摘 要

人工智能时代的到来不仅推动了智能、科学计算方法的应用，网络通信、大数据、计算分析、人工智能等多学科交叉融合的创新尝试也受到了广泛关注。Software Defined Network （SDN)技术的出现为通信网络的建设和应用提供了良好的发展平台。机器学习下的 SDN 网络结构已被广泛应用于人们的生活中。虽然 SDN 技术在网络中得到了广泛发展和有效使用，但是面对日益增大的网络需求，对SDN的需求也会越来越大，这就需要SDN变得更加灵活高效。SDN可编程性使机器学习算法生成的最优网络解决方案（如配置或资源分配）能够在网络上执行，基于实时和历史网络数据，机器学习技术可以通过执行数据分析，网络优化和网络服务的自动提供来为SDN控制器提供智能化操作。可以预见的是，基于机器学习的 SDN 网络结构能够逐步标准化高效化的逐步跨越，在网络业务运营中发挥更大的作用和驱动力。本文主要就机器学习在软件定义网络中的路由决策以及流量预测这两方面进行现状分析及优化处理。在路由决策中运用到了监督学习中的决策树模型，在流量预测方面则是运用了贝叶斯模型。

关键词：机器学习；软件定义网络；算法；路由决策；流量预测

Abstract

The advent of the artificial intelligence era has not only promoted the application of intelligent and scientific computing methods, but also the innovative attempts of multidisciplinary integration such as network communication, big data, computational analysis, and artificial intelligence. The SDN network structure under machine learning has been widely used in people's lives, although SDN technology has been widely developed and effectively used in the network. However, in the face of increasing network demand, the demand for SDN will also increase. This requires SDN to become more flexible and efficient. SDN programmability allows the optimal network solution (such as configuration or resource allocation) generated by the machine learning algorithm to be executed on the network. Based on real-time and historical network data, machine learning technology can perform data analysis. Network optimization and automatic provision of network services to provide intelligent SDN controllers It is foreseeable that the machine learning-based SDN network structure can gradually leapfrog through standardization and play a greater role and drive in network business operations.This paper mainly analyzes the status quo and optimizes the routing decision and traffic forecast of machine learning in the software definition network. The decision tree model is used in the routing decision and the Bayesian model is used in the flow prediction.

Key words: Machine learning; Software defined network; Algorithm；Routing Decision Flow Forecast

目录

第1章 绪论 1

1.1研究背景 1

1.2研究目的与意义 1

1.3国内外研究现状 2

1.4研究内容与组织结构 3

1.4.1 论文的研究内容 3

1.4.2 论文的组织结构 3

第2章 相关理论基础 4

2.1 SDN技术 4

2.1.1 SDN的起源和发展 4

2.1.2 SDN的体系架构 4

2.1.3 OpenFlow协议 5

2.1.4 SDN控制器 7

2.2 几种简单的机器学习算法 8

2.2.1 朴素贝叶斯 9

2.2.2 决策树 9

2.2.3 支持向量机 10

第3章 SDN中的应用一：基于机器学习的路由决策架构 12

3.1动态路由决策 12

3.2三种机器学习方式 14

3.2.1监督式学习 14

3.2.2非监督式学习 14

3.2.3 半监督式学习 15

3.3基于机器学习的路由决策架构设计 15

3.3.1架构描述 15

3.3.2路由决策元层的组成 16

3.3.3训练数据采集和路径数据库构建 17

3.3.4模型训练过程 18

3.3.5 动态路由决策过程 20

3.4本章小结 22

第4章 SDN中的应用二：基于贝叶斯模型的流量预测 23

4.1贝叶斯模型原理 23

4.2几种常见的预测模型 23

4.2.1趋势外推预测方法 23

4.2.2.回归预测方法 24

4.2.3.卡尔曼滤波预测模型 24

4.2.4.组合预测模型 25

4.3基于贝叶斯模型的流量预测 25

第5章 总结与展望 29

参考文献 30

致谢 31

第1章 绪论

1.1研究背景

随着通信网络技术及业务的迅猛发展，通信网络的用户数量以及用户对业务的流量需求急剧增加，但网络架构垂直且封闭、网络部署复杂以及电信业务总量与收入不匹配等诸多问题使得当今的网络面临着巨大挑战。软件定义网络（Software Defined Network, SDN）架构的出现和发展极大地推进了通信网络架构的演进^[1]。在基于 SDN 的网络中，控制面和数据面分离，不再是紧耦合模型，使得网络更为灵活且可扩展性更好。分布式SDN架构是物理上分布、逻辑上集中的SDN架构的实现，作为 SDN 范式的一个重要架构模型，能够适用于大规模网络，且在控制功能上更为稳定可靠具有弹性，因此引起了国内外研究界和工业界的极大关注。然而分布式 SDN 极易带来负载均衡问题，多个控制器间容易形成负载差异，致使个别高负载控制器性能急剧下降；同时，单个 SDN 控制域内也容易出现链路间负载不均衡问题，链路间的负载均衡问题将影响整个网络的性能。特别地，现在端设备对网络需求具有很强的时变性，真实网络流量无论是在空间上还是时间上均隐藏着巨大的波动。

机器学习（Machine Learning）是学术界和工业界研究和应用的热门话题和焦点^[2]。以深度学习为代表的机器学习是目前最接近人脑智能学习方法和认知过程。它充分借鉴了人脑的多层次结构，神经元的连接与互动，分布式稀疏存储与表示，信息分析与处理机制以及自适应自学习的强大并行信息处理能力，目前，机器学习的研究和应用取得了很大的进展，全面了解机器学习具有重要的现实意义。

1.2研究目的与意义

随着移动终端的需求逐步增强，需要构建一个弹性可扩展的通信环境。SDN网络架构为移动通信系统提供智能、开放的网络系统，结合 NFV、切片等技术，能为各个移动通信业务场景提供不同的定制化组合网络。SDN 控制器是 SDN 网络架构的大脑，无论是对网络底层物理资源的优化还是对网络服务的智能配置，均需要依赖于 SDN 控制器强大的计算能力^[3]。