软件网络瓦西姆·塞利尔·阿图伊引用此版本：瓦西姆·塞利尔·阿图伊。软件网络中的自动配置。网络和互联网体系结构[cs.NI]。巴黎综合理工学院，2020年。英语NNT：2020IPPAS015。电话：02988169HAL Id：tel-02988169https://theses.hal.science/tel-029881692020年11月4日提交HAL是一个多学科的开放获取档案馆，用于存放和传播科学研究文件，无论它们是否已这些文件可能来自法国或国外的教学和研究机构，或来自公共或私人研究中心。L’archive ouverte pluridisciplinaireED626NNT：2020IPPAS015面向软件的自动配置网络Thehe` se de doctor at depre' pare' ea'TELECOM SudP ar isE'cole doctor alen pediced 626 Ecole Doctor ale de巴黎国际Spe'cialite'de doctor at：In forr matiqueThe`se pre′ sente′ e et souten uea`Chatillon，le 21 septembre 2020，parW ASSIM SELLIL ATOUI评审团组成：瓦利德·加卢勒Professeur，TELECOMSudP ar iss，FranceDirecteurdethe`se伊门·格里达·本·叶海亚博士D、O rangeLabs，Chatillon，法国Encadr antedethe` se菲利普·德·图尔克Prof esseur，Univ ersite'deGhent，根特，比利时帕纳约蒂斯·德梅斯蒂查Prof esseur，Univ ersite'duPire'e，Pire'e，Gre' ce Rappor teur劳拉·加卢乔Prof esseur，Uni versite´deCatane，Catane，Italie Examina tr ice诺埃尔·克雷斯皮法国巴黎南方电信公司顾问Nour Assy博士D、Uni versite'inter nationalelibanaise，Beirut，Liban Examinat rice1对我的母亲，对我的父亲，我亲爱的家人感谢他们无条件的爱和支持敬尼扎克2确认⯐首先，我想对我的两位论文指导老师表示衷心的感谢。Imen Grida BenYahia和Pr。感谢瓦利德·加卢尔给我这个攻读博士学位的机会。在奥兰治实验室和巴黎综合理工学院都有他们的指导和奉献帮助我完成了这项工作。这是一个伟大的荣誉和高兴有他们作为监督员。我要感谢博士。感谢Nour Assy在这项工作的各个方面与我合作特别感谢Panagiotis Demestichas教授和Philip De Turck教授，他们对我的手稿进行了评估和审查。我也感谢博士。Bertrand Bagleq，Orange Labs的Brains团队经理他总是在需要的时候出现。很荣幸能和他一起工作我非常感谢Orange Labs和Telecom SudParis的所有同事，他们帮助我整合并使这次经历令人难忘。也感谢我在法国和阿尔及利亚的所有朋友的支持。最后但并非最不重要的是，我非常感谢我的父亲哈迪34R'esum'eLesr'eseauxlogicielsontlepoint ntieldeporterl'infrastructurer'eseau`aunniveauplusavanc'e，unniveauquipeutrendrelaconfigurationautonome. Cettecapaci t'epeutsurmo nterlacomplext'ecroissa ntedesr'eseauxactuelsetpermettreauxenti t'esdegestiond'acti v er un compo r te me n tefficace dans le r'e seau pour une a 'elioration globale des performances sans aucune i n ter venntionhumaine.Lesparam`etresdeconfigurationpeuventetres′electionn′esautomatiquementpourlesresourcesr′eseauafindefaireface`adiversessituationsquelesr′eseauxrenco nt rent ， commeleserreursetlad′egradationdesperformances.Malheureuseme nt ， certa insd'efisdoi ve ntetrerele v'espouratteindreceni veauavan c'eder'eseaux. 实 际上，在XML、JSON和YAML的半结构化代码中，配置是一个非常重要的部分。这是一个错误，因为它是错误和挑剔的结果。此外，它不是一个简单的形式，“一部分经验和经验的最佳实践经验的做法，因为我们考虑到这些配置。 Dif ff′erentsexppeuventchoisiruneconfigurationdifff′erentepourlememeobjectifdeperformances.Cettesituationrendplusdifficilel'extraction des fonctionnali t'esdes fic hiers de configuration et l'appre n tissage des mo d ` eles promisables de g'e n'erer oude recommander automatique- me n t l a configuration.此外，它没有一个toujours的共识，对一个m o d ` ele de don n` ees de configuration com m un dans lesr `ese a u x logiciels，whi a b b` a des solutions h'e t 'ero g ` enes，tellesque：TOSCA，YANG，Hot，etc. 这是一个很难管理的问题。在这一点上，我们有n吨的贡献，这些贡献是在逻辑中自动配置的。 为了解决l'h'e t'ero g'e n' eit'e n tre les fic hiers de configuration的问题，我们提出了一个框架，该框架基于那些可以使我们的组件具有更高的f'e nts fic hiersdeconfiguration的理论。为了实现配置的自动化，我们提出了两个概念，一个概念是根据我们对配置模型的理解而建立的神经元的基础，另一个概念是根据我们对配置模型的理解而建立的一个近似的可配置模型来自动化描述的配置概念。56摘要软件网络有可能将网络管理提升到更高级的水平，即网络可以自动配置自己的水平。这种能力可以克服当前网络的快速增长的复杂性，并且允许管理实体在网络中实现有效的行为，以用于整体性能改进，具有更少的人为干预。可以为网络资源自动选择配置参数不幸的是，要达到这种先进的网络水平，还需要应对一些挑战。目前，配置仍然经常由领域专家在用XML、JSON和YAML编写的巨大的半结构化文件中手动生成。这当然是一个复杂的，容易出错的，繁琐的任务，由人类来做。此外，除了领域专家的经验和最佳实践之外，没有正式的策略来设计配置文件。不同的专家可以为相同的性能目标选择不同的配置。这种情况使得从配置文件中提取特征和学习可以自动生成和推荐配置的模型变得更加困难此外，目前软件网络中还没有统一的配置数据模型，导致了TOSCA、YANG、Hot等异构解决方案的出现，给端到端的网络管理带来了困难。在这篇论文中，我们解决了软件网络中的自动配置问题我们提出应对上述挑战的两项主要贡献。为了解决配置文件之间的异构性问题，我们提出了一个基于语义的框架，该框架可以自动映射来自异构数据模型的配置元素该框架从配置文件中提取本体，并通过使用我们提出的算法从本体中映射相似的元素来构建一个通用的配置视图关于配置生成的问题，我们提出了两个贡献，以协助服务提供商设计的配置文件，并自动生成。我们提出了一个基于深度神经网络的贡献和另一个模型驱动的贡献。深度神经网络的贡献是一种从先前创建的配置文件模型中学习的方法，该模型推荐并完成具有配置的文件模型驱动的方法帮助服务提供商设计和生成配置文件。该方法是一种可配置的模型，它将来自不同配置文件的类似组件元素合并到一个模型中。该模型从文件中捕获并学习配置变量。该模型是一个树形结构图，表示描述符中出现的组件元素以及捕获配置78目录1一、一般性介绍. 171.1研究背景：软件网络171.2研究问题：自动配置181.2.1配置数据模型之间的异构性191.2.2配置生成201.2.3配置传播201.3研究贡献201.4研究出版物1.5论文大纲242 软件网络的背景2.1一、导言. 252.2 软件定义网络（SDN）262.2.1SDN架构262.2.1.1基础设施层262.2.1.2控制层262.2.1.3应用层272.2.2SDN层之间的通信2.2.3SDN控制器抽象302.2.4SDN范式的优势2.2.5SDN问题和挑战312.3 网络功能虚拟化（NFV）322.3.1NFV架构322.3.2NFV组件之间的通信2.3.3NFV范式的好处2.3.4NFV挑战362.4 结论. 373 艺术393.1一.导言. 393.2 配置数据模型之间的异构性403.2.1多个SDN控制器架构403.2.2SDN中的语义方法3.2.3中处理信息结构之间的异构性文学433.2.3.1相似性措施103.2.3.2信息融合3.2.3.3信息聚类463.2.3.4信息分类4893.2.3.5链接预测493.2.3.6第49名3.3自动生成配置493.3.1NFV 50中的部署描述符生成3.3.2软件工程中的自动配置3.3.2.1配置预测533.3.2.2可配置系统的可解释性3.3.2.3配置优化543.3.2.4动态配置553.3.2.5配置约束挖掘553.4 结论564 处理配置数据模型之间的异构性594.1一、导言. 604.2 用例：多控制器SDN架构614.2.0.1分布式与集中式控制平面624.2.0.2扁平架构vs分层架构634.2.0.3动态架构与静态架构634.2.0.4现有SDN平台644.2.0.5平台架构644.3 基于语义的全球网络视图构建框架654.3.1示例问题陈述664.3.2集中式全球网络视图构建664.3.2.1全局本体模型694.3.2.2从控制器70提取本地本体4.3.2.3将局部本体与全局本体映射714.3.2.4与全球网络互动视图734.3.3分布式全局网络视图构建734.3.3.1映射本地本体744.4 评价764.4.1评价环境4.4.2从JSON文件中提取本体764.4.3本体映射784.4.4与全球网络的4.5 结论795用于自动配置生成的深度学习815.1一、导言. 825.2 深度学习方法的背景信息835.2.1卷积神经网络（CNN）855.2.2长短期记忆（LSTM）865.3 用例：从NFV 88中目录115.4 用于配置推荐和完成的深度学习框架............................................................... 905.4.1概览. 905.4.2准备阶段945.4.3令牌化步骤955.4.4矢量化步骤955.4.4.1基于外观的矢量化955.4.4.2令牌嵌入965.4.5培训阶段995.4.5.1VNFD的建议模型5.4.6VNFD的完成模型5.4.7执行阶段1025.5评价与结果1045.5.1数据集和实验设置1055.5.2CNN forVNFD建议1055.5.3用于VNFD完成的LSTM 1085.6 结论1106 用于生成配置1136.1导言. 1146.2 VNFD表示1156.2.1VNFD的正式定义6.3 可配置部署描述符模型1196.3.1可配置组件实例1196.3.2可配置网关1216.3.3可配置VNFD 122的正式定义6.4 学习可配置模型1236.4.1将VNFD文件转换成树状结构1236.4.2联合VNFD实例集合中的公共节点6.4.2.1节点123之间的相似性度量6.4.2.2节点聚类算法126126.4.3构建可配置VNFD模型1276.5 可配置模型的应用：配置指导模型1286.5.1配置指导模型1286.5.2动态引导模型提取1326.5.2.1步骤1：配置选择提取1326.5.2.2第二步：准则推导1336.5.2.3步骤3：树状结构提取1346.5.2.4第4步：准则依赖关系的形式化1346.6 VNFD可配置型号1356.6.1部署描述符变体生成1356.6.2采矿业1366.6.3部署描述符的统一表示6.7评价和结果1406.7.1环境设置1406.7.2可配置部署描述模型的复杂性。1406.7.3学习可配置模型1426.7.4配置指导模型1456.7.4.1配置质量指南1456.7.4.2配置指南的准确性6.8 结论1477结论149参考文献152表的列表3.1多个SDN控制器解决方案之间的比较3.2处理信息结构.......................................................................................................之间异质性的方法类别443.3信息融合方法的性能因素3.4为自动生成所做贡献的说明部署描述符513.5与软件工程...........................................................................................................4.1本体提取的执行时间4.2与RDFtriplestore 79的5.1CNN模型的参数5.2关于CNN输入大小的.............................................................................................................................VNFD文件的CNN推荐模型的评估1065.3关于过滤器.........................................................................................................的CNN数量的VNFD文件的CNN推荐模型的评估1065.4VNFD类别关于CNN输入大小107，5.5关于过滤器.........................................................................................................的CNN数量的VNFD文件的CNN推荐类别的评估1075.6LSTM模型的参数5.7使用不同输入序列长度的LSTM模型实验1095.8使用不同输出长度的LSTM模型实验1095.9使用不同输入大小的.............................................................................................................................CNN模型与LSTM相结合的实验1096.1可配置元件及其可能的配置1216.2从图6.4................................................................................................................所示的可配置部署描述符模型6.3变异系数的定义6.4两个所考虑的表示的结构复杂性度量。141141314表格列表图目录2.1典型SDN架构概述[4] 272.2OpenFlow流表字段[5] 292.3典型NFV架构概述[6] 334.1多控制器SDN架构624.2ODL控制器和ONOS控制器............................................................................... 674.3构建全球网络视图4.4为中央全局观点进行4.5全球本体论的简要介绍4.6从JSON文件提取本地本体704.7示例：围绕实体“networkElment”的两个区域的范围724.8分布式全局视图场景的中介744.9分布式和集中式场景...........................................................................................中映射算法的平均执行时间774.10 集中式场景中映射算法的平均匹配精度774.11 分布式场景中映射算法的平均匹配精度785.1基本多层人工神经网络835.2神经细胞84的激活功能5.3CNN架构的一般概述5.4输入和滤波器855.5经常性网络的结构5.6长短期存储单元结构875.7由服务提供商VNF 905.8VNFD结构的高级表示[38] 915.9VNFD中虚拟部署单元的组成[38] 925.10 NSD架构概述5.11 深度神经网络框架概述5.12 用于VNF部署描述符挖掘的基于DNN的框架5.13 使用部署描述符文件的令牌化示例5.14 VNFD令牌嵌入在3D向量空间中的投影975.15 用于学习VNFD推荐模型的..............................................................................卷积神经网络架构1005.16 使用LSTM方法完成部署描述1035.17 使用CNN方法进行部署描述推荐。1041516图目录6.1(a)在VNFD模型中使用的元件的图形表示，以及（b）在配置中可配置元件的图形表示可配置VNFD型号1166.2以图形方式表示为树状结构117的vFireWall VNFD的示例6.3vCPE VNFD的图形表示示例，如图5.7.......................................................... 所6.4一个可配置的部署描述符模型的例子，将VNFD划分为图1和图2中的VNFD。6.2和6.36.5显示节点之间不同关系级别的VNFD模型V1和其它节点1256.6从以下导出的配置指导模型的表示：图6.4中可配置部署描述符模型6.7说明6.2................................................................................................................131中配置指南之间依赖关系的Petri网示例6.8从vFirewall VNFD生成的变量VNFD示例如图6.2所6.9可配置描述符模型的摘录，其用组件实例的对应VNFD..............................138来6.10 根据不同的簇号，VDU节点............................................................................ 1426.11 每次迭代的簇内平均相似性距离，VDU节点，k=200 1436.12 根据不同关系权重的聚类内平均相似性距离1446.13 不同最小支持阈值和最小置信阈值C = 0的指南数量、每个指南和每个元素的配置数量：8...................................................................................................1456.14 针对不同支持和置信度阈值............................................................................. 生成的指南的准确性146
我的内容管理
展开
