CN117041133A - SRv6网络中流量调度优化方法、系统及介质 - Google Patents
SRv6网络中流量调度优化方法、系统及介质 Download PDFInfo
- Publication number
- CN117041133A CN117041133A CN202311304200.1A CN202311304200A CN117041133A CN 117041133 A CN117041133 A CN 117041133A CN 202311304200 A CN202311304200 A CN 202311304200A CN 117041133 A CN117041133 A CN 117041133A
- Authority
- CN
- China
- Prior art keywords
- network
- srv
- key
- link
- selecting
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 230000001965 increasing effect Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 10
- 239000003795 chemical substances by application Substances 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000002787 reinforcement Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- 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
- H04L45/02—Topology update or discovery
- H04L45/08—Learning-based routing, e.g. using neural networks or artificial intelligence
-
- 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
- H04L45/34—Source routing
-
- 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
- H04L47/125—Avoiding congestion; Recovering from congestion by balancing the load, e.g. traffic engineering
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种SRv6网络中流量调度优化方法、系统及介质，属于软件定义网络中的信息技术领域，方法包括：在SRv6网络中选取K条关键流，根据当前的策略网络参数计算选取K条关键流的概率以及相应的最大链路利用率；以最大链路利用率最小化为目标，以最大链路利用率高于预置基线时令选取K条关键流的概率增加为原则，训练策略网络，将当前网络状态输入训练后的策略网络，得到最优的K条关键流；在满足链路容量利用率约束的条件下，以最大链路利用率与最长显示路径的加权和最小化为目标，为最优的K条关键流重路由显示路径，并基于显示路径进行数据传输。提升网络性能，达到网络负载均衡。
Description
技术领域
本发明属于软件定义网络中的信息技术领域，更具体地，涉及一种SRv6网络中流量调度优化方法、系统及介质。
背景技术
基于IPv6转发平面的段路由（Segment Routing over IPv6，SRv6）是一种基于IPv6协议的分段路由技术。在SRv6网络中实行流量调度技术具有重要研究意义。当前SRv6网络中的流量调度研究分为：基于启发式规则的流量调度优化、基于强化学习方法的流量调度优化。前者根据网络中的流量大小，设置大象流阈值，进行统一流量调度；后者利用深度强化学习思想对全部流量矩阵信息进行学习判断，计算出适合当前网络性能优化的路由方案。
当前流量调度方法存在以下问题：难以适应动态的网络环境；容易引起流量调度干扰，降低网络服务质量。具体地，对于网络流量状态随时改变的场景，按照规则选择的关键流的特性很可能随时改变，一旦流量状况发生变化，这种采用固定规则的方法需要不断重新筛选网络中的关键流，而每次筛选得到的关键流集合并不能为后续的筛选提供任何参考依据。此外，当前许多流量调度算法会选择重新路由网络中的所有流量，而网络中两个节点之间的流由不同应用程序的许多微流聚合而成，这些微流往往是一些五元组的TCP/IP流，此时若更改较多流的路径会使网络更容易发生数据包无序到达或丢失现象，触发重复的确认字符（Acknowledge character，ACK）传输，导致发送方减少其拥塞窗口大小，降低发送速率，最终增加流的完成时间并降低流的服务质量。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种SRv6网络中流量调度优化方法、系统及介质，结合SRv6路由传输和深度强化学习算法，根据流量需求矩阵，识别并调度网络中存在的关键流量，提升网络性能，达到网络负载均衡。
为实现上述目的，按照本发明的一个方面，提供了一种SRv6网络中流量调度优化方法，包括：S1，在SRv6网络中选取K条关键流，根据当前的策略网络参数计算选取所述K条关键流的概率，以及选取所述K条关键流时SRv6网络的最大链路利用率，K＞1；S2，以SRv6网络的最大链路利用率最小化为目标，以所述最大链路利用率高于预置基线时令选取所述K条关键流的概率增加为原则，训练策略网络；S3，重复执行所述S1-S2，直至达到给定训练次数或者策略网络的损失函数收敛，将所述SRv6网络的当前网络状态输入训练后的策略网络，得到最优的K条关键流；S4，在满足链路容量利用率约束的条件下，以SRv6网络的最大链路利用率与最长显示路径的加权和最小化为目标，为最优的K条关键流重路由显示路径，并基于所述显示路径进行数据传输。
更进一步地，所述S1中计算得到的概率为：
其中，为由/>参数化的随机策略，用于计算概率；/>为K条关键流，/>为网络状态，/>为策略网络参数，/>为/>下的第i个可用操作。
更进一步地，所述S2中训练的策略网络参数更新方式为：
其中，为策略网络参数，/>为学习率，/>为梯度；/>为由/>参数化的随机策略，用于计算概率；/>为K条关键流，/>为网络状态，/>为奖励，/>为所述预置基线，/>为超参数，/>为求熵函数。
更进一步地，所述预置基线为：所述SRv6网络在不同网络状态下的最大链路利用率的倒数的均值。
更进一步地，所述S4重路由的显示路径还满足以下约束：
其中，、/>、/>分别为源节点s到目的节点d在链路/>、链路/>、链路/>上的流量需求百分比，/>为所述SRv6网络中链路的集合，/>为最优的K条关键流，i、j、k为不同的节点。
更进一步地，所述S4中的优化目标为：
所述链路容量利用率约束为：
其中，表示线性规划问题，/>为最大链路利用率；/>为权重参数，/>且小于设定阈值，/>、/>分别为源节点s到目的节点d在链路/>、链路/>上的流量需求百分比，/>为所述SRv6网络中链路的集合，/>为最优的K条关键流，/>为链路/>上的流量负载，/>为链路/>的链路容量，/>为源节点s到目的节点d的流量需求，/>为位于链路上的背景流量负载，i、j为不同的节点。
更进一步地，所述S4中利用uSID压缩报头形成关键流数据，以进行数据传输，所述uSID压缩报头包括一个或多个128位的uSID承载器，所述uSID承载器的格式为：16位的uSID块和16位的结束标志，以及依次填充在所述uSID块和所述结束标志之间的各路由节点的16位uSID。
按照本发明的另一个方面，提供了一种SRv6网络中流量调度优化系统，包括：选取及计算模块，用于在SRv6网络中选取K条关键流，根据当前的策略网络参数计算选取所述K条关键流的概率，以及选取所述K条关键流时SRv6网络的最大链路利用率，K＞1；训练模块，用于以SRv6网络的最大链路利用率最小化为目标，以所述最大链路利用率高于预置基线时令选取所述K条关键流的概率增加为原则，训练策略网络；重复训练及关键流识别模块，用于重复执行所述选取及计算模块和所述训练模块，直至达到给定训练次数或者策略网络的损失函数收敛，将所述SRv6网络的当前网络状态输入训练后的策略网络，得到最优的K条关键流；关键流重路由模块，用于在满足链路容量利用率约束的条件下，以SRv6网络的最大链路利用率与最长显示路径的加权和最小化为目标，为最优的K条关键流重路由显示路径，并基于所述显示路径进行数据传输。
按照本发明的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的SRv6网络中流量调度优化方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：提供一种SRv6网络中流量调度优化方法，针对流量调度算法难以适应动态的网络环境的问题，通过采用基于深度强化学习的策略梯度算法，建立适应网络动态变化的关键流学习模型，在不同的流量矩阵中识别出对网络性能影响最大的关键流集合；针对基于策略梯度算法的收敛速度慢的问题，采用线性规划求解出每一条关键流的最优显式路径，并对普通流和关键流采用不同的路由方式实现网络负载均衡，能在动态的网络环境中实现流量调度优化，提升网络性能；同时为了提升关键流的报文承载效率，设计基于uSID的方式压缩关键流报头，降低SRv6网络协议带来的报头开销负荷，提高了关键流报文的承载效率。
附图说明
图1为本发明实施例提供的SRv6网络中流量调度优化方法的流程图。
图2为本发明实施例提供的策略网络的训练学习过程图。
图3为本发明实施例提供的SRv6网络中流量调度优化系统的框图。
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，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中，本发明及附图中的术语“第一”、“第二”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
图1为本发明实施例提供的SRv6网络中流量调度优化方法的流程图。参阅图1，结合图2，对本实施例中SRv6网络中流量调度优化方法进行详细说明，方法包括操作S1-操作S4。操作S1-操作S3为关键流识别阶段，操作S4为关键流重路由阶段。
操作S1，在SRv6网络中选取K条关键流，根据当前的策略网络参数计算选取K条关键流的概率，以及选取K条关键流时SRv6网络的最大链路利用率，K＞1。
关键流识别阶段的目的是通过获取到的网络状态识别出对网络性能影响较大的关键流集合。本实施例中，智能体采用网络状态作为输入，其中，/>为时间步长t时刻的流量需求矩阵，包含当前每个流量的需求信息。具体地，例如收集数据平面上发给控制平面的流量需求矩阵信息，作为网络状态/>。
相较于传统为SRv6网络中每个数据流计算转发路径的算法，关键流识别算法的动作空间的维度要小的多。具体地，关键流识别算法会为每个网络状态选择K条关键流，并将它们组合成一个关键流集合，作为其动作空间。
为了进一步压缩动作空间，结合SRv6基于源路由传输的特点，采用如下方法确定动作空间。假设在一个包含N个节点的SRv6网络中，每个节点对其它节点而言都是可以到达的，整个SRv6网络中可以有条流量，其强化学习过程需要大小为/>的动作空间，该动作空间定义为/>，并允许智能体在单位时间步长t内采样K个不同的动作，即/>。
参阅图2，策略网络将一个网络状态作为输入，并对所有可用操作，输出一个概率分布/>。由于对每个网络状态/>都采样K个不同的动作，因此，采用动作的过程具有顺序无关性。可以将一个解/>定义为K个采样动作的组合，对于选择具有给定网络状态/>的解/>，由θ参数化的随机策略/>可近似表示为：
其中，为由/>参数化的随机策略，用于计算概率；/>为K条关键流，/>为网络状态，/>为策略网络参数，/>为/>下的第i个可用操作。/>为选取K条关键流的概率，/>为选取/>的概率。
操作S2，以SRv6网络的最大链路利用率最小化为目标，以最大链路利用率高于预置基线时令选取K条关键流的概率增加为原则，训练策略网络。
奖励函数代表策略网络每次得到的关键流集合对网络性能的影响分数，是策略网络得以训练收敛的关键。针对每一个流量需求矩阵，策略网络的训练目标为通过流量调度优化算法，最大化当前流量矩阵中的网络性能（如最小化最大链路利用率），体现在训练层面上即最大化期望奖励/>。
本实施例中，通过梯度提升的方法优化，并采取具有基线的强化算法，由此设计的策略网络参数更新方式为：
其中，为策略网络参数，/>为学习率，/>为梯度；/>为由/>参数化的随机策略，用于计算概率；/>为K条关键流，/>为网络状态，/>为奖励，/>为预置基线。
一个良好的预置基线可以减少梯度方差，提高学习速度。本实施例中，将SRv6网络在不同网络状态下的最大链路利用率的倒数的均值作为预置基线。/>表示根据策略的给定状态/>所得到的特定解比平均解好的程度，上述公式可以解释为：若为正，则通过在/>方向更新策略网络参数θ来增加的概率，否则，求解的概率就会降低，以此来强化在经验上能带来更好奖励的行动。
进一步地，为了确保强化学习智能体在训练过程中充分地探索动作空间，以发现更好的策略，将策略π的熵添加到上式，通过引入策略的熵，可以令智能体倾向于选择更多不同的动作，以防止智能体提前收敛到次优的策略中，提高了训练的探索能力，有效地提高训练的效果和智能体的性能。
根据本发明的实施例，训练的策略网络参数更新方式为：
其中，为超参数，/>为求熵函数。超参数/>控制了熵正则化项的强度。
操作S3，重复执行操作S1-操作S2，直至达到给定训练次数或者策略网络的损失函数收敛，将SRv6网络的当前网络状态输入训练后的策略网络，得到最优的K条关键流。
多次更新策略网络参数后，得到最终的策略网络。将SRv6网络的网络状态输入最终的策略网络，便可得到该网络状态对应的最优的K条关键流。
操作S4，在满足链路容量利用率约束的条件下，以SRv6网络的最大链路利用率与最长显示路径的加权和最小化为目标，为最优的K条关键流重路由显示路径，并基于显示路径进行数据传输。
对于关键流调度优化问题，最高效的解决方法仍然是采用线性规划方式。在流量调度优化过程中，默认情况下（SRv6网络中未被选取为关键流的流量），流量根据等价多路径路由（Equal-cost multi-path routing，ECMP）分配，对于最优的K条关键流，需要为其重路由最优的显示路径，以决定是否需要以重路由的方式实现流量调度优化目标。关键流重路由问题可以描述为以下参数：、/>、/>、/>、/>。
将具有N个节点、M条链路的网络定义成一个无向带权图G = (V，E)。对于每条关键流，可以获知其从源节点s到目的节点d的流量需求。对于剩余流量，采用默认的等价多路径路由，并将位于链路/>上的背景流量负载记为/>。为每个关键流量获取最优显式路由比率/>，最终优化目标为最小化最大链路利用率。
根据本发明的实施例，优化目标为：
在搜索解集的过程中，为了避免关键流的显式路由经过最拥塞的路径，方案可能会选择不必要的长路径。在SRv6网络中，过长的显式路径会带来更长的段列表，从而极大地降低了报文承载信息，因此需要对关键流的显式路径求解过程进行限制。将最小化最大链路利用率优化为上式，其中 是一个足够小的常数，确保最小化最大链路利用率具有更高的优先级。
链路容量利用率约束为：
其中，表示线性规划问题，/>为最大链路利用率；/>为权重参数，/>且小于设定阈值，/>、/>分别为源节点s到目的节点d在链路/>、链路/>上的流量需求百分比，/>为SRv6网络中链路的集合，/>为最优的K条关键流，/>为链路/>上的流量负载，为链路/>的链路容量，/>为源节点s到目的节点d的流量需求，/>为位于链路/>上的背景流量负载，i、j为不同的节点。
进一步地，操作S4重路由的显示路径还满足以下约束，以确保求解显示路径过程中的关键流是守恒的：
其中，、/>、/>分别为源节点s到目的节点d在链路/>、链路/>、链路/>上的流量需求百分比，/>为SRv6网络中链路的集合，/>为最优的K条关键流，i、j、k为不同的节点。对于上述优化目标及约束，可以直接使用Gurobi求解器进行求解。
操作S4中利用uSID压缩报头形成关键流数据，以进行数据传输，uSID压缩报头包括一个或多个128位的uSID承载器，uSID承载器的格式为：16位的uSID块和16位的结束标志，以及依次填充在所述uSID块和所述结束标志之间的各路由节点的16位uSID。16位的uSID块为FB00；结束标志为0000，在一个承载器内只要有空闲的位置，都需要用结束标志来填充，因此0000可以重复出现。
在流量调度优化的数据平面中包括三类节点：源节点、中间节点和端节点。源节点往往是边缘节点，负责对报文封装段路由报头，根据控制器发来的请求信息执行插入或更改段路由规则。当接收到匹配本地IP地址的数据包时，在报文中插入段路由报头，并执行相应的段路由规则路由过程。中间节点只根据报头中的目的地址执行IPv6路由转发行为，不参与段路由报头的处理。端节点匹配到IPv6目的地址为自身时，执行段路由报头中对应uSID承载器的uN操作，即根据最长匹配原则将当前uSID弹出uSID承载器或执行。
uSID定义了操作uN，其功能类似于标准SID中的End操作（即SL指针减1，并将SL指示的SID复制到IPv6报文头的目的地址字段）。以uSID Block = FB00::/16为例，假设节点N所对应的uSID = 0N00，则处于节点N上的uN动作只与以下两条FIB条目相关联。
1）FB00:0N00/32绑定至“Shift&Forward（位移&转发）”。Shift&Forward所执行的操作为将uSID Locator中第32至127位的内容拷贝至第16-111位，即二进制左移16位（从0开始编号）。将第112至127位的内容置为16进制的“0000”，即Locator的结束标志。接着在FIB表中查找更新后的目的地址，即uSID Block（uSID块）和Action uSID（uSID块之后的第一个16位uSID）组合起来的前缀。最后按照匹配的条目转发数据包。
2）FB00:0N00:0000/48绑定至End操作（即将Action uSID弹出uSID Locator，处理下一个SRv6 Segment）。
uN操作使节点可以利用一长一短两条FIB条目进行最长匹配查找，若匹配到长条目（uSID Block+Action uSID+承载器结束标志），则Action uSID是uSID Locator中的最后一个Segment，执行uSID Locator的弹出；若匹配到短条目（uSIDBlock+Action uSID，而Next uSID不是承载器结束标志），则当前uSID不是整个uSID Locator的最后一个Segment，则执行“Shift&Forward”操作。
图3为本发明实施例提供的SRv6网络中流量调度优化系统的框图。参阅图3，该SRv6网络中流量调度优化系统300包括选取及计算模块310、训练模块320、重复训练及关键流识别模块330以及关键流重路由模块340。
选取及计算模块310例如执行操作S1，用于在SRv6网络中选取K条关键流，根据当前的策略网络参数计算选取K条关键流的概率，以及选取K条关键流时SRv6网络的最大链路利用率，K＞1。
训练模块320例如执行操作S2，用于以SRv6网络的最大链路利用率最小化为目标，以最大链路利用率高于预置基线时令选取K条关键流的概率增加为原则，训练策略网络。
重复训练及关键流识别模块330例如执行操作S3，用于重复执行选取及计算模块310和训练模块320，直至达到给定训练次数或者策略网络的损失函数收敛，将SRv6网络的当前网络状态输入训练后的策略网络，得到最优的K条关键流。
关键流重路由模块340例如执行操作S4，用于在满足链路容量利用率约束的条件下，以SRv6网络的最大链路利用率与最长显示路径的加权和最小化为目标，为最优的K条关键流重路由显示路径，并基于显示路径进行数据传输。
SRv6网络中流量调度优化系统300用于执行上述图1-图2所示实施例中的SRv6网络中流量调度优化方法。本实施例未尽之细节，请参阅前述图1-图2所示实施例中的SRv6网络中流量调度优化方法，此处不再赘述。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序。程序被处理器执行时实现如上所述的SRv6网络中流量调度优化法，此处不再赘述。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种SRv6网络中流量调度优化方法，其特征在于，包括：
S1，在SRv6网络中选取K条关键流，根据当前的策略网络参数计算选取所述K条关键流的概率，以及选取所述K条关键流时SRv6网络的最大链路利用率，K＞1；
S2，以SRv6网络的最大链路利用率最小化为目标，以所述最大链路利用率高于预置基线时令选取所述K条关键流的概率增加为原则，训练策略网络；
S3，重复执行所述S1-S2，直至达到给定训练次数或者策略网络的损失函数收敛，将所述SRv6网络的当前网络状态输入训练后的策略网络，得到最优的K条关键流；
S4，在满足链路容量利用率约束的条件下，以SRv6网络的最大链路利用率与最长显示路径的加权和最小化为目标，为最优的K条关键流重路由显示路径，并基于所述显示路径进行数据传输。
2.如权利要求1所述的SRv6网络中流量调度优化方法，其特征在于，所述S1中计算得到的概率为：
其中，为由/>参数化的随机策略，用于计算概率；/>为K条关键流，/>为网络状态，/>为策略网络参数，/>为/>下的第i个可用操作。
3.如权利要求1所述的SRv6网络中流量调度优化方法，其特征在于，所述S2中训练的策略网络参数更新方式为：
其中，为策略网络参数，/>为学习率，/>为梯度；/>为由/>参数化的随机策略，用于计算概率；/>为K条关键流，/>为网络状态，/>为奖励，/>为所述预置基线，/>为超参数，/>为求熵函数。
4.如权利要求1或3所述的SRv6网络中流量调度优化方法，其特征在于，所述预置基线为：所述SRv6网络在不同网络状态下的最大链路利用率的倒数的均值。
5.如权利要求1所述的SRv6网络中流量调度优化方法，其特征在于，所述S4重路由的显示路径还满足以下约束：
其中，、/>、/>分别为源节点s到目的节点d在链路/>、链路/>、链路/>上的流量需求百分比，/>为所述SRv6网络中链路的集合，/>为最优的K条关键流，i、j、k为不同的节点。
6.如权利要求1或5所述的SRv6网络中流量调度优化方法，其特征在于，所述S4中的优化目标为：
所述链路容量利用率约束为：
其中，表示线性规划问题，/>为最大链路利用率；/>为权重参数，/>且小于设定阈值，/>、/>分别为源节点s到目的节点d在链路/>、链路/>上的流量需求百分比，/>为所述SRv6网络中链路的集合，/>为最优的K条关键流，/>为链路/>上的流量负载，为链路/>的链路容量，/>为源节点s到目的节点d的流量需求，/>为位于链路/>上的背景流量负载，i、j为不同的节点。
7.如权利要求1所述的SRv6网络中流量调度优化方法，其特征在于，所述S4中利用uSID压缩报头形成关键流数据，以进行数据传输，所述uSID压缩报头包括一个或多个128位的uSID承载器，所述uSID承载器的格式为：16位的uSID块和16位的结束标志，以及依次填充在所述uSID块和所述结束标志之间的各路由节点的16位uSID。
8.一种SRv6网络中流量调度优化系统，其特征在于，包括：
选取及计算模块，用于在SRv6网络中选取K条关键流，根据当前的策略网络参数计算选取所述K条关键流的概率，以及选取所述K条关键流时SRv6网络的最大链路利用率，K＞1；
训练模块，用于以SRv6网络的最大链路利用率最小化为目标，以所述最大链路利用率高于预置基线时令选取所述K条关键流的概率增加为原则，训练策略网络；
重复训练及关键流识别模块，用于重复执行所述选取及计算模块和所述训练模块，直至达到给定训练次数或者策略网络的损失函数收敛，将所述SRv6网络的当前网络状态输入训练后的策略网络，得到最优的K条关键流；
关键流重路由模块，用于在满足链路容量利用率约束的条件下，以SRv6网络的最大链路利用率与最长显示路径的加权和最小化为目标，为最优的K条关键流重路由显示路径，并基于所述显示路径进行数据传输。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一项所述的SRv6网络中流量调度优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311304200.1A CN117041133A (zh) | 2023-10-10 | 2023-10-10 | SRv6网络中流量调度优化方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311304200.1A CN117041133A (zh) | 2023-10-10 | 2023-10-10 | SRv6网络中流量调度优化方法、系统及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117041133A true CN117041133A (zh) | 2023-11-10 |
Family
ID=88626728
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311304200.1A Pending CN117041133A (zh) | 2023-10-10 | 2023-10-10 | SRv6网络中流量调度优化方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117041133A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160294700A1 (en) * | 2015-03-30 | 2016-10-06 | Alcatel-Lucent Usa, Inc. | Online route computation and traffic engineering with segment routing |
| CN111628995A (zh) * | 2020-05-26 | 2020-09-04 | 新华三信息安全技术有限公司 | 基于SRv6的SID压缩方法、装置、设备及存储介质 |
| WO2020220439A1 (zh) * | 2019-04-29 | 2020-11-05 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
| CN116170327A (zh) * | 2023-03-01 | 2023-05-26 | 西安电子科技大学 | 基于图神经网络和强化学习的分段路由网络增量部署方法 |
| CN116455824A (zh) * | 2023-03-23 | 2023-07-18 | 华南理工大学 | 基于强化学习的网络流量负载均衡方法 |
-
2023
- 2023-10-10 CN CN202311304200.1A patent/CN117041133A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160294700A1 (en) * | 2015-03-30 | 2016-10-06 | Alcatel-Lucent Usa, Inc. | Online route computation and traffic engineering with segment routing |
| WO2020220439A1 (zh) * | 2019-04-29 | 2020-11-05 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
| CN111628995A (zh) * | 2020-05-26 | 2020-09-04 | 新华三信息安全技术有限公司 | 基于SRv6的SID压缩方法、装置、设备及存储介质 |
| CN116170327A (zh) * | 2023-03-01 | 2023-05-26 | 西安电子科技大学 | 基于图神经网络和强化学习的分段路由网络增量部署方法 |
| CN116455824A (zh) * | 2023-03-23 | 2023-07-18 | 华南理工大学 | 基于强化学习的网络流量负载均衡方法 |
Non-Patent Citations (2)
| Title |
|---|
| 伍佑明: "SRv6报文压缩技术探析", 《信息通信技术与政策》, pages 72 - 75 * |
| 杨俊峰: "基于数据驱动的网络流量调度方法研究", 《硕士电子期刊》, pages 39 - 48 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102714629B (zh) | 通信系统、转发节点、路径管理服务器以及通信方法 | |
| Yao et al. | Machine learning aided load balance routing scheme considering queue utilization | |
| CN108234320B (zh) | 报文传输方法及交换机 | |
| CN104486809A (zh) | 一种无线局域网路由方法 | |
| CN107846706A (zh) | 一种拥塞避免的编码感知无线mesh网络多路径路由方法 | |
| US7788714B2 (en) | Packet transfer apparatus | |
| CN107113235A (zh) | 一种数据路由的方法及装置 | |
| Kassabalidis et al. | Adaptive-SDR: Adaptive swarm-based distributed routing | |
| CN111224888A (zh) | 发送报文的方法及报文转发设备 | |
| CN113783779A (zh) | 命名数据网络中分级随机缓存方法 | |
| CN115278811A (zh) | 一种基于决策树模型的mptcp连接路径选择方法 | |
| CN107977160B (zh) | 交换机存取资料的方法 | |
| WO2005079001A1 (en) | Network architecture | |
| CN102231711B (zh) | 基于维纳预测动态调整节点拥塞等级的路由控制方法 | |
| Alipio et al. | Deep Reinforcement Learning perspectives on improving reliable transmissions in IoT networks: Problem formulation, parameter choices, challenges, and future directions | |
| CN117041133A (zh) | SRv6网络中流量调度优化方法、系统及介质 | |
| CN107548120A (zh) | 临空通信网络的路由方法和装置 | |
| CN102316033B (zh) | 一种指定分发树的方法和系统 | |
| CN107135271B (zh) | 一种能量有效的内容中心网络缓存方法 | |
| CN115473854B (zh) | 一种多模态网络的流量智能控制方法 | |
| JP2015220699A (ja) | キャッシュノードの探索方法 | |
| CN107566302A (zh) | 报文转发方法和装置 | |
| CN108924051A (zh) | 基于增强学习的信息中心网络兴趣包转发方法 | |
| CN110535773B (zh) | 一种多重虚拟流表的实现方法及系统 | |
| CN117014501A (zh) | 基于可编程交换机的无状态SRv6服务链代理方法及系统 |
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 |