本发明涉及情景网络技术、深度学习技术和路由优化技术，具体涉及一种基于sdn情景感知的路由优化方法。
背景技术：
随着网络技术的不断发展和创新，网络流量呈现出爆炸式增长的趋势，业务也越来越多样化。现有的互联网以分布式理论为基石，并以此发展出传输、转发、路由三大基线技术，具有高度的可扩展性以及健壮性。然而现有的ip体系结构资源管理单一，其路由机制和尽力而为的服务特点已无法适应需求和环境的动态变化，导致固有的互联网体系已无法满足灵活多变的应用需求。
路由控制及优化是提高网络服务质量的一个重要方面。路由会影响与网络相关的许多关键性能指标，例如吞吐量、延迟和利用率等。网络复杂多变的情景使得实现及时可靠的网络服务越来越难，因此需要有效的资源分配和调度技术来解决这一问题。通过分析、预测和调节等手段获得准确的网络状态与情景可以优化路由转发服务，从而减少资源浪费，提高网络整体性能，以满足多样化的应用服务需求。
“情景网络”概念是中国人民解放军信息工程大学邬江兴院士于2015年首次提出，传统网络尽力服务的设计准则导致网络结构单一，而且存在灵活性低、效率差、体验低等问题，针对这种情况，可以使用有限的分布模型来拟合逼近的片段。这里的片段就是“情景”，亦是网络服务对象以及环境背景的总和，情景网络强调“以用户为中心”，针对情景主动采用情景拟合和学习技术，改变网络功能及结构为用户提供更为贴切的服务。
软件定义网络(sdn)具有更为灵活的网络控制和实现能力，其集中验证式自动配置和动态全局控制能为网络创新技术实现提供了新平台。因此，在sdn网络中通过深度学习对网络情景进行感知，进而采用智能算法对网络路由进行优化，能够实现对实际情景及状态需求的智能拟合，并提高网络的资源利用率。
技术实现要素：
本发明针对当前采用智能情景感知优化网络路由的技术缺乏，提出一种基于sdn情景感知的路由优化方法，该方法拟基于深度学习方法对网络性能等路由约束进行精确评估预测，在获得的网络性能矩阵基础上，通过智能算法对网络的路由进行再规划，达到贴合业务服务需求和提高网络资源利用率的目的。
本发明解决技术问题所采用的技术方案如下：一种基于sdn情景感知的路由优化方法，该方法包括如下步骤：
步骤1：采集网络、用户的相关情景数据，建立网络情景数据集；
步骤2：构建图神经网络模型，所述图神经网络模型是一种由门控循环单元(gru)、自编码器、多层感知机构(深度神经网络，即mlp)所构成的三级级联神经网络模型。
步骤3：采用开源的数据集对图神经网络模型进行训练，并将步骤1中的网络情景数据集输入到训练好的图神经网络模型中进行情景感知，得到情景感知后的网络性能矩阵；
步骤4：根据步骤3获得的网络性能矩阵，通过智能算法对网络的路由进行优化。所述智能算法采用maddpg算法，ddpg智能体在网络拓扑结构上以感知到的网络中的时延、可用带宽为约束进行路由优化，最终为sdn路由转发提供优化后的路由策略rct。具体优化过程如下：
(4.1)以网络拓扑c、流量状态t、可用带宽b、路由配置rc为输入，在经过情景感知模型对其处理后，输出所建模的延迟数据d。
(4.2)将感知结果和网络基本信息抽象为环境状态信息s，ddpg智能体根据所获得的状态信息进行动作选择。奖励值的计算原则根据任务目标设定，在网络路由优化的过程中，选择延迟较低的链路应该获得高奖励，同时对于链路可用带宽较大的选择也应该给予奖励。按多约束问题的求解思路，将奖励值计算公式设置为rt＝-α*dt β*bt
其中，α，β为常量系数，α β＝1，其中dt表示时延值，设为负值的原因在于时延越高时奖励越小，时延越小时奖励值越高，即奖励值的大小和延迟大小成反比。bt表示链路的可用带宽的大小，显然可用带宽的数值应当与奖励值的获取成正比，可用带宽越大，奖励值也应当越大。
进一步地，所述开源的数据集采用kdn(knowledgedefinednetworking)网络建模数据集。
进一步的，步骤1中所述网络情景数据集包含的要素为拓扑、流量、路由配置和性能指标，所述性能指标包括延迟、抖动和丢包等。
进一步的，步骤2中所述图神经网络模型以mpnn消息传递机制和routenet架构为基础，对网络中的情景状态进行感知。
进一步的，所述三级级联神经网络模型结构如下：
第一层即消息传递阶段，通过gru神经网络对sdn网络中链路和路径进行状态感知，此层以网络中情景信息特征向量为输入,然后经由隐藏层中的gru神经单元抓取链路、路径以及网络路由拓扑之间的依赖关系，再对网络图中的状态信息进行计算与更新。
第二层自编码器对gru神经单元所获得的输出进行重构和提取抽象特征，该层是一种无监督学习过程，无需知道数据的标签即可完成训练，即该层可以在无监督的条件下完成对输入数据的特征提取和重构。
第三层类似多层感知机构的隐藏结构读取状态信息，得到最终结果。
本发明的有益效果是：当前采用智能情景感知优化网络路由的实践较少，基于sdn情景感知的路由优化方法能够实现对实际情景及状态需求的智能拟合，并提高网络的资源利用率；本发明构建了一种图神经网络与自编码器的混合模型，展示了基于非欧几里得空间的数据格式的强大的推理能力，充分利用节点所处情景；本发明的智能算法采用maddpg算法，有效地应对多智能体的交互。
附图说明
图1为总体路由优化图；
图2为情景感知架构图；
图3为路由优化流程图；
图4为不同优化方案平均延迟对比图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
在sdn网络中通过深度学习对网络情景进行感知，进而采用智能算法对网络路由进行优化，能够实现对实际情景及状态需求的智能拟合，并提高网络的资源利用率。而当前采用智能情景感知优化网络路由的实践较少，因此本发明拟基于深度学习方法对网络性能等路由约束进行精确评估预测，在获得的网络性能矩阵基础上，通过智能算法对网络的路由进行再规划，达到贴合业务服务需求和提高网络资源利用率的目的。
本发明在网络路由优化中采用以点带面的思想，通过对网络局部的优化而实现全局的优化，可使节点依据自身所处网络情景来调整网络转发策略从而达到网络性能优化的目的。
如图1所示，本发明提供一种基于sdn情景感知的路由优化方法，该方法包括如下步骤：
步骤1：采集网络、用户的相关情景数据，建立网络情景数据集，网络情景数据集包含的要素为拓扑、流量、路由配置、性能指标(如延迟、抖动、丢包等)；
步骤2：构建图神经网络模型，如图2所示，所述图神经网络模型是一种由门控循环单元(gru)、自编码器、多层感知机构所构成的三级级联神经网络模型，如图2所示。
第一层即消息传递阶段，通过gru神经网络对sdn网络中链路和路径进行状态感知，此层以网络中情景信息特征向量为输入,然后经由隐藏层中的gru神经单元抓取链路、路径以及网络路由拓扑之间的依赖关系，再对网络图中的状态信息进行计算与更新。
第二层自编码器对gru神经单元所获得的输出进行重构和提取抽象特征，该层是一种无监督学习过程，无需知道数据的标签即可完成训练，即该层可以在无监督的条件下完成对输入数据的特征提取和重构。
第三层类似多层感知机构的隐藏结构读取状态信息，得到最终结果。
步骤3：采用开源的数据集对图神经网络模型进行训练，并将步骤1中的网络情景数据集输入到训练好的图神经网络模型中进行情景感知，得到情景感知后的网络性能矩阵；
步骤4：根据步骤3获得的网络性能矩阵，通过智能算法对网络的路由进行优化。所述智能算法采用maddpg算法，ddpg智能体在网络拓扑结构上以感知到的网络中的时延、可用带宽为约束进行路由优化，最终为sdn路由转发提供优化后的路由策略rct。具体优化过程如下：
(4.1)以网络拓扑c、流量状态t、可用带宽b、路由配置rc为输入，在经过情景感知模型对其处理后，输出所建模的延迟数据d。
(4.2)将感知结果和网络基本信息抽象为环境状态信息s，ddpg智能体根据所获得的状态信息进行动作选择。奖励值的计算原则根据任务目标设定，在网络路由优化的过程中，选择延迟较低的链路应该获得高奖励，同时对于链路可用带宽较大的选择也应该给予奖励。按多约束问题的求解思路，将奖励值计算公式设置为rt＝-a*dt β*bt
其中，α，β为常量系数，α β＝1，其中dt表示时延值，设为负值的原因在于时延越高时奖励越小，时延越小时奖励值越高，即奖励值的大小和延迟大小成反比。bt表示链路的可用带宽的大小，显然可用带宽的数值应当与奖励值的获取成正比，可用带宽越大，奖励值也应当越大。
下面结合实施例对本发明作进一步说明。
本发明采用krzysztofrusek等人通过omnet 所产生的开源kdn(knowledgedefinednetworking)网络建模数据集，其由nsfnet、geant2、synth50三种不同网络拓扑下收集的数据构成，数据集包含基本的网络情景要素：拓扑、流量、路由配置、性能指标(如延迟、抖动、丢包等)。数据集由路由配置文件和网络状态文件组成，其中路由配置文件为一个矩阵，网络状态文件以键值对的方式存储数据，可以根据参数索引获得特征的值。根据数据集，通过tensorflow框架中的tfrecord格式存储和读取样本数据。
基于sdn智能情景感知的路由优化算法如下所示：
如图3所示，在对网络进行优化时，以网络中某条路径为例，首先情景感知模型根据所获得的基本信息按链路分析计算出状态信息矩阵，然后ddpg依据情景感知的计算结果和路径的源-目的对，进行动作选择，每一个状态即一步具有有限状态的markov转移过程，其中动作选择就是选择下一跳链路。因此在源-目的对之间所做出的一系列动作选择就是一条符合要求的路由策略。
如图4所示，在ti＝12时，routenet降低了18.39％的时延，而ggae降低了25.05％。在ti＝15时，routenet和ggae分别降低了27.42％、33.56％的延迟。对比实验数据可以发现情景感知模型因其对数据建模能力的强大，在基于情景感知的路由优化方案中具有较优秀的表现。相比较最短路径算法和routenet算法，所建立的情景感知模型在通过sdn智能情景感知进行路由优化的方案中表现突出，能够通过预测数据有效地降低网络时延。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。
1.一种基于sdn情景感知的路由优化方法，其特征在于，包括如下步骤：
步骤1：采集网络、用户的相关情景数据，建立网络情景数据集；所述网络情景数据集包含的要素为拓扑、流量、路由配置和性能指标等，所述性能指标包括延迟、抖动和丢包等。
步骤2：构建图神经网络模型，所述图神经网络模型是一种由门控循环单元(gru)、自编码器、多层感知机构所构成的三级级联神经网络模型；
步骤3：采用开源的数据集对图神经网络模型进行训练，并将步骤1中的网络情景数据集输入到训练好的图神经网络模型中进行情景感知，得到情景感知后的网络性能矩阵；
步骤4：根据步骤3获得的网络性能矩阵，通过智能算法对网络的路由进行优化；所述智能算法采用maddpg算法，ddpg智能体在网络拓扑结构上以感知到的网络中的时延、可用带宽为约束进行路由优化，最终为sdn路由转发提供优化后的路由策略rct。具体优化过程如下：
(4.1)以网络拓扑c、流量状态t、可用带宽b、路由配置rc为输入，在经过情景感知模型对其处理后，输出所建模的延迟数据d。
(4.2)将感知结果和网络基本信息抽象为环境状态信息s，ddpg智能体根据所获得的状态信息进行动作选择。按多约束问题的求解思路，将奖励值计算公式如下，奖励值的大小和延迟大小成反比；
rt＝-α*dt β*bt
其中，α，β为常量系数，α β＝1，其中dt表示时延值，bt表示链路的可用带宽的大小，可用带宽的数值与奖励值的获取成正比，可用带宽越大，奖励值也越大。
2.根据权利要求1所述的一种基于sdn情景感知的路由优化方法，其特征在于，所述开源的数据集采用kdn(knowledgedefinednetworking)网络建模数据集。
3.根据权利要求1所述的一种基于sdn情景感知的路由优化方法，其特征在于，步骤2中，所述图神经网络模型以mpnn消息传递机制和routenet架构为基础，对网络中的情景状态进行感知。
4.根据权利要求1所述的一种基于sdn情景感知的路由优化方法，其特征在于，所述三级级联神经网络模型结构如下：
第一层即消息传递阶段，通过gru神经网络对sdn网络中链路和路径进行状态感知，该层以sdn网络中情景信息特征向量为输入，然后经由gru神经网络的隐藏层中的gru神经单元抓取链路、路径以及网络路由拓扑之间的依赖关系，再对网络中的路径和链路的状态信息进行计算与更新。
第二层自编码器对gru神经单元所获得的输出进行重构和提取抽象特征，该层是一种无监督学习过程，无需知道数据的标签即可完成训练，即该层可以在无监督的条件下完成对输入数据的特征提取和重构。
第三层采用多层感知机构的隐藏结构读取状态信息，得到最终结果。
技术总结