基于机器学习的SDN数据中心网络流量调度研究
发布时间：2021-04-25 19:56
新型软件定义网络（Software Defined Network,SDN）架构将网络的管理与控制软件化,实现了网络控制层与数据层的分离,其控制器能够实时获取网络数据层的数据传输状态,并可定制、更新数据层的数据流路由策略。流量调度的目的是根据实时的网络状态为流量选择最佳路径进行转发,然而由于网络的规模庞大,结构复杂,传统方法难以制定出全网范围最优的数据流路由调度方案。随着人工智能技术的发展,网络也向着智能化的方向演进。尤其是随着深度强化学习技术逐渐成熟,其基于环境状态更新回报的控制机制非常适合应用于软件定义网络的流量控制场景,实现全网最优的数据流实时调度。在SDN架构下,结合数据中心网络流量特征和Fat-Tree网络拓扑结构特性,提出了一种面向大象流的基于机器学习的流量调度策略。首先设置了策略中强化学习的关键因素状态、动作和奖励值,将源、目节点之间最短路径的网络状态设为状态,最短路径集合设为动作,由执行数据流转发后的路径状态反馈得到奖励值。然后分别将机器学习中的强化学习Q-Learning算法和深度强化学习DQN算法应用到流量调度算法中,利用算法可以根据实时的网络状态为每个不同Pod间...
【文章来源】：华北理工大学河北省
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
引言
第1章 绪论
1.1 研究背景
1.2 国内外研究现状
1.3 本课题研究内容
1.4 论文结构
第2章 相关技术介绍与研究
2.1 SDN数据中心网络
2.1.1 基于SDN的数据中心
2.1.2 数据中心网络体系架构
2.1.3 数据中心网络的流量特征
2.2 数据中心网络流量调度
2.2.1 大象流的调度策略
2.2.2 老鼠流的调度策略
2.2.3 大象流与老鼠流的调度策略
2.3 机器学习
2.4 马尔科夫决策过程
2.5 强化学习和深度强化学习
2.6 本章小结
第3章 基于Q-Learning的流量调度算法
3.1 Q-Learning算法
3.2 基于Q-Learning的流量调度算法
3.2.1 问题分析
3.2.2 算法描述
3.3 模型训练与参数设置
3.4 本章小结
第4章 基于DQN的流量调度算法
4.1 DQN算法
4.2 基于DQN的流量调度算法
4.2.1 问题分析
4.2.2 算法描述
4.3 模型训练与参数设置
4.4 本章小结
第5章 流量调度策略的设计与实验
5.1 流量调度策略的设计
5.1.1 流量调度策略的总体架构
5.1.2 流量调度策略各模块详细设计
5.2 仿真环境与设置
5.2.1 仿真环境
5.2.2 实验设置
5.3 实验结果与分析
5.4 本章小结
结论
参考文献
致谢
导师简介
企业导师简介
作者简介
学位论文数据集
【参考文献】：
期刊论文
[1]数据中心网络流调度技术前沿进展[J]. 胡智尧,李东升,李紫阳. 计算机研究与发展. 2018(09)
[2]数据中心网络中基于SDN的大象流负载均衡的研究[J]. 金玲,束永安. 计算机应用研究. 2019(01)
[3]一种基于SDN的多路径流调度机制[J]. 臧韦菲,兰巨龙,胡宇翔. 计算机应用研究. 2018(06)
[4]软件定义网络中应用蚁群优化的负载均衡算法[J]. 曲桦,赵季红,樊斌,王密,郭涯. 北京邮电大学学报. 2017(03)
[5]基于SDN的胖树数据中心网络多路径路由算法[J]. 彭大芹,赖香武,刘艳林. 计算机工程. 2018(04)
[6]深度强化学习综述[J]. 刘全,翟建伟,章宗长,钟珊,周倩,章鹏,徐进. 计算机学报. 2018(01)
[7]深度强化学习综述:兼论计算机围棋的发展[J]. 赵冬斌,邵坤,朱圆恒,李栋,陈亚冉,王海涛,刘德荣,周彤,王成红. 控制理论与应用. 2016(06)
[8]基于软件定义网络的流量工程[J]. 周桐庆,蔡志平,夏竟,徐明. 软件学报. 2016(02)
[9]软件定义网络（SDN）研究进展[J]. 张朝昆,崔勇,唐翯翯,吴建平. 软件学报. 2015(01)
[10]K最短路径算法综述[J]. 徐涛,丁晓璐,李建伏. 计算机工程与设计. 2013(11)
硕士论文
[1]利用深度强化学习实现智能网络流量控制[D]. 杨冉.北京邮电大学 2019
[2]软件定义网络中智能化资源调度策略研究[D]. 李朋苗.华北理工大学 2018
[3]SDN下基于强化学习的路由规划算法研究[D]. 程成.浙江工商大学 2018
[4]基于强化学习的SDN数据中心网络拥塞控制方法的研究[D]. 庹鑫.浙江工商大学 2018
[5]基于SDN的数据中心网络流量调度方法研究[D]. 阳利.湘潭大学 2017
[6]基于SDN的数据中心网络流量调度策略研究[D]. 黄马驰.重庆邮电大学 2017
[7]利用机器学习实现快速网络资源分配的研究[D]. 李彦君.电子科技大学 2015
本文编号：3159999
【文章来源】：华北理工大学河北省
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
引言
第1章 绪论
1.1 研究背景
1.2 国内外研究现状
1.3 本课题研究内容
1.4 论文结构
第2章 相关技术介绍与研究
2.1 SDN数据中心网络
2.1.1 基于SDN的数据中心
2.1.2 数据中心网络体系架构
2.1.3 数据中心网络的流量特征
2.2 数据中心网络流量调度
2.2.1 大象流的调度策略
2.2.2 老鼠流的调度策略
2.2.3 大象流与老鼠流的调度策略
2.3 机器学习
2.4 马尔科夫决策过程
2.5 强化学习和深度强化学习
2.6 本章小结
第3章 基于Q-Learning的流量调度算法
3.1 Q-Learning算法
3.2 基于Q-Learning的流量调度算法
3.2.1 问题分析
3.2.2 算法描述
3.3 模型训练与参数设置
3.4 本章小结
第4章 基于DQN的流量调度算法
4.1 DQN算法
4.2 基于DQN的流量调度算法
4.2.1 问题分析
4.2.2 算法描述
4.3 模型训练与参数设置
4.4 本章小结
第5章 流量调度策略的设计与实验
5.1 流量调度策略的设计
5.1.1 流量调度策略的总体架构
5.1.2 流量调度策略各模块详细设计
5.2 仿真环境与设置
5.2.1 仿真环境
5.2.2 实验设置
5.3 实验结果与分析
5.4 本章小结
结论
参考文献
致谢
导师简介
企业导师简介
作者简介
学位论文数据集
【参考文献】：
期刊论文
[1]数据中心网络流调度技术前沿进展[J]. 胡智尧,李东升,李紫阳. 计算机研究与发展. 2018(09)
[2]数据中心网络中基于SDN的大象流负载均衡的研究[J]. 金玲,束永安. 计算机应用研究. 2019(01)
[3]一种基于SDN的多路径流调度机制[J]. 臧韦菲,兰巨龙,胡宇翔. 计算机应用研究. 2018(06)
[4]软件定义网络中应用蚁群优化的负载均衡算法[J]. 曲桦,赵季红,樊斌,王密,郭涯. 北京邮电大学学报. 2017(03)
[5]基于SDN的胖树数据中心网络多路径路由算法[J]. 彭大芹,赖香武,刘艳林. 计算机工程. 2018(04)
[6]深度强化学习综述[J]. 刘全,翟建伟,章宗长,钟珊,周倩,章鹏,徐进. 计算机学报. 2018(01)
[7]深度强化学习综述:兼论计算机围棋的发展[J]. 赵冬斌,邵坤,朱圆恒,李栋,陈亚冉,王海涛,刘德荣,周彤,王成红. 控制理论与应用. 2016(06)
[8]基于软件定义网络的流量工程[J]. 周桐庆,蔡志平,夏竟,徐明. 软件学报. 2016(02)
[9]软件定义网络（SDN）研究进展[J]. 张朝昆,崔勇,唐翯翯,吴建平. 软件学报. 2015(01)
[10]K最短路径算法综述[J]. 徐涛,丁晓璐,李建伏. 计算机工程与设计. 2013(11)
硕士论文
[1]利用深度强化学习实现智能网络流量控制[D]. 杨冉.北京邮电大学 2019
[2]软件定义网络中智能化资源调度策略研究[D]. 李朋苗.华北理工大学 2018
[3]SDN下基于强化学习的路由规划算法研究[D]. 程成.浙江工商大学 2018
[4]基于强化学习的SDN数据中心网络拥塞控制方法的研究[D]. 庹鑫.浙江工商大学 2018
[5]基于SDN的数据中心网络流量调度方法研究[D]. 阳利.湘潭大学 2017
[6]基于SDN的数据中心网络流量调度策略研究[D]. 黄马驰.重庆邮电大学 2017
[7]利用机器学习实现快速网络资源分配的研究[D]. 李彦君.电子科技大学 2015
本文编号：3159999
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3159999.html
