[发明专利]一种通信网的深度学习驱动的流量优化机制

说明书

本发明公开一种通信网的深度学习驱动的流量优化机制，基于SDN网络，将智能流量优化机制iTE的控制回路部署在SDN控制器中，iTE的控制回路包括三个组成部分：(1)支持ICN的交换机部分；(2)DRL环境部分；由数据平面收集的网络信息和流量信息抽象成的DRL环境是SDN控制器中为DRL算法提供状态的输入，同时，监测网络和流量状态；(3)并行决策模块部分；并行决策模块是运行在SDN控制器中核心的执行流量优化算法的模块。这表明iTE以更加细粒度的流量分配方式、更合理的分布流量到网络中。引入ICN后，网络可以承载更多的流量。ICN通过利用网内缓存将流量终结在网内存储中，进而使得网络容纳更多的流量。

技术领域

本发明涉及通信网络流量优化技术领域，具体说是一种通信网的深度学习驱动的流量优化机制。

背景技术

目前的互联网早已超越其设计之初的目的和规模，成为全球通信基础设施，而依托互联网的各种应用，例如，快手、抖音、购物平台等，在极大的方便和丰富了人们的生活的同时，也使得网络正经历着爆炸性的流量增长，流量模式和网络环境高度动态变化。因此，在通信网络中，需要对流量进行优化。

流量优化是一个处理网络流量分布和分配的大规模在线决策问题。对提高网络利用率和高效的资源共享起着至关重要的作用。通常，网络流量优化依赖于通过观测或者估计当前网络的流量矩阵，并根据当前网络状态和流量信息计算链路权重来选择路径，分配流量。资源分配的算法大多是基于模型的，即，假定网络环境、流量模式和用户需求可以很好地建模。

目前，流量优化解决方案总是基于最短路径优先或约束最短路径优先算法来路由流量。公告号为CN107426097A的专利，该专利中采用的是一种分布式解决方案，网络拓扑结构中所有的节点采用的方法都相同，虽然缓解了域内路由协议收敛速度慢和实时通信流量之间的矛盾，但是由于链路状态的权值是静态分配的，或者取决于链接的剩余可用资源，所以其灵活度不高，一旦最短路径发生最终拥塞，其他路径的带宽利用率仍然很低。

然而，作为分布式的协议，经典的流量优化解决方案只能根据本地的决策分配网络资源，这往往导致非最优的网络利用和资源共享。

发明内容

本发明的目的是提出智能流量优化机制，基于软件定义网络的全局感知和全局优化能力，并应用深度神经网络DNN和深度强化学习DRL算法来优化网络中的流量分布。其目的是在满足用户带宽需求的前提下，最大限度地提高网络吞吐量，均衡全网链路利用率。

本发明采用的技术方案如下：

一种通信网的深度学习驱动的流量优化机制，基于SDN网络，将智能流量优化机制iTE的控制回路部署在SDN控制器中，iTE的控制回路包括三个组成部分：

(1)支持ICN的交换机部分；

网络中的ICN交换机，除了支持正常的名字路由功能外，增加带计数器的布隆过滤器来表示缓存内容的信息；同时，采用基于压缩感知的网内缓存感知机制收集缓存内容信息至控制器中；

(2)DRL环境部分；

由数据平面收集的网络信息和流量信息抽象成的DRL环境是SDN控制器中为DRL算法提供状态的输入，同时，监测网络和流量状态；

(3)并行决策模块部分；

并行决策模块是运行在SDN控制器中核心的执行流量优化算法的模块；该模块支持多个算法并行算路，并由最终决策模块按预定的策略规则从多个算法中选择最优的实施。

优选的，iTE控制回路工作流程如下：

(1)网络中ICN交换机将其缓存内容信息和可用的链路带宽上载到SDN控制器；

(2)环境模块将接收到的信息进行汇编和转换，作为PDM的输入；