【技术实现步骤摘要】
一种基于SMA
‑
SVM的SDN链路连通性预测方法
[0001]本专利技术属于网络可靠性领域,特别是一种基于SMA
‑
SVM的黏菌算法参数优化、SDN链路连通性预测方法。
技术介绍
[0002]随着航天技术的发展,空间领域的竞争也日益激烈,天基网络因具有通信容量大、传输速率高以及覆盖范围广等优点,是下一代网络通信的研究方向。SDN技术因其更先进的网络架构理念而应用于天基网络中。由于太空复杂的辐射环境以及星载系统的移动性,SDN网络链路的可靠性面临巨大挑战,不可靠性对天基网络整体网络性能影响越来越大,链路节点的连通性作为网络最基本的可靠性指标,所以链路节点连通性的预测方法与研究尤为重要。
[0003]研究SDN网络链路节点连通性预测问题,可为SDN网络流量控制、路由选择、链路可靠性加固以及提高网络服务质量与灵活性等上层应用提供支持,为SDN网络在应对突发流量请求与链路负载压力时提供技术解决方案。近年来,针对网络链路预测的研究已经不胜枚举,例如针对城市路网的链路预测、基于社交网络的链路预测以及面向机会网络的链路预测等,虽然在不同的网络中已经有多种链路预测的相关研究,但对于SDN架构下的网络链路预测的研究目前还存在许多不足。如基于复杂网络的Psor链路预测算法,该算法综合节点自身核邻居节点的度,定义了节点的Psor指数和Psor相似性指标进行链路预测;还有一种基于Kshell分解与邻居节点度去噪的链路预测方法,该方法通过kshell分解对网络中所有节点进行重要性排序,然后从局部角 ...
【技术保护点】
【技术特征摘要】
1.一种基于SMA
‑
SVM的SDN链路连通性预测方法,其特征在于,所述方法包括以下步骤:步骤1,根据软件定义网络即SDN中复杂网络结构与介数中心性特征,构建反映目标网络数据平面的链路连通向量;步骤2,对目标SDN网络数据平面进行建模:基于OpenFlow通用转发框架数据平面的功能属性,构建三层数据转发模型,分别为解析层、流表匹配层与转发调度层;步骤3,SDN控制层利用网络快照动态采集目标SDN网络数据平面的全局网络拓扑信息,根据三层数据转发模型结构中流规则特征与全局网络拓扑信息构建目标SDN网络链路连通相似性向量;步骤4,运用差分整合移动平均自回归模型ARIMA对网络链路连通相似性向量序列进行时间序列分析,提取链路连通相似性向量随时间的变化规律;步骤5,利用黏菌优化算法SMA构建与优化网络链路连通器分类器;步骤6,根据网络链路连通器分类器输出的预测值定位目标网络中脆弱链路与节点。2.根据权利要求1所述的基于SMA
‑
SVM的SDN链路连通性预测方法,其特征在于,步骤1所述根据软件定义网络即SDN中复杂网络结构与介数中心性特征,构建反映目标网络数据平面的链路连通向量,具体过程包括:步骤1.1,采用网络节点中介度影响系数作为反映数据平面节点间连通性与鲁棒性的属性,通过下式(1)计算:其中,为节点e所构成的节点x
i
,x
j
之间最短路径的次数,为x
i
,x
j
中所有最短路径的数量,V为节点集合;步骤1.2,采用节点对共同连接节点影响系数作为反映数据平面节点间连通性传播属性,通过下式(2)计算:其中,F
L
(x
i
)为与节点x
i
相连节点集合的函数,F
L
(x
j
)为与节点x
j
相连节点集合的函数;步骤1.3,根据网络节点中介度影响系数与节点对共同连接节点影响系数构建链路连通向量其计算方法如下式(3)所示:其中,参数α∈[0,1],用于控制中介度影响系数与节点对共同连接节点影响系数的权重。3.根据权利要求1或2所述的基于SMA
‑
SVM的SDN链路连通性预测方法,其特征在于,步骤2所述对目标SDN网络数据平面进行建模,具体过程包括:步骤2.1,基于OpenFlow通用转发框架构建目标SDN网络三层数据转发模型,分别为解
析层、流表匹配层与转发调度层,其中解析层负责解析数据包字段,并将解析出的字段传递给流表匹配层;步骤2.2:提取流表项中的流规则R并构建三元组表示,即R=<M、P、I>,其中M代表匹配域,P代表优先级,I代表指令;步骤2.3,根据流规则R在流表之间表现出的水平结构化特征,分析数据平面内节点间连接的前置与后置关系,根据前置与后置连接关系设置数据平面链路连通状态;步骤2.4,转发调度层依据流表匹配操作结果执行数据转发任务,将反映数据平面内不同节点间数据包流向特征抽象为不同链路连通相似性属性,以链路连通相似性为特征,构建网络链路连通相似性向量。4.根据权利要求3所述的基于SMA
‑
SVM的SDN链路连通性预测方法,其特征在于,步骤2.3具体包括:(1)根据流规则的行为,流规则动态性受当前状态的上下文影响,一个规则在表内受前置规则与后置规则影响,表内体现为规则的纵向结构关系;(2)在转发过程中,一条流规则R会与前置远程表或后置远程表产生联系,这种联系体现在数据平面上是不同节点之间的连通性,数据平面内不同节点之间的连通性由流表之间的水平关系确定。5.根据权利要求3所述的基于SMA
‑
SVM的SDN链路连通性预测方法,其特征在于,步骤3所述SDN控制层利用网络快照动态采集目标SDN网络数据平面的全局拓扑信息,根据三层模型结构中流规则特征与全局拓扑信息构建网络链路连通相似性向量,具体过程包括:步骤3.1,SDN控制器通过packet
‑
out与packet
‑
in获取全局网络拓扑信息,并对该信息执行最短路径算法,依次遍历当前拓扑中的最短路径集p中的成员,并记录各个节点充当中介节点的信息;其中p={x
i,j
...},x
i,j
为节点i与节点j的最短路径,p为最短路径集;步骤3.2,将链路连通向量与反映目标网络拓扑信息的杰卡德系数、共同邻居权重系数AA、资源分配系数RA、偏好连接系数PA四种相似性特征参数分别进行融合,得到SDN链路连通相似性向量SDN_LCV;具体包括:步骤3.2.1,计算改进后的杰卡德特征向量步骤3.2.1,计算改进后的杰卡德特征向量其中,杰卡德系数的计算公式为:其中,Γ(x
i
)、Γ(x
j
)分别表示节点x
i
、x
j
的邻居集,|P|代表集合P的基数;步骤3.2.2,计算改进后的偏好连接特征向量步骤3.2.2,计算改进后的偏好连接特征向量其中,偏好连接系数的计算公式为:
其中,分别为节点x
i
、x
j
的度;步骤3.2.3,计算改进后的共同邻居权重特征向量步骤3.2.3,计算改进后的共同邻居权重特征向量其中,共同邻居权重系数的计算公式为:步骤3.2.4,计算改进后的资源分配特征向量步骤3.2.4,计算改进后的资源分配特征向量其中,资源分配系数的计算公式为:步骤3.3,构建目标SDN网络链路连通相似性向量V
LCV
:6.根据权利要求5所述的基于SMA
‑
SVM的SDN链路连通性预测方法,其特征在于,步骤4所述运用差分整合移动平均自回归模型ARIMA对网络链路连通相似性向量序列进行时间序列分析,提取链路连通相似性向量随时间的变化规律,具体过程包括:步骤4.1,对目标网络中节点对t,在每个时间间隔ε内搜集析取链路连通向量信息,构成链路连通特征向量序列V
LCVS
:步骤4.2,采用单位根检验ADF方法对网络链路连通相似性向量序列进行平稳性分析,若不平稳,则进行差分运算将其转换为平...
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。