一种SDN路由性能预测和优化的方法、设备及介质技术

本发明专利技术提供一种SDN路由性能预测和优化的方法、设备及介质。所述方法包括，步骤S1,根据路由策略R和计算机网络拓扑T确定链路节点V

A method, device and medium for SDN routing performance prediction and optimization

【技术实现步骤摘要】
一种SDN路由性能预测和优化的方法、设备及介质
本专利技术涉及路由领域，特别是涉及一种SDN路由性能预测和优化的方法、设备及介质。
技术介绍
路由策略规划是软件定义网络(SDN)中控制层面的核心任务。目前主流路由策略依据最短路径路由算法建立，这在网络流量较小时通常能取得较好的性能，但当流量增大时，常常会造成网络拥堵问题，特别是信息量剧增的今天，该问题尤为严重。SDN技术将数据平面与控制平面相分离，从而SDN控制器能够在控制平面全局掌控数据层面各设备及链路信息。但如何将网络中物理链路信息与路由策略路径的通信性能相联系，却是一个非常复杂的问题。传统方案通常基于排队论等方法对这两者之间的关系进行建模，在建模过程中对网络做出许多假设进行求解，但往往这些假设却是影响网络性能的关键因素。图神经网络能够充分描述事物之间的相互关系，借助于图神经网络，网络中物理链路与路由策略中路径的关系也能够很好的被学习到，从而辅助SDN控制层面在相应的网络拓扑与流量情况下建立合理的路由策略。
技术实现思路
本专利技术实施例所要解决的技术问题在于，提供一种SDN路由性能预测和优化的方法、设备及介质，解决当流量增大时，网络拥堵情况下，SDN路由性能预测和优化不合理，不全面的问题。本专利技术的一方面，提供一种SDN路由性能预测和优化的方法，包括如下步骤：步骤S1,根据路由策略R和计算机网络拓扑T确定链路节点Vl与路径节点Vp之间的图关系；步骤S2,通过多层聚合方法捕捉路径节点Vp和链路节点Vl之间的关系；>步骤S3,通过预测性能指标与真实值的误差来更新网络中的整个参数。进一步，在所述步骤S2中，所述多层聚合方法捕捉路径节点和链路节点之间的关系的具体过程包括：步骤S21，根据链路节点Vl与路径节点Vp的自身属性对节点初始特征进行初始化；步骤S22,对所有的路径节点Vp进行信息聚合；步骤S23,对所有的链路节点Vl进行信息聚合；步骤S24,对所有特征向量进行归一化。进一步，在所述步骤S21中，所述对节点初始特征进行初始化具体根据以下公式进行计算：其中，所述链路节点Vl与路径节点Vp的自身属性具体包括，链路本身的属性，用以表示链路本身的各种物理属性；路径上的属性，用以表述链路端到端的流量情况。进一步，在所述步骤S22中，所述路径节点Vp进行信息聚合具体包括，通过以下公式利用长短记忆神经网络LSTM提取特征：其中，为长短期记忆网络的操作及网络权重，N(v)表示节点v的领点集合。进一步，在所述步骤S22中，所述路径节点Vp进行信息聚合具体包括，利用以下公式对提取的特征结果进行非线性变换：其中，为各节点嵌入向量，为非线性变化参数，CONCAT表示将相关向量进行拼接，σ表示非线性函数，例如tanh函数。进一步，所述步骤S23中，所述链路节点Vl信息聚合具体利用以下公式进行聚合：其中，为各节点嵌入向量，为非线性变化参数，SUM操作表示对相关向量按列进行求和操作。进一步，在所述步骤S24中，所述所有特征向量根据以下公式进行归一化：其中，为各节点嵌入向量，||·||2表示求向量的L2范数，V为所有节点结合。进一步，在所述步骤S3中，所述预测性能指标为利用前馈神经网络得到端到端的性能指标，将嵌入向量映射为性能指标的神经网络参数，具体根据以下公式进行计算：其中，为各节点嵌入向量，Vl为链路节点集合，Vp为路径节点集合，DNN()表示将向量通过一个全连接神经网络进行运算，通常使用两层神经网络即可。相应地，本专利技术的又一方面还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下的步骤：根据路由策略R和计算机网络拓扑T确定链路节点Vl与路径节点Vp之间的图关系；通过多层聚合方法捕捉路径节点Vp和链路节点Vl之间的关系；通过预测性能指标与真实值的误差来更新网络中的整个参数。相应地，本专利技术的又一方面还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下的步骤：根据路由策略R和计算机网络拓扑T确定链路节点Vl与路径节点Vp之间的图关系；通过多层聚合方法捕捉路径节点Vp和链路节点Vl之间的关系；通过预测性能指标与真实值的误差来更新网络中的整个参数。综上，实施本专利技术的实施例，具有如下的有益效果：本专利技术提供的这种种SDN路由性能预测和优化的方法、设备及介质，利用了图神经网络对事物进行表示建模的强大能力，充分对通信网络拓扑、流量情况、路由策略之间关系进行了建模，在通信网络拓扑结构、流量矩阵、路由策略发生变化时预测出当前情况下的各项路由策略路径下的端到端性能指标，从而辅助SDN控制器建立符合上层要求的路由策略；能够准确预估软件定义网络中给定路由方案下的网络性能并对路由方案进行优化。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本专利技术的范畴。图1为本专利技术提供的种SDN路由性能预测和优化的方法的流程图；图2为本专利技术提供的种SDN路由性能预测和优化的方法的一个实施例的网络拓扑结构示意图；图3为本专利技术提供的种SDN路由性能预测和优化的方法的一个实施例的网络性能对比图之一。图4为本专利技术提供的种SDN路由性能预测和优化的方法的一个实施例的网络性能对比图之一。图5为本专利技术提供的种SDN路由性能预测和优化的方法的一个实施例的网络性能对比图之一。图6为本专利技术提供的种SDN路由性能预测和优化的方法的一个实施例的网络性能对比图之一。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述。如图1所示，为本专利技术提供的一种SDN路由性能预测和优化的方法的一个实施例的主流程示意图。在该实施例中，所述方法包括如下步骤：步骤S1,根据路由策略R和计算机网络拓扑T确定链路节点Vl与路径节点Vp之间的图关系；具体一个实施例中，如图2所示，计算机网络中拓扑信息可通过链路节点与路径节点的交互关系进行概括。我们可以将链路与路径之间的关系建模为二分图模型，其中链路与路径都表示为图的节点；左边为计算机网络拓扑和网络中的路径，右边利用图模型将链路节点和路径节点之间的关系进行了描述，然后借助GraphSAGE图神经网络为每个链路节点li和路径节点pi引入待学习的嵌入向量与这些嵌入向量应该包含与建模目标相关的语义信息，如延时、丢包率、链路利用率等。借助这些嵌入本文档来自技高网...

【技术保护点】
1.一种SDN路由性能预测和优化的方法，其特征在于，包括如下步骤：/n步骤S1,根据路由策略R和计算机网络拓扑T确定链路节点V

【技术特征摘要】
1.一种SDN路由性能预测和优化的方法，其特征在于，包括如下步骤：
步骤S1,根据路由策略R和计算机网络拓扑T确定链路节点Vl与路径节点Vp之间的图关系；
步骤S2,通过多层聚合方法捕捉路径节点Vp和链路节点Vl之间的关系；
步骤S3,通过预测性能指标与真实值的误差来更新网络中的整个参数。


2.如权利要求1所述的方法，其特征在于，在所述步骤S2中，所述多层聚合方法捕捉路径节点和链路节点之间的关系的具体过程包括：
步骤S21，根据链路节点Vl与路径节点Vp的自身属性对节点初始特征进行初始化；
步骤S22,对所有的路径节点Vp进行信息聚合；
步骤S23,对所有的链路节点Vl进行信息聚合；
步骤S24,对所有特征向量进行归一化。


3.如权利要求2所述的方法，其特征在于，在所述步骤S21中，所述对节点初始特征进行初始化具体根据以下公式进行计算：



其中，所述链路节点Vl与路径节点Vp的自身属性具体包括，
链路本身的属性，用以表示链路本身的各种物理属性；
路径上的属性，用以表述链路端到端的流量情况。


4.如权利要求2所述的方法，其特征在于，在所述步骤S22中，所述路径节点Vp进行信息聚合具体包括，通过以下公式利用长短记忆神经网络LSTM提取特征：



其中，为长短期记忆网络的操作及网络权重，N(v)表示节点v的领点集合。


5.如权利要求4所述的方法，其特征在于，在所述步骤S22中，所述路径节点Vp进行信息聚合具体包括，利用以下公式...

【专利技术属性】
技术研发人员：车向北，康文倩，邓彬，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：广东;44