[发明专利]一种基于SDN的天地一体化自适应动态QoS路由方法

权利要求书

1.一种基于SDN的天地一体化自适应动态路由方法，其特征在于：包括以下步骤：

A、建立基于SDN的分层分簇网络模型

根据GEO卫星覆盖面积大且对地相对静止的特点，设GEO卫星为主控制器；根据LEO卫星运动速度快且通信时延小的特点，设LEO卫星为从控制器；

A1、确定网络模型

设基于SDN的天地一体化网络由LEO卫星节点、GEO卫星节点和地面节点组成；将基于SDN的天地一体化网络的拓扑图表示为无向加权拓扑图G＝(V，E)，并存储在GEO卫星主控制器中，其中，V＝{v_G，v_L，v_T}代表网络中所有节点的有限集合，v_G，v_L，v_T分别表示GEO卫星节点、LEO卫星节点和地面节点的节点集；E＝(IOL∪ISL∪UDL}代表网络中所有链路的集合，IOL表示星际链路，ISL表示星间链路，UDL表示星地链路；

第n颗GEO卫星用G_n表示，1≤n≤N_G，为了使GEO卫星覆盖全球区域，令N_G≥3；根据GEO卫星的覆盖范围，将整个卫星网络划分为N_G个区域，即第h颗LEO卫星用L_h表示，LEO卫星总数为M_L×N_L，M_L表示卫星轨道平面数，N_L表示卫星轨道平面中卫星的数量；

根据虚拟节点思想，按照经纬度将地球表面分成不同的区域，为每个区域设置一个逻辑地址；每个区域内的逻辑地址保持不变，但其中的LEO卫星成员会发生变化；当一颗LEO卫星成员离开一个逻辑区域时，下一颗LEO卫星就会进入该逻辑区域以替换其位置；根据以下条件确定GEO卫星的覆盖分簇；

式中，表示LEO卫星L_h和GEO卫星G_n的半中心角；表示G_n对LEO卫星轨道平面所覆盖的最大半中心角；为L_h到地心的半径距离；G′_n表示G_n在LEO卫星轨道平面的映射节点；|G′_nL_h|表示G′_n与L_h之间的距离；为G_n到地心的半径距离；表示GEO卫星相对于对LEO卫星轨道平面的最小仰角；

将满足公式(3)的LEO卫星根据|G′_nL_h|最小原则，唯一的划到GEO卫星的簇内；由于LEO卫星覆盖范围与地面区域一一对应，GEO卫星覆盖区域内的LEO卫星成员和地面站成员得以确定；只需建立控制器集群配置策略，得到卫星动态连接关系，即可确定基于SDN的分层分簇网络模型下的整体网络拓扑；

A2、配置控制器集群

设X、Y、Z分别为单颗LEO卫星的地固坐标系，地固坐标系的原点为地心，XOY平面和地球赤道平面重合，OX轴与格林威治子午线方向一致，OZ轴与地球的极轴重合；不考虑其他天体和人造卫星对LEO卫星的影响，由公式(4)至(9)得到LEO卫星L_j与LEO卫星L_k之间的实际距离

μ＝μ_o+θΔt (4)

Ω_G＝ωΔt (5)

X＝H[cosμcos(Ω-Ω_G)-sinμsin(Ω-Ω_G)cosσ] (6)

Y＝H[cosμsin(Ω-Ω_G)-sinμcos(Ω-Ω_G)cosσ] (7)

Z＝H(sinμsinσ) (8)

式中，μ_o为卫星近地点幅角，θ为线速度，Δt为一个极小的时间，ω为地球自转角速度，Ω为卫星升交点赤经，σ为卫星轨道倾角；

针对每个划分的区域V_i，设计LEO卫星从控制器配置分簇策略如下：以LEO卫星从控制器个数a作为V_i内的聚类数，从控制器集合表示为LC＝{c₁，c₂，...，c_a}，c_i所管辖的簇表示为将所有数据分为a个簇，选择a个聚类中心；根据公式(9)，计算各LEO卫星节点到聚类中心c_i的距离将符合要求的节点归入簇中，其中L_req是控制器的最远可达距离；在簇内选取聚类中心作为LEO卫星从控制器；如公式(10)所示，建立以b×b的权值为距离的簇内邻接矩阵R^*，按照逻辑地址将簇内节点表示为簇内链路集合表示为R；

LEO卫星从控制器接收本地子网状态信息，计算簇内路由表，最后由GEO卫星主控制器负责收集所有边缘节点聚合资源信息，实现簇间的路由计算；

B、建立网络资源映射

B1、建立传输成本模型

结合GEO/LEO双层卫星网络通信范围广但传输时延长且丢包率高的特点，通过分布式SDN模型，选取实时获取的链路延迟、丢包率、链路剩余带宽和节点负载作为度量参数，建立传输成本模型，步骤如下：

计算链路延迟：延迟指数据业务从源节点到目的节点所需要的时间，是衡量QOS的主要性能指标之一；任意两个节点m，n间链路l_m，n的延迟用以下公式表示：

式中，为传输时延，为传播时延；

计算剩余带宽：剩余带宽指通信中链路未被占用的数据传输量；在传输业务数据时，链路两端的两个节点相连的两个端口，一个端口的字节发送率与另一个端口的字节接收率相等，因此链路l_m，n的剩余带宽只需用节点m的端口数据表示：

式中，curr_speed表示节点指定端口的带宽，in_bytes(m，p)表示节点m的p端口的字节接收率，out_bytes(m，p)表示节点m的p端口的字节发送率；

计算丢包率：丢包率指通信中未接收到的数据包与总发送数据包比率；

式中，rz_{packet(i，j)}表示节点i发送的数据包总数，tx_{packet(i，j)}表示节点j收到的数据包总数；

计算传输成本：表示业务数据包b_i在链路l_m，n上的传输成本；

式中，表示数据业务b_i对链路的带宽要求，要求的可用带宽越多，选择链路l_m，n的概率就越大；丢包率为乘性参数，通过取对数将其转化为加性参数；q_m是节点m中发送队列的数据包数量，Q_m是节点m发送队列的总长度，较高的表示队列m中有较高的工作量，具有较大Q_m的节点m更有效的转发数据包；因此，有效的描述节点的容量和工作负载；最后，节点m和n之间的有效传输能力受到具有较高相对工作量的节点的限制；δ_delay表示路径的最大时延阈值，δ_band表示路径的最小剩余带宽阈值，δ_packetloss表示最大丢包率阈值，对于不同的业务类型自适应不同的阈值；

因此，根据簇内邻接矩阵R^*，建立簇内节点的时延矩阵带宽矩阵和丢包率矩阵

B2、聚合簇资源

基于步骤A建立的基于SDN的分层分簇网络模型，为主控制器建立聚合簇资源集合视图；设边缘节点集合为u，邻接矩阵为U，为了在不同簇之间有效的传输数据，通过簇资源聚合算法，计算出任意两个边缘节点i、j的累积时延实际丢包率和有效带宽用连接两个或多个簇的边缘节点之间的带宽、丢包率和时延来表示该簇的传输能力；

簇资源聚合算法的具体步骤如下：

Step1：初始化任何一对边缘节点的时延，丢包率和带宽；

Step2：计算出任意两个边缘节点的累积时延；

Step3：计算出任意两个边缘节点的累积丢包率；

Step4：计算出任意两个边缘节点之间的最小带宽，使用MIN-MAX原理构造有效带宽；

Step5：计算出任意两个边缘节点的累积时延、实际丢包率、有效带宽；

Step6：构造簇间的时延矩阵D＝(d_i，j)_|U|、丢包率矩阵Pl＝(pl_m，n)_|U|、带宽矩阵B＝(b_i，j)_|U|；

C、建立多约束QOS自适应动态路由算法SDN-AD

为实现基于多约束QoS的自适应动态路由算法，将多约束QoS问题公式化为目标为最低传输成本的优化问题；为了提供个性化服务并更好地适应网络变化，使用Adam(Adaptivemoment estimation)优化算法实现约束阈值的自适应；为了更好地适应SIGN的高动态特性并提高算法收敛速度，使用基于逻辑回归和禁忌搜索的改进蜂群算法，以解决最优解问题；自适应路由是通过找到一个满足约束条件并在簇内和簇之间具有最小传输成本的路径来实现的，具体步骤如下：

C1、问题定义

为了在满足时延、剩余带宽、丢包率阈值约束下找到一条从源节点s到目的节点d具有最小传输成本的路径将路由问题转化为多约束目标优化问题，该优化问题的数学模型表示为如下形式：

Subject to：

公式(15)定义了目标函数为选择总传输成本最小的路径；是业务数据业务b_i经过的链路，表示b_i从源节点s到目的节点d的路径，表示源节点到目的节点的路径集合；表示从源节点到目的节点一条可达路径的传输成本，是路径上每条链路的传输成本的累积；

多约束服务质量路由问题，考虑加性度量参数即时延、凹性约束即带宽、乘性约束即丢包率三种QoS约束参数，公式(16)-(18)根据QoS路由度量性能指标，制定了从源节点s到目的节点d的路径的约束条件，公式(19)中的x_k表示源节点和目的节点之间是否存在可达路径；公式(20)要求涵盖集合中的所有元素，公式(21)表示所有数据业务的集合；

C2、多优先级阈值Adam求解

为了在天地一体化网络中更好的利用网络资源，支持不同业务的不同需求，提供个性化的服务，在路由计算中应考虑不同业务的优先级；依据SDN的可编程特性将网络协议拆包，识别不同的数据业务，根据业务对QoS的不同需求，赋予以下不同的优先级：

优先级1：实时性、抖动敏感、高交互性的业务；

优先级2：事务办理数据、交互性业务；

优先级3：仅要求低丢包率的业务、视频流；

根据服务QoS要求的特征，为三种不同优先级服务的延迟、带宽和丢包率阈值设置以下不同的目标计算函数：

式中，Pri表示业务的优先级类型，由此三类业务根据需求选择不同的路由线路，优先级越高，获得更快的处理；1类优先级的业务，要求时延更低，允许丢包率相对较高；3类优先级的业务，要求丢包率更低，允许时延相对较高；

为求解不同业务优先级下的自适应阈值，通过Adam算法，设f(θ)为目标函数，θ∈{b_m，n，d_m，n，pl_m，n}为要求解的参数，设g_t表示每次下降梯度，即在时间步长t上计算f_t(θ)对于θ的偏导：

t＝t+1； (25)

m_t＝β₁·m_t-1+(1-β₁)·g_t (27)

式中，m_t和v_t分别为g_t的一阶矩和二阶矩，相当于梯度g_t和的期望，即为和和分别为m_t和的偏置矫正，因为初始值为0，为减少向0偏置的影响，通过公式(32)矫正期望值与真实二阶矩阵之间的差异，矫正初始化偏差；α为学习率，用于控制步幅，β₁、β₂为一、二阶矩衰减系数；α、β₁、β₂、∈均为超级参数无需调整；β₁^t、β₂^t、β₂^t-i分别表示β₁的t次方、β₂的t次方、β₂的t-i次方；

因此，通过上述算法得出阈值，作为路由算法的约束条件，通过路由算法选择满足不同阈值约束的最佳路径；

C3、基于改进人工蜂群算法即IABC的路由算法SDN-AD

为了解决上述多约束目标优化问题，对传统人工蜂群算法即ABC算法进行改进；为避免蜜源开采的盲目性，在新蜜源的产生上采用logistic混沌映射，生成更加接近最优解的解集；为实现对路径的约束，根据禁忌搜索思路，引入禁忌搜索表；将每次寻优的节点记入禁忌表1，直到找到目的节点，得到一条从原节点到目的节点的路径；将不满足约束的路径记入禁忌表2，下次不再访问；

为实现基于IABC算法的多约束QoS路由算法，以前述多约束优化模型为IABC算法模型，把时延、带宽、丢包率三个性能指标作为参数吸收到同一个目标函数，传输成本为优化目标；最终选择源节点s到目的节点d之间，满足约束条件且传输成本最小的路径；SDN-AD算法按以下阶段进行计算：

C31、初始阶段

设定雇佣蜂、跟随蜂和侦查蜂数量，雇佣蜂最大迭代次数limit，算法最大循环迭代次数MCN；使用簇内邻接矩阵R^*来完成蜜源的初始化；确定搜索空间范围，即源节点到所有的可连通下一跳节点；在搜索空间中随机生成初始解x_i，i＝1，2，...，SN，即初始化链路l_i，SN为蜜源个数；每个解x_i就相当于一个蜜源，是一个D维的向量，D是问题的维数；

C32、雇佣蜂阶段

每个雇佣蜂由下式产生一个新解即新蜜源：

式中，为通过logistic映射得到的混沌序列，计算公式如下：

其中μ是控制参数，n＝1，2，......，根据映射理论初始混沌变量为：

将最小路链路价作为适应度，当生成一个新蜜源时，则根据适应度评估新蜜源的质量，采用贪婪选择法进行选择，若优于旧蜜源则雇佣蜂选择新蜜源，否则将保留旧蜜源，对新蜜源适应度进行记录，交给跟随蜂；适应度公式如下所示，f_i表示解的函数值：

通过上述策略使搜索在进化前期扩大搜索有能力跳出局部最优解并在进化末期有效的提高搜索精度，加速收敛；

C33、跟随蜂阶段

跟随蜂获得由雇佣蜂传递的蜜源信息后，按照可行解的适应度值进行选择概率计算；概率计算公式如下：

适应度越高，即代价越小的链路越容易被选到，并对其深度搜索；再由式(33)得到蜜源附近的新蜜源，通过新旧蜜源优劣对比，保留质量更优的蜜源；

为实现步骤C1所述问题模型，存储搜寻路径并对搜寻到的路径进行约束条件判断，下面在借鉴禁忌搜索的基础上，加入两个禁忌表；

每只蜜蜂都有自己的内存，内存中用禁忌表1即Tabu1存储该蜜蜂已经访问过的最优解节点，在其后的搜索中将不能再访问这些节点；当目的节点被包含进Tabu1中时，蜜蜂就得到一条从源节点到目的节点的可行路径根据步骤B得到的D、B、Pl和公式(16)-(18)以及δ_delay、δ_band、δ_packetloss，判断这个可行路径是否满足约束条件，若不满足则计入禁忌表2即Tabu2，避免算法再次搜索到该路径；

C34、侦察蜂阶段

若在limit最大迭代次数阈值内搜索后蜜源没有更新，则该蜜源宣告枯竭，雇佣蜂转为侦察蜂，在解空间内重新寻找新的蜜源。