基于軟件定義網(wǎng)絡(luò)技術(shù)實現(xiàn)人工智能網(wǎng)絡(luò)體系架構(gòu)*

劉惠文，姚海鵬，張培穎,2

(1. 北京郵電大學(xué) 信息與通信工程學(xué)院，北京 100876；2. 中國石油大學(xué)(華東) 計算機(jī)與通信工程學(xué)院，山東 青島 266580)

0 引言

在傳統(tǒng)的TCP/IP網(wǎng)絡(luò)中，路由、擁塞控制以及其他所有的網(wǎng)絡(luò)功能都由網(wǎng)絡(luò)協(xié)議來控制。網(wǎng)絡(luò)中所有的設(shè)備只需按照現(xiàn)有的規(guī)則來完成對應(yīng)的任務(wù)。隨著多樣化的網(wǎng)絡(luò)服務(wù)和用戶需求的出現(xiàn)以及網(wǎng)絡(luò)需求的增長，單純地改進(jìn)現(xiàn)有的網(wǎng)絡(luò)協(xié)議不但會使現(xiàn)有的網(wǎng)絡(luò)協(xié)議變得更加臃腫，同時對網(wǎng)絡(luò)性能的提高會比較有限。SDN的提出，使得網(wǎng)絡(luò)出現(xiàn)了可編程的概念，網(wǎng)絡(luò)的可擴(kuò)展性和靈活性也大大提高[1]。基礎(chǔ)設(shè)施服務(wù)提供商可以根據(jù)用戶對網(wǎng)絡(luò)服務(wù)的個性化需求設(shè)計SDN網(wǎng)絡(luò)。

然而，即便是SDN網(wǎng)絡(luò)，如果想提高用戶體驗(Quality of Experience，QoE)，仍然需要網(wǎng)絡(luò)的管理人員對用戶的服務(wù)需求做出充分的調(diào)研，并根據(jù)調(diào)研結(jié)果來設(shè)計滿足用戶需求的網(wǎng)絡(luò)。即現(xiàn)階段，SDN只是為網(wǎng)絡(luò)提供了一個“操作系統(tǒng)”，如何去使用這個操作系統(tǒng)來使得網(wǎng)絡(luò)更加穩(wěn)定和可靠仍舊是一個復(fù)雜的問題。

目前，隨著深度學(xué)習(xí)等人工智能技術(shù)在學(xué)術(shù)界和產(chǎn)業(yè)界的火熱，網(wǎng)絡(luò)基礎(chǔ)設(shè)施提供商已經(jīng)注意到了人工智能在網(wǎng)絡(luò)領(lǐng)域內(nèi)的應(yīng)用前景，并提出了一些網(wǎng)絡(luò)概念，如文獻(xiàn)[2]提出的知識定義網(wǎng)絡(luò)(Knowledge-Defined Networking, KDN)。KDN在控制平面之上添加了一個Knowledge平面。Knowledge平面使用機(jī)器學(xué)習(xí)算法來分析從底層網(wǎng)絡(luò)中獲取的數(shù)據(jù)，并用來指導(dǎo)控制平面來進(jìn)行轉(zhuǎn)發(fā)。KDN的提出為智能化的網(wǎng)絡(luò)管理提供了一個解決的思路和想法，但是文獻(xiàn)[2]中并沒有提出比較具體的架構(gòu)和解決方案。

本文受KDN網(wǎng)絡(luò)的啟發(fā)，利用現(xiàn)有的技術(shù)，構(gòu)建了一個可行的但是不同于KDN的人工智能網(wǎng)絡(luò)架構(gòu)。在這一架構(gòu)中，控制平面不僅充當(dāng)著控制著底層的網(wǎng)元設(shè)備的角色，還是上層獲取網(wǎng)絡(luò)信息的中轉(zhuǎn)層，控制層通過北向接口與上層進(jìn)行通信。在控制層之上，部署的是分布式的SDN App, 其功能是通過北向接口獲取下層網(wǎng)絡(luò)的信息并向上層提交，以及負(fù)責(zé)不同SDN域的控制器之間的信息交流。在SDN App之上部署的是分布式的計算工具或者是數(shù)據(jù)分析工具以及算法。這一架構(gòu)的主要創(chuàng)新點如下：

1.架構(gòu)為分布式的部署模式，且不僅支持單個SDN域，也支持多個互聯(lián)的SDN域。

2.通過SDN 控制器的App實現(xiàn)“智能大腦”與SDN的相互通信，在SDN的App上構(gòu)建一層通用的框架，使得模型的可擴(kuò)展性更強(qiáng)。

1 相關(guān)工作

2016年，MESTRES A等人創(chuàng)新性地提出在控制平面的基礎(chǔ)之上加入了Knowledge平面，Knowledge平面利用機(jī)器學(xué)習(xí)等技術(shù)對網(wǎng)絡(luò)進(jìn)行分析和決策。

同年，華為諾言方舟實驗室推出了Network Mind, 智能網(wǎng)絡(luò)控制系統(tǒng)，其核心成果CODA[12]發(fā)表在當(dāng)年的SIGCOMM上。

SENDRA S等人提出了利用SDN在路由協(xié)議中使用人工智能[3]，在SDN的基礎(chǔ)上，在路由協(xié)議中采用了強(qiáng)化學(xué)習(xí)的技術(shù)手段來實現(xiàn)智能路由。

Zhu Li等人提出了在下一代網(wǎng)絡(luò)中使用BP神經(jīng)網(wǎng)絡(luò)來進(jìn)行流量預(yù)測的模型[4]。

2 人工智能網(wǎng)絡(luò)體系架構(gòu)

下面詳細(xì)描述人工智能網(wǎng)絡(luò)框架。以兩個SDN域為例，其架構(gòu)圖如圖1所示。架構(gòu)主要分為三個平面部分：

圖1 人工智能網(wǎng)絡(luò)架構(gòu)圖

(1)數(shù)據(jù)平面, 即底層物理網(wǎng)絡(luò)平面。底層物理網(wǎng)絡(luò)平面的網(wǎng)絡(luò)設(shè)備將自身采集到的流量等數(shù)據(jù)遞交到本域內(nèi)的控制器，然后接收由控制平面做出的路由決策。

(2)控制平面，控制平面不僅僅包含SDN控制器[5]，同時也包含建立在控制器之上的App以及數(shù)據(jù)庫。數(shù)據(jù)庫用來保存當(dāng)前域內(nèi)采集到的數(shù)據(jù)，對于數(shù)據(jù)庫的管理通過App來實現(xiàn)。控制器App是本框架的一個核心模塊，其功能包括：從控制器獲取底層網(wǎng)絡(luò)數(shù)據(jù)，管理本地數(shù)據(jù)庫，負(fù)責(zé)SDN域的域間控制器的通信，提供上層智能平面管理控制器的接口，充當(dāng)智能集群的終端Worker的組成模塊等。App充當(dāng)智能平面與控制平面的接口，功能比較多。從現(xiàn)實的角度來說，可由一組App來實現(xiàn)。

(3)智能平面，為了處理底層網(wǎng)絡(luò)大量的數(shù)據(jù)，受到Google MapReduce[6]技術(shù)的啟發(fā),在智能平面通過分布式的集群來實現(xiàn)對數(shù)據(jù)的分析。由于智能集群能夠隨時從控制平面上的分布式數(shù)據(jù)庫提取底層網(wǎng)絡(luò)的數(shù)據(jù)信息，在智能平面可以設(shè)置一個可視化的Dashboard，方便網(wǎng)絡(luò)人員的管理和分析。

2.1 數(shù)據(jù)平面

數(shù)據(jù)平面的作用主要是收集底層網(wǎng)絡(luò)的所有相關(guān)信息，包括拓?fù)?、鏈路、流表等，然后將這些信息上傳到網(wǎng)絡(luò)大腦以供決策層使用。但是底層物理網(wǎng)絡(luò)的異構(gòu)性、多樣性會帶來一定難度。除此之外，還有一個十分關(guān)鍵的問題就是如何解決跨域數(shù)據(jù)采集。

在當(dāng)前的SDN中，盡管南向接口和北向接口發(fā)展比較成熟，然而在東西向接口技術(shù)上還沒有比較統(tǒng)一的協(xié)議類型。目前，SDN域間協(xié)同(即控制器之間的相互協(xié)同)存在著一些不同的解決方案，比如OpenDayLight社區(qū)針對ODL開發(fā)出來一款名叫ODL-SDNi的App，清華的畢軍團(tuán)隊提出的WE-Bridge[7]。

在對相關(guān)技術(shù)研究的基礎(chǔ)上，本文提出一種可行的基于App的跨域解決方案，如圖2所示。

圖2 多SDN域跨域解決方案

圖2中的網(wǎng)元C同時屬于SDN域1和SDN域2，稱之為邊緣網(wǎng)元。類似于BGP中Speaker的角色，邊緣網(wǎng)元不僅僅負(fù)責(zé)所屬的域內(nèi)路由，由于其同時屬于多個SDN的特殊性，還需要負(fù)責(zé)其所屬的域間的路由。圖中，網(wǎng)元C同時接受Contoller1和Controller2的控制，網(wǎng)元C在域內(nèi)的路由接受本域內(nèi)的Controller的控制，但涉及跨域路由時，需要指定主從Controller,以Master-Slave的模式接受主控制器的控制。由于邊緣網(wǎng)元設(shè)備的功能復(fù)雜，對邊緣網(wǎng)元的控制由App完成。圖2中，主從交換機(jī)的選定由運(yùn)行在Controller1和Controller2上面的App通過協(xié)商確定。

2.2 控制平面

控制平面主要由SDN控制器以及運(yùn)行在SDN控制器之上的App和數(shù)據(jù)庫組成，控制平面作為本系統(tǒng)最主要的模塊之一，有著至關(guān)重要的角色。一方面協(xié)同處理數(shù)據(jù)平面和智能平面之間的信息交互，協(xié)調(diào)整個系統(tǒng)的運(yùn)轉(zhuǎn)，另一方面負(fù)責(zé)下發(fā)指令與流表，使得整個網(wǎng)絡(luò)可以正常運(yùn)轉(zhuǎn)?？刂破鹘Y(jié)構(gòu)如圖3所示。

圖3 控制器結(jié)構(gòu)圖

在控制平面中，控制器設(shè)備有三個任務(wù)：

(1)負(fù)責(zé)對下層物理網(wǎng)絡(luò)的日常管理。

(2)將通過南向接口采集到的數(shù)據(jù)通過北向接口進(jìn)行轉(zhuǎn)發(fā)。

(3)對于App指定的事務(wù)(如對邊緣控制器的管理)交由App進(jìn)行處理。

控制器App是控制平面層面的核心，通過統(tǒng)一的通信協(xié)議，可在App層面上實現(xiàn)異構(gòu)的控制器組網(wǎng)。App的主要功能有：

(1)將北向接口采集到的數(shù)據(jù)寫進(jìn)數(shù)據(jù)庫，日常管理數(shù)據(jù)庫，并向上層提供數(shù)據(jù)庫的接口。

(2)負(fù)責(zé)域間控制器通信以及協(xié)商。

(3)向上層提供操作控制器的API。

本文控制平面的工作并不同于ODL-SDNi和WE-Bridge。相比ODL-SDNi，本文通過App可以實現(xiàn)異構(gòu)控制器的通信，而SDNi只支持ODL控制器間的相互通信；相比WE-Bridge，本文提出了邊緣網(wǎng)元的概念，域間的路由變成域間協(xié)商的問題，而WE-Bridge需要較為復(fù)雜的域間路由。另外，為實現(xiàn)網(wǎng)絡(luò)智能，本文在控制器之上部署了分布式的數(shù)據(jù)庫。

2.3 智能平面

隨著大數(shù)據(jù)技術(shù)的興起，很多大數(shù)據(jù)的處理工具被提出來，比如基于MapReduce開源的Hadoop,后來的Spark。如今分布式計算平臺和分布式存儲(如HDFS[8])技術(shù)都很成熟，同時真實的網(wǎng)絡(luò)環(huán)境也很適合分布式部署AI系統(tǒng)，因而本文基于分布式計算存儲技術(shù)提出智能網(wǎng)絡(luò)平面的架構(gòu)，如圖4所示。

圖4 分布式智能平面架構(gòu)

各個組件的功能如下：

Worker分為兩種，一種是位于控制器之上，與控制器相對應(yīng)的終端Worker，這種Worker是分布式存儲和計算的基本單元，同時也是智能平面管理控制器的接口，它們可以在任意時刻調(diào)用下層的數(shù)據(jù)庫。另一種Worker并不連接著控制器，只是負(fù)責(zé)把終端Worker的運(yùn)算Reduce進(jìn)行數(shù)據(jù)匯聚。Worker能根據(jù)Master的調(diào)度來回應(yīng)其他Worker對于本W(wǎng)orker管轄下的數(shù)據(jù)庫的讀取請求。

Master是分布式計算的管理模塊，負(fù)責(zé)依據(jù)AI算法對每個Worker分配計算任務(wù)，并對它們的工作進(jìn)行統(tǒng)一的調(diào)度，同時負(fù)責(zé)協(xié)調(diào)Worker對分布式數(shù)據(jù)庫里的數(shù)據(jù)的請求。

Dashboard是供網(wǎng)絡(luò)管理人員使用的前端可視化界面，Dashboard展示的數(shù)據(jù)由Master提供，對網(wǎng)絡(luò)的設(shè)置和更改由Manger來執(zhí)行。

Manager是智能平面的操作系統(tǒng)，同時也是整個網(wǎng)絡(luò)的操作系統(tǒng)。對智能平面的管理由Manager通過Master來實現(xiàn)(如針對網(wǎng)絡(luò)的AI算法的部署)，對控制器的管理由Manager經(jīng)過Worker進(jìn)行控制。

3 結(jié)論

本文提出了一種新型的基于SDN網(wǎng)絡(luò)的人工智能網(wǎng)絡(luò)架構(gòu)。在這一網(wǎng)絡(luò)中，SDN控制器不僅僅是網(wǎng)絡(luò)管理命令的執(zhí)行者，同時也是網(wǎng)絡(luò)數(shù)據(jù)的采集器，充當(dāng)著“末端神經(jīng)”的功能。在SDN控制器之上，是分布式的計算以及存儲單元組成的智能網(wǎng)絡(luò)。智能網(wǎng)絡(luò)利用AI技術(shù)和大數(shù)據(jù)來挖掘網(wǎng)絡(luò)的特征，將對底層網(wǎng)絡(luò)的分析結(jié)果呈現(xiàn)給網(wǎng)絡(luò)管理者，用來指導(dǎo)網(wǎng)絡(luò)的管理。

接下來的工作是用實驗室已有的硬件Openflow交換機(jī)搭建一個實際運(yùn)行的物理系統(tǒng)，在實際的物理設(shè)備上驗證提出的人工智能網(wǎng)絡(luò)架構(gòu)的可行性。

[1] HU F, HAO Q, BAO K. A survey on software-defined network and openflow: From concept to implementation. IEEE Communications Surveys & Tutorials, 2014,16(4), 2181-2206.

[2] MESTRES A, RODRIGUEZNATAL A, CARNER J, et al. Knowledge-defined networking[J]. ACM Sigcomm Computer Communication Review, 2017, 47(3):2-10.

[3] SENDRA S, REGO A, LLORET J, et al. Including artificial intelligence in a routing protocol using software defined networks[C]// IEEE International Conference on Communications Workshops. IEEE, 2017:670-674.

[4] Zhu Li, Qin Lei, Xue kouying, et al. A novel BP neural network model for traffic prediction of next generation network.[C]// International Conference on Natural Computation. IEEE, 2009:32-38.

[5] CHIOSI M, FREEMAN B D, GUYEN H Q. Software defined network controller: USAM,U S 9436443[P].2016-09-06.

[6] DEAN J, GHEMAWAT S. MapReduce: simplified data processing on large clusters[C]// Conference on Symposium on Opearting Systems Design & Implementation. USENIX Association, 2008:10.

[7] LIN P, BI J, CHEN Z, et al. WE-bridge: west-east bridge for SDN inter-domain network peering[C]// Computer Communications Workshops. IEEE, 2014:111-112.

[8] GHEMAWAT S, GOBIOFF H, LEUNG S T. The Google file system[C]// Nineteenth ACM Symposium on Operating Systems Principles. ACM, 2003:29-43.

[9] XU G, MU Y, LIU J. Inclusion of artificial intelligence in communication networks and services[J]. 2017.

[10] SENDRA S, REGO A, LLORET J, et al. Including artificial intelligence in a routing protocol using software defined network[C]// 2017 IEEE International Conference on Communications Workshops (ICC Workshops), 2017: 670-674.

[11] SAHEBU K M. Artificial intelligence approach to planning and managing communication networks[C]// International Conference on Electromagnetic Interference & Compatibility, 2002:193-202.

[12] ZHANG H, CHEN L, YI B, et al. CODA: toward automatically identifying and scheduling coflows in the dark[C]// Conference on ACM SIGCOMM 2016 Conference. ACM, 2016:160-173.