论文部分内容阅读
软件定义网络（Software-Defined Networking,SDN）的集中式架构通过省略对逐盒的故障诊断和管理的需求,降低了网络复杂性并提高了网络的可管理性。同时,计算、处理和联网方面的最新研究进展,对时延敏感的智能环境应用（如智能城市应用、智能工业、智能健康系统和智能家居等）产生了重大影响。在智能环境中应用传统网络面临着诸多挑战,如实时数据传输、可编程性、路径可靠性和可扩展性等,以提供智能对象(统称为物联网（Internet-of-Things,IoT）应用程序之间的通信。为了解决智能环境背景下传统网络所面临的挑战,雾计算（Fog Computing,FC）和SDN两种新兴技术的集成方法被提出并得到了快速发展。。然而,由于预算限制和可支持SDN设备的完备度,企业通常不愿意在实践中应用SDN。因此,实践中首选采用增量SDN部署策略,而不是迁移到纯SDN架构;这种增量SDN部署策略称为混合SDN,该策略涉及同时使用SDN交换机和传统交换机。这种增量SDN部署策略被称为混合SDN,即同时使用SDN交换机和传统交换机。连接到SDN交换机的链路称为SDN链路,其余链路称为传统链路。在SDN和混合/传统网络中,包括在通信链路故障的情况下,提供可靠的服务质量（Quality of Service,QoS）控制、运行和管理是具有挑战性的。本论文主要研究通信链路失败问题,提出了以下三种新颖的解决方法。1.第一个挑战是通过设计一个可靠的通信架构并使用新兴技术（例如,用于智能环境中对时延敏感的基于SDN的FC应用）来最小化链路故障的影响。与现有流量工程方法不同,本论文提出了一种可靠性感知流量分配算法（RAFDA）和两种相关的优化算法,称为反应性可靠感知启发式算法（（RRAHA1和RRAHA2）,这两种算法链路上主动分配流量,同时还受到其他链路可靠性的约束限制,例如链路上的流量负载,带宽分配,链路利用率和端到端延迟等。2.第二个挑战是将SDN集成到传统网络,这会导致运营和部署问题。因此,本论文提出了一种新的智能解决方案（IHSF）,以提高基于SDN和雾计算物联网混合系统的可靠性和时效流量性能。IHSF包含三种算法:（ⅰ）在传统交换机之间部署SDN交换机,以提高网络可观测性的新型算法。ⅱ）K最邻近回归算法,用于根据历史数据实时预测SDN控制器处传统链路的可靠性,这使SDN控制器能够及时做出决策,从而提高系统性能。（ⅲ）可靠且对时间敏感的深度决定性策略梯度算法（RT-DDPG）,该算法可以对物联网应用产生的时延敏感流量进行优化计算混合SDN-F中的转发路径。3.第三个挑战是在链路故障发生前对其进行预测并主动尝试解决。因此,为了最大程度地减少网络层故障对混合SDN的影响,本论文提出了一种基于机器学习（Machine Learning,ML）的技术 PrePass-Flow。PrePass-Flow 的主要目的是在链路故障的情况下,将由于ACL策略而引起的ACL策略违规和网络可达性问题降到最低。对于链路状态预测,PrePass-Flow使用了逻辑回归（Logistic Regression,LR）和支持向量机（Support Vector Machine,SVM）两种基于监督的机器学习模型,并在数据包交付率（Packet Delivery Ratio,PDR）和ACL策略违反方面优于现有方法。