CN115580582A - 一种应用于算力网的网络流量集中控制系统 - Google Patents
一种应用于算力网的网络流量集中控制系统 Download PDFInfo
- Publication number
- CN115580582A CN115580582A CN202211215853.8A CN202211215853A CN115580582A CN 115580582 A CN115580582 A CN 115580582A CN 202211215853 A CN202211215853 A CN 202211215853A CN 115580582 A CN115580582 A CN 115580582A
- Authority
- CN
- China
- Prior art keywords
- network
- module
- centralized control
- calculation
- control system
- 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
Images
Classifications
-
- 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
- H04L47/12—Avoiding congestion; Recovering from congestion
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种应用于算力网的网络流量集中控制系统。本发明中,引入SDN集中控制思路,采用OpenDaylight开源框架开发,部署网络管控和云管控之上的总体编排管控系统中来建立网和云之间的联系。基于CFN的路由决策机制在传统路由决策的基础上考虑了算力信息的权重,在算力资源多样性的网络中,能够精确地完成流量调度,打破了传统路由决策机制的局限性,使得业务调度能够根据自身的特点选择合适的处理设备,并能够做到资源的充分利用,同时通过网络在云侧、边侧、端侧的高效分布和连接保证,通过该系统实现统一管理和编排完成算力、网络、云的统一调度,实现业务调度的最优路由,合理疏导流量,有效避免网络拥塞,极大提高算力网算力输送效率。
Description
技术领域
本发明属于网络数据传输技术领域,具体为一种应用于算力网的网络流量集中控制系统。
背景技术
算力网络是指在计算能力不断泛在化发展的基础上,通过网络手段将计算、存储等基础资源在云、边、端之间进行有效调配的方式,以此提升业务服务质量和用户的服务体验。在算力网络中,将用户业务流量调度到合适的算力资源池中进行处理,需要网络具备精确的路由决策能力,能够基于算力信息进行路由计算。现在算力网络路由计算是基于链路的基础度量值进行选路的。
但是现在的异构算力资源与多域网络资源缺乏统一、业务敏捷度不足,服务效率受到制约;云和网资源散布各地,分域管理、无法保证最优的路径调度,端到端的业务数据调度极易发生阻塞,导致数据丢失。
发明内容
本发明的目的在于:为了解决上述提出的问题,提供一种应用于算力网的网络流量集中控制系统。
本发明采用的技术方案如下:一种应用于算力网的网络流量集中控制系统,所述应用于算力网的网络流量集中控制系统包括启动模块、算力网模块、节点服务模块、算力度量模块、算力建模模块、SDN集中控制模块,所述启动模块的输出端连接有所述算力网模块的输入端,所述算力网模块的输出端连接有所述节点服务模块的输入端,所述节点服务模块的输出端连接有所述算力度量模块的输入端,所述算力度量模块的输出端连接有所述算力建模模块的输入端,所述算力建模模块的输出端连接有所述SDN集中控制模块的输入端。
在一优选的实施方式中,所述算力网模块通过节点服务模块与算力资源的映射关系,最终形成业务的算力需求与算力资源映射的关系。
在一优选的实施方式中,所述算力网模块将业务需求尽可能精细化地拆分为原子业务需求,拆分的颗粒度为一个原子业务需求能够尽可能精确地与一个或者一组可以明确量化的算力资源相匹配。将原子业务与其需要的算力资源相匹配,从而整体的业务需求就能够相应地与其总体算力资源需求相匹配。
在一优选的实施方式中,所述算力度量模块的控制器主要有3类。第1类是管理与编排控制器,负责纳管移动边缘计算内的计算和存储资源、侧重占用率之类的宏观数据,其颗粒度无法满足算力网络的精细化编排和调度需求。因此,可以基于上述算力资源的标准化度量,对MANO纳管的算力资源颗粒度进行扩展和增强。第2类是数据中心和边缘计算中心控制器,负责纳管云内网络拓扑资源。其颗粒度可达服务器对应的端口号,但无法纳管层次化的算力资源和服务。同样,它也可以进行扩展和增强,以涵盖对算力资源的精细化纳管。第3类是IP承载网控制器,负责纳管承载网络域的拓扑资源。
在一优选的实施方式中,所述算力建模模块通过大数据训练出一个复杂的神经网络模型,即用大量标记过的数据来“训练”相应的系统,使之适应特定的功能场景。训练不仅需要极高的计算性能,还需要处理海量数据,同时也要具有一定的通用性,以便完成各种各样的学习任务。目前训练业务主要集中在云端,需要有足够强的计算能力作为保障。
在一优选的实施方式中,所述SDN集中控制模块引入SDN集中控制思路,采用OpenDaylight开源框架开发,部署网络管控和云管控之上的总体编排管控系统中来建立网和云之间的联系。当用户选择算力网的服务时,本专利软件系统先要根据云资源是否可用,路由是否最优,路由权重和光的系统等因素进行综合分析,在此基础上完成业务路径的编排选择,然后将编排后的业务路径下发给各子级的网络控制器,由网络控制器根据业务路径进行路由决策后下发路由表项指导网络设备进行数据报文的转发。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明中,引入SDN集中控制思路,采用OpenDaylight开源框架开发,部署网络管控和云管控之上的总体编排管控系统中来建立网和云之间的联系。当用户选择算力网的服务时,本专利软件系统先要根据云资源是否可用,路由是否最优,路由权重和光的系统等因素进行综合分析,在此基础上完成业务路径的编排选择,然后将编排后的业务路径下发给各子级的网络控制器,由网络控制器根据业务路径进行路由决策后下发路由表项指导网络设备进行数据报文的转发,提高了系统的响应速度。
2、本发明中,给路由计算设置抑制时间或者触发路由计算的门限值,以降低频繁的路由变化给业务处理带来的不利影响,有效解决流量拥塞和最优路由选择问题。本专利软件系统基于CFN的路由决策机制在传统路由决策的基础上考虑了算力信息的权重,在算力资源多样性的网络中,能够精确地完成流量调度,打破了传统路由决策机制的局限性,使得业务调度能够根据自身的特点选择合适的处理设备,并能够做到资源的充分利用。
3、本发明中,应用于算力网的网络流量集中控制软件系统,该软件系统使得网络中的路由计算不再只依靠传统的链路度量值,而能够将算力信息作为权重参与路径选择,通过网络在云侧、边侧、端侧的高效分布和连接保证,通过该系统实现统一管理和编排完成算力、网络、云的统一调度,实现业务调度的最优路由,合理疏导流量,有效避免网络拥塞,极大提高算力网算力输送效率。
附图说明
图1为本发明的系统框图。
图中标记:1-启动模块、2-算力网模块、3-节点服务模块、4-算力度量模块、5-算力建模模块、6-SDN集中控制模块。
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,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,
一种应用于算力网的网络流量集中控制系统,应用于算力网的网络流量集中控制系统包括启动模块1、算力网模块2、节点服务模块3、算力度量模块4、算力建模模块5、SDN集中控制模块6,启动模块1的输出端连接有算力网模块2的输入端,算力网模块2的输出端连接有节点服务模块3的输入端,节点服务模块3的输出端连接有算力度量模块4的输入端,算力度量模块4的输出端连接有算力建模模块5的输入端,算力建模模块5的输出端连接有SDN集中控制模块6的输入端。
算力网模块2通过节点服务模块3与算力资源的映射关系,最终形成业务的算力需求与算力资源映射的关系。
算力网模块2将业务需求尽可能精细化地拆分为原子业务需求,拆分的颗粒度为一个原子业务需求能够尽可能精确地与一个或者一组可以明确量化的算力资源相匹配。将原子业务与其需要的算力资源相匹配,从而整体的业务需求就能够相应地与其总体算力资源需求相匹配。
算力度量模块4的控制器主要有3类。第1类是管理与编排MANO控制器,负责纳管移动边缘计算MEC内的计算和存储资源、侧重占用率之类的宏观数据,其颗粒度无法满足算力网络的精细化编排和调度需求。因此,可以基于上述算力资源的标准化度量,对MANO纳管的算力资源颗粒度进行扩展和增强。第2类是数据中心和边缘计算中心控制器,负责纳管云内网络拓扑资源。其颗粒度可达服务器对应的端口号,但无法纳管层次化的算力资源和服务。同样,它也可以进行扩展和增强,以涵盖对算力资源的精细化纳管。第3类是IP承载网控制器,负责纳管承载网络域的拓扑资源。
算力建模模块5通过大数据训练出一个复杂的神经网络模型,即用大量标记过的数据来“训练”相应的系统,使之适应特定的功能场景。训练不仅需要极高的计算性能,还需要处理海量数据,同时也要具有一定的通用性,以便完成各种各样的学习任务。目前训练业务主要集中在云端,需要有足够强的计算能力作为保障。
SDN集中控制模块6引入SDN集中控制思路,采用OpenDaylight开源框架开发,部署网络管控和云管控之上的总体编排管控系统中来建立网和云之间的联系。当用户选择算力网的服务时,本专利软件系统先要根据云资源是否可用,路由是否最优,路由权重和光的系统等因素进行综合分析,在此基础上完成业务路径的编排选择,然后将编排后的业务路径下发给各子级的网络控制器,由网络控制器根据业务路径进行路由决策后下发路由表项指导网络设备进行数据报文的转发。
本发明中,引入SDN集中控制思路,采用OpenDaylight开源框架开发,部署网络管控和云管控之上的总体编排管控系统中来建立网和云之间的联系。当用户选择算力网的服务时,本专利软件系统先要根据云资源是否可用,路由是否最优,路由权重和光的系统等因素进行综合分析,在此基础上完成业务路径的编排选择,然后将编排后的业务路径下发给各子级的网络控制器,由网络控制器根据业务路径进行路由决策后下发路由表项指导网络设备进行数据报文的转发。
本发明中,给路由计算设置抑制时间或者触发路由计算的门限值,以降低频繁的路由变化给业务处理带来的不利影响,有效解决流量拥塞和最优路由选择问题。本专利软件系统基于CFN的路由决策机制在传统路由决策的基础上考虑了算力信息的权重,在算力资源多样性的网络中,能够精确地完成流量调度,打破了传统路由决策机制的局限性,使得业务调度能够根据自身的特点选择合适的处理设备,并能够做到资源的充分利用。
本发明中,应用于算力网的网络流量集中控制软件系统,该软件系统使得网络中的路由计算不再只依靠传统的链路度量值,而能够将算力信息作为权重参与路径选择,通过网络在云侧、边侧、端侧的高效分布和连接保证,通过该系统实现统一管理和编排完成算力、网络、云的统一调度,实现业务调度的最优路由,合理疏导流量,有效避免网络拥塞,极大提高算力网算力输送效率。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种应用于算力网的网络流量集中控制系统,其特征在于:所述应用于算力网的网络流量集中控制系统包括启动模块(1)、算力网模块(2)、节点服务模块(3)、算力度量模块(4)、算力建模模块(5)、SDN集中控制模块(6),所述启动模块(1)的输出端连接有所述算力网模块(2)的输入端,所述算力网模块(2)的输出端连接有所述节点服务模块(3)的输入端,所述节点服务模块(3)的输出端连接有所述算力度量模块(4)的输入端,所述算力度量模块(4)的输出端连接有所述算力建模模块(5)的输入端,所述算力建模模块(5)的输出端连接有所述SDN集中控制模块(6)的输入端。
2.如权利要求1所述的一种应用于算力网的网络流量集中控制系统,其特征在于:所述算力网模块(2)通过节点服务模块(3)与算力资源的映射关系,最终形成业务的算力需求与算力资源映射的关系。
3.如权利要求1所述的一种应用于算力网的网络流量集中控制系统,其特征在于:所述算力网模块(2)将业务需求拆分为原子业务需求。
4.如权利要求1所述的一种应用于算力网的网络流量集中控制系统,其特征在于:所述算力度量模块(4)的控制器有3类;第1类是管理与编排控制器,负责纳管移动边缘计算内的计算和存储资源、侧重占用率之类的宏观数据;第2类是数据中心和边缘计算中心控制器,负责纳管云内网络拓扑资源;第3类是IP承载网控制器,负责纳管承载网络域的拓扑资源。
5.如权利要求1所述的一种应用于算力网的网络流量集中控制系统,其特征在于:所述算力建模模块(5)通过大数据训练出一个复杂的神经网络模型,用大量标记过的数据来“训练”相应的系统,使之适应特定的功能场景。
6.如权利要求1所述的一种应用于算力网的网络流量集中控制系统,其特征在于:所述SDN集中控制模块(6)引入SDN集中控制思路,采用OpenDaylight开源框架开发,部署网络管控和云管控之上的总体编排管控系统中来建立网和云之间的联系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211215853.8A CN115580582A (zh) | 2022-09-30 | 2022-09-30 | 一种应用于算力网的网络流量集中控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211215853.8A CN115580582A (zh) | 2022-09-30 | 2022-09-30 | 一种应用于算力网的网络流量集中控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115580582A true CN115580582A (zh) | 2023-01-06 |
Family
ID=84583233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211215853.8A Pending CN115580582A (zh) | 2022-09-30 | 2022-09-30 | 一种应用于算力网的网络流量集中控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115580582A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116436806A (zh) * | 2023-06-12 | 2023-07-14 | 亚信科技(中国)有限公司 | 算网资源编排方法、装置、电子设备及计算机存储介质 |
CN117194047A (zh) * | 2023-04-13 | 2023-12-08 | 山东华科信息技术有限公司 | 基于数据协同的分布式系统 |
-
2022
- 2022-09-30 CN CN202211215853.8A patent/CN115580582A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117194047A (zh) * | 2023-04-13 | 2023-12-08 | 山东华科信息技术有限公司 | 基于数据协同的分布式系统 |
CN117194047B (zh) * | 2023-04-13 | 2024-04-09 | 山东华科信息技术有限公司 | 基于数据协同的分布式系统 |
CN116436806A (zh) * | 2023-06-12 | 2023-07-14 | 亚信科技(中国)有限公司 | 算网资源编排方法、装置、电子设备及计算机存储介质 |
CN116436806B (zh) * | 2023-06-12 | 2023-08-18 | 亚信科技(中国)有限公司 | 算网资源编排方法、装置、电子设备及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pei et al. | Optimal VNF placement via deep reinforcement learning in SDN/NFV-enabled networks | |
CN108259367B (zh) | 一种基于软件定义网络的服务感知的流策略定制方法 | |
Sun et al. | TIDE: Time-relevant deep reinforcement learning for routing optimization | |
CN115580582A (zh) | 一种应用于算力网的网络流量集中控制系统 | |
Kim et al. | Multi-agent reinforcement learning-based resource management for end-to-end network slicing | |
Zong et al. | Location-aware energy efficient virtual network embedding in software-defined optical data center networks | |
CN110048869A (zh) | 面向工业时间敏感软件定义网络的资源分配方法和系统 | |
CN111245718B (zh) | 一种基于sdn情景感知的路由优化方法 | |
Guo et al. | Research on SDN/NFV network traffic management and optimization based on big data and artificial intelligence | |
CN111010295B (zh) | 一种基于sdn-mec的配用电通信网任务迁移方法 | |
CN110213175B (zh) | 一种面向知识定义网络的智能管控系统及管控方法 | |
CN109743217B (zh) | 一种基于svra算法的自适应资源调节方法 | |
CN112650581A (zh) | 一种面向智能楼宇的云边协同任务调度方法 | |
CN116389491B (zh) | 一种云边算力资源自适应计算系统 | |
Phyu et al. | Machine learning in network slicing-a survey | |
CN115314355A (zh) | 基于确定性网络的电力通信网络架构系统及方法 | |
CN105071992A (zh) | 变电站配用电业务通信带宽预测方法 | |
CN110366056A (zh) | 一种ason业务模型的实现方法、装置、设备及存储介质 | |
Triki et al. | A green energy-aware hybrid virtual network embedding approach | |
Gadasin et al. | Organization of Interaction between the Concept of Fog Computing and Segment Routing for the Provision of IoT Services in Smart Grid Networks | |
Landi et al. | A Network Control Plane architecture for on-demand co-provisioning of optical network and IT services | |
Saravanan et al. | Improving map reduce task scheduling and micro-partitioning mechanism for mobile cloud multimedia services | |
CN110601897A (zh) | 一种网络资源配置方法及装置 | |
Arabas et al. | On formulation of a network energy saving optimization problem | |
Xiao et al. | A sub-action aided deep reinforcement learning framework for latency-sensitive network slicing |
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 |