[发明专利]一种软件定义网络机器学习路由优化方法

权利要求书

1.一种软件定义网络机器学习路由优化方法，其特征在于：

步骤1、对使用OpenFlow协议框架下的软件定义网络数据包特征进性数据预处理；

步骤2、使用收集的特征数据对机器学习模型进行学习训练；

步骤3、使用训练好的模型对软件定义网络拓扑发现和路由选择功能进行改进；

步骤4、利用机器学习方法对网络中的数据做出路由选择；

步骤5、在网络结构变化时，使用传统路由启发式算法进行路由选择；

步骤6、将该变化后发送的网络数据包进行特征采集，该网络特征用于更新机器学习模型；

步骤7、用新训练的机器学习路由模型，替换网络变化前的模型；

步骤8、由更新的路由选择模型。继续完成后续网络数据的路由选择。

2.根据权利要求1所述的一种软件定义网络机器学习路由优化方法，其步骤1特征在于：方法使用的环境为在OpenFlow协议框架下的SDN网络中使用，对网络中转发的数据包特征提取内容包括但不限于(源IP地址，目的IP地址，源MAC地址，目的MAC地址，网络时延，负载，包转发路径等)。

3.根据权利要求1所述的一种软件定义网络机器学习路由优化方法，其步骤2特征在于：在路由决策元层中，我们使用了机器学习模型。针对其的训练样本需要包含两部分，样本特征以及样本标签。对于启发式算法来说，真正影响其计算结果的网络参数是当前网络状态以及QoS中携带的或者网络管理者设定的约束条件。理论上，这两类参数中如果任何一个值发生变化，都将会使启发式算法的结果产生改变。所以，为了能够获取所有可以代表网络状态的有用参数，并且产生出与启发式算法近似的计算结果，机器学习模型将所有的当前网络状态参数，以及所有的约束条件作为其样本的特征。至于样本的标签，将这些数据转发路径的数字标号作为机器学习模型的样本标签。至此，系统已经完成了训练样本的构建，只要按照上一节中的方法采集到足够的训练样本，即可以开始对模型进行训练。模型收敛后，该模型即可完成传统网络启发式路由算法的功能，为SDN网络中数据提供路由功能。

4.根据权利要求1所述的一种软件定义网络机器学习路由优化方法，其步骤3特征在于：将训练完成的路由选择模型，应用于使用OpenFlow协议的SDN网络控制器(包括但不限于现有的软件控制器：FloodLight，RYU，OX，POX及其他未开源的企业级控制器)中，替代控制器中网络拓扑组件中原有的拓扑发现模块，根据网络中传输的数据包特征，产生对应的交换机流表信息，给出数据转发路由。

5.根据权利要求1所述的一种软件定义网络机器学习路由优化方法，其步骤4特征在于：利用机器学习的方法解决网络资源快速分配。由于启发式算法收敛速度慢，无法达到高速网络实时相应的要求。而为了能够得到优化的路由，算法又必须进行多次迭代更新。本方法利用机器学习甚至深度学习的模型去学习启发式算法的路由计算能力。等到模型参数收敛之后，面对全新的连接请求，机器学习模型便可以通过与内部已知权重参数的简单计算得出最终的优化路径。而这一过程的时间花销非常小，完全满足实际网络部署的要求。

6.根据权利要求1所述的一种软件定义网络机器学习路由优化方法，其步骤5特征在于：在网络结构发生变化时。新流入的数据包特征暂时还不符合机器学习模型的需求，因此需要在控制器中保留传统启发式路由算法，并在网络结构发生变动时，使用传统算法进行路由转发工作。

7.根据权利要求1所述的一种软件定义网络机器学习路由优化方法，其步骤6特征在于：在网络发生结构性变化后。机器学习模型的所接收的特征会引入新的值。直接将新的数据包特征输入路由选择模型，可能会得到错误的输出结果造成数据包的丢失或错误转发，因此需要引入机器学习模型的更新机制。该机制保证了在机器学习方法待更新或出现故障时，网络数据的正常转发。