论文部分内容阅读
软件定义网络(Software Defined Network,SDN)是近几年学术界和产业界最为关注的新型网络架构,其核心思想是将控制平面与转发平面分离,以简化网络管理、应用部署等操作。受投资保护、风险控制等因素影响,SDN的全面部署无法在短期内完成,从而形成传统P网络与SDN共存的状态,即混合SDN。混合SDN作为SDN全面部署过程的中间状态,为传统IP网络引入了SDN的部分优势,同时又受到传统IP网络固有缺陷的限制。如何充分利用SDN的优势对传统P网络进行优化,成为当前混合SDN流量工程的研究热点和难点。目前已有的混合SDN流量工程,通常假定流量矩阵已知,但事实上,混合SDN的流量矩阵很难直接测量得到。而已有的估计方法主要是针对传统P网络的,不完全适用于混合SDN网络。同时,现有的混合SDN流量工程在实施路由优化时,未考虑SDN节点自身服务能力的实际限制,导致在一味追求网络性能最优的同时,可能超出SDN节点的服务极限。本文针对混合SDN流量工程中的上述问题进行研究,主要完成了以下工作：(1)提出了一种基于OD流聚类的自适应多Elman神经网络(Adaptive Multi-Elman Neural Network, AMElman)估计算法,实现了对混合SDN流量矩阵的精确估计。该算法利用Elman神经网络建模,避免了先验信息对估计过程的影响；通过对OD流进行聚类,提高了整个估计过程的精确性；同时,利用SDN节点对OD流的精确测量,在不引入额外测量代价的情况下提高了估计算法的自适应性。(2)提出了一个基于链路代价和的路由优化模型及相应的最小代价和(Minimal Cost Sum, MCS)路由优化算法。该模型从网络全局出发,以链路代价和最小化为优化目标,并将混合SDN中SDN节点的实际处理能力纳入约束条件,实现全网链路负载均衡的最优化,克服了已有模型的诸多局限。(3)利用Abilene网络的真实数据对上述算法进行仿真,实验结果表明,AMElman算法比已有的算法具有更高的估计精度和更好的自适应能力,而MCS算法能够使网络的链路负载更加均衡。同时,对流量矩阵的估计值在网络优化中的实际应用效果进行了实验分析,结果表明,基于AMElman算法得到的流量矩阵估计值用于网络的路由优化是可行的。