[发明专利]一种软件定义网络多控制器部署方法

权利要求书

1.一种软件定义网络多控制器部署方法，其特征在于，包括如下步骤：

1)获取OpenFlow网络拓扑；

2)定义交换机i,j之间的相似度S(i，j),建立相似度矩阵；

3)计算交换机到控制器通信代价、域间通信代价、控制器部署代价；

4)建立OpenFlow网络通信代价模型；

5)通过改进的邻近传播算法进行控制器放置位置求解；

(1)交换机到控制器通信代价

当需要按需安装流表如新流表出现时，交换机需要将数据包发往控制器，由控制器计算转发路径并将相应相应流标项安装到转发路径的交换机中，交换机再根据流表转发数据包；在这个过程中，对于控制器C_j来说，T时间内器域内总的流请求路径时延主要包括：交换机发送Packet-In到所属控制器，控制器计算转发路径，交换机安装流表；

设交换机设备数据请求排队加转发的平均时延为t_c；

OpenFlow网络中交换机与控制器两次通信时延可以用式(2)表示：

路径计算阶段表示控制器进行路径计算，可以使用表示，是由控制器内部路径计算组件进行计算，通过控制器的拓扑管理组件获知网络情况，再根据拓扑进行路径计算；

控制器对每个请求的平均处理时延为f_c

在交换机到控制器通信代价求取中，d_ij,t_f,t_c均为已知量，由此可以得到流表通信代价：

(2)控制器部署代价

假设部署中使用相同类型的控制器，部署每台控制器的花费为P，总共需部署M台，则总体的部署代价为

D_P＝P×M (5)

(3)域间通信代价

在多控制器环境下，控制器之间需要进行信息同步，以便各控制器维持一个全局的网络状态信息；我们假定控制器间每隔T_a时间进行一次同步更新，则控制器之间进行同步的时延D_syn为：

以OpenFlow网络通信代价作为研究对象，求解合适的控制器数量及控制器部署使得公式(7)总开销达到最小值；

其中，α,β是用于权衡两种代价权重的常数；

Min Total＝αD_req+β(D_P+D_syn) (7)

其中，约束条件(8)表示每一个交换机在任何时候都至少与一个控制器相连；式(9)初始化阶段时，交换机流处理的请求数不能超过控制器的处理的流数量上限；式(10)表示任何一条请求路径的通信延迟不超过δ；

式(11)表示x_ij为指示变量，如果交换机i与控制器j相连，则满足x_ij＝1，否则为0；

相似度矩阵即网络拓扑等效的连通图G＝(V,E)的邻接矩阵，V＝{1,2,3......,N}表示交换机集合，非对角线元素s(i,j)为交换机i与交换机j之间的相似度关系，以交换机i与交换机j之间的相似度以最短距离进行计算；对角线元素s(j,j))为偏向参数P(j)，P(j)的初始值一般取相同的值，为相似度矩阵中所有非对角线元素最小值或均值，其的初始大小对最后的聚类数有较大的影响，P越大产生的聚类个数越多，反之亦然；

根据对所提出模型的分析，控制器部署的问题就是使得SDN网络通信代价(公式7)取最小值的情况下得到控制器的矩阵；

AP算法的核心为数据点之间相互的信息传递,AP算法有两种信息,它们分别为吸引度与归属度；

算法开始吸引度r(i,j)与归属度a(i,j))的初值都为0,表示开始时数据之间没有任何聚类关系,它们按(13)到(17)式更新；

r(i,j)为由点i传到候选聚类中心点j的信息,它反映候选聚类中心点j作为点i的聚类中心的适应程度；

a(i,j)为由候选聚类中心点j传到其所有潜在聚类成员点i,它反映点i作为点j的聚类成员的适应程度，其中r(j,j)与a(j,j)为点j的自吸引度与自归属度这两个值越大说明其越适合作为聚类中心,一般把r(j,j)与a(j,j)之和大于0的点就认为其是一个较好的聚类中心；

r_new(i,j)＝λr_old(i,j)+(1-λ)×r(i,j) (14)

a_new(i,j)＝λ×a_old(i,k)+(1-λ)×a(i,k) (17)

其中，下标为old的代表上一次的结果,new代表本次更新后结果；

λ为收敛系数λ越大消除振荡的效果越好，但收敛速度也越慢，反之亦然；

考虑到偏向参数和收敛系数对聚类结果的影响，将偏向参数与收敛系数作为粒子群算法中粒子的位置坐标，提出基于粒子群的近邻传播算法；

初始化各粒子坐标与速度，即选取不同的偏向参数与收敛系数与其初始的变化方向；

然后按照式(18)、(19)不断更新粒子的位置与方向，在更新的过程中将粒子的位置作为AP算法的偏向参数与收敛系数的值进行聚类，并用BWP指标衡量聚类效果作为粒子的适应度；

V_id＝ωV_id+η₁rand()(P_id-X_id)+η₂rand()(P_gd-X_id) (18)

X_id＝X_id+V_id (19)

其中，V_id表示第i个粒子在第d维上的速度，P_id为该粒子经历过的最好位置，P_gd为群体所经历的最好位置，ω为惯性权重，η₁、η₂为调节P_id和P_gd的重要参数；

(19)式将当前粒子位置与个体最优解与群体最优解对比，得到一个群体最优与个体最优的发展趋势，再根据这个发展趋势与原来初速度的方向确定新的速度方向；

(20)式就是在之前的到的向上运动一定距离产生粒子的新位置，其中X_nd的奇数维上值为新的偏向参数偶数维上的值为收敛系数,如(20)到(21)式所示；

P＝X_nd 当d为奇数 (20)

λ＝X_nd 当d为偶数 (21)

迭代结束的条件为：当迭代次数超过最大值或者当聚类中心连续多少次不发生改变时终止迭代；

所述步骤5)中通过改进的邻近传播算法进行控制器放置位置求解，具体为：

(1)获取OpenFlow网络交换机拓扑，最短距离计算交换机相似度值；

(2)建立交换机相似度矩阵；

(3)初始化粒子坐标a(i,j)、r(i,j)与速度；

(4)计算粒子适应度；

(5)更新粒子速度，移动下一个位置；

(6)更新信息矩阵；

(7)确定OpenFlow网络交换机聚类中心集合M；

(8)判断是否满足终止条件：迭代次数100或结果不再发生改变；

若不满足，则回到步骤(4)；

若满足，则输出OpenFlow网络交换机聚类中心集合M；

具体算法：

输入：交换机网络拓扑G＝(V,E)；

输出：聚类好的控制器向量c＝{c₁,c₂,...,c_N}；

初始化：迭代步数t＝0；r(i,j)＝0；a(i,j)＝0；t＝t+1；P＝0；

重复:根据公式(20)、(21)更新AP算法的参数；

重复：根据公式(13)至(17)式更新信息矩阵；

t＝t+1；

计算每个粒子的适应度；

对比每个粒子，比较它的适应度值和它经历过的最好位置的适应度值，并进行更新；

对比每个粒子，比较它的适应度值和群体经历的最好位置的适应度值，并进行更新；

根据(18)式更新每个粒子的速度；

根据(19)式粒子移动的下一个位置；

直至:聚类中心连续多次不发生改变或者迭代次数超过最大值。