基于中继技术的B3G/4G蜂窝网络成本优化模型

为了降低基于中继技术的B3G/4G网络建设成本,通过分析网络建设成本与基站、中继节点数量比之间的关系,提出了成本效率模型.由成本效率模型推导出等成本直线,并将之与等容量曲线结合,进一步提出了成本优化模型.该模型明确地为B3G/4G蜂窝网络建设方案的评估与优化提供了直接有效的分析模型.仿真结果表明,在同样的系统容量和覆盖范围需求下,该模型可以有效分析网络建设成本,确定成本最优点.     

面向软件定义网络的可变粒度数字孪生构建技术

软件定义网络（software defined network,SDN）应用范围的扩大带来了应用需求多样化的挑战。利用数字孪生（digital twin,DT）增强SDN的实时分析、推演和控制能力,能更好地满足各种应用场景需求。然而,当前SDN的数字孪生构建面临着时延需求高、计算开销大、资源协调难的问题。因此,以应用需求为导向,在网络可用计算资源约束下,提出了一种新型的可变粒度数字孪生（variable granularity digital twin,VGDT）思想及其构建技术。VGDT结合网络可用计算资源分布特征,建立了保证数字孪生时延和完整度的多节点资源协同优化模型。在此基础上,利用混合编码遗传算法对该模型进行求解,获得最佳映射数据粒度和数字孪生部署方案,指导数字孪生的构建过程。仿真结果表明,与现有模式相比,在网络计算资源约束下,VGDT具有更高的数字孪生模型完整度和有效性。     

基于区块链的软件定义网络数据帧安全验证机制

为构建安全高效的网络环境,必须对伪造、受篡改数据帧进行有效的识别与过滤。然而,在软件定义网络（SDN）中,现有的安全验证机制通常在验证设备受到攻击或恶意控制时无法有效运行。为解决上述问题,提出了基于区块链的SDN数据帧安全验证机制。首先,设计帧转发证明（PoFF）共识算法并以此为基础建立轻量型区块链系统;然后,基于该系统构建针对SDN数据帧的安全验证体系;最后,提出可灵活调节的半随机选择验证模式以兼顾验证效率与资源开销。仿真结果表明,在同等比例的交换机被恶意控制情况下,所提机制的漏检概率较基于哈希链的验证机制有明显降低。其中,当受控交换机占比为40%时,降低效果尤其显著：此时所提机制在基本验证模式下的漏检概率低于32%,在辅助以半随机验证后可进一步降到7%,均远低于基于哈希链的验证机制72%的漏检概率;且所提机制引入的资源开销与通信代价在合理范围内。此外,即使在SDN控制器完全失效情况下,所提机制仍可保持良好的验证性能与效率。     

无线自组织网络关键技术与进展

无线自组织网络在军事和民用方面正在获得迅速的进展,但由于其本身固有的特点,仍然有很多问题和关键技术亟需解决。这些问题和关键技术包括MAC协议中的隐暴终端、单向链路问题,具有良好适应性和鲁棒性的路由协议研究,设计完善的跨层协同技术,具有可扩展性的无线自组织网络体系结构等。     

网络服务功能链技术研究与建模

伴随着数据业务量的急剧增长,传统的静态网络服务模型日渐不能满足应用的需求,其构架中网络服务与专用硬件设备之间一一对应的紧耦合关系造成了网络资源不能共享、新业务难以融合等弊端。当网络规模扩大时,传统的管理和部署方式需要投入更多的成本来部署新业务。随着网络虚拟化的兴起与软件定义网络研究的推进,网络服务功能链这一概念应运而生。网络服务功能链由一个或多个虚拟网络功能组成,旨在降低网络建设与运维成本、提高网络资源利用率、提升网络与业务部署速度。针对当前服务功能链体系的研究及建模和应用进行了阐述,并对业内主流的服务功能链优化模型进行抽象建模。同时针对时延优化问题进行仿真,以启发式贪婪算法为代表,通过不同的启发值,从算法时间复杂度与优化效果的角度将服务功能链中启发式算法与穷举法进行对比。在网格状网络的环境下,启发式算法能取得更快的响应速度,并且能取得和穷举法相当的优化效果。因此,得出在大规模工业互联网中部署服务功能链过程中启发式算法能有更快的响应速度,且能达到或者接近最优解的结论。最后,就当前建模与部署存在的问题以及服务功能链未来的研究方向进行论述。     

基于联邦学习的SDN异常流量协同检测技术

网络流量异常状态检测是发现潜在安全威胁的重要手段，但是现有异常流量检测方法普遍存在环境适应性不强、协同能力较弱等问题。结合SDN网络的拓扑结构与流量特征，提出基于联邦学习的异常流量协同检测技术。利用SDN网络中的检测节点，构建基于联邦学习的多检测节点协同检测架构。通过信息熵计算提取流量特征，从相对熵的角度分析检测节点的流量关联度，并根据该关联度设计模型训练过程中的参数聚合权重优化算法，提高检测模型的适应能力。应用参数聚合权重优化算法进行多检测节点异常流量检测模型的协同训练，提升检测模型对异常流量的识别准确率。仿真结果表明，与本地独立训练和传统联邦学习算法相比，基于参数聚合权重优化算法的识别准确率分别提升了31.69%和7.92%，具有更好的异常流量检测效果及更强的环境适应能力。