The invention discloses a SDN flow table conflict detection device based on depth learning and a method thereof. The device comprises the following modules: a window segmentation module, a depth detection module, a result analysis module, a monitoring module and a data storage module. The method includes: the specific application by SDN mapping module for specific mapping strategy SDN flow table {P}; window segmentation module is extracted from the database storage module is suitable for measuring the depth of processing module window size of flow table {W}; {P} and {W} flow table input depth detection module for flow meter after collision detection; collision detection after the input to the module table flow analysis module to analyze and judge. The invention uses the depth characteristics of the automatic learning abstract, high-level data conflict study, compared with the traditional search algorithm, can quickly detect whether the conflict on the flow table entries in the large-scale application of large scale deployment.
【技术实现步骤摘要】
一种基于深度学习的SDN流表冲突检测装置及方法
本专利技术涉及网络通信
,具体涉及一种基于深度学习的SDN流表冲突检测装置及方法。
技术介绍
随着人们对网络应用需求的增加,数据中心的规模不断扩大,在传统网络基础架构的成本、管理、复杂性方面,网络运营商、服务供应商等面临着巨大的挑战。传统网络架构部署的高成本制约了数据中心的建设,而复杂性则推迟了新服务和新应用的上市时间。传统网络架构中不易对网络设备管理的特性进一步增加了企业的运营成本,并且降低了更新网络结构的响应速度。面对传统网络架构暴露出的高成本、高复杂性、低灵活度等问题,越来越多的企业和高校开始着手研究新型网络体系架构。2006年,美国斯坦福大学CleanSlate课题组提出了软件定义网络(SoftwareDefinedNetwork,SDN)的概念。SDN是一种新型的网络架构,斯坦福大学的研究团队提出的OpenFlow协议就是实现SDN的一种方式。2011年,开放网络基金会(OpenNetworkingFoundation,ONF)成立,这极大地推动了SDN和OpenFlow的发展。SDN的主要思想是将网络设备的控制平面和数据平面分离,以实现对网络的灵活控制。SDN网络本身就是一个灵活性的网络,其网络配置和运行都是自动化控制的。基于OpenFlow协议的SDN网络抽象化了路由设备和交换设备的控制面,数据平面的转发设备由OpenFlow控制器进行管理,以便对网络进行集中化管理,从而降低了网络的部署成本,并且提升了整个网络的管理性。OpenFlow是实现SDN的一种主要方式,利用OpenFlow控制器 ...
【技术保护点】
一种基于深度学习的SDN流表冲突检测装置,其特征在于,包括窗口分割模块(window splitter)、深度检测模块(Deep Detecting)、结果分析模块(Result analysis)、监听模块(Sniffer)及数据存储模块(Database),其中:窗口分割模块(window splitter):完成循环读取数据存储模块(Database)中的已有流表项,并对所有流表项按照适合于深度检测模块(Deep Detecting)处理的窗口大小进行分割;深度检测模块(Deep Detecting):提取新产生的流表项及数据存储模块(Database)中已经存在的流表项的特征,使用已学习好的深度学习模型,检测新产生的流表项是否与数据存储模块(Database)中已有的流表项存在冲突;结果分析模块(Result analysis):对使用深度学习进行流表冲突检测后的结果进行处理;监听模块(Sniffer):对所有转发设备(OpenFlow交换机)中的流表信息进行动态监听,并将转发设备中流表的动态变化结果反馈到数据存储模块(Database)中;数据存储模块(Database):存 ...
【技术特征摘要】
1.一种基于深度学习的SDN流表冲突检测装置,其特征在于,包括窗口分割模块(windowsplitter)、深度检测模块(DeepDetecting)、结果分析模块(Resultanalysis)、监听模块(Sniffer)及数据存储模块(Database),其中:窗口分割模块(windowsplitter):完成循环读取数据存储模块(Database)中的已有流表项,并对所有流表项按照适合于深度检测模块(DeepDetecting)处理的窗口大小进行分割;深度检测模块(DeepDetecting):提取新产生的流表项及数据存储模块(Database)中已经存在的流表项的特征,使用已学习好的深度学习模型,检测新产生的流表项是否与数据存储模块(Database)中已有的流表项存在冲突;结果分析模块(Resultanalysis):对使用深度学习进行流表冲突检测后的结果进行处理;监听模块(Sniffer):对所有转发设备(OpenFlow交换机)中的流表信息进行动态监听,并将转发设备中流表的动态变化结果反馈到数据存储模块(Database)中;数据存储模块(Database):存储当前SDN中所有OpenFlow交换机的流表。2.一种基于深度学习的SDN流表冲突检测方法,其特征在于,包括如下步骤:(1)将一个具体SDN应用在策略映射层(PolicyMapping)映射为具体的SDN流表项{P}后,将这些新的流表项输入到深度检测模块(DeepDetecting);(2)深度检测模块(DeepDetecting)启动窗口分割模块(wi...
【专利技术属性】
技术研发人员:李传煌,程成,金蓉,王伟明,岑利杰,
申请(专利权)人:浙江工商大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。