软件定义网络中服务感知的自适应流调度技术研究
发布时间：2021-08-15 23:45
软件定义网络（Software-defined network,SDN）成为目前网络发展的新趋势,得益于它能够对网络进行集中控制,集中控制能够带给网络管理者诸多好处,突破传统网络中亟需解决的问题。而云服务平台等新兴网络技术的出现,使得服务内容集中化,服务种类多样化,用户的访问也逐渐个性化,如何针对性的提升用户访问业务的服务质量（QoS）,提高网络中链路的利用率和保障链路的负载均衡,是本文主要的研究课题,对此本文主要做了如下两方面的工作:首先,提出了一个在SDN网络中服务流分类与识别的框架,该框架在每个SDN域中通过流量采集与分析软件采集边缘网络设备上多个端口传输的数据流的信息,并将统计后的流特征信息发往控制器的服务流分类模块的队列和历史数据库中等待处理。服务流分类模块是以机器学习中的深度神经网络模型为核心,以历史数据库中流样本数据为训练集而训练出的分类模型,它通过提取队列中流的有效特征信息进行分类预测,从而识别并感知出其所属的服务类别,其中历史数据库能够周期性的重新训练分类模型使其自适应未来的网络变化。在最后对框架中核心技术深度神经网络分类模型进行了仿真实验,实验结果表明该模型能够有效...
【文章来源】：重庆邮电大学重庆市
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
JupyterNotebook的Web界面截图
为一个普遍存在于所有机器学习流量分类研究中的问题训练模型来说太多了，因为输入维度太高，会增加大量特征项会干扰分类模型的训练，影响分类效果，再加上集的训练样本数量过小，这将导致分类器的训练模型过，最终非样本数据的分类准确性和方差不会很好。因此特征选择的方法对这些特征值做处理，选择和提取其中作为深度神经网络的训练特征属性。的方法本文使用基于树的特征选择(Tree-based feature 算特征的重要程度，因此能用来去除相关程度低和冗余可以得到了训练样本的特征属性的重要性排名tances_)，并通过文本和可视化的方式输出到控制器进
(a) 第 8 条流的算法迭代过程图 (b) 第 13 条流的算法迭代过程图图 4.6 算法迭代过程图图4.6(a)和图4.6(b)分别是第8次和第13次模拟主机发送数据流后LLB-QoSAS算法在 250 次迭代内评价指标以及路径利用率总和等几个数值的变化图，由于图4.6(a)和图 4.6(b)的变化曲线非常相似，我们以图 4.6(a)为例进行详细说明。图 4.6(a)中的第一幅是评价指标随迭代次数的变化曲线图，其中 avg_fitness 表示的是每次寻路迭代 m 只蚂蚁找到的 m 条路径的平均评价指标值，best_fitness 表示的是迭代到目前为止所找到的当前最优路径的评价指标的值。从图中可以看到，改进后的算法在第43 次迭代时best_fitness 上升到最大且直到第 250次迭代都没有再变化，这说明在第 43 次迭代时找到了当前最优解，同时在第 100 次迭代之后avg_fitness 逐渐向 best_fitness 靠近并收敛
【参考文献】：
期刊论文
[1]软件定义网络可扩展性研究综述[J]. 付永红,毕军,张克尧,吴建平. 通信学报. 2017(07)
[2]带L2正则化项的神经网络逆向迭代算法收敛性分析[J]. 吕炜,陈永刚,沈晨. 信息技术与信息化. 2015(06)
[3]Internet流量模型分析与评述[J]. 张宾,杨家海,吴建平. 软件学报. 2011(01)
[4]基于遗传蚁群算法的QoS路由算法研究[J]. 尹向东. 计算机工程与应用. 2009(17)
[5]基于赌盘的动态负荷均衡方法及其实现[J]. 邹园萍,刘红林. 通信学报. 2008(09)
[6]求解带度约束多播路由问题的启发式遗传算法[J]. 潘耘,王行刚,冯烟利,余镇危. 通信学报. 2007(01)
[7]一种基于拉格朗日松弛的时延约束多播路由算法[J]. 王珩,王华,孙亚民. 通信学报. 2004(05)
[8]一种基于蚁群算法的TSP问题分段求解算法[J]. 吴斌,史忠植. 计算机学报. 2001(12)
[9]神经网络中BP算法的分析[J]. 张铃,张钹. 模式识别与人工智能. 1994(03)
博士论文
[1]软件定义网络中多媒体传输路由及缓存算法研究[D]. 李索恒.中国科学技术大学 2016
硕士论文
[1]基于SVM的P2P流量早期识别研究[D]. 陈阳.河北大学 2017
[2]SDN下的流量工程和一致性更新问题的研究[D]. 葛鑫.南京大学 2016
[3]面向QoS保证的软件定义网络资源管控技术研究[D]. 许晨辉.南京航空航天大学 2016
[4]基于启发式多约束最优路径的软件定义网络服务质量路由算法研究[D]. 杨建华.西安电子科技大学 2015
[5]基于决策树的P2P流量识别方法研究[D]. 王洁环.西安电子科技大学 2015
[6]SDN在IP网络的流量调度应用研究[D]. 吴曼.电子科技大学 2015
[7]基于蚁群算法SDN负载均衡的研究[D]. 魏凯.吉林大学 2015
[8]面向SDN的流量调度技术研究[D]. 柯友运.西安电子科技大学 2014
[9]多路径网络负载均衡算法研究[D]. 王宇坤.太原理工大学 2007
[10]多约束QoS路由优化与仿真[D]. 王刚.山东大学 2007
本文编号：3345157
【文章来源】：重庆邮电大学重庆市
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
JupyterNotebook的Web界面截图
为一个普遍存在于所有机器学习流量分类研究中的问题训练模型来说太多了，因为输入维度太高，会增加大量特征项会干扰分类模型的训练，影响分类效果，再加上集的训练样本数量过小，这将导致分类器的训练模型过，最终非样本数据的分类准确性和方差不会很好。因此特征选择的方法对这些特征值做处理，选择和提取其中作为深度神经网络的训练特征属性。的方法本文使用基于树的特征选择(Tree-based feature 算特征的重要程度，因此能用来去除相关程度低和冗余可以得到了训练样本的特征属性的重要性排名tances_)，并通过文本和可视化的方式输出到控制器进
(a) 第 8 条流的算法迭代过程图 (b) 第 13 条流的算法迭代过程图图 4.6 算法迭代过程图图4.6(a)和图4.6(b)分别是第8次和第13次模拟主机发送数据流后LLB-QoSAS算法在 250 次迭代内评价指标以及路径利用率总和等几个数值的变化图，由于图4.6(a)和图 4.6(b)的变化曲线非常相似，我们以图 4.6(a)为例进行详细说明。图 4.6(a)中的第一幅是评价指标随迭代次数的变化曲线图，其中 avg_fitness 表示的是每次寻路迭代 m 只蚂蚁找到的 m 条路径的平均评价指标值，best_fitness 表示的是迭代到目前为止所找到的当前最优路径的评价指标的值。从图中可以看到，改进后的算法在第43 次迭代时best_fitness 上升到最大且直到第 250次迭代都没有再变化，这说明在第 43 次迭代时找到了当前最优解，同时在第 100 次迭代之后avg_fitness 逐渐向 best_fitness 靠近并收敛
【参考文献】：
期刊论文
[1]软件定义网络可扩展性研究综述[J]. 付永红,毕军,张克尧,吴建平. 通信学报. 2017(07)
[2]带L2正则化项的神经网络逆向迭代算法收敛性分析[J]. 吕炜,陈永刚,沈晨. 信息技术与信息化. 2015(06)
[3]Internet流量模型分析与评述[J]. 张宾,杨家海,吴建平. 软件学报. 2011(01)
[4]基于遗传蚁群算法的QoS路由算法研究[J]. 尹向东. 计算机工程与应用. 2009(17)
[5]基于赌盘的动态负荷均衡方法及其实现[J]. 邹园萍,刘红林. 通信学报. 2008(09)
[6]求解带度约束多播路由问题的启发式遗传算法[J]. 潘耘,王行刚,冯烟利,余镇危. 通信学报. 2007(01)
[7]一种基于拉格朗日松弛的时延约束多播路由算法[J]. 王珩,王华,孙亚民. 通信学报. 2004(05)
[8]一种基于蚁群算法的TSP问题分段求解算法[J]. 吴斌,史忠植. 计算机学报. 2001(12)
[9]神经网络中BP算法的分析[J]. 张铃,张钹. 模式识别与人工智能. 1994(03)
博士论文
[1]软件定义网络中多媒体传输路由及缓存算法研究[D]. 李索恒.中国科学技术大学 2016
硕士论文
[1]基于SVM的P2P流量早期识别研究[D]. 陈阳.河北大学 2017
[2]SDN下的流量工程和一致性更新问题的研究[D]. 葛鑫.南京大学 2016
[3]面向QoS保证的软件定义网络资源管控技术研究[D]. 许晨辉.南京航空航天大学 2016
[4]基于启发式多约束最优路径的软件定义网络服务质量路由算法研究[D]. 杨建华.西安电子科技大学 2015
[5]基于决策树的P2P流量识别方法研究[D]. 王洁环.西安电子科技大学 2015
[6]SDN在IP网络的流量调度应用研究[D]. 吴曼.电子科技大学 2015
[7]基于蚁群算法SDN负载均衡的研究[D]. 魏凯.吉林大学 2015
[8]面向SDN的流量调度技术研究[D]. 柯友运.西安电子科技大学 2014
[9]多路径网络负载均衡算法研究[D]. 王宇坤.太原理工大学 2007
[10]多约束QoS路由优化与仿真[D]. 王刚.山东大学 2007
本文编号：3345157
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3345157.html
