[发明专利]一种基于改进的迪杰斯特拉算法的交换机迁移方法

摘要

本发明公开了一种基于改进迪杰斯特拉算法的动态交换机迁移方法，通过负载预测模块可以预测下一时刻的负载情况从而确定目标控制器以及迁移触发时机，减少不必要的迁移，并且确定迁出、目标控制器以及迁移时机。通过改进迪杰斯特拉算法的动态交换机迁移算法获取最小代价迁移路径，根据控制器的负载状态，以及待迁移交换机的流量优先级来确定最优迁移交换机集合，通过孤立节点处理算法，解决迁移过程中出现的孤立节点。本方法确保迁移后控制器有较好的性能，减少迁移代价，同时保证重要流被优先处理，减少控制器响应时间，提高控制器的性能。

主权项

1.一种基于改进迪杰斯特拉算法的交换机迁移方法，其特征在于：包括以下步骤，/nS1：通过Open Flow协议，将交换机端口的流量信息，流表项信息和特征参数信息作为对象，实现数据的获取；在Open Flow协议中，控制器通过单流请求消息、多流请求消息、流表统计消息和端口统计请求和队列请求消息来实现交换机当前状态的查询，而交换机则会回复的一条或者多条请求消息的回复消息给控制器；通过控制器向交换机发送Port_Stats_Request报文来请求交换机端口的流量统计信息；/nS2：采用自回归积分滑动平均模型ARIMA来预测下一时刻的负载信息，模型的表达式为φ(B)(1-B)^dX_t＝θ(B)ε_t，其中，p为自回归阶数，q为移动平均阶数，d为是序列平稳时所做的差分次数；B为滞后算子，φ(B)＝1-φ₁B-φ₂B²-φ₃B³-…-φ_pB^p，θ(B)＝1-θ₁B-θ₂B²-θ₃B³-…-θ_pB^p；ε_t是表示模型在t时刻的误差；将过去时刻的负载信息作为输入，现在时刻的负载信息作为输出，调整相关的参数，并通过学习和测试使不同的输入信息得到相应负载信息，通过一定的样本训练系统，使用相应算法实现对控制器的流量预测；/nS3：ARIMA建模首先需要判断被分析数据的平稳性，对于非平稳序列采取差分运算去掉其趋势或周期性，然后确定数据的自回归参数p和滑动平均参数q，具体的建模及预测流程为：/nS31 采用迪基-福勒检验方法检测被分析数据的平稳性；/nS32 数据平稳化：差分d次，若数据平稳d为0；/nS33 参数分析：分别求得ACF和PACF曲线，观察并根据AIC判断拟合效果接近程度，确定p、q；/nS34 构建模型：将上述得到的参数构建ARIMA(p,d,q)模型，用流量统计模块所得到的流量数据训练检测；/nS35 预测分析。/n