[发明专利]一种高可靠性的细粒度SDN流量监控架构

权利要求书

1.一种高可靠性的细粒度SDN流量监控架构，其特征在于，将SDN网络的监控与转发功能相分离，流量监控架构包括三层：监控处理器的控制器侧、监控处理器的流信息处理层和监控处理器的交换机侧；最上层是控制器侧，包含了控制器命令解析器和流特征选择器，负责根据控制器对监控流信息的需求对流特征集合进行学习和挖掘，提取出控制器所需的流统计信息，为其转发决策提供数据来源；流信息处理层负责对流量的初始信息进行过滤，提取出所需的统计量进而生成流特征集合，为上层控制器侧的流特征选择提供数据源；最下层为交换机侧，由本地控制应用和监控数据库组成，负责根据控制器的监控要求过滤和存储监控流的流条目；流量监控架构包含两种开放的应用程序接口：监控处理器的控制器侧和SDN控制器之间的数据交换和指令下发接口以及监控处理器的交换机侧与交换机之间的数据交换和参数设置接口。

2.根据权利要求1所述的一种高可靠性的细粒度SDN流量监控架构，其特征在于，所述的控制器侧由控制器命令解析器和流特征选择器组成，实现了对控制器下发命令的解析和流特征的选取，在本架构中控制器对监控处理器下发命令主要有两类：一类是控制器根据其监控需求对交换机侧的某条流进行是否采样的判断命令，经控制器命令解析器解析后会送达交换机侧的本地控制应用，用于控制流过滤和流采样；另一类是控制器根据其监控需求对控制器侧的流特征选择器进行流特征提取的选择命令，直接控制控制器侧的流特征选择器进行流特征的机器学习和数据挖掘；流特征选择器提取出的选定流特征统计量直接通过监控处理器与控制器的数据交换接口进行传递。

3.根据权利要求2所述的一种高可靠性的细粒度SDN流量监控架构，其特征在于，所述的流特征选择器的原理是深度学习，通过训练集和测试集的自学习过程产生流特征当前的统计量和预测量，进而对流进行分类：流特征选择器根据中、下层产生的流特征集合按照控制器的要求进行流特征的筛选，进而通过深度学习的算法对按照选定的流特征对流进行分类，将分类后的流量信息传递给控制器为其转发提供决策；流特征选择器包括三个模块：（1）流特征格式化器：其作用是将流集合内的统计信息按照特征选择算法形成训练集和测试集；（2）特征选择器：根据控制器要求选择相应的流特征集合，中间的流信息处理层所产生的流特征集合是所有流统计量的集合，特征选择器按照控制器给定的特征在此集合中选择出相应特征的子集；（3）流分类器：分类器通过特征选择器产生的训练集进行分类算法的训练，之后用测试集进行验证对监控的数据流进行分类，最后将分类后的结果传回控制器，使控制器根据分类结果进行下一步的流调度。

4.根据权利要求1所述的一种高可靠性的细粒度SDN流量监控架构，其特征在于，所述的流信息处理层由流特征过滤器以及统计量生成器组成，流特征过滤器的功能主要是将监控数据库的流条目进行过滤，剔除无效监控条目，控制器规定流经某个交换机的某个端口的流都进行监控，之后经由统计量生成器将流统计量提取分类后形成流特征集合，供上层控制器侧进行下一步的流分类。

5.根据权利要求1所述的一种高可靠性的细粒度SDN流量监控架构，其特征在于，所述的交换机侧由监控处理器的本地控制应用和监控数据库两部分组成，本地控制应用的作用主要是根据SDN控制器的监控要求对路由器的流监控进行参数设置和过滤，其中通过布隆过滤过滤掉不需要监控的流数据包，由此减少监控的流数目并增强了流监控的灵活性和准确性；监控数据库负责存储匹配控制器监控需求的流信息和包统计值，监控数据库数据表由三部分内容组成：监控匹配域、包计数值和哈希值，监控数据库的流统计量会周期性的发送至流信息处理层进行流信息的处理。