[发明专利]智融标识网络状态预测与拥塞控制系统

说明书

本发明所提出的智融标识网络状态预测与拥塞控制系统，基于P4在可编程数据平面上结合机器学习的模型方法实现网络状态预测及数据包队列拥塞控制的方法和系统，通过带内网络遥测(In‑band network telemetry,INT)技术实时收集网络状态特征信息，采用长短期记忆网络(Long Short‑Term Memory,LSTM)神经网络模型与模糊聚类算法相结合的“LSTM—模糊聚类”的模型方法实现网络状态特征值预测，根据得到的网络状态特征值模糊聚类为四个网络状态：正常状态、拥塞预警状态、持续拥塞状态和拥塞缓解状态，针对不同的网络状态制定了对应的策略，控制器在不同的网络状态下发对应的流表及制定交换机动作，提供一个综合的、动态的队列反馈机制，以确保数据包排队延迟尽可能小，达到拥塞控制的效果。

技术领域

本发明涉及可编程数据平面交换机及通信技术领域，尤其涉及智融标识网络状态预测与拥塞控制系统。

背景技术

随着近年来互联网的迅速发展,网络用户数量与日俱增，网络规模不断扩大，特别是现在各类新增网络业务形式的大量出现，使得网络拥塞问题加剧。在目前的网络研究中,如何避免网络拥塞的产生、提高网络通信性能、优化网络资源的配置，保障网络的可靠性、实时性、稳定性、鲁棒性等性能，是学术界和工业界一直关注的热点。目前的拥塞控制机制由基于端到端的传输控制协议TCP和基于路由的主动队列管理Active Queue Management(AQM)组成。基于端到端的拥塞控制策略存在被动性、延迟性、死锁等问题。为了弥补端到端拥塞控制策略的不足，国际互联网工程任务组IETF建议在路由端部署AQM机制，在网络中间节点提前检测拥塞，主动的避免和缓解网络拥塞。AQM有提高链路利用率、减少丢包率及降低队列排队时延的优势，但AQM算法在面对突变流及复杂的网络场景时存在参数配置难，队列性能不稳定等问题。一些AQM优化算法及其变形算法相继被提出，例如：基于比列积分控制器的PIE算法、时延可控的CoDel算法及基于活动的拥塞管理(ABC)等。CoDel及ABC在边缘节点和转发节点中需要额外的报头信息和新的特征，导致它们不能在传统的网络设备上配置。网络编程语言P4(Programming Protocol-independent Packet Processors，简称P4)的出现，打破传统交换机控制逻辑与底层设备耦合性，硬件设备封闭性和设备在协议方面不具备扩展性的局限。P4允许定义新的数据包头部及转发行为，用户可实现对数据包处理的自定义编程描述，使得数据转发平面具有可编程能力,P4编程语言允许网络开发人员设计具有独立目标的新协议和应用程序。因此，许多协议可以在报头和解析器中灵活地描述，程序可以编译到不同的目标系统中，并部署在可编程硬件上。P4为解决当前网络体系结构中AQM机制存在的问题提供了一种新的解决方案。目前已有一些基于P4可编程实现的AQM算法，如P4-ABC、P4-CoDel、P4-PIE等。然而AQM算法始终面临着如何在动态变化网络场景中选择有效丢包策略，较高的计算复杂度和空间复杂度导致网络效率下降等难题。网络预测技术能分析现有网络状态信息及相关参数，对参数进行优化以提高网络运行效率，为网络管理及拥塞控制提供了一种有效的途径。在数据平面结合网络状态预测技术实现AQM拥塞控制能有效的解决动态变化的网络环境中参数配置困难问题，在预测网络状态的基础上下发有效的队列控制策略，避免网络拥塞，提高网络的运行效率。机器学习技术作为近几年兴起的技术，在数据预测和数据挖掘方面都有很好的效果，将机器学习引入数据平面网络管理与预测中，实现自配置和自优化，是未来网络发展的趋势。“智融标识网络”体系将现有互联网的服务层面与网络层面进行纵向关联，以便于服务与网络空间对其所属资源进行协同调动与智慧融合。因此在智慧融合标识网络的大背景下，本发明是利用P4在可编程数据平面上结合机器学习的模型方法实现网络状态预测及数据包队列拥塞控制，实现动态的网络拥塞控制，对提升网络性能，提高用户体验有重要意义。