一种基于DPI的应用感知方法技术

本发明专利技术涉及一种基于DPI的应用感知方法，属于网络服务技术领域领域，本发明专利技术提出在SDN环境下优化DPI部署，将部署DPI的交换机数量所引起的网络负载和未分析的流量数量减到最小。对于给定的网络基础设施和给定的流量矩阵，可以找到最优DPI部署方案，从而最大限度地降低部署的总体成本。本发明专利技术从部署的DPI交换机数量和网络负载两个维度对其进行实验论证，在SDN仿真平台下，从应用感知时间和感知准确度两个维度进行进一步的实验验证。

An Application Perception Method Based on DPI

【技术实现步骤摘要】
一种基于DPI的应用感知方法
本专利技术属于网络服务
，具体涉及一种基于DPI的应用感知方法。
技术介绍
在新颖应用技术不断涌现、网络服务不断增长的网络环境下，个性化、高实时性的网络服务成为了广大网络使用者的日常需求，新的网络架构如SDN的出现也强调了对更灵活、适应性更强，成本代价更优的网络感知策略的需求。DPI算法通过对数据包的内容分析，具有高分类准确性、较短的处理时间和较细的处理粒度，但DPI分类引擎的使用会占用了大量CPU资源，运行相对较慢。对于基于SDN的多层应用感知方法，如果每台交换机都直接运行DPI作为分类器，显然会消耗太多的控制器资源，并降低控制器的吞吐量。减少已部署的DPI交换机的数量会导致将更多流量重定向到它们，从而增加全网的网络负载和链路利用率。如何对其进行合理的部署，使得在保证应用感知准确率的同时，降低网络负载是基于SDN的应用感知所要面临的问题。现有中国专利文件公布了一种基于DPI的应用感知方法，其主要技术方案为：与本专利技术方案不同。
技术实现思路
本专利技术的目的是解决上述问题，提供一种基于DPI的应用感知方法，提出在SDN环境下优化DPI部署，将部署DPI的交换机数量所引起的网络负载和未分析的流量数量减到最小。对于给定的网络基础设施和给定的流量矩阵，可以找到最优DPI部署方案，从而最大限度地降低部署的总体成本。为实现上述目的，本专利技术提供如下技术方案：一种基于DPI的应用感知方法，具体包括以下步骤：步骤一：问题描述：对于给定的网络基础设施和给定的流量矩阵，可以找到最优DPI部署方案，从而最大限度地降低部署的总体成本；这个成本是联合优化的结果，包括：1)部署DPI的交换机数量；2)通过部署DPI的交换机的流量重定向引起的整个网络负载，所有的流量都必须通过至少一个部署DPI的交换机进行分析；3)不同的约束操作；步骤二：问题形式化：对于n个节点的拓扑结构，x是一个n维矩阵，步骤一中的部署相对应的解决方案是：[0,0,0,0,1,0,0]；因为在节点E中只有一个部署了DPI；适应性函数F(x)即全网成本函数最小化，由三个成本函数组成，用以优化以下三个目标：1)部署DPI的交换机数量fDPI(x)；2)全网的负载fbw(x)；3)无法感应到的流量数量funaware(x)；三个目标的关系为：F(x)＝fDPI(x)+fbw(x)+funaware(x)拥有最大数量的交换机的约束条件为：fDPI(x)＝ωDPIn(x)n(x)≤NfDPI(x)＝∞n(x)φNfbw(x)包含对阈值BW的强大约束，该阈值BW定义网络的每条链路i上使用的带宽bωi的最大百分比；该阈值用于供网络管理员选择配置速率和网络容量，以适应流量变化或新的需求：fbw(x)＝ωbw×bω(x)bωi≤BW代价函数funaware(x)表示惩罚项ωunaware总和：对于无法通过约束分析的u(x)流量具有未分配给DPI交换机的最大U流量：funaware(x)＝ωunaware×u(x)u(x)≤Ufunaware(x)＝∞u(x)φU；默认情况下，阈值U等于0，即所有流量都必须进行分析。步骤三：解决方案：步骤一、二描述的问题属于UFLP问题，包括定位不确定数量的设施，以最小化固定化设置成本和从这些设施服务市场需求的可变成本的总和；ULFP对于一般属于是NP-hard问题。然而，现有文献已经表明基于遗传算法(GA)的方法比基于线性规划的方法更好地扩大了解决UFLP的方法。本专利技术使用遗传算法GA，并根据多目标网络问题的具体情况进行调整：遗传算法GA是基于进化算法原理的搜索过程。它将过去的结果利用与探索搜索领域的新领域结合起来，通过使用适者生存的技术与结构化的随机化信息交换，具体算法流程如下：1)初始人口：初始人口是随机的一组潜在问题解决方案。根据基因工程的术语，人口也被称为染色体，其元素被称为基因。本专利技术使用二元基因来表示在网络的不同节点上部署DPI交换机，在初始种群和下一代种群中，选择、交叉和变异遗传算子被迭代应用于遗传算法中；2)选择：选择操作通过使用适应度函数F(x)在染色体之间选择好的结果，适应度函数用于对染色体的质量进行排序，具有较小值的染色体对下一代中的一个或多个后代贡献的可能性较高；3)交叉：交叉包括交换一对染色体之间的部分信息以获得新的染色体。我们使用一个简单的交叉。繁殖池中新复制的染色体的第一个成员随机以概率pcrossover繁殖，每对染色体通过包含交换第一染色体的k个第一元素而交叉，k在1和染色体的长度之间随机选择，k与第二染色体的k个第一元素交替，获得两条新染色体；4)突变：包含轻微随机改变以获得新的染色体，变异算子用于引入新的遗传物质，染色体以概率pmutation进行变异；引入一个特定变异算子：在0个元素中以概率p1变化1个元素，在1个元素中变化为0个元素，概率为p0≤p1；其倾向于增加算法的收敛性，减少DPI引擎的数量(1个元素)，同时在1个元素中突变0个元素时探索新的区域；在每个新一代中，通过使用先前的信息创建一组染色体，在指定次数的迭代后，进化停止；选择具有最小适应值的染色体作为多目标DPI交换机分配问题的解决方案；该算法，更具体地说是负责评估适应值的模块，还提供转发规则以推送到网络设备。步骤四：适应值的计算：在遗传算法中，每个染色体的适应值在每次进化迭代中评估以进行排序，染色体的适应度值表示其针对多个目标的质量；适应值越小，染色体的质量越好；染色体x的适应度值的计算包含以下几个步骤：1)将所有流分配给DPI引擎：计算的输入是：流量矩阵，网络拓扑和每条链路BW上最大使用带宽的限制；考虑到链路的带宽容量，该操作产生了一组通过部署DPI的交换机从源节点到相应目的节点的路径；2)成本函数的计算：如果包含少于N个部署了DPI的交换机，则其等于部署了DPI的交换机的成本乘以DPI交换机的数量，否则其是无限的，这消除了解决方案；3)评估成本函数：其等于使用的链路容量单位的成本乘以带宽为单位表示的总体网络负载，在第一步中考虑了每个链路最大使用带宽的约束带宽BW；4)惩罚成本函数的评估：尚未分配给任何部署DPI交换机的流数从步骤1)中的一组路径中检索；惩罚成本：如果其低于阈值U，乘以这个数量，否则惩罚值是无限的以消除解决方案；5)通过求和三个成本函数来评估解x的适应值。进一步的，所述步骤一中实现部署DPI的交换机数量最小化和网络负载最小化这两个目标实际上是正交的；当部署DPI的交换机数量很少时，路径趋于拉长，最小化部署DPI的交换机数量会增加额外使用带宽；相反，最小化使用带宽会增加部署DPI的交换机数量。进一步的，所述步骤一中约束操作与成本相关，包括网络资源相关成本、与已部署DPI的交换机相关的成本(CPU利用率，能源消耗，许可证费用等)以及由于无法分析流量而导致的处罚成本。进一步的，所述步骤二中n维矩阵为[0，1，0，0….]，其中，0代表i节点不部署DPI，1代表部署；函数fDPI(x)代表部署n(x)个交换机的代价，每个fDPI(x)都有一个单一成本ωDPI；fbw(x)代表随着bω(x)带宽的增加，全网负载成本；bω(x)是部署DPI的交换机的总带宽和没有部署DPI的交换机的总带宽之差。进一步本文档来自技高网...

【技术保护点】
1.一种基于DPI的应用感知方法，其特征在于，包括以下步骤：步骤一：问题描述：对于给定的网络基础设施和给定的流量矩阵，可以找到最优DPI部署方案，从而最大限度地降低部署的总体成本；上述成本包括：1)部署DPI的交换机数量；2)通过部署DPI的交换机的流量重定向引起的整个网络负载，所有的流量都必须通过至少一个部署DPI的交换机进行分析；3)不同的约束操作；步骤二：问题形式化：对于n个节点的拓扑结构，x是一个n维矩阵，步骤一中的部署相对应的解决方案是：[0,0,0,0,1,0,0]；因为在节点E中只有一个部署了DPI；适应性函数F(x)即全网成本函数最小化，由三个成本函数组成，用以优化以下三个目标：1)部署DPI的交换机数量fDPI(x)；2)全网的负载fbw(x)；3)无法感应到的流量数量funaware(x)；三个目标的关系为：F(x)＝fDPI(x)+fbw(x)+funaware(x)拥有最大数量的交换机的约束条件为：fDPI(x)＝ωDPIn(x)  n(x)≤NfDPI(x)＝∞        n(x)φNfbw(x)包含对阈值BW的强大约束，该阈值BW定义网络的每条链路i上使用的带宽bωi的最大百分比；该阈值用于供网络管理员选择配置速率和网络容量：fbw(x)＝ωbw×bω(x)bωi≤BW代价函数funaware(x)表示惩罚项ωunaware总和：对于无法通过约束分析的u(x)流量具有未分配给DPI交换机的最大U流量：funaware(x)＝ωunaware×u(x)  u(x)≤Ufunaware(x)＝∞             u(x)φU；步骤三：解决方案：步骤一、二描述的问题属于UFLP问题，包括定位不确定数量的设施，以最小化固定化设置成本和从这些设施服务市场需求的可变成本的总和；使用遗传算法GA，并根据多目标网络问题的具体情况进行调整：遗传算法GA具体算法流程如下：1)初始人口：使用二元基因来表示在网络的不同节点上部署DPI交换机，在初始种群和下一代种群中，选择、交叉和变异遗传算子被迭代应用于遗传算法中；2)选择：选择操作通过使用适应度函数F(x)在染色体之间选择好的结果，适应度函数用于对染色体的质量进行排序，具有较小值的染色体对下一代中的一个或多个后代贡献的可能性较高；3)交叉：繁殖池中新复制的染色体的第一个成员随机以概率pcrossover繁殖，每对染色体通过包含交换第一染色体的k个第一元素而交叉，k在1和染色体的长度之间随机选择，k与第二染色体的k个第一元素交替，获得两条新染色体；4)突变：包含轻微随机改变以获得新的染色体，变异算子用于引入新的遗传物质，染色体以概率pmutation进行变异；引入一个特定变异算子：在0个元素中以概率p1变化1个元素，在1个元素中变化为0个元素，概率为p0≤p1；其倾向于增加算法的收敛性，减少DPI引擎的数量，同时在1个元素中突变0个元素时探索新的区域；在每个新一代中，通过使用先前的信息创建一组染色体，在指定次数的迭代后，进化停止；选择具有最小适应值的染色体作为多目标DPI交换机分配问题的解决方案；步骤四：适应值的计算：在遗传算法中，每个染色体的适应值在每次进化迭代中评估以进行排序，染色体的适应度值表示其针对多个目标的质量；适应值越小，染色体的质量越好；染色体x的适应度值的计算包含以下几个步骤：1)将所有流分配给DPI引擎：计算的输入是：流量矩阵，网络拓扑和每条链路BW上最大使用带宽的限制；2)成本函数的计算：如果包含少于N个部署了DPI的交换机，则其等于部署了DPI的交换机的成本乘以DPI交换机的数量，否则其是无限的；3)评估成本函数：其等于使用的链路容量单位的成本乘以带宽为单位表示的总体网络负载；4)惩罚成本函数的评估：尚未分配给任何部署DPI交换机的流数从步骤1)中的一组路径中检索；惩罚成本：如果其低于阈值U，乘以这个数量，否则惩罚值是无限的以消除解决方案；5)通过求和三个成本函数来评估解x的适应值。...

【技术特征摘要】
1.一种基于DPI的应用感知方法，其特征在于，包括以下步骤：步骤一：问题描述：对于给定的网络基础设施和给定的流量矩阵，可以找到最优DPI部署方案，从而最大限度地降低部署的总体成本；上述成本包括：1)部署DPI的交换机数量；2)通过部署DPI的交换机的流量重定向引起的整个网络负载，所有的流量都必须通过至少一个部署DPI的交换机进行分析；3)不同的约束操作；步骤二：问题形式化：对于n个节点的拓扑结构，x是一个n维矩阵，步骤一中的部署相对应的解决方案是：[0,0,0,0,1,0,0]；因为在节点E中只有一个部署了DPI；适应性函数F(x)即全网成本函数最小化，由三个成本函数组成，用以优化以下三个目标：1)部署DPI的交换机数量fDPI(x)；2)全网的负载fbw(x)；3)无法感应到的流量数量funaware(x)；三个目标的关系为：F(x)＝fDPI(x)+fbw(x)+funaware(x)拥有最大数量的交换机的约束条件为：fDPI(x)＝ωDPIn(x)n(x)≤NfDPI(x)＝∞n(x)φNfbw(x)包含对阈值BW的强大约束，该阈值BW定义网络的每条链路i上使用的带宽bωi的最大百分比；该阈值用于供网络管理员选择配置速率和网络容量：fbw(x)＝ωbw×bω(x)bωi≤BW代价函数funaware(x)表示惩罚项ωunaware总和：对于无法通过约束分析的u(x)流量具有未分配给DPI交换机的最大U流量：funaware(x)＝ωunaware×u(x)u(x)≤Ufunaware(x)＝∞u(x)φU；步骤三：解决方案：步骤一、二描述的问题属于UFLP问题，包括定位不确定数量的设施，以最小化固定化设置成本和从这些设施服务市场需求的可变成本的总和；使用遗传算法GA，并根据多目标网络问题的具体情况进行调整：遗传算法GA具体算法流程如下：1)初始人口：使用二元基因来表示在网络的不同节点上部署DPI交换机，在初始种群和下一代种群中，选择、交叉和变异遗传算子被迭代应用于遗传算法中；2)选择：选择操作通过使用适应度函数F(x)在染色体之间选择好的结果，适应度函数用于对染色体的质量进行排序，具有较小值的染色体对下一代中的一个或多个后代贡献的可能性较高；3)交叉：繁殖池中新复制的染色体的第一个成员随机以概率pcrossover繁殖，每对染色体通过包含交换第一染色体的k个第一元素而交叉，k在1和染色体的长度之间随机选择，k与第二染色体的k个第一元素交替，获得两条新染色体；4)突变：包含轻微随机改变以获得新的染色体，变异算子用于引入新的遗传物质，染色体以概率pmutation进行变异；引入一个特定变异算子：在0个元素中以概...

【专利技术属性】
技术研发人员：钱步月，吕欣，冯富静，杜少英，刘俊，李虎群，
申请(专利权)人：西安交通大学，赛尔网络有限公司，
类型：发明
国别省市：陕西,61