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

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

一种SDN环境下基于改进谱聚类算法的多控制器部署方法

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v_i和v_j间的最短路径距离d_ij。

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v_i和v_j间的最短路径距离d_ij计算相似度s_ij，由相似度s_ij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D_i的指示向量h_i，进而得到v_i的节点特性向量x_i。

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x_i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x_i划分入簇C_q,则将其对应的节点v_i划分入控制域D_q中。

步骤S4：在控制域中部署控制器并输出部署方案。对任一控制域D_q中的每个节点v_i，计算其与同一控制域内所有其他节点v_j(v_j∈D_q,v_j≠v_i)的最短路径距离d_ij之和

在使得

最小的节点v_i处部署控制器c_q，输出控制器部署方案。

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,…,v_n}。

S1.2：获取网络中每个节点v_i的经纬度

对网络中存在的每一条链路l_a,b，应用半正矢公式计算其两个端点v_a和v_b之间的距离，得到该链路的长度：

其中R＝6371km为地球半径。

S1.3：对网络中任意两个节点v_i和v_j，应用Dijkstra算法计算它们之间的最短路径距离d_ij。

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D_i(i＝1,2,…,k)的RatioCut问题等价于求解当

取最小值时k个h_i的取值问题。其中L为图的拉普拉斯矩阵。h_i为控制域D_i的指示向量，其元素h_ij的值指示了节点v_j(j＝1,2,…,n)是否在控制域D_i中。由瑞利定理证明h_i可用拉普拉斯矩阵L的前第i个最小非零特征向量u_i(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,…,v_n}为节点集合，E为所有边的集合。任意两节点v_i和v_j由一条边e_ij连接，边e_ij的权值w_ij用v_i和v_j之间的相似度s_ij表示。

S2.2：构建相似度矩阵S。两节点v_i和v_j之间的相似度s_ij定义为：

其中d_ij为v_i和v_j的最短路径距离，

为所有d_ij中的最小值。令相似度矩阵 S元素S_(i,j)＝s_ij。

S2.3：构建度矩阵D。令节点v_i的度

度矩阵D的元素D_(i,j)满足：

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u_i(i∈1,2,…,k)，由它们作为列向量组成矩阵U_n×k＝[u₁u₂…u_k]。

S2.6：令x_i∈R^k(i＝1,2,…,n)为U的第i个行向量，由前述可知x_i表示节点v_i与k个不同控制域D_i的联系，可令x_i作为v_i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x_i为v_i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。A_iq代表数据点x_i与簇

的关系，取值为0或1，当A_iq为1时表示x_i划入

中，反之x_i不在

里。第t次迭代时的目标函数如下：

A_iq∈{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(A_iq)取最小值时所有 A_iq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(A_iq)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,…,x_n}∪

(u,v)为任意两节点u和v之间的弧，且任意节点x_i与

中每个节点均有一条弧相连。任意节点μ_q ^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，h_v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)，h_v和c(u,v)：

c(u,v)＝1 (8)

已证明按照式(6)(7)(8)构造f(u,v)，h_v和c(u,v)时目标函数式(5) 的解

为0或1，并满足

当且仅当A_iq ^*＝1。

S3.3：初始化参数。令迭代参数t＝1并随机初始化k个簇的质心

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^*。

S3.6：对于每一个

令相应的A_iq ^*＝1。当且仅当A_iq ^*＝1时，将x_i划分入编号为q的簇中。

S3.7：按照以下公式更新簇的质心

S3.8：更新g的值为g^*；更新A_iq的值为A_iq ^*；更新目标函数式(5)；更新t 的值为t+1。

S3.9：比较A_iq更新前后的值，若A_iq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A_iq＝1，将对应的交换机节点v_i划分入控制域D_q。

步骤S4的具体过程如下：

S4.1：初始化迭代参数q＝1。

S4.2：对控制域D_q内每一个节点v_i，计算v_i与D_q内其他所有交换机节点的最短路径距离之和

S4.3：比较所有

的值，选择节点

作为控制器部署节点。

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v_i和v_j间的最短路径距离d_ij。

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v_i和v_j间的最短路径距离d_ij计算相似度s_ij，由相似度s_ij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D_i的指示向量h_i，进而得到v_i的节点特性向量x_i。

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x_i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x_i划分入簇C_q，则将其对应的节点v_i划分入控制域D_q中。

步骤S4：在控制域中部署控制器并输出部署方案。对任一控制域D_q中的每个节点v_i，计算其与同一控制域内所有其他节点v_j(v_j∈D_q，v_j≠v_i)的最短路径距离d_ij之和

在使得

最小的节点v_i处部署控制器c_q，输出控制器部署方案。

2.如权利要求1所述的一种SDN环境下基于改进谱聚类算法的多控制器放置方法，其特征在S2中，为了描述节点v_i和v_j间的相似程度，相似度s_ij的计算公式如下：

其中d_ij为v_i和v_j的最短路径距离，

为所有d_ij中的最小值。

3.如权利要求1所述的一种SDN环境下基于改进谱聚类算法的多控制器放置方法，其特征在S3中，聚类目标函数的公式如下：

A_iq∈{0，1}i∈{1，2，...，n}，q∈{1，2，...，k}

其中

为第t次迭代时编号为q的簇，

为簇

的质心。A_iq代表数据点x_i与簇

的关系，取值为0或1，当A_iq为1时表示x_i划入

中，反之x_i不在

里。

为簇

的大小。

4.如权利要求1所述的一种SDN环境下基于改进谱聚类算法的多控制器放置方法，其特征在S3中，以下列公式构造最小成本流(MCF)问题的目标函数：

c(u，v)＝1

其中f(u，v)为弧(u，v)上单位流量的成本，h_v为节点v上流量的净流出量，c(u，v)为弧(u，v)上流量的最大容量。

Images