[发明专利]动态网络流控制器调度与服务类型分配方法及控制器算法

说明书

本发明公开了动态网络流控制器调度与服务类型分配方法及控制器算法，利用4种不同机器学习技术，分别使用3,5和7个参数对流量进行分类取得了最高98.83%的准确度，而且展示了一种新的精度加速算法（Accuracy Accelerator Algorithm(AAA)），结合不同的机器学习分类器并且有效地提高了测试准确度；不仅如此，还提供了一种全新的基于RYU平台作用于IPv4包的控制器算法,能够实时的对TCP和UDP两种网络流量进行分类，在延迟表现方面也获得提升，分析数据包以及控制器处理时间约平均10毫秒，这个研究课题将来必然会对SDN和QoS优化的更进一步研究提供帮助。

技术领域

本发明涉及通信领域，具体涉及动态网络流控制器调度与服务类型分配方法及控制器算法。

背景技术

在传统的网络系统里，所有的网络流都进行相同方式对待；然而随着新兴网络数据的迸发，对网络流分类变成一件非常必须的事情。网络管理员能根据用户的需求自动对特定的网络流提供相应的处理。在这一部分我们将讨论一些之前的机器学习方法以及它们的表现。

近年来，有一些使用机器学习技术分类网络流量的研究工作[1], [5], [6]。然而这些之前的研究工作都有他们各自的缺陷。例如[1]中采用了卷积和循坏神经网络进行网络流量的分类。虽然这些模型的精确度很高，但在真实的控制器中运行神经网络的时间成本和空间成本也很高，难以实际使用。在[5]中，只有很少的服务质量（QoS）等级，在现如今在各种设备上运行的许许多多各种应用来说仅仅4个QoS是远远不够的。此外他们也没有展示他们的研究工作在实现生活执行情况。在[6]中，作者采用了决策树（Decision Tree）,随机梯度提升(Stochastic Gradient Boosting)和极端梯度提升(Extreme GradientBoosting)模型。不同于划分QoS(服务质量)级别，他们基于应用流量进行分类；即使在采取了强大的集成学习算法(boosting algorithm),总体的准确率仍然没有超过95%。

然而由于没有标准数据集，有限的应用，固定数量的特征集，不同网络流量分类器之间的比较是一件困难的事情。

在对网络流量进行分类前，获得合适的数据是不可缺少的。目前有一些流行的开源数据集例如UNB ISCX [7] and Moore [8]。然而，为了避免使用未知和不必要的数据，大多数之前的研究工作使用他们自己建立的的数据集。

对于无监督和半监督机器学习，特征选择是很重要的一部分。一种收集数据提取特征的全新方式展示在[6]。几种传统的机器学习算法在其中使用，例如C4.5, SupportVector Machine(SVM), Na¨ıve Bayes (NB),和 KNN。对sdn网络来说他们的流量分类架构是合适的，对于11组标签，他们获得93.2到98%的准确度。在[9]，包括protocol, ports,packet throughput 和byte throughput在内37个特征被考虑。当使用5个特征集，[1]中的作者表明当特征集更少时他们的模型趋向更差的表现。

在论文[10]中，当使用5种服务类型和23个特征，以上提到的算法准确的低于80%。在论文[11]中提议了一种增强的随机森林算法（enhanced random forest algorithm），使用29个特征以及12种服务类型，他们获得F1分数是0.3 - 0.95,只有3种类型的数值高于0.96.这些研究工作表明使用更少的特征以及更多的应用取得高准确性是一件具有挑战性的事情。在论文[12]中使用了剑桥数据集[10]，作者用决策树算法获得60%-90%的准确度。

在论文[13]中，用基于STIC机制的SVM算法对28种不同应用的分类取得了总体85.98%的准确度。对特定的一些应用甚至获得99%的准确度。

然而，在论文[14]中，使用仅有3个隐藏层的多层感知机（MLP），对十种服务类型作者获得了超过96%的准确度。