软件定义网络（SDN）环境下基于机器学习的路由预规划研究

In Software Defined Network (SDN) environment, controller has to compute and install routing strategy for each new flow, leading to a lot of computation and communication burden in both controller and data planes. In this background, intelligent routing pre-design mechanism is regarded to be an important approach for routing efficiency enhancement. This project investigates and proposes efficient SDN routing pre-design solution from three aspects: flow feature extraction, requirement prediction and route selection. Firstly, we analyze and extract data packet and association features from user history data, apply these features into semi-supervised clustering algorithm for efficient data classification, analysis and feature extraction; After that, flow service requirement could be predicted through extraction of user, flow and data plane load features and implementation of supervised classification algorithm; furthermore, we propose corresponding handling strategies related to data plane topology, flow forwarding and multi-constraint weight assignment, and proposes personalized routing selection mechanism. The research output will be implemented and evaluated in testing bed for insurance of availability, reliability and efficiency.

在软件定义网络（SDN）环境下，控制器需要为新一个新流制定并安装路由策略，这给控制平面与数据平面造成巨大的计算与通信负担，并不高效。在此背景下，智能化的路由预规划被认为是路由有效性提升的重要途径。本项目面向SDN路由预规划领域，立足于机器学习理论，从流特征提取、需求预测、路径规划三方面依次开展研究。首先，根据用户历史数据，分析数据包与数据关联特征，引入半监督式聚类算法，研究SDN流的高效归类、粒度分析与特征提取，为路由预规划提供前提；在此基础上，引入监督式分类算法，结合用户与数据平面负载特征，开展SDN流的需求预测研究，为路由预规划的策略制定提供支撑；最后，制定相应的流业务处理、数据平面拓扑裁剪、多约束因子权重分配等策略，并据此设计面向需求的个性化路径规划方法，实现最优化的路径选择。研究成果将结合理论与应用实际验证，确保可用性、可靠性与有效性。

在软件定义网络（SDN）环境下，控制器需要为新一个新流制定并安装路由策略，这给控制平面与数据平面造成巨大的计算与通信负担，并不高效。在此背景下，智能化的路由预规划被认为是路由有效性提升的重要途径。本项目面向SDN路由预规划领域，立足于机器学习理论，从流特征提取、需求预测、路径规划三方面依次开展研究。首先，根据用户历史数据，分析数据包与数据关联特征，引入半监督式聚类算法，研究SDN流的高效归类、粒度分析与特征提取，为路由预规划提供前提；在此基础上，引入监督式分类算法，结合用户与数据平面负载特征，开展SDN流的需求预测研究，为路由预规划的策略制定提供支撑；最后，制定相应的流业务处理、数据平面拓扑裁剪、多约束因子权重分配等策略，并据此设计面向需求的个性化路径规划方法，实现最优化的路径选择。研究成果将结合理论与应用实际验证，确保可用性、可靠性与有效性。