一种基于SMA-SVM的SDN链路连通性预测方法技术

本发明专利技术公开了一种基于SMA

【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，然后从局部角度结合邻居节点的度对节点的重要性进行综合评判，最后利用优化后的网络数据进行链路预测，两种方法都是研究链路中节点之间的结构特点进行链路预测，而没有挖掘出不同节点之间的交互行为特征对链路预测的重要性。链路预测是一种估计网络节点之间未来形成链路概率的方法。目前有两类主流的链路预测方法。第一类是利用图的特点，使用局部与全局网络特征来网络中的实体，这一类方法中大多数都是输出相似性评估分数。第二类方法则利用与可用链接相关的信息创建网络表示，而这一类也被视为基于学习的问题。随着深度学习技术的发展，目前利用深度学习来研究链路预测问题是一个热门的研究方向。在基于学习的方法中，使用特征工程筛选出更好的特征数据，从而提升模型的训练效果。其中表征学习可以分为有监督、半监督与无监督学习。在有监督表示学习中，利用特定领域的知识进行特征工程。半监督表示学习中一部分利用特定领域知识进行标注学习，另一部分则通过算法来自动进行特征学习。无监督表示学习从无标签的数据中挖掘有效的特征或表示，主要用于监督学习的数据预处理或数据降维。
[0004]网络链路预测的目的是提升网络鲁棒性与可靠性，目前针对网络可靠性的研究主要关注网络的功能可靠性与组件可靠性，因为网络是一个复杂系统，故不能利用单一指标去衡量其可靠性。目前针对网络可靠性的研究中主流的研究框架为分层研究，研究方法有基于神经网络的可靠性研究、基于模糊理论的可靠性研究与基于生物种群的启发式算法等。当网络在运行期间，其状态可能会随着时间的推移根据其组件的状态的变化而变化。从
可靠性的角度来看，部件状态的可靠性是基于一种特定的随机机制，而特定的网络应用也会从上层对网络整体可靠性产生影响，例如目前在云计算、大数据与移动流量的影响下，传统网络架构中产生海量且种类繁多的流量，这些数据流量很难用一般的方法来提取特征，从而对网络的可靠性预测产生冲击与挑战。
[0005]对复杂网络执行链路预测任务的一大难点是网络变现出来的动态变化特点，针对网络所表现出来的动态性与随时间变化的特性，通过时间序列预测模型可以更加有效的将其动态性与随时间的变化特征提取出来，从而提高对网络链路可靠性的预测精度。时间序列预测模型依赖于事件发生的先后顺序，所以即使同样的数据值在改变顺序后输入模型中所产生的结果也是不相同的，时间序列分为平稳序列与非平稳序列，平稳序列是指序列中观察值大体在某个固定的水平上波动，而非平稳序列则是包含长期趋势或循环波动的序列。其中非平稳序列可以通过差分转换成平稳序列。时间序列预测模型主要有传统时序建模与基于机器学习的时序预测，传统的时序预测模型主要有平稳序列拟合模型(Autoregressive Moving Average model,ARMA)，基于机器学习的时序预测模型有随机森林、SVM与xgboost等。目前针对网络链路的预测方法中，相关学者已经将时间序列预测模型应用于链路可靠性预测中，在与相关优化算法的结合下，链路可靠性预测取得了相对较高的精度，但是并没有全面反映SDN特征，精度还是不够高。

技术实现思路

[0006]本专利技术的目的在于针对现有技术存在的问题，提供一种基于SMA
‑
SVM的SDN链路连通性预测方法，通过引入SMA对网络链路连通性分类器进行参数优化，构建SDN链路连通向量，并利用ARIMA时间序列预测模型提取链路连通向量随时间变化的特征，从而提高SDN中链路预测的精度。本专利技术中，构建的网络链路连通向量主要体现SDN复杂网络结构与节点介数中心性特征。通过链路连通向量与4种相似性特征参数融合得到链路连通特征向量，对链路连通特征向量进行时间序列特征提取，特征向量序列与连接状态作为训练网络链路连通性分类器的样本，通过SMA优化网络链路连通性分类器参数从而提高分类器的分类精度，最后由网络链路连通性分类器根据当前链路状态信息执行链路预测任务。
[0007]实现本专利技术目的的技术解决方案为：一种基于SMA
‑
SVM的SDN链路连通性预测方法，所述方法包括以下步骤：
[0008]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；
[0009]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；
[0010]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；
[0011]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；
[0012]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；
[0013]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。
[0014]进一步地，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：
[0015]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：
[0016][0017]其中，为节点e所构成的节点x
i
，x
j<本文档来自技高网...

【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＝&lt;M、P、I&gt;，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...

【专利技术属性】
技术研发人员：庄毅，陈晨，顾晶晶，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：