機器學習下的SDN網絡結構

王禹辰，王思遠

（哈爾濱工業大學 黑龍江 哈爾濱 150001）

1 引言

機器學習（Machine Learning）是學術界和工業界研究和應用的熱門話題和焦點。以深度學習為代表的機器學習是目前最接近人腦智能學習方法和認知過程。它充分借鑒了人腦的多層次結構，神經元的連接與互動，分布式稀疏存儲與表示，信息分析與處理機制以及自適應自學習的強大并行信息處理能力。語音和圖像識別技術取得突破性進展，在許多領域取得了巨大的商業成功。目前，機器學習的研究和應用取得了很大的進展，全面了解機器學習具有重要的現實意義[1，2]。本文對機器學習下的SDN網絡結構展開討論。

2 機器學習

機器學習是一個包括概率論，統計學，近似理論，凸分析，算法復雜性理論等多領域的交叉學科。它作為人工智能的關鍵核心，是使計算機智能化的基本途徑，其應用領域遍布人工智能領域，主要采用歸納，綜合而非演繹[3]。

機器學習的目標是在一定網絡結構的基礎上建立數學模型，選擇相應的學習方法和訓練方法，學習輸入數據的數據結構和內部模式，不斷調整網絡參數。通過數學工具預測反饋求解模型的優化，增強泛化能力，避免擬合過度。機器學習算法主要是指通過數學和統計方法求解優化問題的步驟和過程。典型機器學習的流程如圖1所示。

圖1 典型機器學習的流程

3 SDN技術

3.1 SDN核心思想及架構體系

SDN技術的又稱是軟件定義網絡，它是由Mc Keown教授根據Open Flow提出的一種全新的網絡技術。它通過分離網絡設備控制平面與數據轉發，靈活可編程化的控制網絡流量[4]。

圖1是SDN技術的體系架構，從圖中可以看出，控制層、應用層和基礎轉發層是SDN架構體系的主要組成。SDN技術是一種新型的網絡架構體系，主要采用軟件可編程和數據控制分離，它的核心思想就是數據面分離和網絡設備控制平面。從路由器設計的角度來看，它主要由軟件控制和硬件數據通道組成。軟件控制包括管理和路由，數據通道主要具體數據處理功能的實現，主要包括分組查詢和修改。該體系結構在應用時，優勢能明顯突出，網絡利用效率明顯提高。以交換機為主的網絡元素組成SDN的數據平面，SDN網絡數據通路由不同規則形成的，它連接了各網絡元素。控制平面中包含負責運行控制邏輯策略和維護整個網絡視圖，有“邏輯中心”之稱的控制器。

圖2 SDN體系架構

3.2 SDN關鍵技術

控制器是SDN的操作系統，它的實現和設計是SDN技術的重要環節，是SDN技術的關鍵組成。控制器通過南向接口協議集中管理和監測交換機底層網絡的狀態等。同時，向上層應用開放可編程能力是通過北向接口實現的[2]。

SDN技術的數據平面交換設備負責數據分組的高速轉發，控制器則通過南向接口協議統一分發決策的轉發，這有利于提高網絡質控的管理效率，降低設備復雜程度。

4 基于機器學習的SDN網絡結構

機器學習是數據挖掘中的重要工具。然而，數據挖掘不僅要研究，擴展，應用一些機器學習方法，還要通過許多非機器學習技術來解決數據倉庫，大規模數據，數據噪聲等更多的實際問題。機器學習的范圍也非常廣泛。數據挖掘中常用的方法通常是“從數據中學習”，但機器學習不僅用于數據挖掘，還用于機器學習的一些子領域。如增強學習和自動控制等。近年來，一些學者使用機器學習方法對SDN網絡結構進行了研究。本文主要針對機器學習下的SDN網絡結構的優點進行了敘述。

SDN技術的主要特征是可以直接進行編程以滿足客戶的特殊需求；靈活化管理，業務開通速度快且步驟易操作，流程簡單；集中控制管理網絡。因此機器學習下的SDN網絡結構比傳統網絡結構具有以下幾個優勢[5，6]。

（1）網絡設計更簡單

由于流量可控的原因，物理網絡和邏輯網絡的必然聯系被脫離，這就為物理網絡架構提供了更多的可選擇性。聚集了全部網絡配置的控制器因而具備網絡全局視野。

（2）網絡設備更通用

硬件在集中控制和網絡可編程的促使下發展更加通用化和標準化，這有利于減低設備的投入資金，增加設備使用率。

（3）資源利用更高效

控制器通過集中管理轉發表可以對網絡各鏈路中流量的走向和大小進行實時控制，從而可以虛擬化管理網絡功能元件和網絡帶寬資源大大提升了對資源的利用率和網絡擴展性。

5 結語

SDN技術的出現為通信網絡的建設和應用提供了良好的發展平臺。機器學習下的SDN網絡結構已被廣泛應用于人們的生活中，雖然SDN技術在網絡中得到了廣泛發展和有效使用。但是，在實際應用中還存在很多問題。可以預見的是，基于機器學習的SDN網絡結構能夠逐步標準化的逐步跨越，在網絡業務運營中發揮更大的作用和驅動力。