基于人工智能的软件定义网络流量识别与资源分配研究

Software Defined Network (SDN) technology spins network intelligent off to a centralized network operating system, which is responsible for the decision-making control by a logically centralized controller, gives the ability to collect massive network data in real time, and provides future internet more flexible and controllable. With the continuous growth of network size and complexity, especially the novel scenarios such as 5G / Internet of Things, relying on human custom strategy or traditional path programming algorithm will be unsuitable, it is difficult to give the optimal traffic scheduling solution according to the dynamic situation of link load. The project is planned to introduce artificial intelligence technology, take traffic characteristics and resource allocation in SDN network as the main concern, and make full use of SDN controller to collect big data for machine learning. Surrounding three aspects of "traffic acquisition, traffic identification and traffic scheduling", it will conduct independent and interrelated research. The general goal of the project is to establish a set of traffic identification and resource allocation theories for software-defined networks, which includes the three aspects of core functions: (1) high dynamic large-scale network state acquisition; (2) multi-dimensional real-time traffic identification on single classifiers; and (3) multi-path resource allocation based on depth-enhanced learning, and to enhance the "network brain" to deal with complex network problems through repeated iterations, promote multi-level, multi-dimensional integration of the future of network and artificial intelligence technology, and strive to achieve a novel network architecture and key technology breakthrough.

软件定义网络（SDN）技术将网络智能控制剥离出来，由逻辑上集中的控制器负责所有的决策控制，并具备实时收集海量网络数据的能力，赋予了未来网络更灵活可控的能力。随着网络规模和复杂度的持续增长，尤其是5G/物联网等新型应用场景，单纯依靠人类定制策略或传统的路径规划算法将不再适用，难以根据链路负载的动态情况给出最优的流量调度方案。本项目拟引入人工智能技术，以SDN中业务流量特征和资源优化为主要关注点，充分利用控制器采集的大数据进行机器学习，围绕“流量获取、流量识别和流量调度”三方面展开研究。总体目标是建立一套面向软件定义网络的流量识别与资源分配理论，包括高动态大规模网络状态获取、单分类器的多维度实时流量识别、基于深度增强学习的多路径资源分配等三项核心功能，并通过反复迭代增强“网络大脑”处理复杂网络问题的能力，促进未来网络与人工智能技术多层次、多维度的融合发展，力争实现新型网络体系与关键技术的突破。

项目圆满实现了项目的总体目标，部分目标超额完成。基于人工智能技术，以SDN中业务流量特征和资源优化为主要关注点，项目组已建立了一套面向软件定义网络的流量识别与资源分配理论，取得了高动态大规模网络状态获取、单分类器的多维度实时流量识别、基于深度增强学习的多路径资源分配等三项核心成果，促进了未来网络与人工智能技术多层次、多维度的融合发展，实现了以SDN为基础的智能化网络体系构建与关键技术的突破。现已在国际知名学术期刊发表 SCI 索引论文10篇，EI检索论文10篇，授权专利5项，授权美国专利1项，获得中国通信学会科技进步奖1项，在基于SDN的网络智能优化领域方向形成了一整套创新性研究成果，在相关领域产生了较大的影响力。三项代表性成果如下：.（1）设计了适应于SDN的灵活可扩展的全局拓扑发现与测量框架，获取高动态大规模的网络状态，设计网络状态感知的虚拟网络功能，采用开放接口与可扩展框架，建立了SDN全网拓扑连接关系，支持多种粒度的时延和带宽测量，并通过在线学习与矩阵估计方法，构建全局流量矩阵。实验结果表明，该方法可以高效获得SDN网络的拓扑、时延与带宽数据。.（2）提出了以资源分配为导向的对流量进行多维度识别的理论和方法，设计基于多输出深度神经网络的多任务流量识别器，获取流量的潜层特征和相关维度之间共享特征的模式，最大程度地提高网络流量的识别的效率和准确程度。实验结果表明，多任务流量识别模型可以有效提高流量识别的准确率，并减少数据标注量。.（3）提出基于图神经网络的深度学习与深度强化学习方法，设计SDN路由策略与NFV网络资源调度策略，为不同类型的流量提供服务质量保证。利用人工智能技术对全局信息感知的能力，从多维资源类型约束和保证网络服务质量的角度，自适应学习新的服务策略。实验结果表明，改进的图卷积神经网络可以更好的学习网络状态变化规律，并且深度强化学习的资源分配策略较启发式算法与传统算法相比，具有明显优势。