SDN动态停滞超时时间优化算法

针对当软件定义网络(SDN)数据量高峰时,SDN交换机有限的流表项资源会对网络性能有很大限制这一问题,提出了一种动态停滞超时时间优化(DTO)算法。先用动态指数平滑(DES)算法估计出下一时间周期内网络中的新增流表项数量,而后依据SDN中的实际负载状况,采用动态参数对流表项的停滞超时时间进行动态优化调整。经Mininet仿真证明:优化算法能有效提高流表匹配率、流表资源利用率以及网络平均吞吐量,提升整体网络性能。     

一种基于预测与动态调整负载因子的SDN流表优化算法

通过对SDN流表更新的研究,发现了网络流量高峰期流表更新不及时的问题。提出了一种基于预测与动态调整负载因子的SDN流表优化算法。算法首先收集每个单位时间内的新增流条目,然后用二次移动平均算法对收集的历史数据进行分析,并估计下一个单位时间内新增的流条目,最终根据负载因子动态调整交换机流表中流条目的停滞超时时间。实验结果表明,该算法提高了流表匹配率和数据成功转发率,增加了活动流表项的数量。     

数据流特征感知的交换机流表智能更新方法

针对软件定义网络（SDN）中交换机流表匹配率低的问题,提出了数据流特征感知的交换机流表智能更新方法。首先,论述流表项的生存超时时间timeout对数据包匹配的影响,并且分析比较基于先进先出（FIFO）、近期最少使用（LRU）等一般方法存在的不足;其次,根据流表项的生存时间和数据流的特征密切相关的思想,利用基于隐马尔可夫模型（HMM）的深度流检测（DFI）技术对数据流进行分类;最后,根据流表资源和控制器计算资源状况,实现对不同类型数据流流表项的智能更新。采用校园数据中心网络行为数据的模拟实验表明,与流表更新的一般方法相比,智能方法能使流表匹配率提高5%以上,对SDN交换机的管理有实际意义。     

基于多目标优化的软件定义网络负载均衡方案

针对软件定义网络（SDN）中控制平面的负载均衡问题,提出了一种基于多目标优化的动态交换机迁移算法（M-DSMA）。该算法首先将交换机与控制器之间的映射关系转变为0-1矩阵优化问题;其次,通过基于NSGA-Ⅱ的多目标遗传算法同时优化控制平面负载均衡度和交换机迁移所产生的通信开销这两个相互冲突的目标。在多目标优化过程中,利用适应度函数选择个体进行交叉变异,随后采用快速非支配排序对种群进行精英策略,产生下一代种群,使得整个种群不断进化,搜索较优的解。仿真实验结果表示,相比于动态交换机迁移算法（DSMA）,M-DSMA在有效均衡控制平面负载的同时,降低了30%~50%的通信开销,且在提高控制平面可扩展性方面具有明显优势。     

基于改进NSGA-Ⅱ的列车运行多目标优化方法

针对目前城市轨道交通列车运行节能控制必须满足工程校验、实时高精度需求以及快速非支配排序遗传算法(NSGA-Ⅱ)在优化列车运行速度曲线时解集分布性差的问题,提出一种基于改进NSGA-Ⅱ的列车运行多目标优化方法.首先建立以站间牵引能耗、到站时间、停车精度为优化目标,以多种规范约束为支配惩罚,以实数编码的位置-工况组合为变量下的列车节能运行数学模型.然后,以限速曲线与坡度变化原则分段离散化站间线路,基于NSGA-Ⅱ加入动态矫正计算适应度值并引进自适应选择与混合交叉算子.最后,采用北京地铁8号线数据进行优化仿真.结果表明,改进NSGA-Ⅱ算法在标准测试函数上解集分布性指标最高提升27％,在列车节能工程优化问题上,运行备选方案数量提升2倍以上,方案分布性提升26％,牵引能耗降低4.8％.本方法为城轨列车节能运行的优化设计及决策者对目标条件的权衡提供了更广泛的选择.     

基于ARMA模型预测的交换机流表更新算法

针对SDN网络中交换机在网络流量高峰期流表匹配率低以及控制器负载过重的问题,提出了一种基于自回归移动平均（ARMA）模型预测的交换机流表更新算法。算法首先收集每个取样周期内的新增流表项数量作为历史数据,然后使用ARMA模型对收集的历史数据进行分析,预测下一个周期内新增加的流表项数量,并结合当前流表空间的使用情况,清除交换机中过去一段时间内使用频率较低的流表项。采用真实数据中心网络数据的模拟实验结果表明,与流表更新的一般方法相比,该算法有效地提高了交换机流表的匹配率,并减少了交换机与控制器之间交互的次数,降低了控制器端的负载。     

改进NSGA-Ⅱ算法及其在切削加工参数优化中的应用

针对NSGA-Ⅱ算法种群收敛分布不均匀,全局搜索能力差,易陷入局部最优等不足,引入正交交叉策略与混合变异算子,提出一种改进的NSGA-Ⅱ算法。在测试函数上对改进NSGA-Ⅱ算法与传统NSGA-Ⅱ算法同时进行性能测试,结果表明改进的NSGA-Ⅱ算法无论是在收敛性还是多样性上均优于NSGA-Ⅱ算法。将改进算法与传统NSGA-Ⅱ算法同时应用于6061铝合金精密车削加工参数多目标优化设计中,研究结果表明改进NSGA-Ⅱ算法收敛精度更高,收敛速度更快,优化结果更加逼近全局最优解,在求解切削加工参数多目标优化问题时更加有效。     

基于NSGA-Ⅱ的自适应多尺度特征通道分组优化算法

针对轻量型卷积神经网络（LCNN）的精确度和复杂度均衡优化问题，提出基于快速非支配排序遗传算法（NSGA-Ⅱ）的自适应多尺度特征通道分组优化算法对LCNN特征通道分组结构进行优化。首先，将LCNN中的特征融合层结构的复杂度最小化和精确度最大化作为两个优化目标，进行双目标函数建模及理论分析；然后，设计基于NSGA-Ⅱ的LCNN结构优化框架，并在原始LCNN结构的深度卷积层之上增加基于NSGA-Ⅱ的自适应分组层，构建基于NSGA-Ⅱ的自适应多尺度的特征融合网络NSGA2-AMFFNetwork。在图像分类数据集上的实验结果显示，与手工设计的网络结构M＿blockNet＿v1相比，NSGA2-AMFFNetwork的平均精确度提升了1.220 2个百分点，运行时间降低了41.07%。这表明所提优化算法能较好平衡LCNN的复杂度和精确度，同时还可为领域知识不足的普通用户提供更多性能表现均衡的网络结构选择方案。     

基于改进樽海鞘群算法的SDN控制器部署算法

针对SDN(Software-Defined Networking)多控制器部署优化问题,提出一种基于改进樽海鞘群算法的SDN控制器部署算法.在元启发式算法樽海鞘群优化的基础上,通过引入混沌映射因子增加收敛性,避免优化器陷入局部最优,提高算法性能,从而可以更有效地动态评估大型SDN网络中控制器的最佳数量以及交换机和控制器之间的最佳连接.实验结果表明,该算法在执行时间和可靠性上均优于其他对比算法,实现了控制器的最佳数量以及控制器与交换机的最佳分配问题.     

基于OpenFlow的软件定义网络虚拟化方案

软件定义网络(SDN)可以将网络控制平面与数据平面分离开来,为网络虚拟化提供了良好的平台。为了解决SDN中多租户下的虚拟化,提出了一种基于OpenFlow的网络虚拟化方案。通过一个中间代理来转换并匹配物理MAC地址与虚拟MAC地址,以及物理流表项和虚拟流表项,以此实现流量空间的虚拟化。其中,根据实际数据包的惰性计算,使用前缀或通配符来精确匹配流表项。另外,为了保障物理OpenFlow网络上不同租户之间的隔离,将单个虚拟MAC-通配符流表项映射为多个具有精确MAC地址的物理流表项。实验结果表明,该方案成功的实现了网络虚拟化,且虚拟化开销较小,具有可行性。     

Proactive eviction of flow entry for SDN based on hidden Markov model

With the fast development of software defined network (SDN), numerous researches have been conducted for maximizing the performance of SDN. Currently, flow tables are utilized in OpenFlows witch for routing. Due to the space limitation of flow table and switch capacity, variousissues exist in dealing with the flows.The existing schemes typically employ reactive approach such that the selection of evicted entries occurs when timeout or table miss occurs. In this paper a proactive approach is proposed based on the prediction of the probability of matching of the entries. Here eviction occurs proactively when the utilization of flow table exceeds a threshold, and the flow entry of the lowestmatching probability is evicted. The matching probability is estimated using hiddenMarkov model (HMM).Computersimulation reveals that it significantly enhances the prediction accuracy and decreases the number of table misses compared to the standard Hard timeout scheme and Flow master scheme.     

基于分类搜索的SDN流表无环一致性更新方案

在软件定义网络(Soft ware-Defined Networking,SDN)中,由于配置策略的改变导致控制器需要对多个交换机中的流表项进行更新时,会出现更新不一致的情况.其内在原因是控制器无法同时对所有交换机完成更新,不同的更新时延会导致网络状态在逻辑上的不一致,从而影响数据报文的正确转发.针对分类时序更新方案应用场景适用性差和更新时延长,最优化更新方案计算复杂度高等问题,本文在两者的基础上,提出基于分类搜索的无环更新一致性方案(Categorical Search based loop-free Consistent Update scheme,CSCU).方案通过设计交换机分类模型,并在分类的基础上,结合节点依赖思想设计环路搜索优化模型,实现更新时延短,更新效率高的一致性更新.仿真结果表明,本方案有更好的场景适用性和更低的节点操作复杂度,也有更少的更新轮次和更低的计算复杂度,可有效提升更新性能.     

基于粒子记忆体的多目标微粒群算法*

针对多目标微粒群算法(MOPSO)解的多样性分布问题,提出一种基于粒子记忆体的多目标微粒群算法(dp-MOPSO)。dp-MOPSO算法为每个微粒分配一个记忆体,保存寻优过程中搜索到的非支配pbest集,以避免搜索信息的丢失。采用外部存档保存种群搜索到的所有Pareto解,并引入动态邻域的策略从外部存档中选择全局最优解。利用几个典型的多目标测试函数对dp-MOPSO算法的性能进行测试,并与两种著名的多目标进化算法m-DNPSO、SPEA2进行比较。实验结果表明,dp-MOPSO算法可以更好地逼近真实Pareto沿,同时所得Pareto解分布更均匀。     

软件定义网络中基于分段路由的多路径调度算法

针对当前软件定义网络(SDN)在应对大量数据流时造成的流表利用率低、转发响应较慢以及当前网络调度算法容易造成网络局部拥塞和负载不均衡等问题,提出一种基于分段路由的多路径调度算法SRMF。首先,SDN控制器根据网络拓扑连接情况下发初始流表;综合考虑网络链路剩余带宽、丢包率和数据流估测带宽需求进行路径权重计算;最后,根据路径权重选择最优路径并构造分段流表下发到边缘交换机。实验结果表明分段路由转发技术在多种网络拓扑下较一般转发技术在流表项开销方面有明显优势,SRMF算法与Hedera、ECMP相比,在业务流端到端时延、端到端时延抖动、网络吞吐率、丢包率等方面有一定的优势。     

POF表项指令和动作的合法性检测

POF协议是SDN的一种南向接口协议,相较于经典的OpenFlow协议具有协议无关、灵活性强的特点。在关于POF协议的最近研究中,学者们为POF增加了比较和跳转等动作和指令,使得每个表项可以实现的功能更为强大。但指令数量和功能的增加也为软件交换机对于表项指令和动作的解释执行过程带来了更大的不稳定性。本文旨在通过对表项的静态检查提前发现使得软件交换机崩溃的情形,从而提高系统的鲁棒性。首先分析POF表项动作和指令的特点,并设计检测方案的架构;接着提出基于控制流图的检测算法,用于发现表项中的指令错误、不可达指令和循环块;进一步地,针对出现的循环块,提出一种基于强连通分量的检测算法,用于判断循环块的合法性。在POF交换机上的实验表明,本文所述方案可以准确检测出常见的表项错误,为软件交换机的可靠性提供保证。同时,不同于通常的检测程序,本文的检测方案在设计时着重考虑检测效率,整体检测方案具有线性复杂度,可以实现对流表表项的实时检测。     

记忆增强的动态多目标分解进化算法

现实世界中的一些多目标优化问题经常受动态环境影响而不断发生变化,要求优化算法不断地及时跟踪时变的Pareto 最优解集.提出了一种记忆增强的动态多目标分解进化算法.将动态多目标优化问题分解为若干个动态单目标优化子问题并同时优化这些子问题,以便快速逼近Pareto 最优解集.给出了一个改进的环境变化检测算子,以便更好地检测环境变化.设计了一种基于子问题的串式记忆方法,利用过去类似环境下搜索到的最优解来有效地响应新的环境变化.在8 个标准的测试问题上,将新算法与其他3 种记忆增强的动态进化多目标优化算法进行了实验比较.结果表明,新算法比其他3 种算法具有更快的运行速度、更强的记忆能力与鲁棒性能,并且新算法所获得的解集还具有更好的收敛性与分布性.     

A self-adaptive multi-objective harmony search algorithm based on harmony memory variance

Although harmony search (HS) algorithm has shown many advantages in solving global optimization problems, its parameters need to be set by users according to experience and problem characteristics. This causes great difficulties for novice users. In order to overcome this difficulty, a self-adaptive multi-objective harmony search (SAMOHS) algorithm based on harmony memory variance is proposed in this paper. In the SAMOHS algorithm, a modified self-adaptive bandwidth is employed, moreover, the self-adaptive parameter setting based on variation of harmony memory variance is proposed for harmony memory considering rate (HMCR) and pitch adjusting rate (PAR). To solve multi-objective optimization problems (MOPs), the proposed SAMOHS uses non-dominated sorting and truncating procedure to update harmony memory (HM). To demonstrate the effectiveness of the SAMOHS, it is tested with many benchmark problems and applied to solve a practical engineering optimization problem. The experimental results show that the SAMOHS is competitive in convergence performance and diversity performance, compared with other multi-objective evolutionary algorithms (MOEAs). In the experiment, the impact of harmony memory size (HMS) on the performance of SAMOHS is also analyzed.     

A tool for tracing network data plane via SDN/OpenFlow

SDN provides an approach to create desired network forwarding plane by programming applications. For a large-scale SDN network comprised of multiple domains and running multiple controller applications, it is difficult to measure and diagnose the problems of flow tables in data plane. Tracing the forwarding path of SDN is one of effective way for data plane state measurement. Previously proposed methods for debugging SDN were applied to a single administrative domain. There is less effort to trace the flow entries of the data plane in large-scale multi-domain SDN networks. In this paper, we propose a method of software defined data plane tracing in large-scale multi-domain SDN networks. Our method can trace forwarding paths, and get the matched flow entries and other customized trace information. We present the designs compatible with OpenFlow 1.0 and 1.3 switches. The performance and deployment effect are evaluated by simulation test and analysis. It shows that our method has better performance than traditional IP traceroute, and its deployment at about 20% of AS nodes can enable 70% of AS paths to be traceable.     

动态多目标免疫优化算法及性能测试研究

基于生物免疫系统的自适应学习、免疫记忆、抗体多样性及动态平衡维持等功能，提出一种动态多目标免疫优化算法处理动态多目标优化问题．算法设计中，依据自适应ξ邻域及抗体所处位置设计抗体的亲和力，基于Pareto控制的概念，利用分层选择确定参与进化的抗体，经由克隆扩张及自适应高斯变异，提高群体的平均亲和力，利用免疫记忆、动态维持和Average linkage聚类方法，设计环境识别规则和记忆池，借助3种不同类型的动态多目标测试问题，通过与出众的动态环境优化算法比较，数值实验表明所提出算法解决复杂动态多目标优化问题具有较大潜力．     

一种改进的多目标约束优化差分进化算法

提出一种新的多目标优化差分进化算法用于求解约束优化问题.该算法利用佳点集方法初始化个体以维持种群的多样性.将约束优化问题转化为两个目标的多目标优化问题.基于Pareto支配关系,将种群分为Pareto子集和Non-Pareto子集,结合差分进化算法两种不同变异策略的特点,对Non-Pareto子集和Pareto子集分别采用DE/best/1变异策略和DE/rand/1变异策略.数值实验结果表明该算法具有较好的寻优效果.