[发明专利]多业务SDN网络的流量分配方法及装置

说明书

本发明实施例提供一种多业务SDN网络的流量分配方法及装置，该方法包括：将SDN网络的当前状态信息输入至训练好的强化学习网络模型，输出相应的动作信息；根据所述动作信息，对SDN网络中的流量进行分配；其中，所述状态信息包括每一会话的每一业务的性能指标，所述强化学习网络模型是根据相应状态信息生成样本数据，并根据深度确定性策略梯度算法DDPG进行训练后得到。训练好的强化学习网络能够根据当前状态信息，在短时间内针对不同业务流做出对应的流量分配的决策，实现了网络资源的最优分配和高效分配，从而提高了SDN网络系统的运行效率。

技术领域

本发明实施例涉及互联网技术领域，尤其涉及一种多业务SDN网络的流量分配方法及装置。

背景技术

随着互联网技术的快速发展，互联网模型从最初的端到端模型已经发展到目前用于诸如多租户数据中心等复杂应用场景的模型。用户需求从最初单纯的可达性到现在对服务质量及流量工程等多方面需求。整个网络越来越复杂，但网络架构还是一如既往的缺乏灵活性，从而制约了新技术和新协议的部署与实施。在这一背景下，软件定义网络(Software Defined Network，简称SDN)技术应运而生。

SDN采用与传统网络截然不同的控制架构，将网络控制平面分离和转发平面分离，采用集中控制替代原有分布式控制，并通过开放和可编程接口实现“软件定义”。与传统的网络架构相比，SDN通过软硬件分离，实现了网络虚拟化、IT化及软件化，并降低了设备的复杂度，简化了网络运维，提高了网络利用率并加速了网络创新。

在SDN技术下，可以灵活编程转发策略，不同的业务流在网络中竞争网络资源，但是目前的流量分配方法效率不高且分配效果不佳。现有的流量分配方法无法根据当前网络状态选择合适的转发路径，实现流量的最优分配和高效分配。

发明内容

为了解决上述问题，本发明实施例提供一种多业务SDN网络的流量分配方法及装置。

第一方面，本发明提供一种多业务SDN网络的流量分配方法，包括：将SDN网络的当前状态信息输入至训练好的强化学习网络模型，输出相应的动作信息；根据所述动作信息，对SDN网络中的流量进行分配；其中，所述状态信息包括每一会话的每一业务的性能指标，所述强化学习网络模型是根据相应状态信息生成样本数据，并根据深度确定性策略梯度(Deep Deterministic Policy Gradient，简称DDPG)算法进行训练后得到。

第二方面，本发明提供一种多业务SDN网络的流量分配装置，包括：处理模块，用于将SDN网络的状态信息输入至训练好的强化学习网络模型，输出相应的动作信息；分配模块，用于根据所述动作信息，对SDN网络中的流量进行分配；其中，所述状态信息包括每一会话的每一业务的性能指标，所述强化学习网络模型是根据相应状态信息生成样本数据，并根据DDPG算法进行训练后得到。

第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本发明第一方面多业务SDN网络的流量分配方法的步骤。

第四方面，本发明提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明第一方面多业务SDN网络的流量分配方法的步骤。

本发明实施例提供的多业务SDN网络的流量分配方法，通过将SDN网络的当前状态信息输入至训练好的强化学习网络模型，输出相应的动作信息并根据该动作信息进行流量分配。训练好的强化学习网络能够根据当前不同业务的状态信息，在短时间内对不同业务流做出对应的流量分配决策，实现了网络资源的最优分配和高效分配，从而提高了SDN网络系统的运行效率。

附图说明