[发明专利]SDN网络中视频流分类与调度系统

说明书

本发明涉及一种SDN网络中视频流分类与调度系统，属于软件定义网络领域，包括：流量分类模块用于将边缘路由器中的数据包包头进行解析，提取出流特征，对分类器进行训练，利用分类器对未知数据进行预测，将已分类的数据包转发至边缘路由器出端口，下发包含修改DSCP域和出端口转发行为的流表；路径选择模块用于获取全局的网络拓扑，监测各个链路的时延、剩余带宽与丢包率的状态变化，并对链路状态值进行归一化和放缩，再通过FPTAS‑MMCP算法，计算得到满足QoS约束的路径列表，根据不同视频业务优先级的高低，依次分配可行路径列表中的路径，下发流表到路径上的路由节点以控制数据包转发。

技术领域

本发明属于软件定义网络领域，涉及一种SDN网络中视频流分类与调度系统。

背景技术

随着视频业务网络流量在总体网络流量中的占比快速扩大，视频流量细分类的需求也愈加迫切。在传统网络架构下，基于OSPF动态路由协议的路由转发策略难以适应于分类与调度策略快速部署的要求，因此亟需在新的网络架构下实现对视频流量的细分类和调度。

面对日益增长的视频流带来的挑战，研究者们提供了众多的解决方案，可按照流量分类与动态路由规划两部分来介绍。

为了保证端之间的QoS，首先需要对网络流量根据业务需求进行划分。SDN架构下常用的流量分类的方法包括，基于有效负载的流量分类、基于端口检测的流量分类和基于机器学习的流量分类。然而，随着越来越多的通信被加密，应用程序开始使用动态端口，基于端口与有效负载的分类方法正变得过时。基于机器学习的流量分类通过机器学习算法找到网络数据流统计上的规律，能够很好的克服上述风险，基于机器学习的流量分类已经是当前研究热点。

在SDN网络架构下，可以更快速部署新型网络功能，而基于OpenFlow协议，数据包在数据平面与控制平面可以双向传输。因此，部署在控制平面的分类器可以很方便的实现对来自数据平面的数据流的分类。基于多视频调度的背景下，如果将视频流作为整体进行服务质量保证，由于视频流低时延与高带宽的需求，会造成链路资源的激烈竞争，更容易造成网络拥塞。因此十分有必要对网络流量做出更细粒度的分类，视频流细分类是QoS分级的关键。

J.等人使用流统计特性和基于神经自编码的聚类方法将Youtube、Vimeo、Facebook和Twitch等视频应用进行分类。虽然聚类方法实时性很高，但是视频分类的精度仅为47％，召回率为80％。也包括实时(Live)和缓冲式(VOD)视频分类，R.Nossenson等人将同一视频源的实时视频流与缓冲式视频流按照统计上的信息偏移量的差异来区分，同样也能利用密度聚类算法(DBSCAN)将两种视频流进行聚簇。无监督机器学习从样本相似性角度进行分类，分类实时性相较于有监督机器学习更高，但是当不同样本之间聚集性较强时，难以取得较高分类准确性，从而间接影响了流量分类后对数据包网路资源的分配过程。

分类后的不同优先级视频流，需要根据其延迟，带宽及可靠性方面的需求，进行QoS分级映射，规划出满足不同视频流QoS约束的路径用以转发，可以明显舒缓链路拥堵，改善多视频流传输质量。

由于链路中存在时延，带宽以及丢包率等多种度量，而传统的最短路径算法Dijkstra仅是针对于某一度量求得最优路径。为此R.Liu将链路负载作为权重，利用Dijkstra算法求得负载最小路径用于高质量视频转发，而跳数最短路径则用于低质量视频流转发。同样也可以对时延，链路和丢包率等度量综合为一个链路权重，重复调用Dijkstra算法求得多个路径用于满足不同优先级视频流的转发。然而，R.Liu和王嗣平等人只是将多个链路度量简化成一个，无法在多个度量同时受约束情况下规划出满足多QoS约束的路径，譬如，交互式视频业务存在有高带宽，低时延以及低丢包率等多个度量的需求，因而在时延，带宽以及丢包率等方面存在差异化约束情况下基于单度量的路由算法无法计算出最优路径。因此，在多视频流调度中，需要一种多度量情况下求取满足多QoS约束路径的算法。