基于机器学习的软件定义网络业务路由优化

摘要

目前，随着通信技术、互联网应用以及云计算技术的高速发展，通信网络正经历着爆发式的流量增长。传统的路由优化方法通常需要收集网络流量信息，然后根据这些流量信息计算路由策略，最后进行路由配置。整个路由计算过程非常耗时，并且获取准确的网络流量信息通常非常困难，往往需要巨大的网络资源开销。最近，在机器学习以及人工智能领域取得的突破似乎为网络业务路由优化提供了一种可行的方法。基于机器学习的路由优化算法可以根据历史数据学习到流量特征和路由策略良好的映射关系，然后利用学习到的知识根据业务特征变化快速地进行路由决策，能够实现自适应的业务路由调度和管理。另一方面，SDN作为一种新型网络架构可以方便地获取到用于业务路由优化的统计信息。利用SDN的这种架构，在控制平面可以方便地获取到丰富的用于机器学习路由优化算法输入的业务流量特征，并且能够实现快速地进行路由策略下发和执行。本文主要研究在SDN场景下结合机器学习算法来更好地实现业务路由优化。 据研究表明，通信网络中的大流占据了网络中80%的流量，通过识别这些大流然后对其进行路由管理和优化，可以更好地实现网络的负载均衡，并为后续的在线的路由规划和调度方法的研究奠定基础。因此，本文首先研究了基于机器学习的实时大流检测方法。该方法利用SDN交换机在数据平面收集流特征，并在控制平面基于机器学习方法构造大流检测模型。该方法相对于传统的方法能够实现更高的检测精准率，以及更低的交换机内存开销。 接下来，为了实现网络流量的负载均衡，本文研究了基于监督式深度学习的路由优化方法。该方法首先构建路由优化数学模型，接下来使用该模型求解若干真实流量场景下的路由优化方案，并将这些路由优化方案作为深度学习算法学习的路由标签，然后使用神经网络来学习流量矩阵和这些路由标签的直接映射关系。根据实验结果，该方法能够实现良好的网络负载效果。 上述监督式的机器学习路由算法存在数据标签难获取、真实流量矩阵难测量等问题，为了找到一种简单、可行的智能路由优化方法，本文继续研究并提出了一种基于深度强化学习的路由优化算法。强化学习路由算法通过最大化获取的奖励来调整神经网络参数，不需要人工构造样本标签，可以大大减少人工与时间成本。此外，该方法使用可以直接获取到的网络链路利用率作为算法模型输入，与直接使用流量矩阵相比可以有效避免流量矩阵的测量开销。

目录

声明

缩略词表

第一章 绪 论

1.1 研究的背景与意义

1.2 国内外研究现状

1.2.1 传统业务路由优化方法研究现状

1.2.2 SDN介绍及研究现状

1.2.3 基于SDN的业务路由优化方案研究现状

1.2.4 机器学习介绍及研究现状

1.2.5 基于机器学习的业务路由优化方法研究现状

1.3 本文的主要贡献

1.4 本文的内容结构安排

第二章 基于机器学习的SDN实时大流检测

2.1 引言

2.2 基于机器学习的SDN实时大流检测架构简介

2.3 基于机器学习的算法模型介绍

2.3.1 机器学习相关算法简介

2.3.2 基于支持向量机的大流检测算法

2.3.3 基于卷积神经网络的大流检测算法

2.4 仿真实验设计及分析

2.4.1 实验设计与准备

2.4.2 实验结果与分析

2.5 本章小结

第三章 基于监督式深度学习的SDN网络流量路由优化方法研究

3.1 引言

3.2 问题描述与分析

3.3 深度学习路由算法介绍与设计

3.3.1 深度学习及智能路由相关技术简介

3.3.2 基于深度学习的路由优化算法介绍

3.4 仿真实验结果及分析

3.4.1 实验设计与准备

3.4.2 实验结果与分析

3.5 本章小结

第四章 基于强化学习的SDN网络流量路由优化方法研究

4.1 引言

4.2 强化学习相关技术简介

4.3 基于强化学习的路由优化算法介绍

4.3.1 问题描述

4.3.2 算法设计

4.3.3 算法模型介绍

4.4 仿真实验结果及分析

4.4.1 实验设计与准备

4.4.2 实验结果与分析

4.5 本章小结

第五章 全文总结与展望

5.1 本文的主要工作

5.2 未来工作展望

致谢

参考文献

攻读硕士学位期间取得的成果