式为：
R＝ω1×T′end-ω2×D′end-ω3×L′end
公式中，ω1表示为端到端吞吐量映射值T′end的权重，ω2表示为端到端时延映射值D′end的权重，ω3表示为链路利用率映射值L′end的权重，ω1、ω2、ω3∈[0,1]。
通过各组数据对应的奖励函数R对Q值计算函数Q(s,a)进行训练；在初始状态s下选定动作空间a时，Q值计算函数Q(s,a)可取到最大值；当迭代次数n≥N，且Q(s,a)收敛时终止迭代。
生成路由策略生成模型，表达公式为：
π(s)＝argmaxQ(s,a)
公式中，argmaxQ(s,a)表示计算Q值计算函数Q(s,a)的参数。
实施例二
如图2所示，一种SDN网络资源分配系统，包括：
流量分类模块，用于采用预先训练的SVM流量分类模型将数据包流量分为大象流和小鼠流；
配置权重模块，根据大象流和小鼠流配置不同的路径转发权重；
资源分配模块，通过预先训练的路由策略生成模型生成大象流和小鼠流转发路径，完成SDN网络负载均衡资源分配。
实施例三
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述SDN网络资源分配的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (9)

1.一种SDN网络资源分配策略构建方法，其特征包括：
采用预先训练的SVM流量分类模型将数据包流量分为大象流和小鼠流；根据大象流和小鼠流配置不同的路径转发权重；
通过预先训练的路由策略生成模型生成大象流和小鼠流转发路径，完成SDN网络负载均衡资源分配；
所述SVM流量分类模型的训练方法，包括：
获取SDN网络中的历史技术特征，构建数据库P；
利用最佳超平面构建SVM流量分类模型，并通过数据库P对SVM流量分类模型进行训练，获得分类精准率大于设定值M的SVM流量分类模型。
2.根据权利要求1所述的一种SDN网络资源分配方法，其特征在于，利用最佳超平面构建流量分类模型的方法包括：
根据超平面方程设定SVM流量分类模型为：
f(x)＝sign(ωT·x+b)
公式中，ω表示训练实例中所含特征的权重；b表示超平面到原点的截距；sign()表示为超平面方程ωT·x+b的符号函数；(·)T表示为矩阵的转置变换；x表示为数据库P的每组数据对应的特征向量；
将网络中的流量分类问题转化为约束函数的最优化问题，通过最大化特征空间中的点xi到超平面的距离D(i)的最小值，得到利用超平面分类流量的相关参数，特征空间中的点xi到超平面的距离D(i)是：
Figure FDA0003489269940000011
公式中，ω表示训练实例中所含特征的权重；b表示超平面到原点的截距；(·)T表示为矩阵的转置变换；x表示为数据库P的每组数据对应的特征向量；||·||表示为矩阵范数；l表示为数据库P的数据组数；
将网络中的流量分类问题转化为约束函数的最优化问题，通过数据库P的数据对权重ω和截距b进行优化求解获得最佳分离超平面，包括：
(1)当数据库P的数据为线性分布时，约束函数的表达公式为：
Figure FDA0003489269940000021
s.t.yi·(ωT·xi+b)≥1 i＝1，2...，l
(2)当数据库P的数据为线性分布时，训练样本线性不可分离，约束函数的表达公式为：
Figure FDA0003489269940000022
s.t.yi·(ωT·xi+b)≥1-ξi i＝1，2...，l
公式中，ω表示训练实例中所含特征的权重；b表示超平面到原点的截距；(·)T表示为矩阵的转置变换；x表示为数据库P的每组数据对应的特征向量；||·||表示为矩阵范数；yi∈{-1，+1}表示为类标识符，-1表示反例，+1表示正例；l表示为数据库P的数据组数；
(3)当数据库P的数据为非线性分布时，约束函数的表达公式为：
Figure FDA0003489269940000023
s.t.yi·(ωT·K(x，xi)+b)≥1-ξi i＝1，2...，l
Figure FDA0003489269940000024
公式中，C是用于平衡距离和训练误差的调整参数，σ为内核参数；ξi表示松弛变量；l表示为数据库P的数据组数；||·||表示为矩阵范数；xi表示为数据库P的第i组数据对应的特征向量；exp()表示为以自然常数e为底的指数函数；yi表示为特征向量xi对应的类标记。
3.根据权利要求2所述的一种SDN网络资源分配方法，其特征在于，通过数据库P对SVM流量分类模型进行训练的方法包括：
将数据库P的每组数据中流量大小f、节点间吞吐量Tij和链路利用率lij进行归一化处理，获得区间[0，1]内的流量映射值f′、节点间吞吐量映射值T′ij和链路利用率映射值l′ij；
通过流量映射值f′、节点间吞吐量映射值T′ij和链路利用率映射值l′ij获得特征向量x[f′，b′ij，l′ij]；将各组数据对应的特征向量x[f′，b′ij，l′ij]和类标记y构建为训练数据集D；
将训练数据集D按照设定比例划分为训练集Dtr和测试集Dte；通过训练集Dtr对SVM流量分类模型进行训练；采用测试集Dte对训练后的SVM流量分类模型进行测试，判断其分类精准率是否大于设定值M。
4.根据权利要求3所述的一种SDN网络资源分配方法，其特征在于，将数据库P的每组数据中流量大小f、节点间吞吐量Tij和链路利用率lij进行归一化处理，获得区间[0，1]内的流量映射值f′、节点间吞吐量映射值T′ij和链路利用率映射值l′ij，方法包括：
对数据包的流大小f进行归一化处理，计算公式为：
Figure FDA0003489269940000031
公式中，f表示数据包流大小的原始属性值，minf表示为f的最小值，maxf为f的最大值，f′为流大小f归一化处理的数值；
对数据包的节点间吞吐量Tij进行归一化处理，计算公式为：
Figure FDA0003489269940000041
公式中，Tij表示节点间吞吐量的原始属性值，minTij表示为Tij的最小值，maxTij为Tij的最大值，T′ij为节点间吞吐量Tij归一化处理的数值；
对数据包的节点间吞吐量Tij进行归一化处理，计算公式为：
Figure FDA0003489269940000042
公式中，lij表示链路利用率的原始属性值，minlij表示为lij的最小值，maxlij为lij的最大值，l′ij为链路利用率lij归一化处理的数值。
5.根据权利要求4所述的一种SDN网络资源分配方法，其特征在于，根据大象流和小鼠流配置不同的路径转发权重的方法包括：
当数据包流量分为大象流时，利用K-最短路径算法计算源在SDN网络中第i个节点和第j个节点之间K条最短路径，将第i个节点和第j个节点之间待传输的大象流fij分裂成的子流选择在第kth路径传输的权重为
Figure FDA0003489269940000043
表达公式为：
Figure FDA0003489269940000044
公式中，
Figure FDA0003489269940000045
表示大象流fij分裂成的子流选择在K-最短路径算法中第kth路径；
当数据包流量分为小鼠流时，通过Q学习数据库P的数据配置链路权重。
6.根据权利要求1所述的一种SDN网络资源分配方法，其特征在于，路由策略生成模型的训练方法，包括：
获取SDN网络i节点和j节点之间的传输时延(dij)、节点间吞吐量(tij)构建初始状态空间的特征矩阵s，各节点之间的特征矩阵s构成状态空间S；
依据特征矩阵s选取的动作空间a；各节点之间的动作空间a构成动作空间A(s)；根据特征矩阵s和动作空间a构建Q值计算函数Q(s，a)，
Figure FDA0003489269940000051
a∈A(s)；
将数据库P的每组数据中端到端吞吐量Tend、端到端时延Dend和端到端链路利用率Lend进行归一化处理，获得区间[0，1]内的端到端吞吐量映射值T′end、端到端时延映射值D′end和链路利用率映射值L′end，并构建奖励函数R；通过各组数据对应的奖励函数R对Q值计算函数Q(s，a)进行训练；
生成路由策略生成模型，表达公式为：
π(s)＝argmaxQ(s，a)
公式中，argmaxQ(s，a)表示计算Q值计算函数Q(s，a)的参数。
7.根据权利要求6所述的一种SDN网络资源分配方法，其特征在于，将数据库P的每组数据中端到端吞吐量Tend、端到端时延Dend和端到端链路利用率Lend进行归一化处理，获得区间[0，1]内的端到端吞吐量映射值T′end、端到端时延映射值D′end和链路利用率映射值L′end，并构建奖励函数R；方法包括：
所述端到端吞吐量Tend进行归一化处理，获得端到端吞吐量映射值T′end，表达公式为：
Figure FDA0003489269940000052
公式中，
Figure FDA0003489269940000053
为第k次测得的端到端的吞吐量；
所述端到端时延Dend进行归一化处理，获得端到端时延映射值D′end，表达公式为：
Figure FDA0003489269940000054
公式中，
Figure FDA0003489269940000061
为第k次测得的端到端的时延；
Figure FDA0003489269940000062
公式中，
Figure FDA0003489269940000063
为第k次测得的端到端链路利用率；
构建奖励函数R，表达公式为：
R＝ω1×T′end-ω2×D′end-ω3×L′end
公式中，ω1表示为端到端吞吐量映射值T′end的权重，ω2表示为端到端时延映射值D′end的权重，ω3表示为链路利用率映射值L′end的权重，ω1、ω2、ω3∈[0，1]。
8.一种SDN网络资源分配系统，其特征在于，包括：
流量分类模块，用于采用预先训练的SVM流量分类模型将数据包流量分为大象流和小鼠流；
配置权重模块，根据大象流和小鼠流配置不同的路径转发权重；
资源分配模块，通过预先训练的路由策略生成模型生成大象流和小鼠流转发路径，完成SDN网络负载均衡资源分配。
9.计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现权利要求1至7任意一项所述SDN网络资源分配的步骤。
CN202210091614.XA 2022-01-26 2022-01-26 一种sdn网络资源分配方法、系统及存储介质 Pending CN114513816A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210091614.XA CN114513816A (zh) 2022-01-26 2022-01-26 一种sdn网络资源分配方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210091614.XA CN114513816A (zh) 2022-01-26 2022-01-26 一种sdn网络资源分配方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN114513816A true CN114513816A (zh) 2022-05-17

Family

ID=81549766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210091614.XA Pending CN114513816A (zh) 2022-01-26 2022-01-26 一种sdn网络资源分配方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN114513816A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114760669A (zh) * 2022-06-13 2022-07-15 南京邮电大学 一种基于流量预测的路由决策方法及系统
CN117294659A (zh) * 2023-09-27 2023-12-26 中科驭数（北京）科技有限公司 网络数据传输中的大象流数据处理方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114760669A (zh) * 2022-06-13 2022-07-15 南京邮电大学 一种基于流量预测的路由决策方法及系统
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
CN117294659A (zh) * 2023-09-27 2023-12-26 中科驭数（北京）科技有限公司 网络数据传输中的大象流数据处理方法及装置

Similar Documents

Publication Publication Date Title
Yan et al. Automatic virtual network embedding: A deep reinforcement learning approach with graph convolutional networks
CN107181724B (zh) 一种协同流的识别方法、系统以及使用该方法的服务器
CN111339433B (zh) 基于人工智能的信息推荐方法、装置、电子设备
CN106570597B (zh) 一种sdn架构下基于深度学习的内容流行度预测方法
CN107688493B (zh) 训练深度神经网络的方法、装置及系统
Singh et al. Intent-based network for data dissemination in software-defined vehicular edge computing
WO2018054342A1 (zh) 一种网络数据流分类的方法及系统
Liu et al. Network traffic classification using k-means clustering
CN112712182B (zh) 一种基于联邦学习的模型训练方法、装置及存储介质
CN114513816A (zh) 一种sdn网络资源分配方法、系统及存储介质
Mao et al. A tensor based deep learning technique for intelligent packet routing
Yonghong et al. A dormant multi-controller model for software defined networking
CN113537509B (zh) 协作式的模型训练方法及装置
CN113543160B (zh) 5g切片资源配置方法、装置、计算设备及计算机存储介质
CN106533806A (zh) 多租户SDN网络中基于应用感知提供跨层QoS的方法
CN106134215A (zh) 用户体验质量QoE预测装置、网络设备和方法
Pham et al. Optimized IoT service chain implementation in edge cloud platform: a deep learning framework
Candan et al. A dynamic island model for adaptive operator selection
CN110995619A (zh) 一种服务质量感知的虚拟网络映射方法和装置
CN110191382B (zh) 一种基于路径排序的虚链路优先映射方法
He et al. Towards intelligent provisioning of virtualized network functions in cloud of things: A deep reinforcement learning based approach
CN114332550A (zh) 一种模型训练方法、系统及存储介质和终端设备
CN106650800B (zh) 基于Storm的马尔可夫等价类模型分布式学习方法
CN112422451A (zh) 网络边缘系统的业务感知方法及装置
Xu et al. On learning mixed community-specific similarity metrics for cold-start link prediction

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