层次型多中心的SDN控制器部署

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.     

基于SDN的多控制器部署策略的研究

随着SDN在大型网络以及广域网中的需求,如何合理、高效地部署SDN控制器,从而以较低的部署成本,获得较好的网络性能,是当前研究的热点.针对控制器数量、部署位置问题以及交换机与控制器之间的映射关系的问题,首先给出一种分布式的控制器部署方式并设定了网络相关参数,以流建立请求代价为优化目标,提出了一种基于贪心算法的控制器部署策略方案.最后通过仿真实验将所提出方案与ACL方案进行对比,证明了所提方案在性能方面有一定的提升.     

软件定义网络系统的可靠性研究

可靠性是评价软件定义网络(SDN)系统的一项关键指标,为了提高SDN系统的整体可靠性,针对系统的软件可靠性进行研究,提出一种基于量子群优化算法的SDN系统软件可靠性评估模型。首先对SDN系统的软件可靠性研究现状进行分析,并建立相应的数学模型,然后采用量子粒子群算法对数学模型进行求解,并通过具体数据对软件可靠性评估模型的性能进行仿真测试。结果表明,量子粒子群算法可以对SDN系统的软件可靠性进行准确评估,很好地描述了SDN系统的软件可靠性变化趋势,而且求解结果要优于其他模型,实际应用价值更高。     

面向SDN网络虚拟化平台的控制器放置算法

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.     

软件定义网络中面向时延和负载的多控制器放置策略

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。     

广域网IP SDN控制器架构与关键技术研究

在研究国外运营商SDN/NFV架构基础上,基于运营商在广域网部署IP SDN控制系统的关键需求,分析实现IP SDN控制器的关键功能及相关技术,尤其是国际上各类YANG Model以及控制器南向接口的标准化现状,同时对基于实时流量的全局路径优化和流量均衡算法进行初步研究,并给出未来广域网IP SDN控制器功能架构方案,对运营商研发广域网IP SDN控制器的方向进行了展望.     

软件定义网络控制器安全策略部署

针对SDN(软件定义网络)环境下的安全问题,文章提出一种在SDN控制器上部署安全策略的方案,主要实现SDN防火墙的网站过滤设计。首先设计用户访问的网站的检测过滤模块,其次通过软件设计API(应用程序编程接口)方式实现网络的安全访问控制,最后设计数据库存储拦截过滤规则和拦截日志。通过系统测试表明该安全架构具有良好的可靠性应用。     

面向广域网的IP SDN&NFV控制系统研究

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.     

SDN/NFV关键技术问题分析和标准化进展

着重分析SDN/NFV技术在商用部署中面临的关键技术问题,包括开放接口标准化和互操作,通用硬件和控制器的性能,与现网系统的协同、安全以及集成部署等问题,并梳理国际标准组织和开源项目在SDN/NFV技术领域的进展情况。认为SDN/NFV的部署应是一个渐进式的过程,传统网络与SDN/NFV网络将会长期共存。业界需要尽快统一架构、接口和协议标准,推动不同厂商功能组件的系统集成,从而最终实现网络即服务。     

面向数据中心异构SDN的网络协同编排平台设计与实现

软件定义网络（SDN）技术为高速发展的云计算提供了网络解决方案,而数据中心SDN的规模化部署必然带来SDN异构互通、统一管理和协同编排需求。在研究SDN异构互通、北向接口标准化和协同编排等关键技术及其发展现状的基础上,提出通过网络协同编排平台SDN Hub实现跨域、跨厂商、跨SDN控制器互通和互操作的方法,并给出了平台的方案设计和系统实现,最终实验结果证明,平台具备多控制器接入和异构资源池调度能力。     

一种多策略融合的多目标粒子群优化算法

为提高多目标粒子群算法在解决复杂多目标优化问题中的整体性能,提出一种多策略融合的多目标粒子群算法.该算法采用均匀化与随机化相结合的方式初始化种群,在粒子速度更新中新增一扰动项,运用简化的k-最近邻方法维持档案以及对档案个体赋予生存期属性并动态调整生存期值.实验结果表明,在GD和SP性能指标上,本文算法与另外5种对等算法在ZDT和DTLZ系列测试问题上进行对比,其表现出了总体显著性的性能优势.     

基于动态交换策略的快速多目标粒子群优化算法研究

本文提出了一种基于动态交换策略的快速多目标粒子群优化算法,通过把初始种群分割成Pareto和Non_Pareto集合,并在迭代过程中对Pareto解集进行动态调整,从而较好地完成了多目标优化算法对Pareto解集的搜索和逼近.实验和应用实例均表明了该算法的有效性和快速性,并通过性能指标ER的计算验证了本算法优于某些同类的多目标优化算法.     

基于粒子群算法的工作流服务主体优选方法

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.     

用于约束优化的简洁多目标微粒群优化算法

本文提出了一种少控制参数的约束多目标微粒群优化算法.该算法利用关于微粒全局和个体最优点的高斯分布来更新微粒的位置,无需设置惯性权重和学习因子等控制参数;利用非可行储备集保存所得非可行解,给出一种改进的储备集更新方法;为均衡微粒对未知可行域和已知可行域的开发/探索能力,提出一种线性递减策略,用来分配微粒从非可行储备集中选...     

一种消解协商僵局的多目标粒子群优化算法

解决协商僵局问题是协商优化中的重要研究课题.利用协商议题之间的相关性,提出了一种用于消解双边多议题协商僵局的多目标粒子群优化算法(MOPSO).MOPSO首先动态放宽僵局议题的保留值,然后将僵局议题相关的多个议题的保留值缩紧问题转化为一个多目标优化问题,通过粒子群搜索到Pareto最优解集,从而并行优化了这些相关议题的保留值,最后在不降低协商者整体利益条件下进行协商议题保留值向量等效置换.实验验证了MOPSO是有效的,其僵局解决能力明显比现有的其他方法强.     

基于改进粒子群算法的图像边缘检测研究

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。     

基于进化计算的二元序列优化算法研究

具有良好非周期自相关特性二元序列在通信同步、雷达等领域具有广泛的应用。通过对遗传算法、粒子群算法与量子粒子群算法三种进化算法进行对比分析,设计了具有良好非周期自相关特性的二元序列的搜索算法。研究结果表明,粒子群算法的搜索能力优于遗传算法,而量子粒子群算法具有参数少,易于控制的优点,取得了较好的优化结果。     

基于改进遗传算法的多目标JSP调度研究

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.     

基于多目标微粒群优化的异质数据特征选择

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.     

均匀搜索粒子群算法的收敛性分析

本文将均匀搜索粒子群算法(Uniform search Particle Swarm Optimization,简称UPSO)的位置更新公式变换为一个差分方程,求解差分方程得到非递推的位置更新公式,推导解的收敛条件并求出了UPSO对学习系数c及惯性系数w的收敛区域,最后通过6个Benchmark函数仿真实验对收敛区域的正确性进行验证,实验结果表明学习系数和惯性系数在收敛区域内时的UPSO收敛,不在收敛区域外时UPSO发散.