基于软件定义网络的对等网传输调度优化
发布时间：2022-01-03 10:01
针对对等网（P2P）系统中的应用层组播（ALM）流量优化问题,设计了一个基于软件定义网络（SDN）的实时流调度系统。首先使用网络测量技术获取网络的流量矩阵,然后将它抽象成一张带权重的网络状态图提供给终端优先组播树（TFST）生成算法。TFST生成算法分两阶段进行:第一阶段计算组播树时通过修改终端节点的距离为0来巧妙地引导生成算法优先考虑终端节点;第二阶段是根据设定的权衡因子对分支节点数量进行调整,这样计算出的组播树能同时兼顾流量代价和实施代价。最后为避免组播树部署到网络中时频繁的流表更新带来的网络性能下降问题,还设计了一个基于循环神经网络的模块来根据网络性能自动调整更新周期。仿真结果表明采用了ALM实时流调度系统的网络拥塞指标与原始网络相比下降了47%,在中等负载情况下,利用神经网络模块自动调整更新周期方式与立即更新和固定5 s间隔更新方式相比,拥塞指标的均值分别降低了17. 6%和25%,在将机器学习引入SDN实现智能化网络方面具有较大的应用价值。
【文章来源】：计算机应用. 2020,40(03)北大核心CSCD
【文章页数】：6 页
【部分图文】：
ALM树与基础网络
TFST的构建
网络性能的主要指标有时延（Delay）、带宽、丢包率（Loss）。SDN环境下有很多可用的网络测量方法及工具[15-16]来测量这三个指标。带宽通常比较稳定，那么衡量网络性能变化的主要指标就是拥塞指标P=Delay+Loss了。用L表示由流量矩阵M′所反映的网络负载，那么P既与L相关，又与更新间隔T有关，所以P是L和T的函数，记作P=f(L,T),P和L都是可测量的，确定T值的问题就是一个根据样本值P,L对参数T进行估计的问题，显然f形式未知且非线性，无法采用传统的参数估计和线性回归等工具来计算T值。为此，本文设计了一个如图4所示的带反馈环的逆系统来根据P自动调整T，其中的下标i表示第i次迭代。Hornik已经证明，只需一个包含足够多神经元的隐层，多层前馈网络就能以任意精度逼近任意复杂度的连续函数[17]。函数逼近问题的本质是一种有监督的学习。为了实现上述逆系统，本文设计了一个如图5所示的递归神经网络模型来逼近f函数，输入层中的x1、x2、x3、x4分别表示流量矩阵M中的流量均值、众数、方差、链路流量平均变化率，刻画了网络负载的四个特征；x5和x6分别表示丢包率和平均延迟，反映了网络性能特征。x7是模型的输出结果T的反馈输入。偏置值x0=1（图并未画出），隐藏层采用6个神经元，激活函数采用ReLU(Rectified Liner Uints）。损失函数定义为当前网络拥塞指标与理想拥塞指标之差：|P-Popt|，优化器采用随机梯度下降（Stochastic Gradient Descent,SGD）算法。为避免数据规模对结果的影响，P和T等所有数据都用双正切函数映射到（0,1）区间。
【参考文献】：
期刊论文
[1]SDN网络测量技术综述[J]. 张恒,蔡志平,李阳. 中国科学:信息科学. 2018(03)
[2]SDN网络性能测量系统设计与实现[J]. 陈蕾衣,张新有. 成都信息工程大学学报. 2018(01)
[3]数据流特征感知的交换机流表智能更新方法[J]. 姜立立,曾国荪,丁春玲. 计算机应用. 2016(07)
[4]软件定义网络:安全模型、机制及研究进展[J]. 王蒙蒙,刘建伟,陈杰,毛剑,毛可飞. 软件学报. 2016(04)
[5]Gossip-Based Resource Location Strategy in Interest Community for P2P Networks[J]. HE Ming,ZHANG Yujie,MENG Xiangwu. Chinese Journal of Electronics. 2015(02)
硕士论文
[1]软件定义网络中流媒体QoE控制技术研究[D]. 孙超.山东大学 2018
本文编号：3566072
【文章来源】：计算机应用. 2020,40(03)北大核心CSCD
【文章页数】：6 页
【部分图文】：
ALM树与基础网络
TFST的构建
网络性能的主要指标有时延（Delay）、带宽、丢包率（Loss）。SDN环境下有很多可用的网络测量方法及工具[15-16]来测量这三个指标。带宽通常比较稳定，那么衡量网络性能变化的主要指标就是拥塞指标P=Delay+Loss了。用L表示由流量矩阵M′所反映的网络负载，那么P既与L相关，又与更新间隔T有关，所以P是L和T的函数，记作P=f(L,T),P和L都是可测量的，确定T值的问题就是一个根据样本值P,L对参数T进行估计的问题，显然f形式未知且非线性，无法采用传统的参数估计和线性回归等工具来计算T值。为此，本文设计了一个如图4所示的带反馈环的逆系统来根据P自动调整T，其中的下标i表示第i次迭代。Hornik已经证明，只需一个包含足够多神经元的隐层，多层前馈网络就能以任意精度逼近任意复杂度的连续函数[17]。函数逼近问题的本质是一种有监督的学习。为了实现上述逆系统，本文设计了一个如图5所示的递归神经网络模型来逼近f函数，输入层中的x1、x2、x3、x4分别表示流量矩阵M中的流量均值、众数、方差、链路流量平均变化率，刻画了网络负载的四个特征；x5和x6分别表示丢包率和平均延迟，反映了网络性能特征。x7是模型的输出结果T的反馈输入。偏置值x0=1（图并未画出），隐藏层采用6个神经元，激活函数采用ReLU(Rectified Liner Uints）。损失函数定义为当前网络拥塞指标与理想拥塞指标之差：|P-Popt|，优化器采用随机梯度下降（Stochastic Gradient Descent,SGD）算法。为避免数据规模对结果的影响，P和T等所有数据都用双正切函数映射到（0,1）区间。
【参考文献】：
期刊论文
[1]SDN网络测量技术综述[J]. 张恒,蔡志平,李阳. 中国科学:信息科学. 2018(03)
[2]SDN网络性能测量系统设计与实现[J]. 陈蕾衣,张新有. 成都信息工程大学学报. 2018(01)
[3]数据流特征感知的交换机流表智能更新方法[J]. 姜立立,曾国荪,丁春玲. 计算机应用. 2016(07)
[4]软件定义网络:安全模型、机制及研究进展[J]. 王蒙蒙,刘建伟,陈杰,毛剑,毛可飞. 软件学报. 2016(04)
[5]Gossip-Based Resource Location Strategy in Interest Community for P2P Networks[J]. HE Ming,ZHANG Yujie,MENG Xiangwu. Chinese Journal of Electronics. 2015(02)
硕士论文
[1]软件定义网络中流媒体QoE控制技术研究[D]. 孙超.山东大学 2018
本文编号：3566072
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3566072.html
