适用于软件定义网络(SDN)的计算机的调查学习技术:研究问题和挑战外文翻译资料

 2021-11-06 05:11

英语原文共 39 页

1

适用于软件定义网络(SDN)的计算机的调查学习技术:研究问题和挑战

摘要:近年来,随着快速发展目前的互联网和移动通信技术,基础设施,设备和资源的联网系统变得更加复杂和异构的。为了有效地组织,管理,维护和优化网络系统,更多的智能需要部署。然而,由于传统网络固有的分布特征,机器学习技术很难被应用并部署到控制和操作网络。软件定义网络(SDN)给我们带来了新的机遇,以提供网络内的情报。SDN的能力(例如,在逻辑上集中控制,网络,基于软件的流量分析,并转发规则动态更新的全局视图),使其更容易申请机器学习技术。在本文中,我们提供适用于SDN的文献涉及机器学习算法进行全面调查。首先,介绍了相关工作和背景知识。然后,我们提出的机器学习算法的概述。此外,我们回顾了机器学习算法是如何在SDN的领域应用,从业务分类,路径优化,服务质量(QoS)/体验质量(QoE)的预测,资源管理和安全的角度。最后,挑战和更广泛的前景进行了讨论。路由优化,服务质量(QoS)/体验质量(QoE)的预测,资源管理和品质的保障。最后,挑战和更广泛的前景进行了讨论。路由优化,服务质量(QoS)/体验质量(QoE)的预测,资源管理和品质的保障。最后,挑战和更广泛的前景进行了讨论。

关键词:软件定义网络,机器学习, 流量分类,资源管理

一,导论

近年来,随着智能设备(如智能手机,智能汽车和智能家居设备)和网络技术的飞速发展(例如,云计算和网络VIR-tualization),在我们的世界的数据流量正在呈指数增长。为了优化的流量分布和管理大量装置,网络变得越来越异构和复杂。的制造网络通常涉及设备的多个可运行多种协议,并支持多种应用。例如,在无线网络中,不同类型的具有不同传输的覆盖范围,功率和工作机制的细胞(例如,宏小区,微微小区,毫微微小区,中继,以及RRH的),以及不同的通信技术,诸如ZigBee, WiMAX的IEEE 802.11 AC /广告,蓝牙和LTE,已经被应用。该

这项工作是由中国国家自然科学基金(61501042号),中央高校基本科研经费支持。(通讯作者:黄韬)。

异构网络基础架构增加了网络的复杂性,并提出了有效地组织,管理和优化网络资源的许多挑战。

在网络中部署更多的智能,是解决这些问题的一个可能的方式。几年前,一个知识平面(KP)的方法[1]提出了把自动化,建议和智能网络,通过将机器学习(ML)和认知技巧。然而,在写这篇文章的时候,KP尚未原型或部署。其中一个重要原因是传统的网络系统,其中,每个节点,如路由器或交换机,可以仅在该系统的一小部分查看和行为的固有分布特征。从具有完整的系统的一小部分视图执行超出本地域中控制节点学习是非常复杂的[2]。幸运的是,最近在软件定义网络(SDN)的进步将缓解学习的复杂性。

SDN解耦控制平面和数据平面。在SDN网络资源由逻辑集中式控制器,其充当网络操作系统(NOS)管理。所述SDN控制器可以在网络动态地编程。此外,集中控制器具有通过监视和收集实时网络状态和配置数据,以及分组和流粒度的信息的网络的全局视图。在SDN应用机器学习技术,适用和高效的,原因如下。首先,最近在计算技术,例如图形处理单元(GPU)和张量处理单元(TPU)的进步提供了良好的机会在网络领域应用前途的机器学习技术(例如,深神经网络)[3],[4] 。第二,数据的关键是数据驱动的机器学习算法。集中式SDN控制器具有全球网络视图,能够收集各种网络数据,便于机器学习算法的应用。第三,基于实时和历史的网络数据,机器学习技术可以进行数据分析,网络优化和网络服务提供自动化智能化带来的SDN控制器。最后,SDN的可编程性能够使最佳网络解决方案(例如,配置和资源分配)通过机器学习算法可以制成 基于实时和历史的网络数据,机器学习技术可以进行数据分析,网络优化和网络服务提供自动化智能化带来的SDN控制器。最后,SDN的可编程性能够使最佳网络解决方案(例如,配置和资源分配)通过机器学习算法可以制成 基于实时和历史的网络数据,机器学习技术可以进行数据分析,网络优化和网络服务提供自动化智能化带来的SDN控制器。最后,SDN的可编程性能够使最佳网络解决方案(例如,配置和资源分配)通过机器学习算法可以制成实时[5]在网络上执行。

在这篇文章中,我们调查可开发和SDN应用的国家的最先进的机器学习技术。研究采用机器学习技术,提高SDN的性能,机灵,效率和安全性进行讨论,然后在适当的深度和广度足以相关领域未来的研究方向进行了简要的介绍和总结。我们的方法的路线图,图1给出如图所示,我们确定了基于ML-SDN的五个方面,对我们想重点:背景知识,概述,机器学习在SDN,挑战和更广泛的前景。

本文的其余部分组织如下。首先,相关工作在第二节介绍。然后,SDN的背景知识在第三节作了简要介绍。在第四节,我们给出的SDN最广泛使用的ML算法的简要说明。第五节评论ML算法如何在SDN的境界施加,从流分类,路由优化的角度来看,服务质量(QoS)的质量/体验质量(QoE)的预测,资源管理和安全性,并提供的详细说明如何机器学习的努力可以在每个类别中的应用。挑战和未来的研究方向在第六节,包括高质量的训练数据集,分布式多控制器平台的讨论,提高网络安全性,跨层网络优化,并逐步部署SDN。

机器学习的应用已经吸引了大量的关注。Patcha等。[6]在入侵检测的结构域都给予的机器学习技术的应用程序的详细说明。Nguyen等。通过使用机器学习[7]着眼于IP流分类。Bkassiny等。[8]在认知无线电网络(CRNS)研究了几个具有挑战性的学习问题,并调查了现有的基于ML-的方法来解决这些问题。如何ML技术可以应用于解决无线传感器网络中的常见问题在已经调查[9]。王等人。[10]已经提出了应用演进的异构网络中的状态的最先进的人工智能(AI)系的技术,并讨论了未来研究的挑战。Buczak等。[11]已经研究关于网络安全入侵检测ML和数据挖掘(DM)的方法。Klaine等。[12]调查了自我机器学习算法和他们的解决方案组织蜂窝网络,并提供了宝贵的分类和比较。如何应用机器学习技术来提高网络流量控制在了[13]进行了检验。类似[6],红豆等。[14]还着眼于基于ML-入侵检测系统(IDS)。之间的主要区别[6]和[14]是深基于学习的IDS也已经详细在[14]中描述。周某等人。[15]注重利用机器学习技术和认知无线电技术来增强频谱利用率和无线的能效 [12]调查了自我机器学习算法和他们的解决方案组织蜂窝网络,并提供了宝贵的分类和比较。如何应用机器学习技术来提高网络流量控制在了[13]进行了检验。类似[6],红豆等。[14]还着眼于基于ML-入侵检测系统(IDS)。之间的主要区别[6]和[14]是深基于学习的IDS也已经详细在[14]中描述。周某等人。[15]注重利用机器学习技术和认知无线电技术来增强频谱利用率和无线的能效 [12]调查了自我机器学习算法和他们的解决方案组织蜂窝网络,并提供了宝贵的分类和比较。如何应用机器学习技术来提高网络流量控制在了[13]进行了检验。类似[6],红豆等。[14]还着眼于基于ML-入侵检测系统(IDS)。之间的主要区别[6]和[14]是深基于学习的IDS也已经详细在[14]中描述。周某等人。[15]注重利用机器学习技术和认知无线电技术来增强频谱利用率和无线的能效 [14]还着眼于基于ML-入侵检测系统(IDS)。之间的主要区别[6]和[14]是深基于学习的IDS也已经详细在[14]中描述。周某等人。[15]注重利用机器学习技术和认知无线电技术来增强频谱利用率和无线的能效 [14]还着眼于基于ML-入侵检测系统(IDS)。之间的主要区别[6]和[14]是深基于学习的IDS也已经详细在[14]中描述。周某等人。[15]注重利用机器学习技术和认知无线电技术来增强频谱利用率和无线的能效

网络。陈等人。[16]已经研究了基于网络的神经解决方案,以解决在无线网络中,例如通信,虚拟现实和边缘缓存问题。乌萨马·本等人。[4]研究了如何在网络的域名申请无监督学习技术。

虽然机器学习技术已经在各个领域得到应用,没有现成的作品专注于机器学习的SDN域的应用程序。为了填补这一空白,在本文中,我们提供了适用于SDN机器学习技术的全面调查。我们希望我们的讨论和探索可以给读者这个领域有全面的了解,并促进这方面的更多后续研究。在表一中,我们提供了与上面所讨论的现有调查试卷纸的简单比较。

III。乙ACKGROUND ķNOWLEDGE的 SDN

在本节中,我们提出从建筑和SDN的工作流程的角度SDN的简要背景知识。

A. SDN建筑

SDN已引起广泛关注,近年来。的开放网络基金会(ONF)[17]是一个非盈利协会,致力于发展,标准化和SDN的商业化。该ONF给出SDN的定义如下:“在SDN架构中,控制平面和数据平面被解耦,网络智能和状态在逻辑上集中的,和底层网络基础设施被从应用中抽象” [18]。

根据定义,一个高层次的SDN架构被呈现,其由三个主要平面,包括数据平面,控制平面和应用面。每个平面和它们之间的相互作用的体系结构组件示于图2在下文中,我们将给出这三个平面和它们之间的相互作用的详细表示。

1)数据平面:数据平面,也被称为基础设施平面,在SDN架构的最低层。该平面包括转发装置,包括物理交换机和虚拟交换机。虚拟交换机是基于软件的交换机,它可以在普通的操作系统,如Linux上运行。开放虚拟交换机[19],靛蓝[20]和盼头[21]是虚拟交换机的三种实现。物理交换机是基于硬件的开关。有两种类型的物理开关,一个是在开放的网络硬件中实现(例如,NetFPGA [22]),另一种是在网络硬件供应商的商家开关来实现。小折刀[23]和ServerSwitch [24]是两种基于NetFPGA物理开关。如今,许多网络硬件厂商如惠普,NEC,华为,Juniper和思科,已经在他们的商人交换机支持SDN的协议。虚拟交换机通常支持的SDN协议的完整功能,而物理交换机缺乏灵活性和功能完整性。然而,物理交换机通常具有较高的流动转发速率大于虚拟交换机。

这些开关在数据平面负责转发,丢弃和修改基于来自所述控制平面(CP)接收的策略的数据包

通过南行接口(SBIS),与该CP可以控制数据平面的处理和转发能力。

2)控制平面:控制平面是SDN的“大脑”系统,该系统可以编程的网络资源,动态更新转发规则,使网络管理灵活和敏捷。CP的主要成分是在逻辑上集中控制器,其控制转发设备和应用程序之间的通信。一方面,控制器暴露和数据平面的给应用平面摘要的网络状态信息。在另一方面,控制器转换来自应用程序的要求到定制策略,并将它们分配给转发设备。此外,控制器提供了大多数的网络应用程序需要基本功能,诸如最短路径路由,网络拓扑存储,设备的配置和状态信息的通知等方面有许多的控制器结构,如NOX [25],POX [26],泛光灯[27],柳[28],OpenDayLight [29]和信标[30]。三个通信接口允许控制器进行交互:南行,北行和东行/西行接口。

bull; 所述的SBI也称为控制数据平面接口(CDPIs),这是控制平面与数据平面之间定义的。他们允许转发去

恶习与CP交换网络状态信息和控制政策,并提供功能,如所有的设备能力的广告进行编程控制,转发操作,事件通知和统计报告。迄今为止,OpenFlow的[31]通过ONF推动是第一个和最流行的开放标准SBI,但它不是唯一的一个。存在其他不太受欢迎的建议,例如OVSDB [32]上,强制[​​33],协议 - 不经意转发(POF)[34],NETCONF [35],LISP [36],OpFlex [37]和OpenState [38]。

bull; 的北向接口(北向接口)的控制平面和应用平面之间定义的。利用北向接口,应用程序可以利用由CP提供的快递网络行为和需求的抽象的网络意见,并推动SDN网络的自动化,创新和管理。该ONF试图定义标准的北向接口和公共信息模型[39]。

bull; 东行/西行接口在多控制器SDN网络中使用。当在大规模网络中,其中数据流的大量需要处理,由于一个控制器的处理能力有限部署SDN,大型网络是

参考。

出版于

区域的重点网络入侵detec-重刑

ML技术监督和无监督学习

Patcha等。[6]

计算机网络

2007年

Nguyen等。[7]

IEEE COMST

2008年

互联网流量classifica-重刑

监督和无监督学习

Bkassiny等。[8]

IEEE COMST

2013

认知无线电网络

监督,无监督和强化学习

Alsheikh等。[9]

IEEE COMST

2014

无线传感器网络

监督,无监督和强化学习

王等人。[10]

IEEE访问

2015年

异构网络

基于人

原文和译文剩余内容已隐藏,您需要先支付 20元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。