基于軟件定義網(wǎng)絡(luò)的對等網(wǎng)傳輸調(diào)度優(yōu)化

向 雄，田 檢

（1. 廣州大學(xué)華軟軟件學(xué)院網(wǎng)絡(luò)技術(shù)系，廣州510990； 2. 廣州大學(xué)華軟軟件學(xué)院基礎(chǔ)部，廣州510990）

（*通信作者電子郵箱tj@sise.com.cn）

0 引言

“互聯(lián)網(wǎng)+”的興起，有力地推動(dòng)了云計(jì)算、物聯(lián)網(wǎng)、電子商務(wù)、互聯(lián)網(wǎng)金融的蓬勃發(fā)展，各行各業(yè)開始與信息技術(shù)緊密結(jié)合，這樣導(dǎo)致了以網(wǎng)絡(luò)為基礎(chǔ)的應(yīng)用異常豐富。這種現(xiàn)象具有兩個(gè)明顯的特點(diǎn):一是上層應(yīng)用正在反推底層網(wǎng)絡(luò)架構(gòu)作出改變，軟件定義網(wǎng)絡(luò)（Software Defined Network，SDN）［1］就是其中一個(gè)主要變化方向；二是來自于各領(lǐng)域的應(yīng)用比如區(qū)塊鏈、視頻點(diǎn)播、視頻直播等，大多數(shù)都采用或以可選方式采用對等網(wǎng)（Peer-to-Peer，P2P）機(jī)制對信息、文件、帶寬、存儲(chǔ)及處理器周期等各種資源進(jìn)行管理［2］。這樣就使得基于SDN 的P2P傳輸研究成為了一個(gè)很緊迫的問題。

SDN 是一種最具吸引力的未來網(wǎng)絡(luò)體系結(jié)構(gòu)，它具有三個(gè)主要特點(diǎn):集中控制、動(dòng)態(tài)可編程、轉(zhuǎn)發(fā)邏輯和控制邏輯相互分離，能夠很好地滿足高帶寬、高數(shù)據(jù)量和拓?fù)鋭?dòng)態(tài)可變的網(wǎng)絡(luò)需求。 SDN 的組成部件分為SDN 控制器（SDN Controller，SDN-C）和SDN 轉(zhuǎn)發(fā)元件（SDN Forward Element，SDN-FE）兩部分，SDN-C 和SDN-FE 之間通過可靠安全的帶外信道連接。SDN-C 是一個(gè)集中式的全局控制器，可部署在高性能的服務(wù)器（或集群）上來監(jiān)控和管理整個(gè)網(wǎng)絡(luò)。SDN-FE是一個(gè)不具有控制功能的純轉(zhuǎn)發(fā)設(shè)備，它依據(jù)流表規(guī)則執(zhí)行轉(zhuǎn)發(fā)。流表規(guī)則由SDN-C 通過帶外信道使用OpenFlow 協(xié)議安裝在SDN-FE上。

P2P 網(wǎng)絡(luò)是一個(gè)建立在TCP 或HTTP 協(xié)議之上的虛擬覆蓋網(wǎng)，每個(gè)節(jié)點(diǎn)在這個(gè)虛擬空間中被賦予一個(gè)用作通信地址的唯一ID，有的結(jié)構(gòu)化P2P 網(wǎng)如內(nèi)容尋址網(wǎng)絡(luò)（Content Addressable Network，CAN）、Pastray 等使用ID 號來定位資源。P2P 系統(tǒng)都包含了一套機(jī)制將ID 號映射到IP 地址以進(jìn)行實(shí)際的數(shù)據(jù)傳輸。P2P 系統(tǒng)會(huì)采用一些網(wǎng)絡(luò)測量技術(shù)來使虛擬空間中的距離關(guān)系盡量與底層物理網(wǎng)絡(luò)相一致，比如:文獻(xiàn)［3］提出了一個(gè)能感知節(jié)點(diǎn)位置的改進(jìn)型GnuTella 非結(jié)構(gòu)化P2P 系統(tǒng)，它使用一個(gè)爬蟲（crawler）來攜帶和修改網(wǎng)絡(luò)拓?fù)鋱D并獲取節(jié)點(diǎn)的地理位置；文獻(xiàn)［4］則利用Gossip協(xié)議讓節(jié)點(diǎn)相互交換信息來獲取動(dòng)態(tài)實(shí)時(shí)的網(wǎng)絡(luò)狀況。

從網(wǎng)絡(luò)的角度來看，P2P 傳輸優(yōu)化問題重點(diǎn)就是流調(diào)度問題。ECMP（Equal Cost MultiPath Routing）這類傳統(tǒng)的流調(diào)度策略無差別對待所有流，看起來很公平，卻無法根據(jù)網(wǎng)絡(luò)狀態(tài)進(jìn)行優(yōu)化。Al-Fares 等［5］利用模擬退火算法或首次匹配法根據(jù)預(yù)估帶寬進(jìn)行流調(diào)度，成功解決了Clos（發(fā)明者為Charles Clos）網(wǎng)絡(luò)中的大象流沖突問題，取得了遠(yuǎn)高于ECMP的帶寬利用率。類似地，如何根據(jù)P2P 數(shù)據(jù)傳送特點(diǎn)進(jìn)行傳輸調(diào)度優(yōu)化呢？這就是本文要解決的問題。

P2P 網(wǎng)絡(luò)中的數(shù)據(jù)傳輸方式有兩種:1）點(diǎn)對點(diǎn)方式比如BitTorrent，這種方式的流調(diào)度問題可參照傳統(tǒng)方式解決。2）組播方式，這種方式在P2P 系統(tǒng)中特別是P2P 流媒體應(yīng)用中非常普遍。組播樹最合適的結(jié)構(gòu)就是樹結(jié)構(gòu)，但樹結(jié)構(gòu)有一個(gè)致命的缺點(diǎn)就是節(jié)點(diǎn)的離開會(huì)導(dǎo)致其子樹上的節(jié)點(diǎn)在組播樹重構(gòu)完成之前無法接收數(shù)據(jù)，所以通常都是網(wǎng)狀結(jié)構(gòu)，最 典 型 的 就 是ESM（End System Multicast）［6］和ALMI（Application Level Multicast Infrastructure）［7］。學(xué)術(shù)界對于選擇應(yīng)用層組播（Application Layer Multicast，ALM）還是IP 組播是有爭議的［8］，ALM 把應(yīng)用與網(wǎng)絡(luò)相分離，體現(xiàn)了分層的原則，但會(huì)產(chǎn)生應(yīng)用層與底層不一致的問題，無法充分利用網(wǎng)絡(luò)。SDN 可以彌補(bǔ)這一不足，通過在SDN-C 中嵌入相應(yīng)的服務(wù)，就可以使P2P 系統(tǒng)中實(shí)施ALM 時(shí)能夠根據(jù)網(wǎng)絡(luò)狀態(tài)進(jìn)行實(shí)時(shí)動(dòng)態(tài)的流調(diào)度以滿足體驗(yàn)質(zhì)量（Quality of Experience，QoE）等傳輸需求［9］。

本文設(shè)計(jì)了一個(gè)基于SDN的P2P傳輸調(diào)度優(yōu)化架構(gòu)。其核心過程是從SDN-C 那里獲取流量矩陣，轉(zhuǎn)化成帶權(quán)重的網(wǎng)絡(luò)拓?fù)鋱D，在此基礎(chǔ)上生成組播樹，并利用神經(jīng)網(wǎng)絡(luò)智能化地確定更新周期，能夠?qū)崿F(xiàn)網(wǎng)絡(luò)性能的提升。

1 系統(tǒng)模型

本方案假定每個(gè)P2P 系統(tǒng)都使用一個(gè)UUID（Universally Unique IDentifier）作為唯一標(biāo)識，任何需要加入的節(jié)點(diǎn)首先得獲取此標(biāo)識，生成和分發(fā)此標(biāo)識的過程不在本系統(tǒng)范圍之內(nèi)。整個(gè)系統(tǒng)參考架構(gòu)如圖1所示。

圖1 系統(tǒng)架構(gòu)Fig. 1 System framework

SDN 實(shí)施組播并不需要通過IGMP（Internet Group Management Protocol）v1/2/3 協(xié)議來實(shí)現(xiàn)［10］，故組播路由器地址如224.0.0.2等沒有實(shí)際意義，本文使用它來產(chǎn)生PacketIn事件。當(dāng)一個(gè)節(jié)點(diǎn)加入或退出P2P 系統(tǒng)時(shí)，它會(huì)發(fā)送一個(gè)包含了事先協(xié)商好的UUID 的數(shù)據(jù)包給224.0.0.2?？刂破魇孪仍诮粨Q機(jī)上安裝流表項(xiàng)讓目的地為224.0.0.2 的數(shù)據(jù)包PacketIn 到控制器；組管理器（Multicast Manager，MM）偵聽控制器的PacketIn 事件，發(fā)現(xiàn)目的地為D 類IP 多播地址的話就產(chǎn)生組播事件（Group Event，GE），對組播感興趣的其他模塊都可以偵聽，比如IGMP 或其他組播實(shí)現(xiàn)方式，這樣就做到了與現(xiàn)有系統(tǒng)兼容。節(jié)點(diǎn)管理器（Node Manager，NM）是GE 事件的偵聽者，它收到GE事件后分析其中內(nèi)容是否符合自己的應(yīng)用規(guī)范，不符合則丟棄；否則轉(zhuǎn)交給拓?fù)涔芾砥鳎═opology Manager，TM）。

TM 負(fù)責(zé)從GE 事件中取出P2P 系統(tǒng)標(biāo)識UUID，然后根據(jù)此標(biāo)識將此節(jié)點(diǎn)加入到對應(yīng)的P2P 拓?fù)渲?。TM 周期性地從控制器那里獲取網(wǎng)絡(luò)流量矩陣并轉(zhuǎn)化成權(quán)重網(wǎng)絡(luò)圖，使用終端優(yōu)先組播樹生成算法（見3.2 節(jié)）生成組播樹并交給流管理（Flow Manager，F(xiàn)M）模塊。

FM 根據(jù)組播樹生成相應(yīng)的流表規(guī)則交給控制器下發(fā)到交換機(jī)上。在傳統(tǒng)非SDN 網(wǎng)絡(luò)中，IP 層是無法感知上層應(yīng)用的，不同的IP 組播組是以組播地址來區(qū)分的，無法按應(yīng)用分類。在SDN 中，根據(jù)OpenFlow 協(xié)議，只需在流表項(xiàng)中設(shè)置匹配域:dl_type=0x0800，nw_proto=6，nw_src=源IP，tp_src=應(yīng)用程序所使用的端口，然后actions 中設(shè)置多個(gè)output，轉(zhuǎn)發(fā)到多個(gè)目標(biāo)IP，即可實(shí)現(xiàn)將特定應(yīng)用程序的數(shù)據(jù)包進(jìn)行多播了。FM 根據(jù)OpenFlow 協(xié)議生成SDN 組播規(guī)則。下面對本系統(tǒng)中的關(guān)鍵過程進(jìn)行說明。

2 流量矩陣測量

一個(gè)包含N個(gè)節(jié)點(diǎn)的系統(tǒng)的流量矩陣如矩陣M所示，其中包含了任意一對節(jié)點(diǎn)在t1到tp時(shí)間點(diǎn)的流量值，共有N2對，它是網(wǎng)絡(luò)設(shè)計(jì)、運(yùn)維、計(jì)帳及安全的關(guān)鍵依據(jù)，也是本文中TM模塊進(jìn)行拓?fù)鋬?yōu)化的依據(jù)。

傳統(tǒng)的網(wǎng)絡(luò)測量框架都存在非確定性線性逆問題。這是因?yàn)橹苯訙y量法成本太高，大多數(shù)方法都是分析SNMP（Simple Network Management Protocol）、NetFlow 或sFlow 采集到的抽樣數(shù)據(jù)，然后使用最大似然法、貝葉斯方法、PCA（Principal Component Analysis）等算法進(jìn)行估計(jì)，都存在一定的誤差，有時(shí)還會(huì)比較大。

SDN 與傳統(tǒng)網(wǎng)絡(luò)相比在網(wǎng)絡(luò)測量時(shí)更為方便。OpenFlow 協(xié)議1.3 中共定義了40 個(gè)計(jì)數(shù)器，其中有9 個(gè)是必需的，特別地有3 個(gè)基于端口必需計(jì)數(shù)器Received Packets、Transmitted Packets 和Duration 可以用來精確地獲取SDN-FE中每個(gè)鏈路上的流量。在SDN 中進(jìn)行網(wǎng)絡(luò)測量就是通過查詢和分析上述計(jì)數(shù)器產(chǎn)生的統(tǒng)計(jì)數(shù)據(jù)來生成基于OD 對（Original-Destination Pair）流 量 矩 陣，OpenTM（OpenFlow Traffic Matrix）［11］、DCM（Distributed and Collaborative traffic Monitoring）［12］等工作很好地解決了此問題。

SDN 演變至今，目前很多SDN-C 傾向于將OpenFlow 網(wǎng)絡(luò)和傳統(tǒng)網(wǎng)絡(luò)混合起來統(tǒng)一處理，比如OpenDaylight 和ONOS（Open Network Operating System），這樣就使得上述基于OpenFlow 端口統(tǒng)計(jì)的流量測量工作難以應(yīng)用到當(dāng)前的實(shí)際網(wǎng)絡(luò)中，iSTAMP［13］等方法不得不擴(kuò)展上述基于流的流量矩陣測量方法來增強(qiáng)其實(shí)用性。iSTAMP 的理論依據(jù)是壓縮感知（Compressed Sensing，CS）技術(shù)，它認(rèn)為一個(gè)高波動(dòng)性的稀疏矩陣中的全部數(shù)據(jù)可以通過一個(gè)精心定義的壓縮過的線性測量值估計(jì)出來。具體過程是首先精心挑選一部分流進(jìn)行聚合以獲取壓縮流，然后通過MAB（Multi-Armed Bandit）算法從TCAM（Ternary Content Addressable Memory）流表中選取部分對ALM 系統(tǒng)影響最大的流，分別對這兩類流采樣就可以推斷出整個(gè)流量矩陣。

3 拓?fù)涔芾?/h2>

拓?fù)涔芾砟KTM 根據(jù)網(wǎng)絡(luò)狀態(tài)修改ALM 樹，這需要解決兩個(gè)關(guān)鍵問題:應(yīng)用層組播與底層的不一致問題和可擴(kuò)展性Steiner 樹問題。下面首先闡述這兩個(gè)問題，然后給出解決方式。

3.1 應(yīng)用層組播與底層的不一致問題

圖2 ALM樹與基礎(chǔ)網(wǎng)絡(luò)Fig. 2 ALM tree and basic network

假設(shè)n1是組播源，則其ALM樹為（n1（n2（n3），n4）），由于傳統(tǒng)網(wǎng)絡(luò)中應(yīng)用層的組播在底層仍然是單播，其實(shí)際IP 層的傳播樹可能是（n1（s1（s2（s5（s3（n2（s5（n3）））））））），數(shù)據(jù)包從n1 到n2 時(shí)要經(jīng)過鏈路s5-s3，從n2 到n3 時(shí)也要經(jīng)過鏈路s3-s5，這是一種無意義的重復(fù)流量。

在SDN 中，TM 模塊會(huì)從SDN-C 那里獲取交換機(jī)連接方式，然后將上述ALM樹的IP層傳輸路徑修改為:（n1（s1（s2（s5（s3（n2），n2））））），從而解決應(yīng)用層組播與底層的不一致問題。

3.2 可擴(kuò)展性Steiner樹

在SDN 中實(shí)施多播既可以用一個(gè)流表項(xiàng)對應(yīng)多個(gè)output動(dòng)作來實(shí)現(xiàn)，也可以使用組表中的action bucket 來實(shí)現(xiàn)，但這二者都面臨著一種可擴(kuò)展性問題。因?yàn)樵赟DN-FE 中，流表是一種受限資源，硬流表如TCAM 價(jià)格昂貴，軟流表如OVSDB（Open Virtual Switch Data-Base）則速度堪憂，都不能有效地應(yīng)對指數(shù)級的組播樹數(shù)目［14］。為了解決此問題，本文提出了一種終端優(yōu)先組播樹（Terminal First Steiner Tree，TFST）。

TM 周期性地與SDN-C 通信獲取網(wǎng)絡(luò)的流量矩陣M并其中的數(shù)據(jù)量化到［1，10］區(qū)間，就可以得到如圖3（a）所示的帶權(quán)重的網(wǎng)絡(luò)。TFST 將實(shí)施多播的流表?xiàng)l目只存儲(chǔ)在分支節(jié)點(diǎn)（至少包含三條邊的節(jié)點(diǎn)，用空心圓表示）上，中間節(jié)點(diǎn)（黑色實(shí)心圓）以單播隧道方式進(jìn)行數(shù)據(jù)包的轉(zhuǎn)發(fā)，無需安裝組播流表項(xiàng)，這樣就減少了流表的數(shù)量，從而可解決多播樹的可擴(kuò)展性問題。

圖2 顯示了由n1～n4 四個(gè)節(jié)點(diǎn)組成的位于應(yīng)用層的ALM樹，節(jié)點(diǎn)之間進(jìn)行通信的基礎(chǔ)網(wǎng)絡(luò)由s1～s5 五個(gè)OpenFlow 交換機(jī)組成。

TFST算法中的起點(diǎn)可以選擇任意一個(gè)終端節(jié)點(diǎn)。算法分為樹的生成和優(yōu)化兩個(gè)階段。第2）步是生成階段，它在經(jīng)典Dijkstra算法基礎(chǔ)上進(jìn)行了兩點(diǎn)改進(jìn):1）若被展開的節(jié)點(diǎn)是終端節(jié)點(diǎn)，則將其距離值設(shè)置為0。因?yàn)樗薪K端節(jié)點(diǎn)都是組播樹的必經(jīng)之地，所以每到達(dá)一個(gè)最近的終端節(jié)點(diǎn)就可以把它當(dāng)作新的起點(diǎn)。2）若遍歷到的鄰居已經(jīng)被訪問過了，說明它已經(jīng)在組播樹上但與被展開節(jié)點(diǎn)不在樹的同一分支上，于是將此邊加入樹中并尋找所形成一個(gè)環(huán)路，隨后去掉這個(gè)環(huán)路中的最大邊。這樣就既降低了樹的總代價(jià)又保持了連通性，從而得到一棵近似Steiner樹。優(yōu)化階段分3）4）5）步進(jìn)行，主要過程是第5）步以降低公式c（T）+α*b（T）的值為目標(biāo)將所有分支節(jié)點(diǎn)按度從小到大的順序進(jìn)行重連。由于c（T）是組播樹中所有邊的權(quán)重和，代表流量代價(jià)。b（T）是組播樹中分支節(jié)點(diǎn)數(shù)量，分支數(shù)量越多，意味著要消耗的流表資源越多，組播實(shí)施代價(jià)越高。通過調(diào)整參數(shù)α，就可以在流量代價(jià)和實(shí)施代價(jià)之間進(jìn)行權(quán)衡調(diào)節(jié)。

TFST 算法的時(shí)間復(fù)雜度主要取決于樹生成階段。若節(jié)點(diǎn)數(shù)、終端節(jié)點(diǎn)數(shù)分別用N、M表示，其時(shí)間復(fù)雜度上界為O（N2M），與其他經(jīng)典的Steiner樹生成算法一致。

圖3 TFST的構(gòu)建Fig. 3 Construction of TFST

4 更新周期管理

組播樹的不斷調(diào)整會(huì)導(dǎo)致SDN-C 對SDN-FE 中的分支節(jié)點(diǎn)進(jìn)行大量的流表更新，這樣一方面會(huì)導(dǎo)致數(shù)據(jù)包的丟失，另一方面還可能引起網(wǎng)絡(luò)的不一致性，導(dǎo)致一些安全、認(rèn)證等策略失效。數(shù)據(jù)包的丟失可以通過應(yīng)用層重傳來解決，網(wǎng)絡(luò)不一致性也可以通過一些日志重放方法來恢復(fù)，但頻繁更新顯然會(huì)導(dǎo)致網(wǎng)絡(luò)性能下降。本文設(shè)計(jì)了一個(gè)精巧的基于神經(jīng)網(wǎng)絡(luò)的模型來讓其自動(dòng)選擇更新間隔。

網(wǎng)絡(luò)性能的主要指標(biāo)有時(shí)延（Delay）、帶寬、丟包率（Loss）。SDN 環(huán)境下有很多可用的網(wǎng)絡(luò)測量方法及工具［15-16］來測量這三個(gè)指標(biāo)。帶寬通常比較穩(wěn)定，那么衡量網(wǎng)絡(luò)性能變化的主要指標(biāo)就是擁塞指標(biāo)P＝Delay＋Loss了。用L表示由流量矩陣M′所反映的網(wǎng)絡(luò)負(fù)載，那么P既與L相關(guān)，又與更新間隔T有關(guān)，所以P是L和T的函數(shù)，記作P=f（L，T），P和L都是可測量的，確定T值的問題就是一個(gè)根據(jù)樣本值P，L對參數(shù)T進(jìn)行估計(jì)的問題，顯然f形式未知且非線性，無法采用傳統(tǒng)的參數(shù)估計(jì)和線性回歸等工具來計(jì)算T值。為此，本文設(shè)計(jì)了一個(gè)如圖4 所示的帶反饋環(huán)的逆系統(tǒng)來根據(jù)P自動(dòng)調(diào)整T，其中的下標(biāo)i表示第i次迭代。

圖4 帶反饋環(huán)的逆系統(tǒng)Fig. 4 Inverse system with feedback loop

Hornik已經(jīng)證明，只需一個(gè)包含足夠多神經(jīng)元的隱層，多層前饋網(wǎng)絡(luò)就能以任意精度逼近任意復(fù)雜度的連續(xù)函數(shù)［17］。函數(shù)逼近問題的本質(zhì)是一種有監(jiān)督的學(xué)習(xí)。為了實(shí)現(xiàn)上述逆系統(tǒng)，本文設(shè)計(jì)了一個(gè)如圖5 所示的遞歸神經(jīng)網(wǎng)絡(luò)模型來逼近f函數(shù)，輸入層中的x1、x2、x3、x4 分別表示流量矩陣M中的流量均值、眾數(shù)、方差、鏈路流量平均變化率，刻畫了網(wǎng)絡(luò)負(fù)載的四個(gè)特征；x5 和x6 分別表示丟包率和平均延遲，反映了網(wǎng)絡(luò)性能特征。x7 是模型的輸出結(jié)果T的反饋輸入。偏置值x0=1（圖并未畫出），隱藏層采用6個(gè)神經(jīng)元，激活函數(shù)采用ReLU（Rectified Liner Uints）。損失函數(shù)定義為當(dāng)前網(wǎng)絡(luò)擁塞指標(biāo)與理想擁塞指標(biāo)之差:|P-Popt|，優(yōu)化器采用隨機(jī)梯度下降（Stochastic Gradient Descent，SGD）算法。為避免數(shù)據(jù)規(guī)模對結(jié)果的影響，P和T等所有數(shù)據(jù)都用雙正切函數(shù)映射到（0，1）區(qū)間。

圖5 遞歸神經(jīng)網(wǎng)絡(luò)模型Fig. 5 Recursive neural network model

5 實(shí)驗(yàn)與仿真

本文仿真網(wǎng)絡(luò)采用Mininet，控制器采用ryu，python 版本為3.6，機(jī)器學(xué)習(xí)模塊采用谷歌的TensorFlow。仿真時(shí)使用的網(wǎng)絡(luò)拓?fù)溆蒼etworkx 庫中的函數(shù)random_kernel_graph 隨機(jī)生成，隨機(jī)選擇一定數(shù)量的節(jié)點(diǎn)作為終端節(jié)點(diǎn)，終端節(jié)點(diǎn)占全部節(jié)點(diǎn)的比例r是一個(gè)可調(diào)整的參數(shù)，鏈路上的帶寬在30 MB/s、40 MB/s、50 MB/s 中隨機(jī)選擇，每個(gè)終端節(jié)點(diǎn)連接一臺主機(jī)，主機(jī)上運(yùn)行iperf，每隔1 s向網(wǎng)絡(luò)發(fā)送隨機(jī)10～20 MB/s的隨機(jī)流量。

5.1 有效性

圖6是有效性仿真結(jié)果，橫軸是以秒為單位的運(yùn)行時(shí)間，縱軸是每隔5 s 計(jì)算所得的P值，也就是歸一化后的Delay+Loss值，Loss通過ryu 控制器的Web 管理界面統(tǒng)計(jì)得出，Delay為所有終端節(jié)點(diǎn)的平均接收延遲。由于注入網(wǎng)絡(luò)的流量總體上小于鏈路的帶寬，整體上網(wǎng)絡(luò)性能都比較好。剛開始時(shí)優(yōu)化網(wǎng)絡(luò)的擁塞指標(biāo)高于原始網(wǎng)絡(luò)，這是由于更新周期較小，控制器頻繁地更新流表導(dǎo)致了網(wǎng)絡(luò)性能下降；大約10 s以后，優(yōu)化模塊的效果開始顯現(xiàn)，P值一直平穩(wěn)地低于未經(jīng)優(yōu)化的原始網(wǎng)絡(luò)。從總體上看，原始網(wǎng)絡(luò)P均值為0.15，優(yōu)化后為0.08，網(wǎng)絡(luò)擁塞指標(biāo)在原來的基礎(chǔ)上降低了47%。

圖6 優(yōu)化效果Fig. 6 Result of optimization

5.2 參數(shù)組合

從表1 所列出的部分結(jié)果可以看出:1）不同的網(wǎng)絡(luò)測量方法istamp（用i表示）和opentm（用o表示）所測得的流量矩陣對優(yōu)化結(jié)果影響不大。2）α值對系統(tǒng)有較大影響，主要原因是α值增加時(shí)，TFST 算法主要側(cè)重于組播樹的可擴(kuò)展性，減少了分支節(jié)點(diǎn)數(shù)量，從而加大了組播的流量代價(jià)，導(dǎo)致P值增加。3）增加節(jié)點(diǎn)的度可以顯著提升網(wǎng)絡(luò)性能。這是因?yàn)榭蛇x路徑大量增加后，流量可以靈活地被實(shí)時(shí)調(diào)度到空閑的鏈路上。

表1 不同參數(shù)組合運(yùn)行結(jié)果比較Tab. 1 Running results comparison in different parameter combinations

5.3 更新周期的變化規(guī)律

在mininet 中生成仿真網(wǎng)絡(luò)后立即進(jìn)行網(wǎng)絡(luò)性能測量的結(jié)果作為網(wǎng)絡(luò)的最優(yōu)性能Popt。圖7 顯示了運(yùn)行過程中更新周期T隨著性能P的變化情況，從圖中可以看出，當(dāng)性能穩(wěn)定下來之后，更新周期會(huì)逐漸變長，最后逐漸收斂于1，這意味著網(wǎng)絡(luò)性能已經(jīng)趨于穩(wěn)定，優(yōu)化過程對網(wǎng)絡(luò)性能的提升作用已經(jīng)很小了，調(diào)整模塊無需頻繁介入。當(dāng)網(wǎng)絡(luò)性能發(fā)生較大變化時(shí)，特別是當(dāng)P增加時(shí)，此時(shí)意味著性能下降，調(diào)整模塊會(huì)不斷嘗試最優(yōu)路徑，最終達(dá)到提升網(wǎng)絡(luò)性能的目的。

圖7 T隨P變化的趨勢Fig. 7 Trend of T varying with P

5.4 不同更新方式對比

圖8 顯示了當(dāng)組播樹發(fā)生變化時(shí)，不同的更新周期管理方式所得到的網(wǎng)絡(luò)性能的對比結(jié)果。PN 是采用神經(jīng)網(wǎng)絡(luò)模塊確定新流表的部署時(shí)機(jī)，P0 表示立即部署，P5 表示固定間隔5 s 部署一次。從圖中可以看出P0 方式雖然有時(shí)能取得較好的性能，P 值大幅下降，但總體水平還是略高于神經(jīng)網(wǎng)絡(luò)方式。經(jīng)計(jì)算，PN、P0、P5三種方式得到的網(wǎng)絡(luò)擁塞指標(biāo)均值分別為0.42、0.51 和0.56，前者與后二者相比，分別降低了17.6%和25%；標(biāo)準(zhǔn)差分別為0.06、0.12 和0.13，這說明神經(jīng)網(wǎng)絡(luò)模塊在網(wǎng)絡(luò)中等負(fù)載的情況下既能抑制網(wǎng)絡(luò)性能下降果，又能將網(wǎng)絡(luò)性能穩(wěn)定在一個(gè)相對較為理想的水平。

圖8 不同更新方式的效果對比Fig. 8 Effect comparison between different update methods

6 結(jié)語

SDN 與傳統(tǒng)網(wǎng)絡(luò)相比更能貼近應(yīng)用的需求，能充分利用人工智能和大數(shù)據(jù)技術(shù)向網(wǎng)絡(luò)注入智能。本文提出的方案一方面能夠使SDN 中應(yīng)用層組播像IP 組播一樣節(jié)省流量，無需像IP 組播一樣運(yùn)行繁瑣的組播協(xié)議，另一方面在網(wǎng)絡(luò)智能化方面進(jìn)行了有效的探索。本文雖只是針對P2P應(yīng)用中的ALM特點(diǎn)對網(wǎng)絡(luò)性能優(yōu)化，但這樣的研究對如何針對網(wǎng)絡(luò)中多種多樣流量特點(diǎn)進(jìn)行優(yōu)化調(diào)整［18］，促使SDN 在安全模型、運(yùn)行機(jī)制［19］等方面全方位智能化有很大的啟發(fā)作用，這將是我們下一步研究目標(biāo)。