数据流特征感知的交换机流表智能更新方法
开篇：润墨网以专业的文秘视角，为您筛选了一篇数据流特征感知的交换机流表智能更新方法范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘要：针对软件定义网络（SDN）中交换机流表匹配率低的问题，提出了数据流特征感知的交换机流表智能更新方法。首先，论述流
>> 商业用户的交换机选择――智能交换机 移动交换机GT翻译表的配置分析 应用感知交换机 暗藏危机的NTFS数据流 建设基于数据流的工作流 汽车数据流基本参数特征分析 常用程控交换机的数据维护 基于数据流系统的空间数据流系统建模 澳网数据流 基于动态特征提取和神经网络的数据流分类研究 一种基于主数据流分析的数据比对方法 一种基于泳道数据流图的数据需求分析方法 基于稀疏表示的数据流异常数据预测方法 网管交换机也智能 PACS医学图像数据流控制方法 基于数据流的数据挖掘研究 数据流概要数据的合并性研究分析 智能电表的数据抄读新方法 智能电表的数据抄读新方法研究 基于SOC的高速数据流加密传输的方法实现 常见问题解答 当前所在位置：l处下载。数据中心EDU2比EDU1规模大，其中EDU1具有500台服务器和22台交换机，EDU2具有1093台服务器和36台交换机，它们均为校园提供Email、Web请求和音视频流等服务，因此数据集UNIV1和UNIV2均为包含音频流、视频流和普通文本流的混合数据流数据。这些数据原本是用于分析在数据包和数据流级别上的传输特性对链路利用率、阻塞和丢包率等的影响，从而为数据中心网络进行科学管理提供依据。通过比较相同时间内收集到的数据包数可知，数据中心EDU2中单位时间内交换机需要处理的请求数远多于EDU1，因此从UNIV1和UNIV2数据集中选取数据进行实验，也能够分析比较本文描述的3种算法对两种不同规模校园数据中心网络的影响。
本文使用floodlight和mininet搭建SDN网络环境，从而将上文描述的3种算法对交换机流表更新性能的影响进行测定[2]。实验过程中分别从UNIV1和UNIV2数据集中选取5组数据作为实验测试数据，每个数据包含数据包到达时间、源地址、目的地址和数据包长度等信息，本文将具有相同源地址和目的地址的数据包视为同一数据流，按时间序列模拟数据包的到达。表1为3种数据流类型的识别率，结果表明本文的分类算法能够达到90%以上的分类准确率。
视频流音频流普通文本流
这3个列名与第1列的数据项重复，是否表达正确？请明确。三种方法体现在哪里？回复：问题3：表格没有写错，分别表示三种数据流类型，该表格是为了说明各个数据流之间识别的概率，视频流到视频流的概率为0.9513，表示视频流被正确识别为视频流的概率为95.13%，视频流到音频流的概率表示视频流被错误识别为音频流的概率，依次类推……
实验过程中idle_timeout的初值设置为5s，该值为NOX控制器中的默认值，流表容量Tmax为1500，控制器单位时间能够处理的packetin请求数Pmax为30000[12]，hard_timeout初值设置为10s[13]，流表的智能更新周期T设置为2s，该值不至于让控制器负担过重，同时能达到相对好的实验效果，流表容量的阈值参数ftc={800，1200，1400}，单位时间内packetin请求数阈值集合pktin={15000，24000，27000}，这些阈值参数的设置是通过多次实验得到的经验值。
图89为流表匹配率分布情况，分别为使用UNIV1和UNIV2中的部分数据集进行测试的实验结果，其中FIFO、LRU和IFTUA（Intelligent Flow Table Update Arithmetic）分别表示本文描述的3种算法。由图89可知，UNIV1实验数据组中，FIFO的匹配率总体上要高于LRU的匹配率，这是因为FIFO在hard_timeout时间内始终占据流表资源，在数据流数目相对较少的情况下，能够更加充分地利用流表资源。UNIV2实验数据组中，单位时间内的数据流数目相比UNIV1要大很多，流表资源相对匮乏，该情况下LRU算法相比FIFO算法能更加灵活地对流表项进行置换，因此能够达到更高的匹配率。本文提出的流表智能更新算法能够根据数据流类型信息和网络资源状况对timeout值进行动态调整，兼具FIFO和LRU的优点，因此匹配率始终高于流表更新的一般方法。
5结语
本文针对当前OpenFlow交换机中存在的流表匹配率低的问题，首先详细地阐述了交换机中流表项结构、数据包的匹配过程以及timeout值对数据包匹配的影响，进而对流表更新的一般方法进行了总结；其次基于流表项的生存时间和数据流的特征密切相关的思想，对不同数据流类型的特征作了分析，并利用基于HMM的DPI算法对数据流进行分类；最后根据当前流表资源和控制器计算资源状况对不同类型数据流的timeout值进行动态调整，实现在控制器处理能力范围内，最大限度地利用流表资源。对真实的数据中心网络行为数据的模拟实验表明，本文提出的流表智能更新算法相比流表更新的一般方法，综合利用数据流类型信息和网络资源情况来更新流表，能够有效地提高流表的匹配率。尽管如此，本文还是存在一些不足，比如仅仅将数据流分为三大类，在接下来的研究中，可以进一步将数据流进行更细的划分，从而对流表项的更新实现更细粒度的控制。
参考文献：
[1]
KANNAN K， BANERJEE S. FlowMaster： early eviction of dead flow on SDN switches [C]// Proceedings of the 15th International Conference on Distributed Computing and Networking. Berlin： Springer， 2014： 484-498.
[2]
KIM E， CHOI Y， LEE S， et al. Flow table management scheme applying an LRU caching algorithm [C]// Proceedings of the 2014 International Conference on Information and Communication Technology Convergence. Piscataway， NJ： IEEE， 2014： 335-340.
[3]
ZHU H， FAN H， LUO X， et al. Intelligent timeout master： dynamic timeout for SDNbased data centers [C]// Proceedings of the 2015 IFIP/IEEE International Symposium on Integrated Network Management. Piscataway， NJ： IEEE， 2015： 734-737.
[4]
KIM T， LEE K， LEE J， et al. A dynamic timeout control algorithm in software defined networks [J]. International Journal of Future Computer and Communication， 2014， 43（4）： 331-336.
[5]
ZHANG L， LIN R， XU S， et al. AHTM： achieving efficient flow table utilization in software defined networks [C]// Proceedings of the 2014 IEEE Global Communications Conference. Piscataway， NJ： IEEE， 2014： 1897-1902.
[6]
LIANG H， HONG P， LI J， et al. Effective idle_timeout value for instant messaging in software defined network [C]// Proceedings of the 2015 IEEE International Conference on Communication Workshop. Piscataway， NJ： IEEE， 2015： 352-356.
[7]
JARSCHEL M， WAMSER F， HOHN T， et al. SDNbased application-Aware networking on the example of YouTube video [C]// Proceedings of the 2013 Second European Workshop on Software Defined Networks. Piscataway， NJ： IEEE， 2013： 87-92.
[8]
QAZI Z， LEE J， JIN T， et al. Application-Awareness in SDN [J]. ACM SIGCOMM Computer Communication Review， 2013， 43（4）： 487-488.
[9]
何中阳，杨白薇，李鸥，等.基于隐马尔可夫模型的协议识别技术[J].信息工程大学学报，2011，12（5）：596-600.（HE Z Y， YANG B W， LI O， et al. Protocol identification based on hidden Markov model [J]. Journal of Information Engineering University， 2011， 12（5）： 596-600.）
[10]
WELCH L. Hidden Markov models and the BaumWelch algorithm [J]. IEEE Information Theory Society Newsletter， 2003， 53（4）： 10-13.
[11]
BENSON T， AKELLA A， MALTZ D. Network traffic characteristics of data centers in the wild [C]// Proceedings of the 10th ACM SIGCOMM Conference on Internet Measurement. New York： ACM， 2010： 267-280.
[12]
JAMMAL M， SINGH T， SHAMI A， et al. Software defined networking： state of the art and research challenges [J]. Computer Networks， 2014， 72： 74-98.无期
[13]
KANDULA S， SENGUPTA S， GREENBERG A， et al. The nature of datacenter traffic： measurements & analysis [C]// Proceedings of the 9th ACM SIGCOMM Conference on Internet Measurement Conference. New York： ACM， 2009： 202-208.