标签：交换 系统框架 积累 构建 结构 存储 行迁移 元素 计算
摘要： 面对频繁产生和变化的通信需求，可以考虑路由功能重用，通过选择合适的路由功能，在通信路径上为应用合成定制化的路由服务，满足用户差异化的需求。基于网络功能虚拟化和SDN提出了一种自适应路由服务合成机制。 机器学习起的作用：运用多层前馈神经网构建路由服务离线模式和在线模式两阶段学习模型，对路由功能选择及组合进行持续学习和优化，实现路由服务的定制化目标。
关键词：路由服务；网络功能虚拟化；软件定义网络；软件产品线；机器学习；多层前馈神经网络
需求：虽然网络环境中多样化的路由功能为定制不同属性的路由服务来满足用户差异化的需求提供了丰富的可选元素，但是这也使得如何选择合适的路由功能进行服务合成更加复杂，因此就需要优化。
解决办法：基于网络功能虚拟化NFV和软件定义网络SDN，提出了一种自适应路由服务合成机制；运用软件产品线技术构建路由服务产品线，作为路由功能选择和路由服务优化的基础；基于机器学习，运用多层前馈神经网构建路由服务离线模式和在线模式两阶段学习模型，对路由功能选择及组合进行持续学习和优化。
本文考虑结合机器学习的思想，提出两阶段学习模式：离线学习模式和在线学习模式，分别由积累的历史通信信息和持续产生的新的通信信息进行训|练和学习．离线学习模式和在线学习模式不是由两种孤立的学习方法分别完成，而是进阶关系，即：离线学习模式作为在线学习模式的基础和起点，在线学习模式作为离线学习模式的延续，进一步地实现长期且持续的优化操作．优化细粒度的功能选择及组合方式，而且其定量及定性的信息存储于多个神经元中，使其具备鲁棒性和容错性．在基于SDNFV的框架模型下，神经网络的训练和优化等计算过程主要集中于控制平面，离线学习模式的训练过程不对数据平面造成开销，并不会影响其数据通活动；在线学习模式训练只需要交换机每次服务结束后向控制平面反馈用户的服务体验信息，不会在该服务进行过程中产生额外开销，并且其上传的服务体验信息相关的数据量较小，只需使用控制平面与数据平面之间的南向连接，不会影响到数据平面东西向连接的带宽资源。
面向网络路由，本文基于SDNFV构建路由服务合成机制，通过NFV把基于软件的路由功能从底层网络基
础设施中解耦，构建基于NFV的路由服务编排中心；通过SDN把控制逻辑从数据转发中解耦，构建基于SDN的
路由服务控制中心．该机制的系统框架结构如图1所示。
路由服务匹配规则的具体示例如图2所示。
本文提出的路由服务产品线包括服务属性层、通用功能层和专用功能层，如图3所示。
本文把路由服务抽象为服务链结构，其中，构成路由服务的各路由功能作为服务链的节点，用于对分组进行
处理，并利用pull和push两个操作对分组进行迁移，直到分组被处理完毕从而被路由服务转发出去．路由服务抽
象模型如图4所示.
路由服务离线学习模式与在线学习模式的关系如图5所示。
离线模式神经网络具体结构如图6所示．
离线学习模式的目的是根据不同类型应用对路由服务通常的特性需求，由对应的神经网络运算后获得通用功能的选择及组合结果，然后以迭代的方式对神经网络的各连接权值进行训练，以减小输出结果OY和训练样例Z之间的误差。
在线模式神经网络结构如图7所示．
标签：交换 系统框架 积累 构建 结构 存储 行迁移 元素 计算
原文地址：https://www.cnblogs.com/codingbylch/p/9692859.html
