论文部分内容阅读
现有传统网络已逐渐无法满足实际业务的需求，软件定义网络(Software-Defined Networking，SDN)的提出，不仅仅是一种革新的理念，它更是一种顺应时代需求而自然孕育的产物。控制转发平面相分离、可编程性以及集中管理控制模式，标志着SDN网络架构设计理念的三项特征，使得其提供的网络服务成为互联网领域发展史上的里程碑。集中控制器概念的提出，也使得网络对于数据包的处理由分布式路由的间接控制转变为控制器的直接控制，这对于网络配置更新管理具有重大意义。 网络的转发策略不是恒定不变的。流量负载均衡、链路带宽调整、维修更换迁移设备、制定新的安全策略如改变访问控制权限等网络状态的改变，都会引起新规则的下发。然而，尽管软件定义网络是具有逻辑集中控制特点的网络架构，但其底层的数据平面依旧具有分布式系统的特性，控制器与交换机之间有着不可避免的时延，无法保证新策略在同一时间生效。更重要的是，SDN网络在未来必将是由多控制器组成的分区域自治的分布式系统，那么，这种信息不同步所产生的策略更新不一致问题将导致数据包的错误处理，进而引起一系列不正确的网络行为，如中断、失连、瞬时循环、安全漏洞等。 目前，软件定义网络中策略更新一致性的问题已引起国内外众多研究学者的关注。本文针对该问题提出了基于路径及反馈的策略更新方案，旨在有效解决由网络状态、配置更新所引起的数据包处理不一致问题。本文利用OpenFlow数据包上传机制以及通过对旧流行踪的准确定位，实现了新、旧流的并行传输及新、旧规则的并行配置;并基于BP神经网络建立了相应的网络性能反馈模型，根据当前网络状态进行网络性能预测，动态调节数据包重放时机，在确保一致性的同时，使网络获得更加良好的性能及自适应性。最终，MATLAB训练结果以及基于POX、Mininet的仿真实验表明，本文反馈模型的建立能够准确刻画网络性能的变化，基于路径及反馈的策略更新方案与同类研究相比，能够有效降低控制负载54％，节省更新时间46％，且具有优良的通用性、隔离性以及相当低的规则空间消耗。