[发明专利]一种软件定义网络机器学习路由优化方法

说明书

本发明公开了一种软件定义网络控制器中路由选择功能的替代方法，基于当前动态路由选择算法存在时间开销问题，本发明设计了一种解决方案，优化SDN路由选择过程，使其既可以得到启发式算法计算出的优化路径，又可以保证其方法运行的高效性。该方法能够实时的获得启发式算法或者近似启发式算法的路由选择结果，在不影响SDN数据流处理速度的前提下，实现海量网络资源的快速合理分发。该方法简单实用，在一定程度上提高了控制器拓扑发现模块的运行效率，使得网络资源可以更有效的分配。特别是对于海量新数据分发处理场景，不仅提高了网络中控制器的性能，还提高了整个系统的运行效率。

技术领域

本发明属于互联网通信控制技术领域，涉及一种软件定义网络(SDN)机器学习路由优化 方法。

背景技术

随着软件定义技术同互联网的结合产生了软件定义网络(Software DefinedNetworks， SDN)成为一种新型的，具有吸引力的解决方案。SDN采用了网络设备控制面与数据转发面 相分离的架构，其中设备控制平面的逻辑设备(Controller)能够实时监测和获取当前网络的 状态，使得网络管理者能够根据自己定义的路由规则来管控网络流量转发。

为了面对网络业务流量持续增长，以及业务需求分裂带来的数据流量压力，网络运营商 为了维护网络的正常运行，保证正常的用户体验，要求其必须采取实际有效的网络资源调度 策略。另外一方面，虽然通过提高网络链路带宽，提升交换设备处理速度，可以暂时缓解流 量增长对网络带来的压力，但是这种方法不能有效的调解资源与需求的关系，而且会造成很 大程度的网络吞吐能力的浪费。所以，如何在尽可能少的改动网络硬件设备的前提上，优化 网络的路由转发处理能力，满足网络用户不同的业务需求，具有了现实的研究意义。

在网络流量工程中，动态路径的规划是不容忽视的重要研究内容，其目的是为了优化网 络性能而为数据转发寻找最优或较优路径。在SDN架构出现之前，针对传统IP网络中的数 据封包转发路径的计算多采用最短路径算法。

网络的流量的动态控制和调整是传统网络的普遍难题。因为任何的路由调整都必须重新 计算所有的链路权重，从而对全网的业务流量都带来了不可控的影响。所以在传统网络中， 网络管理者无法实现对指定链路或者业务的灵活控制。

另外，在解决此类约束满足问题的方法中，群体智慧型算法也扮演着重要的角色。在众 多该类算法中，蚁群算法被广泛地应用于网络流量工程这一实际问题。多种基于蚁群优化算 法(Ant Colony Optimization，ACO)衍生出来的具体解决方案都是将动态路由问题建模成单 一目标或者多目标的最优化数学问题，从而在多个约束条件下寻找路径最优解。

发明内容

为解决传统网络路由选择算法的时间损耗问题，本发明利用现有优秀的启发式算法以及 它的输出结果，训练并构建一个基于机器学习甚至是深度学习的一个动态路由决策的模型及 路由决策组件。在完成机器学习相关模型的训练之后，该组件便可以完全替代复杂的启发式 算法。之后在全新的网络状态下，当控制器收到新的动态路由请求时，其便可以调用元层中 相应的机器学习模型，由模型在实时的状态下直接给出一个近似启发式算法的结果，由于机 器学习模型优异的时间性能，这一过程只需要非常短的运行时间，而且满足实际网络的需要。

为达到上述的网络功能，本发明的技术方案如下：

步骤1、对使用OpenFlow协议框架下的软件定义网络数据包特征进性数据预处理；

步骤2、使用收集的特征数据对机器学习模型进行学习训练；

步骤3、使用训练好的模型对软件定义网络拓扑发现和路由选择功能进行改进；

步骤4、利用机器学习方法对网络中的数据做出路由选择；

步骤5、在网络结构变化时，使用传统路由启发式算法进行路由选择；