CN116996406A - 基于省级sdn骨干网组网的数据交互管理系统及方法 - Google Patents
基于省级sdn骨干网组网的数据交互管理系统及方法 Download PDFInfo
- Publication number
- CN116996406A CN116996406A CN202311226780.7A CN202311226780A CN116996406A CN 116996406 A CN116996406 A CN 116996406A CN 202311226780 A CN202311226780 A CN 202311226780A CN 116996406 A CN116996406 A CN 116996406A
- Authority
- CN
- China
- Prior art keywords
- sdn
- nodes
- provincial
- node
- core
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 33
- 230000006855 networking Effects 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000007726 management method Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 9
- 238000013136 deep learning model Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 210000001503 joint Anatomy 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 3
- 229910052799 carbon Inorganic materials 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- H04L41/40—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using virtualisation of network functions or resources, e.g. SDN or NFV entities
-
- 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
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明属于数据处理技术领域,提供了基于省级SDN骨干网组网的数据交互管理系统及方法,其方案为:省核心节点与地市汇聚节点分层分级,在不同地域部署省核心节点,在省级核心节点部署SDN控制器和核心节点设备,在地市汇聚节点部署设备并上联至核心节点设备;所述SDN控制器被配置为:根据具体的业务请求,基于省核心节点和地市汇聚节点组成的拓扑构建SDN骨干网络,将获取的业务数据存储至联邦学习系统中,经过联邦学习后,将得到的预测数据通过SDN骨干网络来完成不同层级节点之间的数据交互。可快速部署省级SDN网络,实现SDN网络统一管控,消除SDN网络孤岛,节约设备资源,进而实现绿色生产、降低碳排放。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及基于省级SDN骨干网组网的数据交互管理系统及方法。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
SDN网络是基于SDN(软件定义网络)技术、区块链技术、云计算、边缘计算打造的“云-边-端”结合的去中心化网络,能够为各种类型的应用提供关键性的数据、网络、计算支撑能力。SDN网络的出现标志着新式互联网时代已经到来,人们从单一的数据传递自由转向到数据价值传递自由。
当前很多企业在各个区域均设有子公司,每个子公司均建立了对应的SND平面,但是子公司和总部以及子公司和子公司之间很难互联互通,便形成了很多SDN网络孤岛,导致一个企业分布的各个区域的子公司之间以及和该企业之间无法进行数据的有效互通;这些SDN网络没有统一的网络管理和整体的网络规划,导致网络资源未能合理利用、大量的资源浪费。
发明内容
为了解决上述背景技术中存在的至少一项技术问题,本发明提供一种基于省级SDN骨干网组网的数据交互管理系统及管理方法,其为了解决省级SDN网络组网部署问题,从省级层面、地市层面规划SDN网络,对不同区域不同层级的SDN网络统一建设、统一管理、统一配置,消除SDN网络孤岛,实现数据互通互联。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一方面提供基于省级SDN骨干网组网的数据交互管理系统,基础设备层、控制层和应用层;所述基础设备层包括省核心节点和地市汇聚节点,省核心节点与地市汇聚节点分层分级,在不同地域部署省核心节点,在省级核心节点部署SDN控制器和核心节点设备,在地市汇聚节点部署设备并上联至核心节点设备;
控制层以SDN控制软件方式部署在省核心节点,多个省核心节点的控制层软件互为备份;所述应用层包括用户管理平台;所述SDN控制器提供接口与用户管理平台对接;
所述SDN控制器被配置为:根据具体的业务请求,基于省核心节点和地市汇聚节点组成的拓扑构建SDN骨干网络,将获取的业务数据存储至联邦学习系统中,经过联邦学习后,将得到的预测数据通过SDN骨干网络来完成不同层级节点之间的数据交互。
作为一种实施例,所述SDN控制器包括南向接口和北向接口,通过南向接口与基础设备层连接,通过北向接口和用户管理平台对接,所述基础设备层包括虚拟路由器、物理服务器和交换机;各个汇聚节点的SDN骨干网络通过虚拟路由器或物理服务器接入,所述SDN骨干网络中东西向流量和南北向流量在出口交换机上做虚拟路由器封装,通过SDN骨干网络进行IP转发,到达各个SDN交换机后解封装,然后转发。
作为一种实施例,省核心节点和地市汇聚节点的部署依据是:首先部署省核心节点,部署好省核心节点后再部署地市汇聚节点,所述省核心节点部署的依据是:根据省该核心节点所在的地理位置以及经济状况进行综合评估,评估排名靠前的优先部署。
作为一种实施例,在进行数据交互前,所述控制层被配置为:检测各个节点是否可以正常收发信息,具体包括:将业务的VPN信息、用户端设备和用户业务接入信息配置下发至各个层级节点对应的设备上,通过ping的方式来测试用户业务是否连通,各个节点连通后,可根据各个节点对应的业务正式投入使用。
作为一种实施例,所述VPN信息主要包括VPN名称、描述、VPN类型和VPN隧道类型,所述用户业务接入信息包括QoS、BGP AS号和IP地址。
作为一种实施例,所述控制层被配置为:将获取的业务数据存储至联邦学习系统中,具体包括:省核心节点与地市汇聚节点都各自有自身的本地联邦学习节点,省核心节点上传对应的业务数据到省核心节点自身的本地联邦学习节点,而地市汇聚节点上传对应的业务数据到地市汇聚节点自身的本地联邦学习节点上。
作为一种实施例,所述联邦学习的过程包括:
请求节点利用深度学习模型构建基于不同层级节点的初步不同层级节点,不同层级节点分别将各自业务数据输入到联邦学习系统中进行联合训练建模,并最终生成联邦学习模型,利用联邦学习模型进行具体业务的数据预测并返回。
作为一种实施例,省核心节点和地市汇聚节点拥有各自的半模型,由省核心节点设置模型双方所使用的模型类型,由双方各自初始化各自的半模型参数,模型的训练参数在不同层级节点是一致的。
作为一种实施例,在进行联邦学习之前,还包括数据的预处理,将相同要素的数据字段进行合并,并保留差异数据字段。
本发明的第二方面提供基于省级SDN骨干网组网的数据交互管理方法,包括如下步骤:
接收业务请求命令,基于省核心节点和地市汇聚节点组成的拓扑构建SDN骨干网络;
将获取的业务数据存储至联邦学习系统中,经过联邦学习后,将得到的预测数据通过SDN骨干网络来完成不同层级节点之间的数据交互。
与现有技术相比,本发明的有益效果是:
1、本发明通过省核心节点和地市汇聚节点的部署,控制层控制用户应用中SDN网络实际情况,控制管理基础设备层的设备,基于基础设备层的设备组成的拓扑和该拓扑构建SDN骨干网络,来完成不同层级节点之间的数据转发。可快速部署省级SDN网络,实现省内SDN网络统一建设、统一管控,消除SDN网络孤岛,节约设备资源,便于数据互联互通,进而实现绿色生产、降低碳排放。
2、本发明为了消除SDN网络孤岛,采用各个节点的数据联合建模的方法,解决当前面临的核心节点和不同层级节点之间的数据孤岛效应,在保证数据隐私安全的前提下使得数据可用而不可见。同时采用的联邦学习方法而产生的联合建模模型与数据本地融合而训练得出的模型是等效的,可根据各个节点的自身数据条件,灵活配置模型。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例提供的省级SDN网络的逻辑架构;
图2是本发明实施例提供的第一种方案的组网网络;
图3是本发明实施例提供的第二种方案的组网网络;
图4是本发明实施例提供的第三种方案的组网网络;
图5是本发明实施例提供的控制器配置业务示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1所示,本实施例提供基于省级SDN骨干网组网的数据交互管理系统,包括:基础设施层、控制层和应用层。
其中,基础设施层包括省核心节点和地市汇聚节点,所述省核心节点与地市汇聚节点分层分级;
在不同地域部署省核心节点,在省级核心节点部署SDN控制器和核心节点设备,在地市汇聚节点部署设备并上联至核心节点设备;
控制层以SDN控制软件部署在省核心节点,多个省核心节点的控制层软件互为备份;
所述控制层被配置为:接收业务请求命令,基于省核心节点和地市汇聚节点组成的拓扑构建SDN骨干网络,将获取的业务数据存储至联邦学习系统中,经过联邦学习后,将得到的预测数据通过SDN骨干网络来完成不同层级节点之间的数据交互。
本实施例中,核心节点的选择依据是:首先部署省核心节点,部署好省核心节点后再部署地市汇聚节点,具体包括:
根据该核心节点所在的地理位置、经济状况等条件进行综合评估,评估排名靠前的优先部署,例如优先选择省会地市、经济发展重点地市以及政府重点发展地市来部署核心节点设备和SDN控制器,之后每个地市再部署汇聚节点。
如图1所示为所示核心SDN网络的逻辑架构,其中:
所述基础设施层用于转发设备,实现转发功能。
比如此架构设计中的省核心交换机、地市汇聚交换机等,地市汇聚交换机实现本地市用户数据的汇聚以及地市下面各个区县之间的数据转发,省核心交换机实现地市之间的数据的转发功能。
所述控制层由SDN控制软件组成,通过标准化协议与转发设备进行通信,实现对基础设施层的控制器。在此架构设计中SDN控制器部署在省核心节点,实现对整个省级SDN网络设备的控制、配置、监控等,多个省级核心节点之间实现冗余部署。
所述应用层主要是构建用户自己的管理平台。
比如SDN控制器提供接口与用户的应用对接,从而实现在用户应用中可控制管理基础设备层的设备。
所述在不同地域部署省核心节点,在省级核心节点部署SDN控制器和核心节点设备,在地市汇聚节点部署设备并上联至核心节点设备中,所述SDN控制器可根据不同的省级SDN网络的预算情况,配置规划不同的网络组网方案。
本实施例中,根据对应的预算情况采用任一种配置方案。
方案一:
省级核心节点可在两个甚至三个地市部署,实现不同地域核心设备备份;同时在省级核心部署SDN控制器,使其直接控制省核心设备。
省级核心节点和地市汇聚节点,各部署一台设备。其优点是节约设备费用;缺点是设备没有冗余,网络故障就会影响用户业务。
地市汇聚设备采用多链路上联至核心设备,即一台地市汇聚设备上联每台核心设备。
本实施例以两省核心为例,得到的具体的网络拓扑如图2所示。
方案二:
省级核心节点可在两个甚至三个地市部署,实现同一节点位置设备冗余、不同地域设备备份;同时在省级核心部署SDN控制器,使其直接控制省核心设备。
省级核心节点和地市汇聚节点,各部署两台设备,这两台设备做堆叠,其优点是设备冗余,降低风险;缺点是设备成本和链路费用成本高。
地市汇聚设备采用多链路上联至核心设备,即一台地市汇聚设备上联每台核心设备。
本实施例以两省核心为例,得到的具体的网络拓扑如图3所示。
方案三:
如图4所示,针对方案一和方案二进行优化,省级核心节点采用双设备部署,实现同一节点位置设备冗余、不同地域设备备份;同时在省级核心部署SDN控制器,使其直接控制省核心设备。
地市汇聚设备,根据经济发展情况、用户数量、用户重要程度、政府支持力度等多因素考虑进行评分,优先在评分高的重点地市建设双设备汇聚节点,普通地市建设单设备汇聚节点(后期根据实际情况考虑增加设备做堆叠)。其优点是保证重点地市双设备冗余,有节约设备和链路成本开支。
地市汇聚设备采用多链路上联至核心设备,即一台地市汇聚设备上联每台核心设备。
省级SDN骨干网组网拓扑架构主要有以上三种架构,通过这三种架构方案,可顺利建设省级SDN骨干网络。
所述SDN控制器包括南向接口和北向接口,通过南向接口与基础设备层连接,通过北向接口和用户管理平台对接,所述基础设备层包括VXLAN(虚拟路由器实现)/VLAN(物理服务器实现)、交换机;各个汇聚节点的SDN专网通过虚拟路由器或物理服务器接入,在骨干网一侧,地市汇聚节点会给每一个企业租户的接入流量打上一层标签,通过标签隔离。
所述SDN骨干网络中东西向流量和南北向流量在出口交换机上做虚拟路由器封装,通过SDN骨干网络进行IP转发,到达各个SDN交换机后解封装,然后转发。
如图5所示,那么接下来就需要通过SDN控制器实现业务的配置、实现用户数据的交互。
在进行数据交互前,所述控制层被配置为:检测各个节点是否可以正常收发信息,具体包括:将业务的VPN信息、用户端设备和用户业务接入信息配置下发至各个层级节点对应的设备上,通过ping的方式来测试用户业务是否连通,各个节点连通后,可根据各个节点对应的业务正式投入使用。
本实施例中,所述具体的业务请求包括业务的VPN信息、对应的节点信息和业务接入信息。
其中,所述VPN信息,主要包括VPN名称、描述、VPN类型、VPN隧道类型等。
所述用户业务接入信息包括QoS、BGP AS号、IP地址等。
多用户的流量根据QoS需求计算不同转发路径和对应的QoS队列;
本实施例中,所述转发路径通过端到端的MPLS隧道(PATH标签标识)来实现。
所述SDN骨干网络支持第三方的网络通过接入设备接入,以实现第三方的SDN网络之间的互联互通。
SDN网络可以为用户按需创建逐跳可控网络,对应不同的QoS等级。此逐跳可控网络用户可见,方便用户指定流量走相应的逐跳可控网络。
所述控制层被配置为:根据具体的业务请求,基于省核心节点和地市汇聚节点组成的拓扑构建SDN骨干网络,将获取的业务数据存储至联邦学习系统中,经过联邦学习后,将得到的预测数据通过SDN骨干网络来完成不同层级节点之间的数据交互。
在具体实施中:
所述将获取的业务数据存储至联邦学习系统具体包括:
省核心节点与地市汇聚节点都各自有自身的本地联邦学习节点,省核心节点上传对应的业务数据到省核心节点自身的本地联邦学习节点,而地市汇聚节点上传对应的业务数据到地市汇聚节点自身的本地联邦学习节点上。
两个或者多个省核心节点与地市汇聚节点共同构成联邦学习建模系统。
所述控制层被配置为:将获取的业务数据存储至联邦学习系统中,经过联邦学习后,将得到的预测数据通过SDN骨干网络来完成不同层级节点之间的数据交互,具体包括:
请求节点利用深度学习模型构建基于不同层级节点的初步不同层级节点,不同层级节点分别将各自业务数据输入到联邦学习系统中进行联合训练建模,并最终生成联邦学习模型,利用联邦学习模型进行具体业务的数据预测并返回。
在具体实施中:省核心节点和地市汇聚节点拥有各自的半模型,由省核心节点设置模型双方所使用的模型类型,由双方各自初始化各自的半模型参数。由于地市汇聚节点设置模型的训练参数,模型的训练参数在不同层级节点是一致的。
本实施例中,所述深度学习模型可以采用预测树模型。
在进行联邦学习之前,还包括数据的预处理,将相同要素的数据字段进行合并,并保留差异数据字段。
上述方案的优势在于,通过本发明可快速部署省级SDN网络,实现不同层级节点的SDN网络统一建设、统一管控,消除SDN网络孤岛,节约设备资源,便于数据互联互通,进而实现绿色生产、降低碳排放。
实施例二
本实施例提供基于省级SDN骨干网组网的数据交互管理方法,包括:
接收业务请求命令,基于省核心节点和地市汇聚节点组成的拓扑构建SDN骨干网络;
将获取的业务数据存储至联邦学习系统中,经过联邦学习后,将得到的预测数据通过SDN骨干网络来完成不同层级节点之间的数据交互。
其中,将获取的业务数据存储至联邦学习系统中,具体包括:省核心节点与地市汇聚节点都各自有自身的本地联邦学习节点,省核心节点上传对应的业务数据到省核心节点自身的本地联邦学习节点,而地市汇聚节点上传对应的业务数据到地市汇聚节点自身的本地联邦学习节点上。
其中,所述联邦学习的过程包括:
请求节点利用深度学习模型构建基于不同层级节点的初步不同层级节点,不同层级节点分别将各自业务数据输入到联邦学习系统中进行联合训练建模,并最终生成联邦学习模型,利用联邦学习模型进行具体业务的数据预测并返回。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于省级SDN骨干网组网的数据交互管理系统,其特征在于,包括:基础设备层、控制层和应用层;所述基础设备层包括省核心节点和地市汇聚节点,省核心节点与地市汇聚节点分层分级,在不同地域部署省核心节点,在省级核心节点部署SDN控制器和核心节点设备,在地市汇聚节点部署设备并上联至核心节点设备;
控制层以SDN控制软件方式部署在省核心节点,多个省核心节点的控制层软件互为备份;所述应用层包括用户管理平台;所述SDN控制器提供接口与用户管理平台对接;
所述SDN控制器被配置为:根据具体的业务请求,基于省核心节点和地市汇聚节点组成的拓扑构建SDN骨干网络,将获取的业务数据存储至联邦学习系统中,经过联邦学习后,将得到的预测数据通过SDN骨干网络来完成不同层级节点之间的数据交互。
2.如权利要求1所述的基于省级SDN骨干网组网的数据交互管理系统,其特征在于,所述SDN控制器包括南向接口和北向接口,通过南向接口与基础设备层连接,通过北向接口和用户管理平台对接,所述基础设备层包括虚拟路由器、物理服务器、交换机;各个汇聚节点的SDN网络通过虚拟路由器或物理服务器接入,所述SDN骨干网络中东西向流量和南北向流量在出口交换机上做虚拟路由器封装,通过SDN骨干网络进行IP转发,到达各个SDN交换机后解封装,然后转发。
3.如权利要求1所述的基于省级SDN骨干网组网的数据交互管理系统,其特征在于,省核心节点和地市汇聚节点的部署依据是:首先部署省核心节点,部署好省核心节点后再部署地市汇聚节点,所述省核心节点部署的依据是:根据省该核心节点所在的地理位置以及经济状况进行综合评估,评估排名靠前的优先部署。
4.如权利要求1所述的基于省级SDN骨干网组网的数据交互管理系统,其特征在于,在进行数据交互前,所述控制层被配置为:检测各个节点是否可以正常收发信息,具体包括:将业务的VPN信息、用户端设备和用户业务接入信息配置下发至各个层级节点对应的设备上,通过ping的方式来测试用户业务是否连通,各个节点连通后,可根据各个节点对应的业务正式投入使用。
5.如权利要求4所述的基于省级SDN骨干网组网的数据交互管理系统,其特征在于,所述VPN信息主要包括VPN名称、描述、VPN类型和VPN隧道类型,所述用户业务接入信息包括QoS、BGP AS号和IP地址。
6.如权利要求1所述的基于省级SDN骨干网组网的数据交互管理系统,其特征在于,所述控制层被配置为:将获取的业务数据存储至联邦学习系统中,具体包括:省核心节点与地市汇聚节点都各自有自身的本地联邦学习节点,省核心节点上传对应的业务数据到省核心节点自身的本地联邦学习节点,而地市汇聚节点上传对应的业务数据到地市汇聚节点自身的本地联邦学习节点上。
7.如权利要求1所述的基于省级SDN骨干网组网的数据交互管理系统,其特征在于,所述联邦学习的过程包括:
请求节点利用深度学习模型构建基于不同层级节点的初步不同层级节点,不同层级节点分别将各自业务数据输入到联邦学习系统中进行联合训练建模,并最终生成联邦学习模型,利用联邦学习模型进行具体业务的数据预测并返回。
8.如权利要求1所述的基于省级SDN骨干网组网的数据交互管理系统,其特征在于,省核心节点和地市汇聚节点拥有各自的半模型,由省核心节点设置模型双方所使用的模型类型,由双方各自初始化各自的半模型参数,模型的训练参数在不同层级节点是一致的。
9.如权利要求1所述的基于省级SDN骨干网组网的数据交互管理系统,其特征在于,在进行联邦学习之前,还包括数据的预处理,将相同要素的数据字段进行合并,并保留差异数据字段。
10.基于省级SDN骨干网组网的数据交互管理方法,其特征在于,包括如下步骤:
接收业务请求命令,基于省核心节点和地市汇聚节点组成的拓扑构建SDN骨干网络;
将获取的业务数据存储至联邦学习系统中,经过联邦学习后,将得到的预测数据通过SDN骨干网络来完成不同层级节点之间的数据交互。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311226780.7A CN116996406B (zh) | 2023-09-22 | 2023-09-22 | 基于省级sdn骨干网组网的数据交互管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311226780.7A CN116996406B (zh) | 2023-09-22 | 2023-09-22 | 基于省级sdn骨干网组网的数据交互管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116996406A true CN116996406A (zh) | 2023-11-03 |
CN116996406B CN116996406B (zh) | 2024-02-02 |
Family
ID=88528564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311226780.7A Active CN116996406B (zh) | 2023-09-22 | 2023-09-22 | 基于省级sdn骨干网组网的数据交互管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116996406B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015101169A1 (zh) * | 2013-12-31 | 2015-07-09 | 华为技术有限公司 | 一种sdn部署业务的方法和sdn控制器 |
CN106059918A (zh) * | 2016-06-27 | 2016-10-26 | 北京邮电大学 | 一种基于sdn的能源互联网控制分层架构及调度方法 |
CN106411749A (zh) * | 2016-10-12 | 2017-02-15 | 国网江苏省电力公司苏州供电公司 | 一种基于q学习的用于软件定义网络的路径选择方法 |
CN109327374A (zh) * | 2017-07-31 | 2019-02-12 | 杭州达乎科技有限公司 | 实现三层vpn网络接入的系统及方法 |
CN110995601A (zh) * | 2019-12-19 | 2020-04-10 | 北京工业大学 | 一种软件定义的空基骨干网络拓扑构建方法 |
CN114302422A (zh) * | 2021-11-29 | 2022-04-08 | 北京邮电大学 | 利用学习模型进行业务处理的方法以及装置 |
CN116055394A (zh) * | 2022-12-30 | 2023-05-02 | 天翼云科技有限公司 | 一种基于矢量化骨干网的边缘路由编排系统 |
-
2023
- 2023-09-22 CN CN202311226780.7A patent/CN116996406B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015101169A1 (zh) * | 2013-12-31 | 2015-07-09 | 华为技术有限公司 | 一种sdn部署业务的方法和sdn控制器 |
CN106059918A (zh) * | 2016-06-27 | 2016-10-26 | 北京邮电大学 | 一种基于sdn的能源互联网控制分层架构及调度方法 |
CN106411749A (zh) * | 2016-10-12 | 2017-02-15 | 国网江苏省电力公司苏州供电公司 | 一种基于q学习的用于软件定义网络的路径选择方法 |
CN109327374A (zh) * | 2017-07-31 | 2019-02-12 | 杭州达乎科技有限公司 | 实现三层vpn网络接入的系统及方法 |
CN110995601A (zh) * | 2019-12-19 | 2020-04-10 | 北京工业大学 | 一种软件定义的空基骨干网络拓扑构建方法 |
CN114302422A (zh) * | 2021-11-29 | 2022-04-08 | 北京邮电大学 | 利用学习模型进行业务处理的方法以及装置 |
CN116055394A (zh) * | 2022-12-30 | 2023-05-02 | 天翼云科技有限公司 | 一种基于矢量化骨干网的边缘路由编排系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116996406B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105553849B (zh) | 一种传统ip网络与sptn网络互通方法与系统 | |
CN107147509B (zh) | 虚拟专用网业务实现方法、装置及通信系统 | |
CN102884763B (zh) | 跨数据中心的虚拟机迁移方法、服务控制网关及系统 | |
CN104158747B (zh) | 网络拓扑发现方法和系统 | |
CN102986172B (zh) | 虚拟集群交换 | |
CN102959910B (zh) | 通过通信信道将网元的分组转发配置的更改通知控制器 | |
CN103997414B (zh) | 生成配置信息的方法和网络控制单元 | |
CN102474454B (zh) | 节点间链路聚合系统和方法 | |
CN106850387A (zh) | 一种实现多数据中心的虚拟网络组网的系统及其方法 | |
CN106992874A (zh) | 用于通信的方法和网络设备 | |
CN109150737A (zh) | 基于sdn的混合云组网方法及混合云网络 | |
CN110417665B (zh) | 一种数据中心多Fabric场景的EVPN组网系统及方法 | |
CN103997513A (zh) | 一种可编程虚拟网络服务系统 | |
CN105162704A (zh) | Overlay网络中组播复制的方法及装置 | |
CN103095569B (zh) | 一种高冗余低成本的热容灾广域网架构及其实现方法 | |
CN106685903A (zh) | 基于sdn的数据传输方法、sdn控制器和sdn系统 | |
CN104243196A (zh) | 一种sdn架构下的虚拟网络映射保护方法及系统 | |
CN108243123A (zh) | 广播报文的处理方法、装置、控制器和交换机 | |
CN106209615A (zh) | 一种基于spfa算法计算转发路径的动态路由控制方法 | |
CN109639499A (zh) | 一种基于sdn的多厂家otn业务配置端到端互通系统及方法 | |
CN107204909A (zh) | 构建电力调度数据网的系统、方法和装置 | |
CN111478793A (zh) | 一种业务请求的处理方法、装置、终端设备和存储介质 | |
CN110035012A (zh) | 基于sdn的vpn流量调度方法以及基于sdn的vpn流量调度系统 | |
CN108965134A (zh) | 报文转发方法及装置 | |
White et al. | The art of network architecture |
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 |