CN115277350A - 一种sdn环境下基于改进谱聚类算法的多控制器部署方法 - Google Patents
一种sdn环境下基于改进谱聚类算法的多控制器部署方法 Download PDFInfo
- Publication number
- CN115277350A CN115277350A CN202210890137.3A CN202210890137A CN115277350A CN 115277350 A CN115277350 A CN 115277350A CN 202210890137 A CN202210890137 A CN 202210890137A CN 115277350 A CN115277350 A CN 115277350A
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- similarity
- objective function
- cluster
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000003595 spectral effect Effects 0.000 title claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 19
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 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
- H04L41/04—Network management architectures or arrangements
- H04L41/042—Network management architectures or arrangements comprising distributed management centres cooperatively managing the network
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种SDN环境下基于改进谱聚类算法的多控制器部署方法,该部署方法包括:将网络拓扑初始化,计算网络中每条链路的长度并通过Dijkstra算法获取任意两节点间的最短路径距离。由最短路径距离计算两节点间的相似度,根据相似度得到图的相似度矩阵和度矩阵,进而得到图的拉普拉斯矩阵。采用Ratiocut方法将网络划分成k个子图,根据拉普拉斯矩阵的性质以及瑞利定理计算节点特性向量。建立聚类目标函数,加入正则化项对控制域大小不均的情况施加惩罚,将求解复杂聚类目标函数的问题简化为求解最小成本流(MCF)的线性规划问题。以特定方法构造MCF目标函数,利用单纯形法计算得到最优解。按照最优解将每个节点特性向量划分入最优的簇中并更新簇的质心和MCF目标函数,重复步骤直到达到指定的迭代终止条件。根据节点特性向量的划分情况将与其对应的节点划分到控制域中。对于任意控制域,选择与域内其他节点最短路径距离之和最小的节点部署控制器,最终输出多控制器部署方案。
Description
技术领域
本发明涉及软件定义网络(SDN)技术领域,具体是一种SDN环境下基于改进谱聚类算法的多控制器部署方法。
背景技术
软件定义网络(software defined networking,SDN)是一种将数据平面和控制平面解耦分离的新型网络架构。其中数据平面由转发设备构成,仅执行流量转发的功能;控制平面通过南向接口实现对数据平面转发设备的配置、控制和管理等,网络管理人员能通过北向接口更改SDN控制器的路由策略和流表。这种数据平面和控制平面分离的结构使得SDN相比传统的网络架构有着可拓展性强、网络管理方便灵活等优点。
在大规模网络中,由于单个控制器处理能力有限,通常采取多控制器分布式部署的形式,如何在网络中确定这些控制器放置的位置形成了控制器部署问题 (controllerplacement problem,CPP),根据实际情况的需要选取相对应的优化目标便形成了不同的控制器部署方法。
综上所述,本发明提供一种改进谱聚类算法的多控制器部署方法,旨在减小网络中的平均控制时延与维持控制器负载均衡。
发明内容
本发明的目的在于提供一种SDN环境下基于改进谱聚类算法的多控制器部署策略,该方法对传统谱聚类中的k-means算法进行优化,旨在减小网络中的平均控制时延并保证控制器负载均衡。与现有的控制器部署方法以及经典谱聚类算法相比,本发明的平均控制时延与控制器负载均衡度均有一定提升。
一种SDN环境下基于改进谱聚类算法的控制器部署方法流程如下:
步骤S1:网络拓扑信息提取。获取SDN网络拓扑,存储网络中的节点信息以及链路信息。计算网络中每条链路的长度并通过Dijkstra算法获取任意两个节点vi和vj间的最短路径距离dij。
步骤S2:计算每个节点的节点特性向量。构建无向图G(V,E),其中V为网络中所有节点的集合,E为边的集合。每对节点之间由一条边相连,其权值由这一对节点之间的相似程度来表示。由vi和vj间的最短路径距离dij计算相似度sij,由相似度sij得到相似度矩阵S和度矩阵D,进而得到图G的拉普拉斯矩阵L。采用 Ratiocut方法将网络划分成k个子图,根据拉普拉斯矩阵的性质以及瑞利定理计算控制域Di的指示向量hi,进而得到vi的节点特性向量xi。
步骤S3:将节点划分入合适的控制域。建立聚类目标函数,加入正则化项对控制域大小不均的情况施加惩罚,将求解复杂聚类目标函数的问题简化为求解最小成本流(minimum cost flow,MCF)的线性规划问题。以特定方法构造MCF 目标函数,利用单纯形法计算得到最优解。按照最优解将每个节点特性向量xi划分入最优的簇中并更新簇的质心和MCF目标函数,重复步骤直到达到指定的迭代终止条件。若节点特性向量xi划分入簇Cq,则将其对应的节点vi划分入控制域Dq中。
附图说明
为使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图:
图1为本发明所述方法的流程图。
图2为MCF问题的图结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
步骤S1的具体过程如下:
S1.1:对网络中所有交换机编号,生成交换机节点集合V={v1,v2,…,vn}。
其中R=6371km为地球半径。
S1.3:对网络中任意两个节点vi和vj,应用Dijkstra算法计算它们之间的最短路径距离dij。
步骤S2应用了拉普拉斯矩阵的性质,将把网络中所有节点划入k个不同控制域Di(i=1,2,…,k)的RatioCut问题等价于求解当 取最小值时k个hi的取值问题。其中L为图的拉普拉斯矩阵。hi为控制域Di的指示向量,其元素hij的值指示了节点vj(j=1,2,…,n)是否在控制域Di中。由瑞利定理证明hi可用拉普拉斯矩阵L的前第i个最小非零特征向量ui(i∈ 1,2,…,k)来近似。
步骤S2的具体过程如下:
S2.1:构建无向图G(V,E)。其中V={v1,v2,…,vn}为节点集合,E为所有边的集合。任意两节点vi和vj由一条边eij连接,边eij的权值wij用vi和vj之间的相似度sij表示。
S2.2:构建相似度矩阵S。两节点vi和vj之间的相似度sij定义为:
S2.4:计算拉普拉斯矩阵L。由度矩阵减去相似度矩阵即得到拉普拉斯矩阵 L=D-S。
S2.5:计算L从小到大排列的前k个非零特征值,得到对应的特征向量ui(i∈1,2,…,k),由它们作为列向量组成矩阵Un×k=[u1u2…uk]。
S2.6:令xi∈Rk(i=1,2,…,n)为U的第i个行向量,由前述可知xi表示节点vi与k个不同控制域Di的联系,可令xi作为vi的节点特性向量。
步骤S3目的在于将网络中的交换机节点划分进大小相近的控制域,通过改进的k-means算法可以保证控制器负载均衡。
步骤S3的具体过程如下:
S3.1:建立目标函数。令xi为vi的节点特性向量,为第t次迭代时编号为q 的簇,为簇的质心。Aiq代表数据点xi与簇的关系,取值为0或1,当Aiq为1时表示xi划入中,反之xi不在里。第t次迭代时的目标函数如下:
Aiq∈{0,1}i∈{1,2,…,n},q∈{1,2,…,k}
其中为簇的大小。目标是找到当函数f(Aiq)取最小值时所有 Aiq的值这一项目的是让处于同一个簇的不同数据点尽可能接近,而是正则化项,当簇的大小出现不均衡时会给目标函数带来惩罚,使得控制域划分的结果不断向着优化控制器负载均衡的方向靠近。
S3.2:目标函数等价。形如式(4)的问题较难求解,Lin等人已证明最小化目标函数f(Aiq)的这一类问题可以等价为求解如下形式的最小成本流(minimum cost flow,MCF)问题。
构建如图2所示MCF问题的图结构。图中所有节点集合为I={x1,…,xn}∪(u,v)为任意两节点u和v之间的弧,且任意节点xi与中每个节点均有一条弧相连。任意节点μq t与节点s均有n条弧相连,其中表示它们之间的第i条弧。f(u,v)为(u,v)上单位流量的成本,g(u,v)为(u,v)上流量的大小,hv为节点v上流量的净流出量,c(u,v)为(u,v)上流量的最大容量。
最小成本流问题可表述为:
现按照下列方式构造f(u,v),hv和c(u,v):
c(u,v)=1 (8)
S3.4:按照式(6)(7)(8)构造目标函数式(5),以任意的基本可行解g 作为初始解。
S3.5:基于初始解g由单纯形法计算得到式(5)最优解g*。
S3.8:更新g的值为g*;更新Aiq的值为Aiq *;更新目标函数式(5);更新t 的值为t+1。
S3.9:比较Aiq更新前后的值,若Aiq不再发生变化则进入步骤S3.10,否则返回步骤S3.5。
S3.10:对于每一个Aiq=1,将对应的交换机节点vi划分入控制域Dq。
步骤S4的具体过程如下:
S4.1:初始化迭代参数q=1。
S4.4:更新q的值为q+1。
S4.5:检测迭代是否结束。当迭代参数q=k+1时,进入步骤S4.6。否则返回至步骤S4.2。
S4.6:输出多控制器部署方案。
Claims (4)
1.一种SDN环境下基于改进谱聚类算法的多控制器部署方法,其特征在于,包括以下步骤:
步骤S1:网络拓扑信息提取。获取SDN网络拓扑,存储网络中的节点信息以及链路信息。计算网络中每条链路的长度并通过Dijkstra算法获取任意两个节点vi和vj间的最短路径距离dij。
步骤S2:计算每个节点的节点特性向量。构建无向图G(V,E),其中V为网络中所有节点的集合,E为边的集合。每对节点之间由一条边相连,其权值由这一对节点之间的相似程度来表示。由vi和vj间的最短路径距离dij计算相似度sij,由相似度sij得到相似度矩阵S和度矩阵D,进而得到图G的拉普拉斯矩阵L。采用Ratiocut方法将网络划分成k个子图,根据拉普拉斯矩阵的性质以及瑞利定理计算控制域Di的指示向量hi,进而得到vi的节点特性向量xi。
步骤S3:将节点划分入合适的控制域。建立聚类目标函数,加入正则化项对控制域大小不均的情况施加惩罚,将求解复杂聚类目标函数的问题简化为求解最小成本流(minimumcost flow,MCF)的线性规划问题。以特定方法构造MCF目标函数,利用单纯形法计算得到最优解。按照最优解将每个节点特性向量xi划分入最优的簇中并更新簇的质心和MCF目标函数,重复步骤直到达到指定的迭代终止条件。若节点特性向量xi划分入簇Cq,则将其对应的节点vi划分入控制域Dq中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210890137.3A CN115277350A (zh) | 2022-07-26 | 2022-07-26 | 一种sdn环境下基于改进谱聚类算法的多控制器部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210890137.3A CN115277350A (zh) | 2022-07-26 | 2022-07-26 | 一种sdn环境下基于改进谱聚类算法的多控制器部署方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115277350A true CN115277350A (zh) | 2022-11-01 |
Family
ID=83769539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210890137.3A Pending CN115277350A (zh) | 2022-07-26 | 2022-07-26 | 一种sdn环境下基于改进谱聚类算法的多控制器部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115277350A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993362A (zh) * | 2019-04-01 | 2019-07-09 | 大连理工大学 | 一种基于最小成本流网络模型的物流配送方法 |
CN111598335A (zh) * | 2020-05-15 | 2020-08-28 | 长春理工大学 | 一种基于改进谱聚类算法的交通区域划分方法 |
WO2020181761A1 (zh) * | 2019-03-11 | 2020-09-17 | 江苏君英天达人工智能研究院有限公司 | 一种sdn增强路径装箱装置及方法 |
CN114707575A (zh) * | 2022-03-07 | 2022-07-05 | 南京邮电大学 | 一种基于ap聚类的sdn多控制器部署方法 |
-
2022
- 2022-07-26 CN CN202210890137.3A patent/CN115277350A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020181761A1 (zh) * | 2019-03-11 | 2020-09-17 | 江苏君英天达人工智能研究院有限公司 | 一种sdn增强路径装箱装置及方法 |
CN109993362A (zh) * | 2019-04-01 | 2019-07-09 | 大连理工大学 | 一种基于最小成本流网络模型的物流配送方法 |
CN111598335A (zh) * | 2020-05-15 | 2020-08-28 | 长春理工大学 | 一种基于改进谱聚类算法的交通区域划分方法 |
CN114707575A (zh) * | 2022-03-07 | 2022-07-05 | 南京邮电大学 | 一种基于ap聚类的sdn多控制器部署方法 |
Non-Patent Citations (1)
Title |
---|
矫培艳、等: "SDN控制域确定与划分机制", 《计算机科学与探索》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110611619B (zh) | 一种基于ddpg强化学习算法的智能化路由决策方法 | |
CN109194707B (zh) | 分布式图嵌入的方法及装置 | |
CN114650249A (zh) | 算法模型及路径的确定方法、电子设备、sdn控制器和介质 | |
JP3449923B2 (ja) | ネットワークトポロジー設計装置及びネットワークトポロジー設計方法並びにネットワークトポロジー設計プログラムを記録した記録媒体 | |
WO2016023438A1 (zh) | 网络拓扑发现方法和设备 | |
Aneetha et al. | The combined approach for anomaly detection using neural networks and clustering techniques | |
CN109000651B (zh) | 一种路径规划方法及路径规划装置 | |
CN111181792B (zh) | 基于网络拓扑的sdn控制器部署方法、装置及电子设备 | |
CN116681104B (zh) | 分布式空间图神经网络的模型建立及实现方法 | |
Hong et al. | UAV search-and-rescue planning using an adaptive memetic algorithm | |
CN109982291B (zh) | 城市场景中有基础设施车联网弱连接检测方法 | |
CN110147816A (zh) | 一种彩色深度图像的获取方法、设备、计算机存储介质 | |
CN108228959A (zh) | 利用删失数据估计系统实际状态的方法及应用其的滤波器 | |
CN110908384A (zh) | 一种分布式多机器人协同过未知随机迷宫的编队导航方法 | |
CN110687926A (zh) | 一种无人机群快速编队方法 | |
CN115277350A (zh) | 一种sdn环境下基于改进谱聚类算法的多控制器部署方法 | |
CN111865690B (zh) | 基于网络结构和时序的机会网络链路预测方法 | |
Toda et al. | Unsupervised neural network based topological learning from point clouds for map building | |
CN107483309B (zh) | 基于博弈论的分布式网络系统最小权顶点覆盖求解方法 | |
CN114221897A (zh) | 一种基于多属性决策的路由方法、装置、设备和介质 | |
Sen et al. | Distributed training for deep learning models on an edge computing network using shielded reinforcement learning | |
Burguillo et al. | Using complex network topologies and self-organizing maps for time series prediction | |
Yusoff et al. | A discrete particle swarm optimization with random selection solution for the shortest path problem | |
US20240069544A1 (en) | Control of multiagent networks with misbehaving vehicles over directed network topologies | |
CN110321938B (zh) | 一种智能无人集群的状态空间构建方法及装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20221101 |