【技术实现步骤摘要】
本专利技术涉及软件定义网络，尤其涉及用于多核sdn交换机的流量调度方法及系统。
技术介绍
1、在现代数据中心和网络基础设施中，多核sdn(软件定义网络)交换机的流量调度策略对于整个网络系统的性能和效率至关重要。这些交换机负责高效地管理和分配网络流量，确保数据包能够快速且准确地在网络中传输。然而，随着网络流量的日益增长和网络应用的多样化，传统的流量调度方法面临越来越多的挑战。
2、流量调度的主要问题包括处理延迟、负载不均和资源利用率低下。这些问题往往由于依赖于静态的、非自适应的调度策略而加剧，如基于预设规则的哈希函数分配流量，这种方法在处理突发流量或不均匀分布的流量时表现不佳。此外，固定的流水线配置限制了交换机应对多变网络需求的能力，导致在流量高峰期出现瓶颈，而在低负荷时段则造成资源浪费。
3、现有的技术(中国专利技术专利，公开号cn117793031a)在这些挑战面前显示出了明显的不足。例如，基于简单哈希函数的负载均衡无法有效预测和适应流量模式的变化，容易导致网络拥堵和服务质量下降。同时，缺乏系统性的性能监控和反馈机制，使得网络运营商难以实时调整和优化网络配置，无法充分利用多核处理能力。
技术实现思路
1、针对上述现有技术存在的诸多问题，本专利技术提供用于多核sdn交换机的流量调度方法及系统，本专利技术使用软件定义网络的中心化控制能力来动态调整流水线配置和负载均衡策略，基于实时监控的网络性能指标和预测模型的输出；关键性能指标(如处理延迟、吞吐量和数据包丢失率
2、一种用于多核sdn交换机的流量调度方法，包括以下步骤：
3、持续监控并捕获原始流量数据的数据包，利用深度学习模型实时识别和分类数据包类型，提取流特征描述数据；
4、基于流特征描述数据和历史负载数据，使用负载预测模型预测未来指定时间段内的流量模式和潜在的哈希冲突，生成预测负载数据；
5、基于预测负载数据，动态调整负载均衡策略和流水线配置，确保网络资源的优化分配，同时生成流水线配置数据；
6、根据流水线配置数据，每条流水线处理其分配到的数据包，并监控整个网络流量处理的性能，收集关键性能指标数据，所述关键性能指标数据用于优化负载预测模型和调整流水线配置，实现系统性能的持续优化。
7、优选的，所述深度学习模型通过使用历史流量数据作为训练样本来学习识别数据包中的复杂模式和特征；在训练过程中，深度学习模型通过调整内部权重和偏差以最小化预测错误，从而优化数据包的识别和分类能力；训练完成后，深度学习模型实时分析传入的数据，并对数据包类型进行分类，所述数据包类型包括：视频流、邮件及web数据。
8、优选的，根据数据包类型，提取流特征描述数据，所述流特征描述数据包括：
9、通信端点信息：源ip地址和目的ip地址、端口号；
10、通信量特征：数据包大小、数据包数量、总流量；
11、时间特征：流持续时间、到达时间间隔；
12、协议特征：使用的协议类型、协议特定字段；
13、服务类型：服务质量参数、应用层协议。
14、优选的，将流特征描述数据和历史负载数据整合为综合数据集，所述负载预测模型通过至少两层的神经网络识别和提取综合数据集中数据的特定模式和特征进行训练，完成训练后，负载预测模型用于接收新的流特征描述数据，并从流特征描述数据中辨识出流量的趋势、周期性以及潜在的异常或拥堵点，并输出预测负载数据，所述预测负载数据用于描述未来指定时间段内网络经历的流量模式和潜在的哈希冲突情况。
15、优选的，基于预测负载数据，重新分配数据流向不同的服务器或网络路径，以避免过载和减少延迟，完成负载均衡策略的动态调整；
16、基于预测负载数据，根据预测的流量模式和类型，对流水线的数量和功能进行增加或减少，完成流水线配置的动态调整。
17、优选的，所述流水线配置数据用于描述每条流水线的运行参数和预设任务，流水线配置数据包括：流水线的数量、每条流水线的功能定义、处理能力、优先级设定及其对应的网络流量类型。
18、优选的，所述关键性能指标数据用于优化负载预测模型和调整流水线配置包括：
19、基于关键性能指标数据，显示当前负载预测模型对流量分布和行为的预测准确度，通过将实际表现与预测负载数据对比，进行模型的参数或训练数据调整，以更准确地反映网络实际运行情况；
20、当关键性能指标数据显示某些流水线在高峰时段出现过载，则增加处理该类流量的流水线数量或调整现有流水线的处理能力；当某些流水线的利用率持续低下，则需要减少这些流水线或将资源重新分配到更需要的地方；并且基于所述关键性能指标数据指导流水线的优先级设置，确保关键应用得到优先处理；
21、所述关键性能指标数据包括：处理延迟、吞吐量、数据包丢失率。
22、一种用于多核sdn交换机的流量调度系统，包括：
23、数据包监控模块，配置为持续监控并捕获原始流量数据的数据包；
24、数据分类模块，包含深度学习模型，配置为实时识别和分类数据包中的数据包类型，并提取流特征描述数据；
25、负载预测模块，利用所提取的流特征描述数据和历史负载数据，通过负载预测模型预测未来指定时间段内的流量模式和潜在的哈希冲突，并生成预测负载数据；
26、负载均衡调整模块，根据预测负载数据动态调整负载均衡策略和流水线配置，以确保网络资源的优化分配，并生成流水线配置数据；
27、流水线处理模块，包括至少两条流水线，每条流水线根据流水线配置数据处理其分配到的数据包，并监控整个网络流量处理的性能；
28、性能监控模块，配置为收集关键性能指标数据，所述关键性能指标数据用于优化负载预测模型和调整流水线配置，以实现系统性能的持续优化。
29、相比于现有技术，本专利技术的优点及有益效果在于：
30、本专利技术用深度学习模型实时识别和分类数据包类型，提高了数据处理的动态性和精确性，允许系统更有效地响应各种流量需求；
31、本专利技术通过机器学习模型预测未来流量模式和潜在的哈希冲突，动态调整负载均衡策略和流水线配置，确保了网络资源的优化分配；
32、本专利技术还集成了综合性能监控与反馈机制，不仅提高了网络的自适应能力，还通过持续的数据分析和模型调整，实现了系统性能的持续优化；
33、本专利技术显著提升了多核sdn交换机在高负载环境下的性能和稳定性，满足了现代网络对高效流量管理的严苛要求。
本文档来自技高网...【技术保护点】
1.一种用于多核SDN交换机的流量调度方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用于多核SDN交换机的流量调度方法，其特征在于，所述深度学习模型通过使用历史流量数据作为训练样本来学习识别数据包中的复杂模式和特征；在训练过程中，深度学习模型通过调整内部权重和偏差以最小化预测错误，从而优化数据包的识别和分类能力；训练完成后，深度学习模型实时分析传入的数据，并对数据包类型进行分类，所述数据包类型包括：视频流、邮件及Web数据。
3.根据权利要求1所述的用于多核SDN交换机的流量调度方法，其特征在于，根据数据包类型，提取流特征描述数据，所述流特征描述数据包括：
4.根据权利要求1所述的用于多核SDN交换机的流量调度方法，其特征在于，将流特征描述数据和历史负载数据整合为综合数据集，所述负载预测模型通过至少两层的神经网络识别和提取综合数据集中数据的特定模式和特征进行训练，完成训练后，负载预测模型用于接收新的流特征描述数据，并从流特征描述数据中辨识出流量的趋势、周期性以及潜在的异常或拥堵点，并输出预测负载数据，所述预测负载数据用于描述未来指定
5.根据权利要求1所述的用于多核SDN交换机的流量调度方法，其特征在于，基于预测负载数据，重新分配数据流向不同的服务器或网络路径，以避免过载和减少延迟，完成负载均衡策略的动态调整；
6.根据权利要求1所述的用于多核SDN交换机的流量调度方法，其特征在于，所述流水线配置数据用于描述每条流水线的运行参数和预设任务，流水线配置数据包括：流水线的数量、每条流水线的功能定义、处理能力、优先级设定及其对应的网络流量类型。
7.根据权利要求1所述的用于多核SDN交换机的流量调度方法，其特征在于，所述关键性能指标数据用于优化负载预测模型和调整流水线配置包括：
8.一种用于多核SDN交换机的流量调度系统，其特征在于，包括：
...【技术特征摘要】
1.一种用于多核sdn交换机的流量调度方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用于多核sdn交换机的流量调度方法，其特征在于，所述深度学习模型通过使用历史流量数据作为训练样本来学习识别数据包中的复杂模式和特征；在训练过程中，深度学习模型通过调整内部权重和偏差以最小化预测错误，从而优化数据包的识别和分类能力；训练完成后，深度学习模型实时分析传入的数据，并对数据包类型进行分类，所述数据包类型包括：视频流、邮件及web数据。
3.根据权利要求1所述的用于多核sdn交换机的流量调度方法，其特征在于，根据数据包类型，提取流特征描述数据，所述流特征描述数据包括：
4.根据权利要求1所述的用于多核sdn交换机的流量调度方法，其特征在于，将流特征描述数据和历史负载数据整合为综合数据集，所述负载预测模型通过至少两层的神经网络识别和提取综合数据集中数据的特定模式和特征进行训练，完成训练后，负载预测模型用于接...
【专利技术属性】
技术研发人员：钱建波，贾建强，李冬冬，汪全富，朱延技，樊荣华，吕吉林，
申请(专利权)人：江苏电子信息职业学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。