[发明专利]基于预测的SDN负载均衡双重权重交换机迁移方法及系统

权利要求书

1.一种基于预测的SDN负载均衡双重权重交换机迁移方法，其特征在于：依次包括以下步骤：

步骤(1)、SDN网络G中有控制器集合C＝{C₁，C₂，…，C_N}和交换机集合S＝{S₁，S₂，…，S_K}，N为控制器数量，K为交换机数量；

在各控制器上运行流量收集组件，通过流量收集组件实时监控控制器负载信息，此处负载信息是指所有交换机发送Packet_IN消息到达控制器的到达率，记为流量收集矩阵TCM；

假设表示主控制器C_i管理的交换机集合，则目

假设W表示滑动窗口的大小，则流量收集矩阵TCM为M*W；

如果则X_mw＝0；i＝1，2，...，N；w＝1，2，...，W；M表示控制器所管理的交换机的最大数量；

步骤(2)、在各控制器上运行流量预测组件，流量预测组件通过上述所得负载信息来预测未来的负载数据；

步骤(3)、负载通知组件根据上述预测的负载数据，基于负载通知法进行周期性的负载通知，减少因负载通知导致的资源消耗；

步骤(4)、平衡决策组件接收负载预测组件所得预测负载数据，然后使用相应策略确定控制器是否过载，并根据双重权重的交换机迁移法选择出需要迁移的交换机或者交换机组进行迁移，同时需要选择出合理的目标控制器来接受迁移的交换机；

步骤(5)、交换机迁移组件使用互斥操作来解决当多个交换机选择同一个目标控制器而发生冲突问题。

2.根据权利要求1所述的基于预测的SDN负载均衡双重权重交换机迁移方法，其特征在于：所述步骤(2)中流量预测组件基于神经网络来预测负载数据，具体方法如下：

步骤(2.1)、在流量预测矩阵TCM′中，M表示控制器管理的交换机的最大数量，W表示滑动窗口的大小；X_ij表示控制器域中的第i个交换机在[j，j+Δt]时间内的流量，即交换机发送Packet_IN消息到达控制器的数量；

步骤(2.2)、使用LSTM-RNN模型的流量矩阵TM预测包括两个阶段：训练和预测阶段，在训练阶段，通过在输入层训练数据并动态调整神经网络的参数，并实现输入集的预期输入值，并监督神经网络从数据中学习；

步骤(2.3)、设置学习窗口大小为W；

在训练阶段，递归神经网络采用W向量(X_t-W X_t-W+1，…，X_t-1)作为W时间步长的输入，并使用标签X_t来计算损失，然后使用时间反向传播法BPTT来更新模型权重；X_t-W表示交换机在t时间的流量；

在预测阶段，为估计时刻t+1的流量矩阵TM，向RNN模型输入W向量(X_t-W+1，X_t-W+2，...，X_t)，并将X_t+1作为最后一个时间的输出。

3.根据权利要求1所述的基于预测的SDN负载均衡双重权重交换机迁移方法，其特征在于：所述步骤(3)中负载通知法周期性通知预测负载数据的具体内容为：

基于流量预测组件所得预测负载数据，设置负载通知区间section＝(Maximum-current)*θ，

其中，Maximum表示控制器处理能力的最大值，current表示控制器的当前负载，θ为负载通知区间系数；

当预测值在区间[current-section，current+section]则不进行负载通知，否则触发负载通知。