共查询到20条相似文献,搜索用时 430 毫秒
1.
软件定义网络(SDN)通过转发与控制分离,借助控制面的集中化实现网络的灵活性和开放性.控制器部署是SDN部署运行的基础和前提.针对层次型多中心SDN的控制器部署问题,该文采用多层k路划分方法实现大规模SDN网络的区域划分,将传统的SDN多控制器直接部署转化为区域划分和域内控制器部署,同时通过减少图划分的域间割边数以降低SDN跨域流数量以提高流表构建效率.通过实验验证,较其他传统方法,该文提出的层次型多中心控制器部署方法可有效减少网络通信代价,降低流表构建代价. 相似文献
2.
3.
4.
随着网络技术发展,以网络虚拟化为手段解决TCP/IP网络体系结构僵化问题已成为未来网络领域发展的主流方向之一.SDN(software defined networking,软件定义网络)作为一种新兴的网络体系结构,为网络虚拟化提供了有效的解决方案.首先总结了当前具有代表性的SDN网络虚拟化平台,并对比了SDN与传统网络环境中部署虚拟网的区别,然后针对SDN网络虚拟化平台中的虚拟网络映射问题,提出一种时延敏感的虚拟化控制器放置算法,最后通过实验验证了该算法在提高网络资源的利用效率的同时,保证了控制器与底层交换机的通信时延在可接受范围之内. 相似文献
5.
在多控制器管理的软件定义网络(SDN)中,时延和负载是控制器放置问题(CPP)要考虑的重要因素。该文以降低控制器之间的传播时延、流请求的传播时延和排队时延、均衡控制器间负载为目标,提出一种控制器放置及动态调整的策略,其中包括用于初始控制器放置的负载均衡算法(BCRA)和遗传算法(GA),用于动态调整控制器负载的在线调整算法(ADOA)。以上算法均考虑网络连通性。仿真结果表明:在初始控制器放置时,在保证流请求的传播时延、排队时延和控制器传播时延较低的情况下,BCRA部署在中小型网络中时,其负载均衡性能与GA相近且优于k-center和k-means算法;GA部署在大型网络中时,与BCRA, k-center和k-means算法相比,使得负载均衡率平均提高了49.7%。在动态情况下,与现有动态调整算法相比,ADOA可以保证较低排队时延和运行时间的同时,仍能使负载均衡参数小于1.54。 相似文献
6.
7.
8.
针对运营商部署IP SDN&NFV控制器系统的主要目标,分析广域网IP SDN&N FV控制器系统的发展思路,提出应采用集中控制与分布部署相结合的方式在IP网络中引入SDN控制系统.基于控制系统与网络设备间接口的标准化需求,分析IETF相关工作组的最新动态.对业界当前两大主流的开源控制系统OpenDaylight和ONOS和广域网IPSDN&NFV控制系统部署的两种模式进行对比分析,提出运营商应尽快基于开源的控制系统主导开发可直接控制各厂商设备的自研IP SDN&NFV控制器系统,尽早实现扁平、简洁、集约、柔性、开放的网络. 相似文献
9.
10.
11.
12.
13.
韩猛 《微电子学与计算机》2012,29(11):189-192
研究工作流服务主体优选问题,在工作流系统中,工作机负载能力有差异性,而且整个系统负载具有动态性,传统算法难以获得最优工作流服务主体优选方案,导致系统资源利用率较低.为了提高系统资源利用率,系统负载保持均衡,提出一种粒子群算法的工作流服务主体优选方法.首先对工作流服务主体优选问题建立相应数学模型,然后采用粒子群算法对其进行求解,即工作流服务主体最优选择方案,最后进行仿真测试.测试结果表明,相对于传统方法,粒子群算法可以针对不同类型的任务分配不同的工作机,实现系统多种资源的负载均衡,提高系统资源的利用率. 相似文献
14.
15.
16.
为了提高图像边缘检测的细节信息,采用了二进制粒子群算法。首先通过logistic变换更新粒子速度,粒子速度不受限制;接着动态调整粒子位置,使飞行状态充分调整;然后正态云发生器动态调整粒子的惯性权重,这样较优粒子可以取得较小的惯性权重;最后建立图像边缘检测模型和算法流程。实验仿真显示本文算法对图像边缘定位准确、清晰,信噪比为35.928 1db,处理时间为1.340 1s。满足检测结果中对信息含量大、执行时间少等要求。 相似文献
17.
18.
针对多目标车间作业调度问题(JSP),提出了一种混合遗传算法,将多目标遗传算法得出的初步优化结果作为粒子群算法的初始粒子,利用粒子群算法强化局部搜索,加快收敛速度,改善了简单遗传算法局部搜索能力差、迭代效率低的问题.仿真结果表明了该算法对JSP调度的良好效果. 相似文献
19.
环境和测量仪器精度的影响,使得采样数据的不同特征具有不同的质量.对这类异质数据进行特征选择,需要同时考虑特征子集确定分类器的准确度和可靠性,从而增加了特征选择的难度.本文研究异质数据的特征选择问题,提出一种基于多目标微粒群优化的特征选择方法.该方法首先以特征选择的概率为决策变量,将具有离散变量的特征选择问题,转化为连续变量多目标优化问题;然后,采用微粒群优化求解时,基于高斯采样,产生微粒的全局引导者,以提高Pareto解集的分布性;最后,依据储备集中元素更新的速度,确定需要扰动的微粒,以帮助微粒群跳出局部最优.将所提方法应用于多个典型数据集分类问题,实验结果表明了所提方法的有效性. 相似文献