衛(wèi)星網(wǎng)絡(luò)控制器動態(tài)部署優(yōu)化方法

萬 穎，錢克昌

(1.航天工程大學(xué)航天信息學(xué)院，北京，101400;2.32151部隊，河北邢臺，054000)

用戶數(shù)據(jù)的爆炸式增長和網(wǎng)絡(luò)需求的激增無時無刻不沖擊著衛(wèi)星網(wǎng)絡(luò)[1]。軟件定義網(wǎng)絡(luò)(SDN)擁有軟件可編程的靈活性、集中管理控制的敏捷性、數(shù)據(jù)平面與控制平面解耦的便利性。軟件定義衛(wèi)星網(wǎng)絡(luò)的出現(xiàn)，有效實現(xiàn)空間網(wǎng)絡(luò)資源的靈活分配、增強衛(wèi)星網(wǎng)絡(luò)的控制能力，能夠為用戶提供細(xì)粒度的QoS保證[2]。

在SDN中，控制平面的控制器部署問題將直接影響資源調(diào)度和信息傳輸?shù)男蔥3]。當(dāng)前大多數(shù)文獻(xiàn)都是采用時間片的思想，忽略數(shù)據(jù)流量的波動，而研究衛(wèi)星網(wǎng)絡(luò)SDN控制器的靜態(tài)部署問題[4]。然而，時間片變化時，衛(wèi)星節(jié)點的高動態(tài)性、星間鏈路的頻繁切換，導(dǎo)致衛(wèi)星交換機節(jié)點在應(yīng)對不同網(wǎng)絡(luò)用戶、服務(wù)需求時，數(shù)據(jù)流量會發(fā)生激烈變化，此時衛(wèi)星控制器節(jié)點的處理能力可能會不堪重負(fù)，影響衛(wèi)星網(wǎng)絡(luò)的正常服務(wù)。

綜合衛(wèi)星網(wǎng)絡(luò)SDN控制器靜態(tài)部署存在的不足之處，楊力等人設(shè)計了空間信息網(wǎng)絡(luò)多控制器動態(tài)部署的雙門限遷移交換機策略[5]，但該策略僅以過載門限、欠載門限為交換機遷移依據(jù)，未詳細(xì)剖析過載情況下整體過載時需添加控制器的情況，同時仿真未使用具體的算法，當(dāng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)較大時，計算量較大。Liao等人基于SDN的空天一體化網(wǎng)絡(luò)，提出了隨時間片變化的動態(tài)交換機遷移策略[6]，引入控制器負(fù)載方差作為衡量負(fù)載均衡的依據(jù)，但盲目地以負(fù)載均衡為條件進(jìn)行交換機遷移，會產(chǎn)生較大的交換機遷移開銷。Chen等人研究了LEO衛(wèi)星網(wǎng)絡(luò)控制器自適應(yīng)動態(tài)配置和部署問題[7]，考慮了控制開銷、時延和網(wǎng)絡(luò)負(fù)載的影響，卻沒有考慮交換機遷移開銷。

綜合上述不足之處及衛(wèi)星網(wǎng)絡(luò)流量的動態(tài)變化，本文提出了衛(wèi)星網(wǎng)絡(luò)多控制器動態(tài)部署方法，采用交換機基于三門限值的動態(tài)遷移方式，以優(yōu)化網(wǎng)絡(luò)的遷移開銷、動態(tài)遷移后的控制鏈路時延及負(fù)載均衡為目標(biāo)，建立多控制器動態(tài)部署模型，使用改進(jìn)的鯨魚優(yōu)化算法，通過動態(tài)改變LEO衛(wèi)星控制器節(jié)點與交換機節(jié)點間的映射關(guān)系，以滿足正常的通信需求。

1 基于SDN的衛(wèi)星網(wǎng)絡(luò)架構(gòu)

基于SDN的衛(wèi)星網(wǎng)絡(luò)架構(gòu)，其控制平面作為衛(wèi)星網(wǎng)絡(luò)的核心部分，采用層次型的控制架構(gòu)，由GEO衛(wèi)星、LEO衛(wèi)星和地面站組成。由于地面站獨具計算能力強、資源豐富的優(yōu)勢，因此主控制器設(shè)置在地面站，并以全網(wǎng)視角動態(tài)管理整個衛(wèi)星網(wǎng)絡(luò)。綜合GEO衛(wèi)星具有覆蓋廣、相對地面靜止的優(yōu)勢，但其空間鏈路長、通信時延大，因此將GEO衛(wèi)星置為區(qū)域控制器。LEO衛(wèi)星擁有低鏈路損耗、低通信時延，在實時、快速交互方面優(yōu)勢顯著，因而將部分LEO衛(wèi)星置為從控制器，剩余的LEO衛(wèi)星置為交換機。從控制器可收集各自控制域內(nèi)交換機的狀態(tài)信息，當(dāng)從控制器無法處理域內(nèi)交換機業(yè)務(wù)請求時，從控制器可向區(qū)域控制器發(fā)送請求，區(qū)域控制器可與主控制器建立通信，隨后主控制器做出決策，經(jīng)由區(qū)域控制器分發(fā)至從控制器。

當(dāng)前衛(wèi)星網(wǎng)絡(luò)架構(gòu)中，從控制器不僅擁有從控制域內(nèi)的局部網(wǎng)絡(luò)視圖，而且能夠處理其域內(nèi)交換機業(yè)務(wù)。可見，LEO衛(wèi)星網(wǎng)絡(luò)是衛(wèi)星網(wǎng)絡(luò)轉(zhuǎn)發(fā)平面的核心，因此本文主要分析LEO衛(wèi)星網(wǎng)絡(luò)，研究從控制器的動態(tài)部署問題。

2 多控制器動態(tài)部署方法

2.1 問題描述

基于SDN的衛(wèi)星網(wǎng)絡(luò)多控制器動態(tài)布署詳細(xì)過程見圖1。

圖1 基于SDN的衛(wèi)星網(wǎng)絡(luò)多控制器動態(tài)部署方法流程

衛(wèi)星網(wǎng)絡(luò)拓?fù)涞母邉討B(tài)變化、用戶數(shù)據(jù)流量的瞬息萬變，都會給部分衛(wèi)星控制器節(jié)點帶來不同程度的壓力，而控制器的負(fù)載主要由控制器在單位時間內(nèi)處理交換機發(fā)送的Packet-in請求數(shù)量決定[8]，據(jù)分析當(dāng)前LEO衛(wèi)星控制器節(jié)點可能存在：正常狀態(tài)、整體過載、局部過載和欠載狀態(tài)。①正常狀態(tài)下，不需要遷移交換機；②整體過載狀態(tài)下，需要增加LEO衛(wèi)星控制器節(jié)點，此時優(yōu)先選擇自身負(fù)載較輕、距離負(fù)載最重控制器最近的控制器作為新增的控制器節(jié)點，在控制器處理能力范圍內(nèi)遷移部分交換機；③局部過載狀態(tài)下，需要遴選出過載控制器，遷移過載控制器域內(nèi)的交換機，以減輕該控制器的負(fù)擔(dān)；④欠載狀態(tài)下，要從資源利用率出發(fā)，在其他控制器處理能力范圍內(nèi)，遷移欠載控制器域內(nèi)的交換機，隨后休眠或關(guān)閉該欠載控制器。

本文根據(jù)網(wǎng)絡(luò)流量的波動，設(shè)置了三門限值：整體過載門限、局部過載門限和欠載門限，提出了一種遷移交換機的多控制器動態(tài)部署方法，以實現(xiàn)各控制器間的協(xié)同合作，提高網(wǎng)絡(luò)整體性能。

2.2 參數(shù)描述

本文對LEO衛(wèi)星多控制器動態(tài)部署問題進(jìn)行分析，建立LEO衛(wèi)星網(wǎng)絡(luò)拓?fù)錇镚=(S,E)。S={s1,s2,…，sn}為LEO衛(wèi)星網(wǎng)絡(luò)中所有的LEO衛(wèi)星交換機節(jié)點的集合，E={e1,e2,…,el}為交換機之間的鏈路集合。LEO衛(wèi)星控制器節(jié)點集合表示為C={c1,c2,…,cm}，LEO衛(wèi)星控制域集合表示為D={D1,D2,…,Dm}。衛(wèi)星交換機節(jié)點動態(tài)遷移后的控制器節(jié)點集合表示為C′={c′1,c′2,…,c′m}，其控制域集合為D′={D′1,D′2,…,D′m′}?？刂破鱟i的處理能力表示為μi，交換機的流請求速率表示為λj，兩節(jié)點i與k之間的最短距離表示為djk。用二進(jìn)制變量Xij表示LEO衛(wèi)星控制器節(jié)點與交換機節(jié)點的連接與非連接關(guān)系，若Xij=1表示存在連接，否則為非連接。

2.3 模型構(gòu)建

為保證衛(wèi)星網(wǎng)絡(luò)的實時通信，應(yīng)對動態(tài)變化的網(wǎng)絡(luò)拓?fù)浼皵?shù)據(jù)流量，通過動態(tài)遷移交換機的方式，均衡控制器間的負(fù)載。本文提出的多控制器動態(tài)部署方法主要由負(fù)載監(jiān)測模塊、遷移決策模塊和動態(tài)遷移模塊組成。

2.3.1 負(fù)載監(jiān)測模塊

通過負(fù)載監(jiān)測，判斷整個網(wǎng)絡(luò)的狀態(tài)，為下一步交換機遷移提供依據(jù)。

(1)

(2)

基于LEO衛(wèi)星控制器節(jié)點資源利用率的三門限值分析如下：

2.3.2 遷移決策模塊

1)遷移控制器的確定

根據(jù)三門限值，判斷出某控制器出現(xiàn)過載或欠載狀態(tài)時，應(yīng)立即鎖定該控制器為遷移控制器。

2)遷移交換機的選擇

當(dāng)遷移控制器確定后，需要考慮選擇遷移交換機。當(dāng)選擇遷移流請求速率較大的交換機時，一方面，對網(wǎng)絡(luò)傳輸?shù)臄_動影響較大，且交互時間較長；另一方面，增大了目標(biāo)域的負(fù)載壓力，可能存在目標(biāo)域的處理能力不足的現(xiàn)象。因此，本文優(yōu)先選擇遷移流請求速率較小、距離遷移控制器較遠(yuǎn)的邊緣交換機。本文綜合控制器的處理能力和星間鏈路距離，提出了交換機優(yōu)先遷移率表示如下：

(3)

該式綜合考慮了交換機的流請求速率，同時考慮了交換機與控制器的鏈路距離，當(dāng)交換機的流請求速率越小，鏈路距離越大，則Qj越大，sj優(yōu)先級越高，sj優(yōu)先從ci中被遷移。

3)目標(biāo)域的選擇

為更好地評價衛(wèi)星網(wǎng)絡(luò)中多控制器動態(tài)部署的效果，本文基于交換機遷移開銷、交換機遷移后的網(wǎng)絡(luò)負(fù)載均衡參數(shù)及衛(wèi)星網(wǎng)絡(luò)控制鏈路時延3個指標(biāo)進(jìn)行綜合評價交換機遷移時目標(biāo)域的選擇情況。

1)交換機遷移開銷，主要由通信開銷和遷移規(guī)則部署開銷組成。交換機進(jìn)行遷移時，會產(chǎn)生遷移請求，建立通信關(guān)系，存在通信開銷[10]。通信開銷主要包括兩個方面：一是遷移交換機與遷移控制器建立通信關(guān)系產(chǎn)生的開銷，二是請求進(jìn)行遷移時，遷移交換機與目標(biāo)域之間的通信開銷，通信開銷costcom表示為：

(4)

式中：dij為遷移交換機與遷移控制器之間的最短距離；dwj為遷移交換機與目標(biāo)域之間的最短距離。

交換機實現(xiàn)遷移的前提是控制器部署了遷移規(guī)則至遷移交換機的流表中，因此產(chǎn)生了遷移規(guī)則部署開銷[11]。遷移規(guī)則部署開銷costrule表示為：

costrule=ξdijXij

(5)

式中：ξ為flod_mod流規(guī)則包的平均大小，遷移規(guī)則部署開銷僅與遷移的交換機有關(guān)。

結(jié)合式(4)、式(5)可知，交換機遷移開銷表示為：

cost=costcom+costrule

(6)

2)衛(wèi)星網(wǎng)絡(luò)控制鏈路時延。交換機遷移后考慮的衛(wèi)星網(wǎng)絡(luò)控制鏈路時延主要為星間鏈路的傳播時延和控制器的任務(wù)處理時延。

衛(wèi)星網(wǎng)絡(luò)中LEO衛(wèi)星控制器節(jié)點與其控制域內(nèi)交換機節(jié)點的平均傳播時延為：

(7)

式中：vc為數(shù)據(jù)流在星間鏈路中的傳輸速度，取值為3×105km/s。

LEO衛(wèi)星控制器節(jié)點的處理時延為：

(8)

衛(wèi)星網(wǎng)絡(luò)的平均控制鏈路時延為：

(9)

3)交換機遷移后的網(wǎng)絡(luò)負(fù)載均衡參數(shù)。為彰顯交換機遷移后衛(wèi)星網(wǎng)絡(luò)的負(fù)載均衡效果，用交換機遷移后的網(wǎng)絡(luò)負(fù)載均衡參數(shù)BL表示：

(10)

式中：fi為交換機遷移后控制器的負(fù)載。

綜合上述分析，為有效評估多控制器動態(tài)遷移的效果，需對遷移開銷和控制鏈路時延進(jìn)行歸一化處理：

(11)

式中：costmax為動態(tài)遷移方案中最大的遷移開銷；Tmax即為最大的控制鏈路時延。

(12)

綜合3個優(yōu)化目標(biāo)，建立控制器動態(tài)部署策略的目標(biāo)函數(shù)W為：

minW=α(BL-1)+βnewcost+γnewT

(13)

式中：x、β、γ代表3個優(yōu)化目標(biāo)的權(quán)重。

α+β+γ=1,0≤α,β,γ≤1

(14)

(15)

(16)

式(15)表明每個控制器可連接多個交換機，式(16)約束了每個交換機僅由唯一的控制器管理。

2.3.3 動態(tài)遷移模塊

在明確了交換機動態(tài)遷移策略后，根據(jù)遷移交換機和目標(biāo)域的選擇，動態(tài)遷移LEO衛(wèi)星交換機節(jié)點，更新衛(wèi)星網(wǎng)絡(luò)中LEO衛(wèi)星控制器節(jié)點與交換機節(jié)點的映射關(guān)系，實現(xiàn)衛(wèi)星網(wǎng)絡(luò)多控制器動態(tài)部署。

3 算法設(shè)計

3.1 基于鯨魚優(yōu)化算法的衛(wèi)星網(wǎng)絡(luò)控制器部署方法

LEO衛(wèi)星網(wǎng)絡(luò)控制器部署問題是一個涉及多衛(wèi)星多因素多方面的NP難問題。鯨魚優(yōu)化算法(whale optimization algorithm, WOA)是一種模擬鯨魚捕食行為的智能優(yōu)化算法[12]，主要通過包圍獵物、泡泡網(wǎng)攻擊和隨機搜索捕食3種不同的方式進(jìn)行搜索，其搜索目標(biāo)為獵物的位置，對應(yīng)優(yōu)化問題的最優(yōu)解，該算法原理結(jié)構(gòu)簡易、參數(shù)少、搜索方式多樣且尋優(yōu)目的強烈。將鯨魚優(yōu)化算法應(yīng)用于多控制器動態(tài)部署問題時，多樣的搜索方式豐富衛(wèi)星控制器節(jié)點的部署策略，適應(yīng)于動態(tài)的衛(wèi)星網(wǎng)絡(luò)環(huán)境，但從算法原理中發(fā)現(xiàn)該方法收斂速度較慢、易陷入局部最優(yōu)、全局搜索能力較差。因此，本文首先對鯨魚優(yōu)化算法的收斂因子進(jìn)行改進(jìn)，并引入了自適應(yīng)權(quán)重和模擬退火算法，進(jìn)一步提升算法的收斂精度和全局探索能力。

3.2 改進(jìn)鯨魚優(yōu)化算法

3.2.1 非線性收斂因子

在鯨魚優(yōu)化算法中，|A|的取值對于平衡鯨魚優(yōu)化算法中的全局探索能力和局部開發(fā)能力至關(guān)重要。當(dāng)|A|>1，鯨魚個體實行隨機搜索捕食，趨向于大范圍探索；當(dāng)|A|≤1時，鯨魚個體在小范圍內(nèi)全方位靠近當(dāng)前最優(yōu)鯨魚個體，趨向于小區(qū)域搜索。然而，從|A|=2ar-a看出，|A|的取值由a決定，隨迭代次數(shù)的增加，a由2至0線性遞減，故對線性收斂因子a進(jìn)行改進(jìn)。

(17)

式中：dt為當(dāng)前鯨魚個體與最優(yōu)個體的適應(yīng)度差值；Xt為當(dāng)前鯨魚個體；W(Xt)為當(dāng)前個體的適應(yīng)度值；Xbest表示當(dāng)前最優(yōu)個體。

(18)

(19)

式中：ds表示當(dāng)前個體的適應(yīng)度差值與平均適應(yīng)度差值的比值。

(20)

式中：gen為當(dāng)前迭代次數(shù)；maxgen為最大迭代次數(shù)。

當(dāng)鯨魚個體Xt的適應(yīng)度差值dt較大時，說明該個體的尋優(yōu)策略較差，此時dst較大，a則越大，|A|>1的機率增大，進(jìn)而鯨魚進(jìn)行隨機搜索捕食的機率增大，有利于全局探索。反之，鯨魚圍繞最優(yōu)個體進(jìn)行小范圍搜索。

3.2.2 自適應(yīng)權(quán)重

鯨魚優(yōu)化算法在后期的局部搜索中易出現(xiàn)早熟現(xiàn)象，且鯨魚個體的更新主要圍繞最優(yōu)個體進(jìn)行探索，因此考慮在最優(yōu)個體上加自適應(yīng)權(quán)重，以提升算法收斂速度和精度。本文將自適應(yīng)權(quán)重w主要應(yīng)用在包圍獵物或泡泡網(wǎng)攻擊搜索時期，迭代前期w變化幅度較小，鯨魚個體主要圍繞最優(yōu)個體進(jìn)行搜索，迭代后期w變化幅度加大，避免陷入局部極值。

(21)

式中：h為常數(shù)，這里取h=3。

包圍獵物更新公式為：

new_Xt=wXbest-A|2R2Xbest-Xt|

(22)

式中：new_Xt表示當(dāng)前鯨魚個體更新后的位置；R2為0～1之間的隨機數(shù)。

螺旋式位置更新公式為：

new_Xt=wXbest+eblcos(2πl(wèi))|Xbest-Xt|

(23)

式中：b為約束螺旋形狀的常數(shù)，這里取值為1，l取值范圍為[-1，1]。

隨機搜索捕食公式為：

new_Xt=Xrand-A|2R2Xrand-Xt|

(24)

式中：Xrand為任意一個鯨魚個體。

3.2.3 模擬退火算法

模擬退火算法(smulated anealing，SA)能夠以一定的概率接受較差的解，避免陷入局部最優(yōu)，全局尋優(yōu)能力較強[13]。為彌補鯨魚優(yōu)化算法在全局尋優(yōu)方面的不足，在算法后期加入模擬退火算法，改善其全局搜索能力。

模擬退火算法中的Metropolis準(zhǔn)則提出了概率突跳特性，即當(dāng)算法尋優(yōu)過程中的解趨向一致時，可以以概率P接受較差的解，擺脫陷入局部極值的困擾。

Δf=W(Xt′)-W(Xt)

(25)

式中：Xt表示當(dāng)前鯨魚個體；Xt′表示退火過程中產(chǎn)生新的鯨魚個體；Δf表示為當(dāng)前鯨魚個體與新個體的適應(yīng)度差值。

P=exp(-Δf/T)

(26)

式中：T表示當(dāng)前的溫度，當(dāng)Δf<0時，可接受Xt′作為當(dāng)前解，否則以概率P為判斷依據(jù)，當(dāng)P大于隨機數(shù)(隨機數(shù)取值范圍為0～1)時，將Xt′更新為當(dāng)前解，否則不更新。

本文使用改進(jìn)的鯨魚優(yōu)化算法，解決LEO衛(wèi)星網(wǎng)絡(luò)多控制器動態(tài)部署問題，求得控制器動態(tài)部署方案，詳細(xì)步驟見表1。

表1 基于鯨魚優(yōu)化算法的衛(wèi)星網(wǎng)絡(luò)多控制器動態(tài)部署方法

4 仿真實驗與結(jié)果分析

4.1 仿真環(huán)境及參數(shù)

本文通過STK搭建LEO衛(wèi)星網(wǎng)絡(luò)拓?fù)淠Ｐ停肕atlab2016b實現(xiàn)多控制器動態(tài)部署方法的仿真實驗。LEO衛(wèi)星網(wǎng)絡(luò)的相關(guān)仿真參數(shù)參考銥星星座，銥星星座的軌道高度為780 km，軌道周期6 061.1 s，軌道傾角86.4°。銥星星座由6條衛(wèi)星軌道組成，每條軌道有11顆均勻分布的衛(wèi)星。根據(jù)銥星星座特征，將銥星的66顆衛(wèi)星均視為衛(wèi)星交換機節(jié)點，從網(wǎng)絡(luò)的穩(wěn)定性、高可靠性出發(fā)，采用帶內(nèi)部署的方式從衛(wèi)星交換機節(jié)點中選取合適節(jié)點位置部署衛(wèi)星控制器節(jié)點。

為有效進(jìn)行仿真實驗，本文按照區(qū)域特征差異化設(shè)定LEO衛(wèi)星交換機節(jié)點的流請求速率λj，取值范圍為1～20 MB/s，衛(wèi)星控制器節(jié)點的處理能力均設(shè)定為200 MB/s。

4.2 仿真結(jié)果分析

為保證仿真實驗的有效性，設(shè)定了不同的控制器數(shù)量，并使用不同算法，多次模擬了衛(wèi)星網(wǎng)絡(luò)流量的變化，設(shè)置種群數(shù)為50，迭代次數(shù)為200。模擬退火初始溫度為1 000，降溫系數(shù)為0.9，目標(biāo)函數(shù)權(quán)重α，β，γ分別為0.3，0.5和0.2。將本文改進(jìn)的鯨魚優(yōu)化算法與改進(jìn)的遺傳算法(IGA)[14]、其他改進(jìn)的鯨魚優(yōu)化算法(IWOA)[15]及海洋捕食者算法(MPA)[16]進(jìn)行對比仿真實驗其結(jié)果如下。

1)當(dāng)LEO衛(wèi)星網(wǎng)絡(luò)出現(xiàn)整體過載情況時，需要添加LEO衛(wèi)星控制器節(jié)點以緩解當(dāng)前網(wǎng)絡(luò)負(fù)載過重的狀態(tài)。當(dāng)LEO衛(wèi)星控制器數(shù)量為8時，仿真結(jié)果如表2所示，由于MWOA中的模擬退火算法加快跳出尋優(yōu)策略，顯然MWOA相比于其他算法收斂速度快，尋優(yōu)性能佳，相比于IGA、IWOA及MPA提升約14.15%、19.07%、18.26%。

2)當(dāng)LEO衛(wèi)星網(wǎng)絡(luò)出現(xiàn)局部過載情況，需動態(tài)遷移交換機節(jié)點以均衡LEO衛(wèi)星控制器節(jié)點間的網(wǎng)絡(luò)負(fù)載。當(dāng)控制器節(jié)點數(shù)量為8時，仿真結(jié)果如表2所示，IWOA和MPA在搜索后期陷入局部極值，全局尋優(yōu)能力弱，IGA雖然全局尋優(yōu)效果好，但其前期局部尋優(yōu)效果不及MWOA。MWOA的尋優(yōu)結(jié)果較IGA、IWOA、MPA提升約4.35%、16.68%、13.03%。

3)當(dāng)LEO衛(wèi)星網(wǎng)絡(luò)出現(xiàn)欠載狀態(tài)時，需遷移LEO衛(wèi)星交換機節(jié)點并關(guān)閉部分LEO衛(wèi)星控制器節(jié)點，當(dāng)控制器節(jié)點數(shù)量為8時，不同算法的運行結(jié)果如表2所示。在該狀態(tài)下進(jìn)行多次實驗，結(jié)果如圖2所示，顯然MWOA算法能夠?qū)さ阶畹偷哪繕?biāo)函數(shù)值，此外，無論在尋優(yōu)策略上還是穩(wěn)定性方面均優(yōu)于IGA、IWOA和MPA。

表2 仿真實驗的目標(biāo)函數(shù)值

圖2 網(wǎng)絡(luò)欠載狀態(tài)下多次運行結(jié)果

5 結(jié)語

針對SDN衛(wèi)星網(wǎng)絡(luò)架構(gòu)中，LEO衛(wèi)星控制器節(jié)點可能無法經(jīng)受衛(wèi)星網(wǎng)絡(luò)拓?fù)鋾r變、數(shù)據(jù)流量動態(tài)變化的問題，本文采用交換機遷移的方式，提出了改進(jìn)鯨魚優(yōu)化算法的多控制器動態(tài)部署方法。鑒于鯨魚優(yōu)化算法求解問題時，存在計算精度較差、求解質(zhì)量不佳等問題，本文改進(jìn)了鯨魚優(yōu)化算法的非線性收斂因子，加入了自適應(yīng)權(quán)重，引入了模擬退火算法。實驗表明，MWOA在尋優(yōu)精度、速度及穩(wěn)定性均優(yōu)于IGA、IWOA及MAP，在降低交換機遷移開銷、降低交換機遷移后衛(wèi)星網(wǎng)絡(luò)的控制鏈路時延及負(fù)載均衡方面均有顯著優(yōu)勢。