基于流量分类的智能SDN路由优化技术研究

摘要

软件定义网络(SDN，Software Defined Networking)是一种被视为将取代传统IP网络的新型网络架构，受到计算机学术界和业界广泛关注。SDN的核心在于互相分离的控制平面与数据平面，控制平面上的控制器可以集中控制整个SDN网络，并通过一种OpenFlow协议获取数据平面的状态信息。SDN网络这种能够轻松获得网络拓扑的特点为实现根据流的不同服务质量(QoS，Quality of Service)等级选择不同的路由奠定了基础。现如今，常用的SDN控制器中的路由模块都采用最短路径算法，该算法实现简单、工作有效，但已经无法满足用户多样化的业务需求。因此一种能够在SDN网络内部选择高效、可靠、满足QoS的路径的方法，提高网络吞吐量和用户服务质量是非常重要的。 本文将深度学习、强化学习与SDN技术相结合，提出一种基于流量分类的智能SDN路由优化方法，该方法主要包括两部分:基于深度学习的流量分类和基于强化学习的路由规划。首先通过深度学习模型对业务流进行QoS分类，将其分为四种等级;然后通过强化学习模型得到一条满足该流量QoS要求的最短转发路径，本文考虑的QoS为传输带宽。其中，流量分类采用的深度学习模型为改进的卷积神经网络（CNN，Convolutional Neural Network），路由规划采用的强化学习模型为Q-Learning。 通过对流量分类模型和路由规划模型的模拟实验，流量分类准确率能够达到98％以上，路由的准确率几乎能达到100％，验证了本文提出的SDN路由优化方法的有效性。该方法能够实现为不同QoS等级的流量提供不同质量的转发路径，同时与传统的最短路径算法相比，具有减轻网络拥塞和提高网络利用率的优势。

目录

摘要

1绪论

1．1研究背景

1．2研究现状

1．2．1流量分类

1．2．2 SDN路由规划

1．3研究内容及创新

1．3．1研究内容

1．3．2创新点

1．4论文结构

2相关技术

2．1 SDN技术

2．1．1 SDN概念及架构

2．1．2 OpenFlow规范

2．2路由算法

2．3强化学习

2．3．1强化学习基本原理

2．3．2强化学习常用模型

2．4深度学习

2．4．1深度学习基本原理

2．4．2深度学习常用模型

2．5本章小结

3基于流量分类的智能SDN路由优化技术研究

3．1 SDN路由优化总方法研究

3．2流量分类单元研究

3．3流量路由单元研究

3．4本章小结

4基于深度学习的流量分类

4．1流量分类标准

4．2离线流量分类

4．2．1数据集构建

4．2．2数据预处理

4．2．3深度学习模型结构

4．2．4实验结果及分析

4．3在线流量分类

4．3．1流量特征选择

4．3．2数据集构建

4．3．3实验结果及分析

4．4本章小结

5基于强化学习的路由规划

5．1强化学习模型

5．1．1质量函数

5．1．2动作策略

5．1．3奖励函数

5．2实验结果及分析

5．2．1质量更新函数选择

5．2．2模型参数选择

5．2．3奖励函数选择

5．3本章小结

6总结与展望

6．1论文总结

6．2展望

参考文献

攻读硕士学位期间参加的科研项目和取得的成果

致谢

声明