[发明专利]一种基于SDN架构的业务识别方法

说明书

本发明公开了一种基于SDN架构的业务识别方法，利用SDN控制和转发相分离思想重新定义了在线流量分类，同时针对存在大量噪声问题提出了一种样本差异性度量的方式选取出标记置信度较高的样本用于训练分类从而实现了噪声过滤功能，适用于空间信息网络在线业务识别。

技术领域

本发明属于卫星网络技术领域，具体说是一种基于SDN架构的业务识别方法。

背景技术

随着各种新任务、新应用的不断涌现，对空间信息网络提出了众多不同的新需求，复杂的网络环境、星上资源受限、拓扑动态变化频繁等特性对网络的灵活管控和业务的高效编排提出挑战。传统的离线业务流量识别方法消耗时间长、实时性差且无法满足星上在线处理需求的问题，研究者借鉴SDN控制与转发相分离的思想，屏蔽了协议异构性，以一种更加灵活的方式对网络进行管理和控制，离线业务流量分类通过从网络中采集流量数据并存储，然后再进行特征统计按照分类方法进行业务分类，然而在空间信息网络中存在大量的实时性业务迫切需要能够以实时或近实时方式识别出不同的业务类型，如何在SDN网络中实现在线流量分类需要针对业务流量数据的收集以及分类器的训练问题展开专门研究。选择合适的流量统计特征对于实现业务分类准确率来说具有十分重大的意义，传统的离线流量统计特征也并不完全适用于空间信息网络在线流量分类，有必要针对空间信息网络在线业务流量分类技术的统计特征选取问题展开讨论。此外，在真实的空间信息网络环境下存在大量的噪声如Ka频段受雨水天气，太阳活动等引起的高误码率，以及长时延问题等问题引入的噪声，直接使用这些包含大量噪声的流量数据来训练分类器会对所训练出的分类器性能产生影响，迫切需要针对大量噪声存在的问题展开研究。

目前，有关在线业务识别展开研究的包括：有研究者提出了一种部署在企业网络中的SDN架构，使用SDN控制器收集来自OpenFlow交换机转发过来前几个数据包并进行特征统计，采用机器学习算法来实现在线流量分类，实验结果表明使用有监督机器学习可以对数据集进行高精度分类，但研究只是在企业网络中部署SDN架构并不能应用于空间信息网络；有研究者利用流开始的前5个数据包进行相关特征的统计，通过分析3种机器学习算法(C4.5、BayesNet和NBTree)分类结果，研究可用于在线流量分类的特征以及这些特征应满足的条件，实验结果表明这三种算法均取得较高的分类准确率，然而所采用的算法已有的有监督机器学习并未对针对包含大量噪声数据空间信息网络环境进行考虑；还有研究者提出了一种Tri-Training协同训练算法，利用少部分已标记的训练样本和大量未标记辅助训练样本训练分类器，从已标记样本集中随机抽取产生三个样本子集，采用相同的分类算法训练出三个基础分类器，选取出一个作为主分类器剩下的作为辅助分类器，取出两辅助分类器分类结果相同的样本进行标记，然后用于辅助主分类器的强化训练，然而存在两辅助分类器同时标记错误情况这样会引入噪声数据从而对分类结果造成一定的影响。

发明内容

为解决现有技术存在的上述问题，本发明要设计一种基于SDN架构的业务识别方法，针对空间信息网络存在大量噪声造成训练的分类器分类性能较弱的问题提出了一种具有噪声过滤功能的协同训练算法--Dif-TriTraining，从而实现对空间信息网络的灵活管控以及业务的高效编排。

本申请采用一种基于软件定义的空间信息网络(Software Defined SpatialInformationNetwork，SDSIN)架构，其实际的部署方案如下：将SDN核心思想应用于空间信息网络，实现空间信息网络控制平面和转发平面分离，该架构由三个层面分别为应用层面、控制层面和转发层面组成，各个层面在其中承担不同的任务。

进一步地，在上述体系架构下，使用在控制层面在线收集OpenFlow交换机转发过来的数据包并进行特征统计使用分类器来进行业务分类。

为了实现上述目的，本发明的技术方案如下：一种基于SDN架构的业务识别方法，具体包括以下步骤：

A、满足星上在线业务分类需求，设计一种在线学习框架