A Survey of Machine Learning Techniques Applied to Software Defined Networking (SDN): Research Issues and Challenges

将机器学习用到SDN中的综述:研究的问题和挑战

从流量分类、路由优化、服务质量(Qos)/体验质量(QoE)预测、资源管理和安全性的角度,回顾了机器学习算法如何应用于SDN领域。

相关知识

在SDN中应用机器学习是合适的原因:

  1. 图形处理单元GPU和张量处理单元TPU等技术为机器学习提供了很好的机会;
  2. 集中式SDN控制器具有全局网络视图,能够收集各种网络数据,便于机器学习算法的应用。
  3. 基于实时和历史网络数据,机器学习技术可以通过执行数据分析,网络优化和网络服务的自动提供来为SDN控制器提供智能化。
  4. SDN可编程性使机器学习算法生成的最优网络解决方案(如配置或资源分配)能够在网络上执行。

SDN网络架构:

机器学习概述:

机器学习通常包括两个阶段:训练阶段和决策阶段。在训练阶段,采用机器学习地方法,利用训练数据集学习系统模型;在决策阶段,系统可以通过训练模型得到每一个新输入的估计输出。

机器学习算法基本上分为四类:监督学习、无监督学习、半监督学习和强化学习。

文章结构:

第一二节:相关工作。

第三节:SDN背景知识。

第四节:介绍常用的ML算法

第五节:从流量分类、路由优化、服务质量(QoS)/体验质量(QoS)预测、资源管理和安全等方面对ML算法在SDN领域的应用进行了综述,并详细说明了机器学习在每一类中的应用。

第六节:讨论未来的研究方向:高质量的训练数据集、分布式多控制器平台、提高网络安全性、跨层网络优化和增量部署SDN。

第七节:软件定义其它。

第五部分:在sdn中使用机器学习

集中式SDN控制器具有全局网络视图,使网络易于控制和管理。机器学习技术通过执行数据分析、网络优化和自动提供网络服务,为SDN控制器带来智能。换句话说,学习能力使SDN控制器能够自主学习做出最优决策以适应网络环境。

A. 流量分类

流量分类是一种重要的网络功能,通过流量分类,网络运营商可以更有效地处理不同的业务,更有效地分配网络资源。广泛使用的流量分类技术包括基于端口的方法、深度分组检查(DPI)和机器学习。DPI将流量的有效负载与预定义的模式匹配,以确定流量所属的应用程序。模式由正则表达式定义。基于DPI的分类方法通常具有较高的分类精度。但是,它也有一些不足之处。基于ml的方法能够正确地识别加密的通信量,并比基于DPI的方法产生更低的计算成本.因此,基于ML的方法得到了广泛的研究。为了便于流量分类,首先收集大量的流量流,然后应用ML技术从采集到的流量流中提取信息。在SDN中,控制器具有全局网络视图,便于流量的收集和分析。已有许多研究从不同的角度对流量进行分类,如象流感知、应用感知和QoS感知流量分类。

1)象流感知交通分类:象流感知交通分类旨在识别大象流(大流)和老鼠流(小流)。在一个数据中心中,80%的流量是鼠标流。然而,大部分字节是在大象流中携带的。为了有效地控制数据中心的流量,有必要对象流进行识别。有一篇文献研究了混合数据中心网络中的交通流调度问题。首先,机器学习技术被用来在网络边缘进行象流感知的流量分类。然后,集中式SDN控制器可以利用分类结果实现高效的交通流优化算法。

2)应用感知流量分类:应用感知流量分类旨在识别流量流的应用。

3)QoS感知流量分类:基于QoS的流量分类是为了识别业务流的QoS类别。随着Internet上应用的指数增长,识别所有的应用程序变得困难和不切实际。然而,根据应用的QoS要求(例如延迟、抖动和丢失率),可以将其划分为不同的QoS类别。

机器学习各算法的优缺点:

待续

原文地址:https://www.cnblogs.com/codingbylch/p/10047915.html

时间: 11-29

A Survey of Machine Learning Techniques Applied to Software Defined Networking (SDN): Research Issues and Challenges的相关文章

Machine Learning Techniques -1-Linear Support Vector Machine

1-Linear Support Vector Machine 我们将这种定义为margin,则之前判断最优划分的问题转化为寻找最大margain的问题. 对于待选的几个w所表示的线,问题转化成利用对应w比较相对距离的问题. 此时定义w为方向向量,b为之前的w0,即bia. 由于w就是所求点到直线的法线方向,问题转化为求投影的问题. 因为每个点对应符号yn只有在和距离表示的绝对值内部符号为+的时候才说明划分正确,所以可以乘上yn来去除abs() 这里的距离是一种容忍度,所以我们选其中最近的那个.

Machine Learning Techniques -3-Dual Support Vector Machine

For the naive thought to practise my academic English skill, the rest of my notes will be wrriten in my terrrible English.XD If you have any kind of uncomfortable feel, please close this window and refer to the original edition from Mr. Lin. I will b

Lessons learned developing a practical large scale machine learning system

原文:http://googleresearch.blogspot.jp/2010/04/lessons-learned-developing-practical.html Lessons learned developing a practical large scale machine learning system Tuesday, April 06, 2010 Posted by Simon Tong, Google Research When faced with a hard pre

A Gentle Guide to Machine Learning

A Gentle Guide to Machine Learning Machine Learning is a subfield within Artificial Intelligence that builds algorithms that allow computers to learn to perform tasks from data instead of being explicitly programmed. Got it? We can make machines lear

Awesome Machine Learning

Awesome Machine Learning  A curated list of awesome machine learning frameworks, libraries and software (by language). Inspired by awesome-php. If you want to contribute to this list (please do), send me a pull request or contact me @josephmisiti Als

Seven Steps to Success Machine Learning in Practice

Seven Steps to Success Machine Learning in Practice Project failures in IT are all too common. The risks are higher if you are adopting a new technology that is unfamiliar to your organisation. Machine learning has been around for a long time in acad

NTU-Coursera机器学习:机器学习基石 (Machine Learning Foundations)

课讲内容 这门课以8周设计,分成 4个核心问题,每个核心问题约需2周的时间来探讨.每个约2个小时的录影中,每个小时为一个主题,以会各分成4到5个小段落,每个段落里会有一个后多个随堂的练习.我们在探讨每个核心问题的第二周.依上所述,課程的規畫如下: When Can Machines Learn? [何时可以使用机器学习] 第一周:(NTU-Coursera机器学习:机器学习问题与二元分类) 第一讲:The Learning Problem [机器学习问题]第二讲:Learning to Answ

【转载】Machine Learning CMSC 422 Spring 2013

Machine LearningCMSC 422Spring 2013 Schedule: MWF 4:00pm-4:50pm Location: CSIC 2117 Instructor: Hal Daume III:  Office Hours: AVW 3227; Fri 2:45-3:45 or by appointment Piazza: UMD/cs422 TAs: Phil Dasler (office hours: Thr 2:00-3:00 in TA room)   Josh

A Gentle Introduction to the Gradient Boosting Algorithm for Machine Learning

A Gentle Introduction to the Gradient Boosting Algorithm for Machine Learning by Jason Brownlee on September 9, 2016 in XGBoost 0 0 0 0 Gradient boosting is one of the most powerful techniques for building predictive models. In this post you will dis

ON THE EVOLUTION OF MACHINE LEARNING: FROM LINEAR MODELS TO NEURAL NETWORKS

ON THE EVOLUTION OF MACHINE LEARNING: FROM LINEAR MODELS TO NEURAL NETWORKS We recently interviewed Reza Zadeh (@Reza_Zadeh). Reza is a Consulting Professor in the Institute for Computational and Mathematical Engineering at Stanford University and a