基于模糊的软件定义网络时延及路由算法的研究

沙特国王大学学报一种基于模糊的软件定义网络时延放大图片作者：李洪生a，刘晓波b，刘晓波.阿齐兹ca黄淮大学智能制造学院，河南驻马店463000b伊朗加兹温伊斯兰阿扎德大学加兹温分校计算机工程系c埃及未来大学计算机与信息技术学院数字媒体系，埃及新开罗11835阿提奇莱因福奥文章历史记录：2022年3月28日收到2022年7月9日修订2022年8月2日接受2022年8月5日在线发布保留字：软件定义网络延迟交通流模糊系统路由算法A B S T R A C T随着互联网上在线通信的发展，要求网络能够保证不同业务流的服务质量（QoS）要求软件定义网络（SDN）可以提供高质量和快速的SDN是通过将控制逻辑与数据平面分离来实现网络资源的有效管理的有前途的架构为了保证SDN中业务流的QoS要求，提出了一种基于模糊的快速高效的保证延迟吞吐量路由算法（FRLR）。FRLR开发的SDN中的动态路由问题，模糊系统的目的是有效地分配资源分配，以改善未来请求的处理。此外，FRLR基于延迟对流量流进行分类，以降低计算复杂度。此外，FRLR通过识别关键链路和选择合适的路径，可以有效地引导业务流，降低网络能耗。在不同场景下对标准拓扑结构的仿真结果证实了FRLR在保证QoS要求的前提下具有更好的性能。FRLR有效地对流量进行分类，并显著提高了网络的可扩展性和吞吐量此外，FRLR提供了优越的结果相比，一些国家的最先进的算法，如MDA，MDWCRA，FARP，ECMP，和QI-RM。实验结果表明，FRLR的工作平均比其他算法的7%和24%之间。版权所有©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY许可下的文章（http://creativecommons.org/licenses/by/4.0/）。1. 介绍存储大量数据的数据中心的发展已经导致相对高的能耗（Elbasheer等人，2021; Iqbal等人，2010年）。另一方面，对云服务不断增长的需求给数据中心带来了巨大的负载。在传统网络中，发送分组和监视数据流由一些硬件设备管理，这些硬件设备通常是昂贵的（Wang等人，2022年）。这些设备的效率非常低在不可预测的业务需求中（Yu等人，2015年）。传统网络中的路由器使用路由算法将数据包发送到下*通讯作者。电 子 邮 件 地 址 ： 20070289@huanghuai.edu.cn （ H.Li ） ， a. qiau.ac.ir（A.Osmani），amira. fue.edu.eg（A.S.A. Aziz）。沙特国王大学负责同行审查根据路由表进行跳数。这里，基于路由表的路由算法可以决定选择源和目的地之间的最短路径，具有最小的延迟和最大的吞吐量。然而，路由表会随着网络拓扑的增加而增加，这会导致路由复杂性的增加。软件定义网络（SDN）是通过将控制平面与数据平面分离来克服传统的基于因特网协议（IP）的网络的限制的有效模型（Wang等人，2022年; Yu等人，2015; Salimian等人，2021年）。SDN通过创建动态的、可扩展的和灵活的网络而导致改进的网络控制和性能（Salimian等人，2021年）。由于传统的路由设备面临许多挑战，SDN范式克服了这些挑战。SDN将控制平面分配给称为SDN控制器的外部设备（Wang等人，2022;Nasiri等人，2021年）。因此，路由器不需要执行复杂和昂贵的计算，并且控制器始终监控整个网络。在该技术中，代替具有分布式控制架构，所有控制都集中在一个节点（即，SDN控制器）。这里，控制器节点计划https://doi.org/10.1016/j.jksuci.2022.08.0051319-1578/©2022作者。由Elsevier B.V.代表沙特国王大学出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comH. Li，长穗条锈菌A.Osmani和AmiraSayed A.阿齐兹沙特国王大学学报8222通 过 OpenFlow 协 议 发 送 分 组 的 规 则 （ Nasiri 等 人 ， 2021 年 ） 。OpenFlow是用于SDN环境中的控制器和网络元件之间的安全数据交换的标准协议，并且由开放网络基金会（ONF）提供（Trik等人，2021;Trik等人，2022年）。通常，基于SDN的新网络的配置通过在控制器上设置程序来完成，并且不需要改变交换机（Salimian等人，2021年）。SDN架构如图所示。1 .一、基于流量工程的大多数研究都集中在使用预测技术将流量流引导到链路的子集，以识别和关闭不必要的网络设备（Trik等人，2021年;Wu等人， 2013年）。这些技术可以降低能耗，但通常不准确。由于每个应用程序中的流量可能不同，因此通常不可能根据预测将流量引导到链接的子集（Le和Nguyen，2012）。此外，最近的研究集中于在SDN上设计能量感知的高效路由算法（Rezaeipanah等人，2019年）。这一目的可以通过根据数据中心的流量需求在交换机和链路的子集上引导路由来实现，而其他网络设备处于睡眠模式。因此，SDN控制器具有利用全局和在线知识来适应网络拓扑变化的能力。最近，SDN已经成为网络研究界中的现代网络范例（Caria等人，2016; Nasiri等人，2022年）。SDN为服务提供商提供了对交换机激活/去激活和数据流路由的更鲁棒的控制和维护。因此，基于SDN的数据中心网络的开发日益增加（Liu等人，2022年）。SDN控制器面临的重要挑战之一是通过减少延迟为传入数据流选择适当的路径。 在这方面，所提出的大多数路由方法都集中在延迟减少上（Osmani等人，2020年）。然而，延迟只是网络效率和成本降低的一个因素Fig. 1. SDN架构。SDN上的路由效率的另一个重要因素是带宽（即，吞吐量），这是近年来研究者关注的焦点（Trik等人，2021; Etemadi等人， 2020年）。SDN中路径发现的复杂性被卸载到控制器（Lv等人，2017年;Ghobaei-Arani和Shahidinejad，2022年）。因此，减少控制器和网络元件之间的通信延迟是重要的。当控制器的负载增加时，数据包处理延迟也将大大增加。因此，这是不切实际的发现保证延迟和带宽隧道的大规模网络使用现有的路由算法。这促使我们提出了一种路由算法，保证延迟和吞吐量的QoS请求路由业务流分类。提出了一种基于模糊的快速高效的时延-吞吐量保证路由算法（FRLR），用于SDN网络中的业务流路由FRLR动态接收网络流量作为路由请求，并且不知道未来请求的细节然而，整个网络的链接的剩余带宽可在线获得收集关于当前请求的细节以及网络带宽，以在SDN控制器中执行路由。 FRLR可以暂时推迟具有高资源的请求（即，高带宽和低的最大端到端延迟）。然后通过识别关键链路选择合适的路径来引导现有的交通流。在本文中，路由是使用动态的链路权重与自适应的概率选择的路径，从关键链路的效率最低，以节省能源。此外，FRLR通过消耗链路的带宽来尽可能地保证路径延迟，从而提高网络性能。同时，该算法可以在SDN上提供路由，同时保证延迟和吞吐量。一般来说，SDN上用于数据流路由的FRLR的目的是最大限度地接受传入请求，同时保证延迟和吞吐量。本文的主要贡献如下：设计了一种基于模糊的快速高效的SDN路由算法。通过应用基于模糊的业务流分类机制来有效地分配网络资源。这是首次尝试在SDN上使用模糊系统对业务流进行分类。高资源需求的请求被暂时推迟，以处理未来的请求的模糊系统。通过尽可能多地消耗链路的带宽来保证路径延迟。本文的其余部分组织如下：第2节包含SDN控制器中的路由思想的背景。第3节专门介绍相关工作。第4节给出了FRLR作为建议路由算法的详细信息。第5节是专门的FRLR评估与广泛的实验。最后，结论和未来的工作在第6中讨论。2. 背景文献中有许多研究解决了在具有保证带宽的SDN中路由数据流的问题（Lv等人，2017年; Ghobaei-Arani和Shahidinejad，2022年）。然而，实时应用的广泛出现也导致了对延迟保证的要求。当链路的延迟可用时，基于最短路径的方法可以提供具有保证延迟和带宽的路径（Soorki和Rostami，2014）。然而，这些方法不具有平衡网络负载和处理实时需求的能力。因此，我们认为，●●●●H. Li，长穗条锈菌A.Osmani和AmiraSayed A.阿齐兹沙特国王大学学报8223ðÞðð Þ我Pu我DP我T：t-T：rT：Q：bcijIJi2Xu2SiDþu2Sl-我我 X ki zi;jSDN中的动态路由问题是加载在SDN控制器上的延迟带宽约束的路径优化问题（Caria等人， 2016年）。SDN控制器使用关于链路的剩余带宽容量的信息来向传入数据流分配路径。设G V;E;C;D;P是基于SDN的网络拓扑，其中V是节点的集合，E是链路的集合，C是链路的剩余带宽的集合，D是用于传输的传播延迟的集合。链路P和P是潜在入口-出口对的集合。同样，设jVj和jEj分别是G中的节点和链路的数量这里，vi2V是V中的第i个节点，eij2E是vi和v j在E中，cij2C是eij在C中的剩余带宽，dij2D是e ij在D中的传播延迟。此外，设P中的一个潜在的入口-出口对，其中s是指源节点，d是指目的地节点。因此，G上的设ri2R为G上第i个QoS请求的细节.我们用R表示所有请求的集合，其中 jRj 表 示 请 求 的 总 数 。 每 个 请 求 都 有 为 "s ; d“ 设 置 的 详 细 信 息[s;d;Tl;r;t;b;Qb;l]。这里，T包括与网络业务相关的数据，Q包括与QoS相关的数据。因此，T：l是最大分组长度，T：r是输入请求速率，T：t是信道的最大数据速率，T：b是突发速率，Q：b是最小所需带宽，Q：l是最大所需传播等待时间。端到端延迟包括计算数据包从源发送、通过中间交换机和目的地接收的延迟。基本上，总延迟由四个部分组成：1）协议处理延迟，2）源和目的地的传输延迟，3）传播延迟，和4）交换延迟。除传播延迟外，所有延迟都是固定的，可以根据主机配置进行计算。因此，我们认为它们是经济的，并且仅基于传播延迟来计算端到端延迟。在这里，我们使用延迟率服务器（LR服务器）模型来估计路径中的传播延迟（Stiliadis和Varma，1998）。该模型考虑了SDN的两种类型的传播延迟：数据平面延迟（LDP）和控制平面延迟（LCP）。数据平面延迟与链路上的分组传输延迟有关，并且控制平面延迟指的是流建立延迟。设X是针对ri找到的候选路径，并且设L（X）表示该路径上的传播延迟，如等式（1）所示（一）.L×LStiliadis和Varma（Stiliadis和Varma，1998）计算路径X的最大数据平面延迟LDPX，公式如下：（二）、betweenvi和控制器u，d是信号传播速度，其等于2×108ms被设置（Das和Gurusamy，2021）;l是控制器的服务率，ki是平均控制负载生成器。由vi，yi 是一个二进制变量，用于确定vi的兼容性 对于SDN，wij是eij，qij的权重 是一个二进制变量，通过eij确定控制器间Steiner树，并且T是用于将网络迁移到SDN的规划范围长度。3. 相关作品最近，基于SDN的数据中心中的能量感知路由（其由服务器之间的链 路 组 成 ） 作 为 一 个 具 有 挑 战 性 的 问 题 吸 引 了 研 究 人 员 的 注 意（Smilkov等人，2010年）。已经开发并正在进行广泛的研究以应对这一挑战（Smilkov等人，2010; Balakiruthiga等人，2020年）。如（Subbiah和Perumal，2017）所述，SDN中的交换机和链路消耗大量能源，必须进行有效监管。使用SDN技术对于降低数据中心的能耗至关重要，因为它允许基于用户需求进行资源分配。在（Wang et al.，2015），当链接不显着使用。在这种情况下，可能会消耗高能量来满足低容量数据业务的需求。另一方面，还应开发根据数据流量要求优化能耗的机制（Subbiah和Perumal，2017）。在下面的部分中，我们将讨论与SDN上的路由相关的一些研究。审查研究的总结报告见表1。在流量工程算法中，同时考虑时延和带宽的SDN路由算法很少。Wang和Crowcroft（1996）提出了一种简单的路由机制，称为最小延迟算法（MDA），它同时保证延迟和带宽因素。MDA修剪所有带宽不足的链路，以确定具有最低延迟的路径。类似地，最大延迟加权容量路由算法（MDWCRA）可以同时保证路由中的延迟和带宽（Yang等人，2001年）。MDWCRA可以通过最小化网络节点对之间的干扰来发现延迟方面的最短路径。在这里，网络中的瓶颈链路被定义为关键的，MDWCRA在路由中避免它们。MDWCRA基于与链路的临界水平相关的权重函数来查找瓶颈链路一旦估计了链路的权重，就移除带宽不足的链路。最后，MDWCRA选择具有最小用于保证延迟的路由的权重。最小权值路径搜索是通过扩展Dijkstra最短路径算法来实现的LXT：t-Q：b：T：b X. M米伊杰PL2012年路径（EDSP）（Kuipers等人，2002年）。在（Wang等人，2015），介绍了一种用于SDN设置的高效路由算法。本研究的重点是创建网络子集其中，M是最大数据包大小，mij是eij的最大数据包大小，PLij是eij的传播延迟。Das 和Gurusamy （Das 和Gurusamy ，2021 ）基于三个因素（包括控制器间网络状态同步延迟、控制器处理延迟和交换机-控制器传播延迟）制定了与控制平面相关的传播延迟。因此，控制平面中的流建立的总等待时间LCP X可以被计算为X路径的这三个因子的总和，如等式（1）所示。（三）、P. Pfu zuPzuP2我来合并流量指标。这里，网络中具有低能耗的交换机继续操作，而其他实体被关闭。此外，SDN控制器调整网络吞吐率以满足数据流需求，同时降低能耗。事实上，调度方案被转移到交换机的子集，以满足网络流量的需要，同时关闭不活动的交换机。这种方法的结果表明，交换机和链路的能源成本方面的理解。在（Wang等人，2012），提出了基于数据中心网络上的业务流的集成的路由。在这项研究中，一个小的交换机和链路的选择动态流量整合。这该过程可以关闭不活动的网络设备，LCP双金属片Pi2Xyid：Tð3Þ减少能源消耗。 在（Heller等人， 2010年），基于SDN的提出了一种允许动态调整其中S是控制器的集合，fu是控制器之间的最短距离，vi和控制器u，zu是确定映射的二进制变量交换机和活动链路。该算法在满足胖树拓扑的业务流方面取得了成功。i;jH. Li，长穗条锈菌A.Osmani和AmiraSayed A.阿齐兹沙特国王大学学报8224表1综述研究总结参考模式主要目标（Wang和Crowcroft，1996年）MDA确定最小路径延迟（Yang等人， 2001）MDWCRA最小化网络节点对之间的干扰（Wang等人， 2015年）-形成网络子集以组合流量指标（Wang等人， 2012）基于交通流整合的CARPO路由（Heller等人， 2010）ElasticTree满足胖树拓扑的业务流（Lei等人， 2021）-使用启发式算法优化路由（Al-Musawi和Al Khatib，2019年）-一种路由（Kakadia和Varma，2012年）使用QoS感知路由算法（Sehery和Clancy，2017）ECMP引入启发式技术最小化哈希冲突（Tomovic和Radusinovic，2016）FARP最大化资源利用率并确保QoS要求（Sun等人，QI-RM结合多种机器学习算法以满足QoS要求（Norouzi等人， 2018）RAEE能源效率，同时保持SDN的可靠性（Kurroliya等人， 2020）LBGA创建更多被动链接路由（Assefa和Özkasap，2020年）RESDN资源之间的时间间隔使用是量化的。修剪所有带宽不足的链路。使用EDSP选择具有最小链路权重的路径规划方案被转移到交换机的子集，以满足网络流量的需求。路由仅应用于一小部分交换机和链路。提供活动交换机和链路的动态配置。它是基于激活链路的最大带宽利用率而开发的。考虑所有网络流量以监控SDN状态。交换机在低流量负载时被动态检测。它通过在等价路径上进行流散列来实现多通道负载均衡。它使用迁移方案和控制机制来对业务流进行分类。一种具有QoS保证的路由方法被用来确定拥塞链路上的备用路由。使用接近度、介数和平方聚类系数来获得最佳路径。位于网络边缘的设备负载更多流量。根据链路的能量效率分析链路的状态该算法对密集网络不实用。瓶颈链路的识别取决于权重函数。大规模拓扑不考虑进行评估。未正确解决关闭非活动网络设备的问题。不考虑多路径路由。没有说明划分网络图的原因。路由仅基于必要的交换机和链路进行。在线操作复杂度高。它不能同时保证延迟和吞吐量。基于延迟对业务流进行分类并没有显著降低复杂性。由于结合机器学习方法的过程，复杂性很高。不考虑交通传输线整体能源消耗可能会增加。使用旧的SDN控制器，这导致遇到故障点。在（Lei等人， 2021）提出了一种用于SDN路由优化的启发式算法。该算法基于激活链路的最大带宽利用率。作者试图通过提高网络链路的利用率和减少网络设备的使用在这里，网络图被分为四组的基础上的复杂性，使固定的网络架构是可行的。在（Al-Musawi和AlKhatib，2019）中，提出了一种基于算法的SDN路由方法，具有高效和动态的资源分配。该方法考虑来自网络的所有传入和传出流量在这里，路由仅基于必要的交换机和链路来完成，并且不活动的网络元素被关闭。在（Kakadia和Varma，2012）中，提出了QoS感知路由算法以减少SDN上的能量消耗，其对特定约束不敏感在这项研究中，低流量负载的交换机动态识别，然后他们更新到睡眠模式，通过聚合流到其他交换机。在（Sehery和Clancy，2017）中，Clos拓扑中的路由是基于成本多路径（ECMP）分析的。ECMP考虑了SDN中路由的QoS、链路恢复和负载均衡要求。该算法还通过在等价路径上进行流散列来实现多通道负载均衡。然而，哈希可能在路由中不能保证QoS要求，并且可能不考虑网络状态和业务量。作者使用启发式技术来减少哈希冲突。此外，ECMP使用FlowFit作为网络状态优化方法，以有效地将数据流量分配给链路。在考虑延迟带宽约束的SDN上开发了一种快速有效的路由算法（Tomovic和Radusinovic，2016）。该算法被命名为FARP，其代表基于流的自适应主动搜索。这里的减少计算复杂度，该算法使用基于等待时间敏感性级别对业务流进行分类的控制机制。FARP的目的是最大化资源利用率和保证QoS要求。在（Sun等人，2021）提出了一种称为MACCA 2-RF RF的数据流分类方法&来解决SDN中的路由问题，该方法结合了几种机器学习算法来满足QoS要求。在这里，一个智能路由方法与QoS保证称为QI-RM是嵌入在MACCA 2-RF RF RF提出一个替代的本地路径拥塞的链路。QI-RM通过保证不同数据流的QoS要求，提供基于新链路参数的路由。在（Norouzi等人，2018）中，引入了一种用于SDN的路由算法，称为可靠性感知、节能（Reliability Aware，Energy-Efficient，RAEE）。RAEE考虑能源效率，同时保持SDN路由的可靠性。RAEE使用接近度、介数和平方聚类系数来实现SDN中最短和最少消耗的路径。在这里，最少消耗的路径被确定为基于网络带宽的最佳路径。另一方面，RAEE对结构进行建模根据复杂网络的定义。RAEE的仿真结果显示，73%，同时保持可靠性。在（Kurroliya等人， 2020），生成更多的被动链路以改善SDN中的路由。在这里，网络边缘的设备负载更多的流量，以生成更多的为此，提出了一种基于链路的遗传算法（LBGA）虽然这种策略可以在某些时间段内提供足够的能源效率，但总体能源消耗可能会增加。然而，通过创建更多被动链路来提高能源效率可能是管理延迟和带宽的有效解决方案，这应该是重点。此外，作者还强调了减少-H. Li，长穗条锈菌A.Osmani和AmiraSayed A.阿齐兹沙特国王大学学报8225BbBbXXð Þð ÞðÞðÞð Þ ðÞðÞ在交换机和控制器之间交换分组以满足控制器的负载约束的活动链路。在（Assefa和Özkasap，2020）中，提出了一种称为RESDN（SDN中节能比率）的降低能耗的路由算法。 RESDN根据资源使用之间的时间间隔来量化能源效率。RESDN根据链路的能量效率和吞吐量来分析链路的状态，因此该算法在降低能量消耗方面具有良好的效果4. 该算法本节描述用于通过SDN路由数据流的FRLR的细节。这里，基于漏桶算法（Norouzi等人，2018年）。在文献中存在使用保证带宽方法用于SDN上的路由的广泛研究（Wang和Crowcroft，1996; Yang等人，2001; Kuipers等人， 2002年）。然而，保证的延迟和带宽对于SDN中的路由都很重要另一方面，由于SDN需求的指数增长，能源消耗也在增加。因此，具有保证的延迟和带宽的SDN上的数据流的能量感知路由对于研究人员来说是一个本文提出了一种基于模糊的快速高效的SDN数据流路由算法FRLR，该算法能够保证时延-吞吐量。FRLR中的SDN控制器避免了与其他已经建立的路径的高干扰，这可以为将来的请求保留网络资源，并在链路上提供网络工作负载的公平分配一般来说，电流路径中的最小干扰需要达到其他源和目的地对之间的最小电位。另一方面，路径延迟与请求路径的每条链路所需带宽之间存在相关性，实际上，增加每条链路上所需的带宽可以导致路径延迟的减少换句话说，可以通过增加所需带宽（即，Q：B）在路径的某些链接因此，FRLR通过尽可能地避免干扰来保证路由中的延迟和带宽此外，FRLR可以通过识别关键链路来选择合适的路径来引导业务流。为了为将来的请求保留网络资源，并且还保证SDN中的业务流的QoS要求，FRLR尝试在路由中对业务流进行由于请求是动态传入的，并且未来请求的细节是不确定的，因此FRLR尝试暂时推迟具有高资源的请求（即，较高所需带宽和较低的最大端到端延迟）。为了实现这一目的，FRLR处理每个传入的请求使用一个快速，高效的模糊系统。这样做的目的是分配资源的有效分配，以改善对未来请求的处理，并降低由繁重的流量引起的计算复杂性。延迟的请求被放置在队列中，并设置为在特定时间段（例如，当网络流量较低时）进行路由。为了减少等待时间，每个推迟的请求将尝试重新在路由Q请求之后。这种机制与交通流类-可导致接受的数量增加要求节省更多的资源。FRLR中的路由过程是通过根据最大流量和最小延迟来识别关键链路来完成的。通过基于关键链路为链路分配权重，FRLR可以为未来的请求提供尽可能少干扰的路由。之后，加权最短路径（例如，X）通过将Dijk-stra算法应用于当前QoS请求来搜索。在这里，仅考虑具有足够带宽来处理当前请求的网络链路用于路由。因此，FRLR分配的路径保证了带宽。另一方面，如果作为所找到的路径的传播等待时间的L X小于最大所需传播等待时间（即，Q：1），则用X发起当前QoS请求。但是，X可能无法满足当前请求所这里，FRLR使用延迟和带宽之间的相关性来满足传播延迟。设eij2X是具有X的最大剩余带宽的链路，并且设cij是与^eij相 关 联 的 带 宽。同样，让eij2X表示具有最低剩余带宽的链路。为了应用相关关系，通过ci j/ci j-Q：b更新剩余带宽ei j。然后，对于eij，将一个单元添加到Q：b，并且eij2X不被考虑用于路由当前请求。之后，再次应用Dijkstra因此，FRLR分配的路径也保证了传播延迟。 图图2示出了用于在SDN中路由数据流的FRLR算法的 流 程图。FRLR的三个主要组成部分包括关键环节的识别，权重计算方法和模糊系统，这是解释如下。4.1. 重要联系在路由中使用关键链路可能会耗尽未来请求所需的资源。因此，识别关键链路并尽可能多地使用它们可以实现负载平衡，从而减少未来路由中的干扰。我们使用最大流量和最小妈妈延迟在所有入口出口对，以确定关键的链接。设CLF_s;d_s是关键链路的集合，以最大流表示。最大流量（或MaxFlow）是s ; d之间的最大带宽需求的概念，可以通过将流量除以所需带宽来接受（Sehery和Clancy，2017）。基本上，所有的最小割链都属于CLF的集合。换句话说，用于最大流的路由应当导致用于其他入口-出口对的最小MaxFlow的最大化。它可以使用最大流量最小切割算法（Soorki和Rostami，2014年）根据方程计算。（四）、最大化该等式可以识别传入流量的瓶颈。因此，所有识别的链接都是关键的，并被添加到CLF数据集。最多8条路径csdFs;d2P;d其中，F=s;d=s之间的最大流量;d =s和csd是指分配给s的权重; d= s。设CLL=s;d=s;d的最小延迟方面的关键链路的集合。一对s;d的最小延迟包含由两个节点之间的数据流引起的最小延迟，如等式（1）所示。（五）、最小8条路径ksdLs;d52P;d其中，L=s;d=s;d之间的最大延迟，k= sd是指分配给s;d的权重。我们使用LR服务器模型来识别延迟方面的关键链接。在这里，使用该模型计算权重，然后通过Dijkstra算法找到每对s;d之间的最短加权路径。因此，具有最小未预留带宽的路径的链路是关键的并且属于CLL数据集。之后，从路径中移除所识别的关键链路，并且重复这些步骤以识别其他关键链路。这重复，直到没有路径被Dijkstra的算法找到。H. Li，长穗条锈菌A.Osmani和AmiraSayed A.阿齐兹沙特国王大学学报8226@cij图二. 所提出的算法的流程图。4.2. 链接权重FRLR中的路由是基于加权网络的，这是一个加权和最大化问题，它证明了其发展的启发式算法。当量（7）提供启发式权重以最大化Eq. （六）、其中基于关键链路来估计链路权重。基于X0X1在这一点上，基于最短加权路径的路由可以导致最小-最小延迟和最大流量。因此，FRLR可以找到路径以尽可能少的干扰来保护资源，wijlf2P;d政府统计处@Fs;dvl@-2P;dksd@Ls;dA7未来的要求。考虑到最大流量和最小流量，其中wij是与链路eij相关联的权重。此外，@Fs;d和@Ls;dmum延迟，以最小间隔搜索最佳路径@cij@cij参考涉及同时考虑这两个因素，如方程所（6）基于最大化问题。是电流的最大流动和延迟的最小变化每单位变化cij之间分别为这里，@指的是差异。如果eij是关键链路，则差值为最大x最小fXcsdFs;dmaxvl0-XksdLs;d1ð6Þ因此，可以通过等式（1）来概括wij。（八）、2P;d@south;d2PA..其中l和v是最大流量的影响系数，wij½lXc@Fs; dvlXksd. @Ls; d.ð8ÞflfSD@cij. @cij.@cij最小的延迟。2P;d2P;dH. Li，长穗条锈菌A.Osmani和AmiraSayed A.阿齐兹沙特国王大学学报8227..d... @X×X¼.国际新闻报ð≤≥我...b-r>>：无-≤¼@cij@cij神经模糊设D1/2为特征数，C1/2为.@cij.¼0否则@cij.1类，而c2是指请求推迟类。在这1 2m-1r-xr-apx≤r82-nx-anax≤p<1/4。公司简介ð10Þ其中，@Fs;d和@Ls;d是基于CLF的集合估计的，显示了所提出的分类模型的阶段，CLL分别为100%和100%。因此，这些术语可以由等式定义（9）Eq.（十）、班级的数量拟议的模式包括三个主要阶段。第一阶段@F100; d1002个CLF员额;d@cij0否则Ls; d。1eij2CLLð9Þ致力于模糊化。这里，作为输入参数的x1和x2此外，该阶段包括确定每个特征对所有类的成员关系程度（即，C1和C2）。总的来说因此，这些项可以基于关键链路的集合来计算，如等式10所示（11）Eq.（十二）、用于模糊化。该隶属函数具有可以基于问题设置的模糊化参数（m）模糊-阶段导致产生一个成员矩阵，政府统计处2P;dXK2P;d@Fs;d@cijeij2CLFs;d：s;d2P. @Ls; d. ¼X政府统计处Kð11Þð12Þ尺寸等于C D。在第二阶段，隶属度矩阵被转换成一个列向量，它被认为是神经网络的输入。因此，神经网络中的输入节点数等于C×D。最后，分类在第三阶段应用。神经网络的输出节点数等于C，在C上，解模糊操作因此，可以使用等式（1）来计算wij。（十三）、执行了在这里，神经网络是一个硬分类器，执行最大值操作，该操作可以分配每个输入wij1/410@leij2CLFXs;d：s;d2P政府统计处阿夫勒eij2CLLXs;d：s;d2Pksd1A13模式转换为具有最高隶属度的类在模糊化阶段，fi;jxi是成员关系矩阵的元素，表示第i个特征的隶属度。由于链路的权重应该包括带宽等动态参数，因此我们将链路的权重除以cij。 这使得最大化函数的设计计算权重，因为具有较小带宽的链路被路由的机会较低。例如，当cij<$0时，则wij<$1。因此，链接eij将到j级。这里，xi表示模式的第i个X.我们用Eq. （14），其中i1; 2;···;D和j1; 2;···;C.x1/2;x2;· ··;xi;· ··;xD]T=14在加权最短路径中没有机会被选择。4.3. 模糊系统FRLR配备有模糊系统以暂时推迟具有高资源的请求（例如，高带宽和低最大端到端等待时间）。模糊系统的目的是为每个传入的请求，以决定是否请求设置或暂时推迟请求。因此，强调了二进制分类问题，其中c指的是请求设置我们使用一个p型隶属函数来建模类，这类似于高斯函数。 根据图 4号可以通过将M设置为模糊化器参数来控制该函数中的陡度。根据（Ghosh et al.，2009）; m被设置为等于2。输入特征的隶属度是基于该函数由方程计算的。（十五）、0x x bm1m>>r-am考虑，Q：b和Q：l是模糊系统中的决策参数透射电镜设x1表示Q：b，x2表示Q：l。所提出的模糊系统基于Ghosh等人提供的神经模糊分类模型（Ghosh等人， 2009年）。基本上，每个特征在区分每个类别时的重要性是不同的。因此，测量特征类成员关系可以提高分类模型的效率。图 32m-1x-rmrx≤q<1 2m-1b-xmq x bb-r我们基于训练数据集的平均值来测量r，即，R是的。这里，y-是指来自特征y的数据集的样本的平均值。此外，交点p和q是基于方程计算的。（16）Eq.（17）分别。特征类相关的数据提取可以帮助提高分类精度。在本文中，我们使用一个p型隶属函数，SDeij2CLLs;d：s;d 2PSDpx;a;r;bð15ÞFH. Li，长穗条锈菌A.Osmani和AmiraSayed A.阿齐兹沙特国王大学学报8228图三. 提出了基于模糊神经网络的分类模型。H. Li，长穗条锈菌A.Osmani和AmiraSayed A.阿齐兹沙特国王大学学报822922×5.1. 实验装置见图4。 p型隶属函数[py--½maxy-miny]ð16Þ为了评估FRLR在不同业务条件下的性能，我们考虑了带宽和最大端到端延迟的四种不同场景，如表2所示。基于每个场景的每个QoS请求可以随机选择带宽和最大端到端延迟。定义的场景应用不同的数据流条件，例如低/高带宽和低/高最大端到端延迟。另外，对3500个请求（大约100 s）执行模拟，其中分组大小等于2KB并且分组长度等于1000比特。我们考虑了四种不同的呼叫类型的流量：定向语音呼叫，双向语音呼叫，双向视频呼叫和双向视频会议会话（Soorki和Rostami，2014）。在相同的条件下，通过仿真对FRLR算法和其它比较算法的结果进行了比较. FRLR有几个必须在开始模拟之前设置的参数。 我们主要基于（Soorki和Rostami，2014; Wang和Crowcroft，1996）设置参数，并且一些参数也通过田口方法初始化（Wong等人，2015年）。通常，所提出的算法的参数设置如下：M：2KB，T：r：1，T：t：5，T：b：100，v d：lf：0：5，ksd：csd：1，q/y-1½maxy-miny]17q 200。在执行模糊化阶段的情况下，基于等式（1）计算隶属度矩阵。（十八）、该矩阵被转换为列向量，并被视为神经网络的输入。2f 1; 1 mmx 1 mmf1; 2x1· · ·f1;Cx 135.2. 网络拓扑在本文中，我们使用ANSNET拓扑结构来模拟基于SDN的路由因此，数据中心遵循此拓扑的架构来路由数据流量。ANSNET拓扑结构是数据中心最流行的拓扑结构之一，具有双向链路的网络通信。我们Fx¼6f2;Cx2f2;Cx2· · ·f2;Cx27ð18Þ设想这种拓扑基于具有三层胖树：核心、聚合和边缘（Smilkov等人，2010年）。因此，核心···D;CxDf······D;C×D · · ·· ··fD;Cx D层包括4台交换机，聚合层和边缘层包括16台主机。使用的交换机是OpenFlow，对于分类工作，我们使用前馈多层神经网络，tron，它包括三个层：输入，隐藏和输出。输入层的大小等于C D，输出层的大小等于C。 在本文中，隐藏层的数量被设置为1，隐藏层的大小被设置为8（Ghosh等人， 2009年）。所提出的模糊模型的最后阶段包括defuzzification，灰通过执行最大操作，适用于神经网络的输出。这将输入模式映射到具有最高度的类，如等式（1）所示。（十九）、Fcx≥Fjx8j21; 2;·· ·;Candj其中c是与属于输入模式的最高程度相关联的类的标签，并且Fjx是输出层中第j个5. 仿真结果本节通过SDN环境中的一些合成拓扑来我们比较FRLR与几个国家的最先进的基于SDN的路由算法，通过各种性能指标。最后，我们证明了FRLR提供的能力，以满足QoS要求，通过指导更多的数据流。我们使用MATLAB R2019 a在联想Y 540笔记本电脑（Core i7-9750 H CPU，16 GB RAM，512 GB和Windows 10）上本节的其余部分包括实验设置，网络拓扑结构，性能指标，基准算法和最后的结果分析。通常用于SDN。 根据图 ANSNET拓扑结构由18个节点和30条链路组成。在这个拓扑结构中总共有20台交换机和16台主机，最多可以传输500个流。表2不同的评估情景。场景带宽（单位）最大端到端延迟（ms）场景1{1，2，3，4，5}{50，51，52，53，54，55}场景2{1，2，3，4，5}{95，96，97，98，99，100}场景3{6，7，8，9，10}{50，51，52，53，54，55}场景4{6，7，8，9，10}{95，96，97，98，99，100}图五. ANSNET拓扑结构。4F5H. Li，长穗条锈菌A.Osmani和AmiraSayed A.阿齐兹沙特国王大学学报8230赫什 啊！Þð啊！Þð 啊！吉吉¼X每个节点可用，交换机之间的数据流速率假定为1 Mbps。ANSNET拓扑已经在许多研究中被采用来评估路由算法（Soorki和Rostami，2014; Wang和Crowcroft，1996; Yang等人，2001年）。该拓扑的所有链路都是厚型的，带宽为20个单位。在这里，4 15; 2 16; 1 17认为作为ANSNET拓扑中的潜在入口-出口对。为了更好地分析，本文将链路带宽假设为2000个单位，这样可以路由3500个以上的QoS请求。对于每个请求，随机选择潜在的入口-出口对，并且直到结束才删除所有路由的数据流（Soork