软件定义网络业务传输优化技术研究
发布时间：2021-10-25 23:45
软件定义网络（Software-defined Networking,SDN）实现了控制平面与数据平面的解耦,创新性地解决了传统网络体系结构僵化、管理难度大、更新困难等问题,近年来已成为学术研究与产业应用的热点。然而,随着各类基于SDN的网络基础设施特别是数据中心网络的不断发展,大量的网络应用和网络流量呈现爆炸式增长,使得SDN网络业务传输过程中存在服务质量难以保证和终端用户体验差的问题。具体而言,首先,随着网络业务的多元化发展,网络业务状态信息呈现高维化特征,现有SDN受限于其节点感知能力和僵化的业务分配机制,难以高效完成全局网络业务感知,无法为业务传输提供精确的感知依据;其次,在分布式多控制器部署的SDN网络中,如果其子域划分不合理,多域管理下的控制器间协作性差,会严重影响SDN业务传输效率;最后,网络流量存在时间与空间分布不均匀的特性,在业务流量突发的情况下,控制器极易出现过载或者轻载的状况,导致业务传输不稳定。本文以国家863计划课题“软件定义网络体系结构与关键技术研究”为依托,围绕软件定义网络业务传输优化技术展开研究,从SDN业务传输框架、SDN业务状态感知算法、多域协同控制...
【文章来源】：战略支援部队信息工程大学河南省
【文章页数】：104 页
【学位级别】：博士
【部分图文】：
基于群集运动的SDN业务传输框架图
战略支援部队信息工程大学博士学位论文第30页从网络开销的角度来看，实时感知大规模的网络资源将降低网络吞吐量，并影响网络业务的正常传输性能。而智能网元节点将以增量的方式部署在网络中，所以具备感知能力的网络智能体的数量有限，并且感知节点在执行感知动作时会因智能体计算、感知、继承行为产生链路资源的消耗，因此不能无限感知，需要遵循空间全覆盖、时间全覆盖、数量最少、负载均衡等原则。（3）邻域继承机制邻域继承机制实现了可控的感知信息传递，为网络状态定义了合理的、清晰的、完整的感知信息格式，以及与相邻网络智能体之间的信息交换流程。智能节点为感知区域内的每个网元都建立了一条资源感知信息，在信息中依次说明该网元节点能够提供的各功能单元名称、与协同处理单元间的拓扑关系、配置状态、响应能力及容量大校同时，智能节点为感知区域内的每项业务也建立了一条业务感知信息，在信息中依次说明该业务在感知区域内的分布特征、处理所需的资源以及传输处理过程中的性能指标。图2.8映射关系库示意图同时，要设定感知信息的发起和结束条件，避免大量感知信息在传递和处理过程中消耗节点和链路资源。根据网络状态关联规则可定义的特点，同一个智能体在时间上对网络参数的连续感知结果具有相关特性，如果对某参数的两次感知结果相关度较高，表明当前感知结果对全网状态生成影响较小，无需向邻域更新该参数的感知结果；反之，如果相关度较低，表明感知结果变化较大，应向邻域传递最新的感知信息。
战略支援部队信息工程大学博士学位论文第32页业务类i的决策函数领域继承机制Xi-1Xi-2Xi-3Xi-N带宽分配与执行+图2.9基于平稳流的业务带宽分配与决策过程图2.5.3智能决策（1）生成决策1）基于深度学习的复杂网络决策模型深度学习能够利用机器学习模型，自动发现并提取原始数据中潜在的关系和特征，而无需考虑人们的先验知识，基于其自主性得出的结果更为客观和真实。深度学习模型中含有多个非线性变换模块，对学习内容逐层抽取并生成更多有用的抽象特征，自行地学习呈现分层结构的数据特征，通过非线性变换表示为更高层的特征，并得到输入数据和输出数据之间复杂的映射关系，进而对网络进行拟合与决策。如图2.10，系统观察环境状态S，并以此选择决策a，环境状态因该决策发生改变，并反馈r，系统则根据r调整决策的选择方式，再次选择决策。因此，学习的目的是不断增加反馈的修正决策，使得反馈r最大。图2.10基于深度学习的复杂网络决策模型示意图2）不确定随机网络优化模型网络面向多网系承载和复杂不确定业务时，随机性和不确定性往往会同时出现在一个网络中，通过大量历史数据或观测数据的统计，能够获得权重满足随机性链路的概率分布函数。在历史数据无效且无法通过统计或因突发事件等原因获取数据时，只能利用具有相
【参考文献】：
期刊论文
[1]改进蚁群算法的中央空调冷冻水系统优化控制[J]. 张帆,李壮举. 计算机工程与设计. 2019(05)
[2]基于烟花算法的蛋白质相互作用网络功能模块检测方法[J]. 肖行行,冀俊忠,杨翠翠. 哈尔滨工业大学学报. 2019(05)
[3]SDN中基于多指标的链路负载均衡模型[J]. 龙昭华,叶二伟,董瑞芳. 计算机工程与设计. 2019(04)
[4]基于蚁群优化的SDN负载均衡算法研究[J]. 窦浩铭,胡静,陈思光,吴蒙. 南京邮电大学学报(自然科学版). 2019(01)
[5]Reliable and Load Balance-Aware Multi-Controller Deployment in SDN[J]. Tao Hu,Peng Yi,Jianhui Zhang,Julong Lan. 中国通信. 2018(11)
[6]群集运动引发的智慧网络发展思考:情景网络[J]. 邬江兴,胡宇翔,李玉峰. 电信科学. 2018(05)
[7]软件定义网络中基于负载均衡的多控制器部署算法[J]. 史久根,邾伟,贾坤荥,徐颖. 电子与信息学报. 2018(02)
[8]基于STM32F407的以太网通信模块设计[J]. 崔琳,朱磊,刘小龙,王湘南. 计算机测量与控制. 2018(01)
[9]带通信时滞的多智能体系统的群集运动[J]. 王世丽,金英花,吴晨. 计算机工程与应用. 2017(23)
[10]SDN中基于可靠性评估的多控制器均衡部署策略[J]. 胡涛,张建辉,马腾,赵伟. 通信学报. 2017(11)
硕士论文
[1]电能质量问题模拟电源的数据采集系统研制[D]. 张洁.西安工程大学 2018
[2]基于智能SDN的传输优化和流量分配机制研究[D]. 余晨.浙江大学 2018
[3]多功能数据采集器的研制[D]. 赵晓田.西安工程大学 2016
[4]软件定义网络在大规模网络中的应用研究[D]. 汪刚.浙江大学 2015
本文编号：3458398
【文章来源】：战略支援部队信息工程大学河南省
【文章页数】：104 页
【学位级别】：博士
【部分图文】：
基于群集运动的SDN业务传输框架图
战略支援部队信息工程大学博士学位论文第30页从网络开销的角度来看，实时感知大规模的网络资源将降低网络吞吐量，并影响网络业务的正常传输性能。而智能网元节点将以增量的方式部署在网络中，所以具备感知能力的网络智能体的数量有限，并且感知节点在执行感知动作时会因智能体计算、感知、继承行为产生链路资源的消耗，因此不能无限感知，需要遵循空间全覆盖、时间全覆盖、数量最少、负载均衡等原则。（3）邻域继承机制邻域继承机制实现了可控的感知信息传递，为网络状态定义了合理的、清晰的、完整的感知信息格式，以及与相邻网络智能体之间的信息交换流程。智能节点为感知区域内的每个网元都建立了一条资源感知信息，在信息中依次说明该网元节点能够提供的各功能单元名称、与协同处理单元间的拓扑关系、配置状态、响应能力及容量大校同时，智能节点为感知区域内的每项业务也建立了一条业务感知信息，在信息中依次说明该业务在感知区域内的分布特征、处理所需的资源以及传输处理过程中的性能指标。图2.8映射关系库示意图同时，要设定感知信息的发起和结束条件，避免大量感知信息在传递和处理过程中消耗节点和链路资源。根据网络状态关联规则可定义的特点，同一个智能体在时间上对网络参数的连续感知结果具有相关特性，如果对某参数的两次感知结果相关度较高，表明当前感知结果对全网状态生成影响较小，无需向邻域更新该参数的感知结果；反之，如果相关度较低，表明感知结果变化较大，应向邻域传递最新的感知信息。
战略支援部队信息工程大学博士学位论文第32页业务类i的决策函数领域继承机制Xi-1Xi-2Xi-3Xi-N带宽分配与执行+图2.9基于平稳流的业务带宽分配与决策过程图2.5.3智能决策（1）生成决策1）基于深度学习的复杂网络决策模型深度学习能够利用机器学习模型，自动发现并提取原始数据中潜在的关系和特征，而无需考虑人们的先验知识，基于其自主性得出的结果更为客观和真实。深度学习模型中含有多个非线性变换模块，对学习内容逐层抽取并生成更多有用的抽象特征，自行地学习呈现分层结构的数据特征，通过非线性变换表示为更高层的特征，并得到输入数据和输出数据之间复杂的映射关系，进而对网络进行拟合与决策。如图2.10，系统观察环境状态S，并以此选择决策a，环境状态因该决策发生改变，并反馈r，系统则根据r调整决策的选择方式，再次选择决策。因此，学习的目的是不断增加反馈的修正决策，使得反馈r最大。图2.10基于深度学习的复杂网络决策模型示意图2）不确定随机网络优化模型网络面向多网系承载和复杂不确定业务时，随机性和不确定性往往会同时出现在一个网络中，通过大量历史数据或观测数据的统计，能够获得权重满足随机性链路的概率分布函数。在历史数据无效且无法通过统计或因突发事件等原因获取数据时，只能利用具有相
【参考文献】：
期刊论文
[1]改进蚁群算法的中央空调冷冻水系统优化控制[J]. 张帆,李壮举. 计算机工程与设计. 2019(05)
[2]基于烟花算法的蛋白质相互作用网络功能模块检测方法[J]. 肖行行,冀俊忠,杨翠翠. 哈尔滨工业大学学报. 2019(05)
[3]SDN中基于多指标的链路负载均衡模型[J]. 龙昭华,叶二伟,董瑞芳. 计算机工程与设计. 2019(04)
[4]基于蚁群优化的SDN负载均衡算法研究[J]. 窦浩铭,胡静,陈思光,吴蒙. 南京邮电大学学报(自然科学版). 2019(01)
[5]Reliable and Load Balance-Aware Multi-Controller Deployment in SDN[J]. Tao Hu,Peng Yi,Jianhui Zhang,Julong Lan. 中国通信. 2018(11)
[6]群集运动引发的智慧网络发展思考:情景网络[J]. 邬江兴,胡宇翔,李玉峰. 电信科学. 2018(05)
[7]软件定义网络中基于负载均衡的多控制器部署算法[J]. 史久根,邾伟,贾坤荥,徐颖. 电子与信息学报. 2018(02)
[8]基于STM32F407的以太网通信模块设计[J]. 崔琳,朱磊,刘小龙,王湘南. 计算机测量与控制. 2018(01)
[9]带通信时滞的多智能体系统的群集运动[J]. 王世丽,金英花,吴晨. 计算机工程与应用. 2017(23)
[10]SDN中基于可靠性评估的多控制器均衡部署策略[J]. 胡涛,张建辉,马腾,赵伟. 通信学报. 2017(11)
硕士论文
[1]电能质量问题模拟电源的数据采集系统研制[D]. 张洁.西安工程大学 2018
[2]基于智能SDN的传输优化和流量分配机制研究[D]. 余晨.浙江大学 2018
[3]多功能数据采集器的研制[D]. 赵晓田.西安工程大学 2016
[4]软件定义网络在大规模网络中的应用研究[D]. 汪刚.浙江大学 2015
本文编号：3458398
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3458398.html
