高可靠性軟件定義航空光信息網(wǎng)絡(luò)的控制器分布優(yōu)化策略

趙　靜, 趙尚弘, 趙衛(wèi)虎, 李勇軍

(1. 空軍工程大學(xué)信息與導(dǎo)航學(xué)院, 陜西 西安 710077; 2. 國(guó)防科技大學(xué)信息通信學(xué)院, 陜西 西安 710106)

0　引　言

航空網(wǎng)絡(luò)是以空中高速飛行的飛機(jī)為空中無(wú)線通信的主要節(jié)點(diǎn),以節(jié)點(diǎn)間無(wú)線通信連接為鏈路組成的網(wǎng)絡(luò),具有覆蓋廣、高動(dòng)態(tài)、接入量大、任務(wù)多樣化等特點(diǎn)[1-2]。當(dāng)前基于機(jī)間寬帶射頻數(shù)據(jù)鏈構(gòu)建的航空骨干網(wǎng)存在帶寬資源受限、強(qiáng)電磁干擾環(huán)境下通信能力弱等問題,而激光通信鏈路具有低截獲、高速率、抗干擾等特點(diǎn),是構(gòu)建航空骨干網(wǎng)絡(luò)的理想方案。作為未來(lái)航空網(wǎng)絡(luò)的發(fā)展方向,基于激光鏈路的航空骨干網(wǎng)能夠連接衛(wèi)星網(wǎng)絡(luò)實(shí)現(xiàn)大范圍空域的綜合業(yè)務(wù)傳輸,并通過無(wú)線射頻鏈路與各類戰(zhàn)術(shù)子網(wǎng)形成互聯(lián)互通的通信網(wǎng)絡(luò)。然而,利用現(xiàn)有的網(wǎng)絡(luò)技術(shù)來(lái)構(gòu)建未來(lái)航空網(wǎng)絡(luò)存在著許多矛盾與挑戰(zhàn),其中最突出的是通用互聯(lián)網(wǎng)協(xié)議(Internet protocol,IP)網(wǎng)絡(luò)與上層應(yīng)用多樣化特征和需求之間的矛盾[3-4]。

軟件定義網(wǎng)絡(luò)(software defined network,SDN)的出現(xiàn)為解決上述問題提供了契機(jī)。SDN將控制平面從傳統(tǒng)的路由交換設(shè)備中解耦出來(lái),使未來(lái)網(wǎng)絡(luò)中的基礎(chǔ)交換設(shè)備只具有轉(zhuǎn)發(fā)功能,轉(zhuǎn)發(fā)平面具有協(xié)議無(wú)關(guān)性、集中化和可編程性。由控制器組成的邏輯上集中控制平面能夠檢測(cè)和采集鏈路狀況和組網(wǎng)信息,具有根據(jù)用戶需求,對(duì)網(wǎng)絡(luò)資源進(jìn)行調(diào)配的能力,同時(shí)具有策略制定和流表項(xiàng)下發(fā)功能[5-7]。集中式控制器平面可擴(kuò)展性較差,易引起連接中斷,嚴(yán)重影響網(wǎng)絡(luò)可靠性,在大規(guī)模網(wǎng)絡(luò)中其性能急劇下降。因此,采用邏輯上集中、物理上分布的控制器部署方式成為未來(lái)軟件定義航空網(wǎng)絡(luò)的重要解決方法?？刂破鞑渴饐栴}需要考慮兩個(gè)主要問題,即在網(wǎng)絡(luò)中部署控制器的數(shù)量及部署位置[8-10]。

目前國(guó)內(nèi)外關(guān)于控制器部署主要是圍繞時(shí)延、可靠性、流量處理開銷等優(yōu)化指標(biāo)來(lái)確定的。文獻(xiàn)[11]主要解決在給定網(wǎng)絡(luò)拓?fù)湎?需要多少個(gè)控制器以及怎樣部署這些控制器這兩個(gè)問題,通過定義控制器與交換機(jī)之間平均/最大傳播時(shí)延兩個(gè)指標(biāo)來(lái)分析控制器部署問題。文獻(xiàn)[12]以平均時(shí)延最短和控制器數(shù)量較少為優(yōu)化目標(biāo),采用基于二值粒子群優(yōu)化算法的方法獲得控制器部署問題的非劣最優(yōu)解集合。文獻(xiàn)[13]定義控制路徑失效百分比的期望值作為可靠性指標(biāo),應(yīng)用l-w-greedy算法和模擬退火算法解決了SDN中可靠性感知的控制器部署問題。

基于軟件定義網(wǎng)絡(luò)思想,提出了以激光通信鏈路為骨干互連，以節(jié)點(diǎn)間無(wú)線通信連接為鏈路組成的軟件定義航空光信息網(wǎng)絡(luò)的網(wǎng)絡(luò)架構(gòu)，分析了軟件定義航空光信息網(wǎng)絡(luò)中控制器部署問題的特點(diǎn),針對(duì)航空光信息網(wǎng)絡(luò)中的控制器部署問題進(jìn)行研究,建立了基于網(wǎng)絡(luò)可靠性的整數(shù)規(guī)劃模型,提出融合人工免疫策略、小生境思想和改進(jìn)遺傳算法的混合優(yōu)化算法,以實(shí)現(xiàn)對(duì)基于可靠性模型的優(yōu)化。最后,以包含34個(gè)航空節(jié)點(diǎn)的航空網(wǎng)絡(luò)為仿真場(chǎng)景,考慮了網(wǎng)絡(luò)中斷概率和控制器數(shù)量?jī)蓚€(gè)瓶頸指標(biāo),采用仿真對(duì)比實(shí)驗(yàn),驗(yàn)證了本文算法在收斂速度、部署結(jié)果方面的性能。

1　軟件定義航空光信息網(wǎng)絡(luò)控制器部署特點(diǎn)

軟件定義航空光信息網(wǎng)絡(luò)根據(jù)未來(lái)航空信息網(wǎng)絡(luò)的應(yīng)用需求,基于軟件定義網(wǎng)絡(luò)的先進(jìn)思想設(shè)計(jì)的具有開放可擴(kuò)展、信息資源高效靈活調(diào)度、面向航空服務(wù)的新一代航空信息網(wǎng)絡(luò),能夠?yàn)槲磥?lái)航空通信系統(tǒng)提供差異化服務(wù)。其主要特點(diǎn)是通過構(gòu)建具有不同QoS等級(jí)的虛擬網(wǎng)絡(luò),使得不同等級(jí)的航空應(yīng)用可以根據(jù)特定的業(yè)務(wù)和應(yīng)用需求選擇合適的服務(wù)等級(jí),從而實(shí)現(xiàn)全網(wǎng)差異化服務(wù),構(gòu)建靈活高效的新型信息傳輸模式,極大提高網(wǎng)絡(luò)通信效能。本文提出了基于SDN技術(shù)的航空光信息網(wǎng)絡(luò)概念,軟件定義航空光信息網(wǎng)絡(luò)的網(wǎng)絡(luò)架構(gòu)如圖1所示。

圖1　軟件定義航空光信息網(wǎng)絡(luò)系統(tǒng)示例

由圖1可知,軟件定義航空光信息網(wǎng)絡(luò)主要由3部分組成:①移動(dòng)子節(jié)點(diǎn),主要包括空中接入節(jié)點(diǎn)、地面移動(dòng)節(jié)點(diǎn)等。可通過短波、超短波、無(wú)線激光通信等無(wú)線通信鏈路實(shí)現(xiàn)多種狀態(tài)數(shù)據(jù)的收集和傳輸。②航空骨干節(jié)點(diǎn),主要包括飛行位置和特性相對(duì)穩(wěn)定的大型飛機(jī)平臺(tái),通過激光鏈路構(gòu)建骨干鏈路,作為數(shù)據(jù)接收器接收并傳輸來(lái)自移動(dòng)節(jié)點(diǎn)的狀態(tài)數(shù)據(jù)。航空骨干節(jié)點(diǎn)同時(shí)可作為網(wǎng)絡(luò)控制器實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)的管理與控制。③帶內(nèi)、帶外控制信道,能夠在移動(dòng)節(jié)點(diǎn)及控制器之間實(shí)現(xiàn)控制信息的傳輸與交換。

特別地,軟件定義航空信息網(wǎng)絡(luò)控制器部署問題具有以下特點(diǎn):

(1) 節(jié)點(diǎn)移動(dòng)性。航空網(wǎng)絡(luò)中,節(jié)點(diǎn)間相對(duì)運(yùn)動(dòng)速率大,網(wǎng)絡(luò)拓?fù)淇焖賱?dòng)態(tài)變化,同時(shí)由于機(jī)間激光束對(duì)準(zhǔn)難度大[14],導(dǎo)致傳輸節(jié)點(diǎn)與控制器的連接中斷,進(jìn)而造成傳輸節(jié)點(diǎn)的不可用,帶來(lái)航空網(wǎng)絡(luò)連通性問題。

(2) 節(jié)點(diǎn)傳輸終端故障。受器件性能、傳輸環(huán)境等影響,航空節(jié)點(diǎn)上通信終端會(huì)發(fā)生故障導(dǎo)致該天線資源在某段時(shí)間內(nèi)失效,則在該段時(shí)間內(nèi)與該控制器相連的傳輸節(jié)點(diǎn)需要進(jìn)行重新安排,這對(duì)網(wǎng)絡(luò)連通性和故障恢復(fù)能力帶來(lái)極大挑戰(zhàn)。

(3) 鏈路傳輸不穩(wěn)定性。航空網(wǎng)絡(luò)中激光鏈路受大氣信道影響嚴(yán)重,大氣吸收、散射及光強(qiáng)閃爍效應(yīng)會(huì)造成激光大氣衰減效應(yīng)。微波射頻鏈路容易受到大氣中雨、雪、霧等自然狀況、路徑衰落、多徑效應(yīng)或無(wú)線干擾等影響。因此航空鏈路容易出現(xiàn)頻繁的鏈路中斷和重建,具有高誤碼率、大鏈路時(shí)延等特點(diǎn)[15],這給航空網(wǎng)絡(luò)的連通性、可用性帶來(lái)問題。

(4) 三維、大尺度的節(jié)點(diǎn)分布特性。航空通信網(wǎng)絡(luò)中,不同飛機(jī)節(jié)點(diǎn)的飛行高度存在差異性,飛機(jī)節(jié)點(diǎn)稀疏分布在大尺度三維空域場(chǎng)景中,導(dǎo)致節(jié)點(diǎn)間鏈路傳輸時(shí)延差異較大。

根據(jù)以上分析可知，由于軟件定義航空光信息網(wǎng)絡(luò)中節(jié)點(diǎn)運(yùn)動(dòng)及鏈路傳輸?shù)奶攸c(diǎn),網(wǎng)絡(luò)中控制器故障、轉(zhuǎn)發(fā)節(jié)點(diǎn)及轉(zhuǎn)發(fā)鏈路故障是影響網(wǎng)絡(luò)性能的重要因素。

2　控制器部署模型

控制器部署是非確定性多項(xiàng)式難(non-deterministic polynomial hard, NP-hard)問題。由上述對(duì)軟件定義航空信息網(wǎng)絡(luò)的控制器部署問題特點(diǎn)分析可知,控制器故障、轉(zhuǎn)發(fā)節(jié)點(diǎn)及轉(zhuǎn)發(fā)鏈路故障是影響軟件定義航空信息網(wǎng)絡(luò)中控制器部署問題的關(guān)鍵,因此可以將該問題看作一類基于網(wǎng)絡(luò)可靠性的整數(shù)規(guī)劃模型?？紤]網(wǎng)絡(luò)元素的中斷概率,對(duì)軟件定義航空信息網(wǎng)絡(luò)中控制器分布問題的約束條件作以下描述:

(1) 假設(shè)G(V,E)表示網(wǎng)絡(luò)拓?fù)?V代表拓?fù)渲芯W(wǎng)絡(luò)節(jié)點(diǎn)集合,E?V×V代表網(wǎng)絡(luò)節(jié)點(diǎn)之間鏈路的集合,鏈路權(quán)重代表傳輸時(shí)延,設(shè)n為網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù),有n=|V|。

(2) 假設(shè)網(wǎng)絡(luò)節(jié)點(diǎn)及鏈路之間都是獨(dú)立的。對(duì)每一個(gè)物理網(wǎng)絡(luò)元素l∈V∪E,定義pl為元素l的中斷概率,0

(3) 給定兩個(gè)節(jié)點(diǎn)s及t,設(shè)pathst為從s到t之間的最短路徑,假設(shè)網(wǎng)絡(luò)節(jié)點(diǎn)與控制器之間的控制路徑取最短。

(4) 定義Vc?V為控制器可選位置集合。設(shè)M?Vc代表即將分布在網(wǎng)絡(luò)中的控制器集合,|M|=k為所需部署的控制器個(gè)數(shù)。

(5) 交換機(jī)與控制器可重復(fù)使用同一網(wǎng)絡(luò)節(jié)點(diǎn),此種情況下,認(rèn)為二者之間路徑的中斷概率為0;

(6) 設(shè)i∈V,j∈Vc,yj=1代表控制器布置在位置j,否則為0。

(7)xij=1代表yj=1且交換節(jié)點(diǎn)i分配給了控制器j,或yi=yj=1且控制器i,j之間有鄰接路徑,否則為0。設(shè)hijl=1代表i與j之間控制路徑經(jīng)過l,否則為0。

優(yōu)化目標(biāo)函數(shù)是軟件定義航空信息網(wǎng)絡(luò)的全網(wǎng)中斷概率?？煽啃詢?yōu)化問題模型為

(1)

(2)

(3)

(4)

yi,xij,hijl∈{0,1};?i∈V,j∈V,l∈V∪E

(5)

3　控制器部署混合優(yōu)化算法設(shè)計(jì)

3.1　混合優(yōu)化算法流程

融合人工免疫策略、小生境思想和改進(jìn)遺傳算法的混合優(yōu)化算法總流程如圖2所示。算法主要由5大函數(shù)模塊組成,分別為:主函數(shù)模塊、適應(yīng)度值計(jì)算模塊、小生境淘汰模塊、精英保留的自適應(yīng)遺傳算法模塊和人工免疫模塊。

圖2　混合優(yōu)化算法流程

由圖2可知，主函數(shù)模塊主要負(fù)責(zé)對(duì)算法的各類參數(shù)進(jìn)行設(shè)置和對(duì)遺傳過程的控制,最后生成控制器部署序列和目標(biāo)適應(yīng)度值。設(shè)置的參數(shù)包括初始化種群規(guī)模及最大遺傳代數(shù)、自適應(yīng)交叉和變異參數(shù)、及小生境相關(guān)參數(shù)和免疫記憶庫(kù)的容量等參數(shù)。

3.2　基于精英保留的自適應(yīng)遺傳算法模塊

3.2.1問題編碼

遺傳算法是針對(duì)離散問題提出的進(jìn)化算法,其思想來(lái)源于“物競(jìng)天擇、適者生存”的自然法則,具有很強(qiáng)的全局搜索能力。算法中每個(gè)個(gè)體代表問題的一個(gè)解,稱為染色體,解的好壞用適應(yīng)度值來(lái)評(píng)價(jià)。控制器部署問題的每個(gè)可行解即為一個(gè)控制器分配方案,每個(gè)分配方案Xi有n個(gè)決策變量,即染色體的n個(gè)基因,代表n個(gè)交換節(jié)點(diǎn)。每個(gè)編碼基因Xi=[xi1,xi2,…,xin]代表一種控制器部署方案,xin表示在第i個(gè)分配方案中第n個(gè)交換節(jié)點(diǎn)所選擇的控制器。

3.2.2自適應(yīng)交叉、變異算子

本文設(shè)計(jì)混合的自適應(yīng)交叉、變異算子,令Pc和Pm分別為交叉和變異概率。當(dāng)種群陷入局部最優(yōu)時(shí),采用小生境淘汰后,新個(gè)體可能圍繞小生境周邊,種群多樣性較差。因此,此時(shí)選擇較大的Pc和Pm可增加新個(gè)體的產(chǎn)生,利于跳出局部最優(yōu)。在算法初始階段或種群適應(yīng)度值較分散時(shí),選擇較小的Pc和Pm利于保留精英個(gè)體,可加快算法的收斂;因此,采用式(6)和式(7)具體計(jì)算自適應(yīng)交叉概率和變異概率。

(7)

式中,參數(shù)k1、k2、k3、k4為交叉、變異參數(shù),是0到1之間的變量,其大小在搜索過程中將根據(jù)人工免疫模塊中“疫苗接種”的情況進(jìn)行調(diào)整,具體調(diào)整方法如式(10)所示。favg為種群的平均適應(yīng)度值,fmin為種群的最小適應(yīng)度值,fc為交叉?zhèn)€體平均適應(yīng)度值,fm為要變異個(gè)體的適應(yīng)度值。

3.2.3精英保留策略

傳統(tǒng)遺傳算法中個(gè)體被選擇的概率與個(gè)體適應(yīng)度值呈正比,通常需要對(duì)目標(biāo)值進(jìn)行調(diào)整后作為適應(yīng)度值,而調(diào)整不當(dāng)將影響算法的性能。為克服此不足,采用精英保留策略的遺傳算法,將每代最優(yōu)秀的部分個(gè)體直接遺傳到下代。因此適應(yīng)度函數(shù)只需反映個(gè)體的優(yōu)劣,直接采用目標(biāo)值即可。由于個(gè)體適應(yīng)度值的計(jì)算量較大,因此需充分利用已完成計(jì)算的個(gè)體;并且采用小生境淘汰可能降低算法的收斂速度。選擇時(shí)將父代個(gè)體與子代個(gè)體合并為大種群,將其最優(yōu)的一半種群個(gè)體直接保留到下代,參與下代競(jìng)爭(zhēng),并將這部分精英個(gè)體作為父代以產(chǎn)生新個(gè)體。因此,直接保留的精英個(gè)體適應(yīng)度值不需再計(jì)算,從而節(jié)省了計(jì)算資源,加快了收斂速度。

3.3　小生境思想

為避免種群聚集在局部最優(yōu)值附近,以保持種群多樣性,提高算法搜索效率和全局優(yōu)化能力,算法引入小生境思想,采用動(dòng)態(tài)變化的小生境距離參數(shù),對(duì)搜索到最優(yōu)值附近的次優(yōu)個(gè)體進(jìn)行懲罰,從而減小聚集在局部最優(yōu)值附近個(gè)體被選擇到下一代的概率。

定義1設(shè)個(gè)體Xi與種群中所有個(gè)體的最小歐氏距離為其與種群的差異Di,即

i=1,2,…,Nscale

(8)

式中,變量Nscale為種群規(guī)模。

定義2設(shè)Nniche個(gè)最優(yōu)個(gè)體與種群中平均差異為種群的小生境距離L,當(dāng)平均差異小于1時(shí),取小生境距離L=1,即

(9)

3.4　人工免疫模塊

(1) 疫苗接種

傳統(tǒng)遺傳算法在收斂到局部最優(yōu)值的搜索后期,會(huì)頻繁產(chǎn)生曾經(jīng)搜索過的個(gè)體,不但浪費(fèi)計(jì)算資源,耽誤計(jì)算時(shí)間,還將造成算法尋優(yōu)能力的下降。針對(duì)此問題,本文借鑒人工免疫算法思想,將歷史搜索過的較優(yōu)個(gè)體記憶成“抗體”,產(chǎn)生的新個(gè)體視作“嫌疑抗原”,經(jīng)過新個(gè)體與系統(tǒng)接種的“疫苗”比對(duì),消除其嫌疑或?qū)⑵涠ㄐ詾椤翱乖?則分別采取“釋放”或“吞噬”操作。當(dāng)進(jìn)行“吞噬”操作后,采用“免疫克隆”方法重新產(chǎn)生新個(gè)體來(lái)替代這個(gè)個(gè)體。在產(chǎn)生新個(gè)體時(shí),采用式(6)和式(7)計(jì)算自適應(yīng)交叉、變異概率。

在搜索過程中一旦出現(xiàn)重復(fù)個(gè)體,則將當(dāng)前種群放入“免疫記憶庫(kù)”，隨著搜索的進(jìn)行,用搜索到的較優(yōu)個(gè)體更新“記憶庫(kù)”中最差的個(gè)體。在“疫苗接種”過程中,需要將新個(gè)體與“抗體”對(duì)比,若直接逐個(gè)比較,計(jì)算量大。因此,將記憶庫(kù)中的個(gè)體(免疫知識(shí))進(jìn)行整理,建立記憶庫(kù)個(gè)體基因的索引;當(dāng)新個(gè)體與之比較時(shí),可采用“二分法”檢索,則計(jì)算量將成指數(shù)級(jí)減少。

(2) 自適應(yīng)參數(shù)調(diào)整

在“疫苗接種”過程中,根據(jù)本代種群個(gè)體的重復(fù)率,調(diào)整自適應(yīng)遺傳算法中的交叉、變異參數(shù)。當(dāng)重復(fù)個(gè)體較多時(shí),放大交叉、變異參數(shù)以增加種群的多樣性,減少重復(fù)個(gè)體的出現(xiàn),交叉、變異參數(shù)更新公式為

(10)

式中,變量β為放大因子,取值范圍為1到2之間(通常取1至1.1之間小數(shù)),β越大，變異參數(shù)放大得越快,在仿真分析中一般根據(jù)經(jīng)驗(yàn)給定變量β取值。

4　仿真及結(jié)果分析

為了驗(yàn)證算法的有效性,采用34個(gè)節(jié)點(diǎn)的航空網(wǎng)絡(luò)拓?fù)?對(duì)于每個(gè)節(jié)點(diǎn)標(biāo)號(hào),假設(shè)每個(gè)節(jié)點(diǎn)均可放置交換機(jī),控制器部署在交換機(jī)的位置上。在航空網(wǎng)絡(luò)拓?fù)渲?采用時(shí)延作為鏈路的權(quán)重,鏈路權(quán)重為[1,10]的均勻隨機(jī)數(shù);為了保證網(wǎng)絡(luò)連通性,采用網(wǎng)絡(luò)組件故障率較小的網(wǎng)絡(luò)場(chǎng)景,設(shè)單個(gè)節(jié)點(diǎn)和鏈路的中斷概率為區(qū)間[0,0.02]和[0,0.04]的隨機(jī)數(shù)[16-17]。實(shí)驗(yàn)仿真分別采用標(biāo)準(zhǔn)的遺傳算法和本文提出的混合優(yōu)化算法對(duì)問題進(jìn)行尋優(yōu),對(duì)比分析兩算法的搜索過程。設(shè)置兩算法的種群規(guī)模Nscale=80,迭代次數(shù)為100,根據(jù)多次重復(fù)試驗(yàn),將自適應(yīng)交叉、變異參數(shù)初始值分別為0.5、0.25、0.05、0.025,放大因子β=1.05。

當(dāng)控制器數(shù)量取k=6時(shí),標(biāo)準(zhǔn)的遺傳算法和混合優(yōu)化算法的搜索結(jié)果如圖3、圖4所示。

圖3　標(biāo)準(zhǔn)遺傳算法搜索過程

圖4　混合優(yōu)化算法搜索過程

由圖3和圖4的對(duì)比單次實(shí)驗(yàn)可知,標(biāo)準(zhǔn)遺傳算法搜索到的最優(yōu)值是0.077 6;而混合優(yōu)化算法的最優(yōu)值是0.073 6,明顯優(yōu)于標(biāo)準(zhǔn)遺傳算法。由圖3、圖4搜索中期局部放大圖可知,標(biāo)準(zhǔn)遺傳算法在60代左右已完全收斂,最優(yōu)值保持不變;本文提出的混合優(yōu)化算法在60代基本收斂之后,最優(yōu)值還出現(xiàn)了多次小幅度的跳躍,表明混合優(yōu)化算法在收斂之后仍然能夠跳出局部極值,搜索到更優(yōu)解。對(duì)比兩圖的最優(yōu)值和平均值曲線可知,到搜索后期標(biāo)準(zhǔn)遺傳算法的種群均值與最優(yōu)值趨于一致,表明種群個(gè)體相似度極高,大部分個(gè)體聚集在最優(yōu)值附近,這是由于標(biāo)準(zhǔn)遺傳算法的多樣性較差。而混合優(yōu)化算法的種群均值與最優(yōu)值存在較大差距,表明混合優(yōu)化算法引入小生境思想和自適應(yīng)遺傳算子提高了種群的多樣性。

為了驗(yàn)證本文算法的有效性,在圖5中給出了不同控制器數(shù)量條件下,標(biāo)準(zhǔn)遺傳算法和本文提出混合優(yōu)化算法所得到的部署結(jié)果。對(duì)每組算例(即在每個(gè)控制器個(gè)數(shù)條件下)進(jìn)行100次仿真,得到每次仿真的最優(yōu)值作為該次仿真結(jié)果,再對(duì)多次仿真結(jié)果求取均值,得到不同控制器數(shù)量條件下全網(wǎng)中斷概率如圖5所示。

圖5　中斷概率隨控制器數(shù)量的變化

由圖5可知，優(yōu)化目標(biāo)值,即全網(wǎng)中斷概率隨著控制器數(shù)量的變化,代表了某個(gè)控制器數(shù)量環(huán)境下,算法優(yōu)化部署的有效性。該優(yōu)化目標(biāo)值越小,表示部署方案的效果越好。當(dāng)控制器數(shù)量為2～7時(shí),在圖5中分別標(biāo)出了兩種算法得到的優(yōu)化結(jié)果數(shù)值。由圖5可知,在不同的控制器數(shù)量條件下,本文提出的混合優(yōu)化算法得到的部署方案結(jié)果均優(yōu)于標(biāo)準(zhǔn)遺傳算法,特別地,當(dāng)控制器數(shù)量大于6,混合優(yōu)化算法的尋優(yōu)結(jié)果表現(xiàn)出明顯的優(yōu)勢(shì)。這是由于兩種隨機(jī)搜索算法,在有限的迭代過程中標(biāo)準(zhǔn)遺傳算法找到最優(yōu)值的概率較低,而混合優(yōu)化算法引入小生境和人工免疫思想,在算法收斂后具有主動(dòng)改進(jìn)算法多樣性的策略和跳出局部極值的操作,表明此算法適用于處理此類NP-hard問題。

當(dāng)控制器數(shù)量分別為4、8、12時(shí),采用混合優(yōu)化算法的算法收斂性能,其中全網(wǎng)中斷概率為每代最優(yōu)值,其隨迭代次數(shù)的變化情況如圖6所示。算法種群規(guī)模Nscale=80,迭代次數(shù)為150。

圖6　不同控制器數(shù)量下中斷概率隨迭代次數(shù)的變化

由圖6可知,隨著控制器數(shù)量的增加,算法收斂時(shí)間變長(zhǎng),收斂速度變慢。特別地,當(dāng)控制器個(gè)數(shù)為4時(shí),算法在50代左右基本收斂,而當(dāng)控制器數(shù)量增加到k=8和k=12時(shí),算法迭代至100代和110代左右基本收斂。這是因?yàn)榭刂破鲾?shù)量增加,控制器部署方案的多樣性增加、相應(yīng)的方案數(shù)量增加,因此收斂到較優(yōu)方案的時(shí)間增加。

5　結(jié)　論

提出軟件定義航空光信息網(wǎng)絡(luò)中基于網(wǎng)絡(luò)可靠性的控制器部署策略,利用融合人工免疫策略、小生境思想和改進(jìn)遺傳算法的混合優(yōu)化算法,在滿足網(wǎng)絡(luò)性能的條件下,為確定在網(wǎng)絡(luò)中部署多少個(gè)控制器以及如何部署控制器提供了可行方案。該策略以網(wǎng)絡(luò)中斷概率為評(píng)價(jià)指標(biāo),算法優(yōu)化目標(biāo)是全網(wǎng)中斷概率最小,應(yīng)用混合優(yōu)化算法進(jìn)行迭代進(jìn)化,得到了最終的優(yōu)化解集,由此得到了網(wǎng)絡(luò)中不同控制器數(shù)量條件下的最優(yōu)部署方案。由于控制器部署會(huì)影響軟件定義航空信息網(wǎng)絡(luò)的諸多方面,下一步將針對(duì)控制器部署問題的多類評(píng)價(jià)指標(biāo),如時(shí)延、流量、負(fù)載均衡等參數(shù)展開研究,提出相應(yīng)的控制器部署策略。

參考文獻(xiàn)：

[1] KWAK K, SAGDUYU Y, YACKOSKI J, et al. Airborne network evaluation: challenges and high fidelity emulation solution[J]. IEEE Communications Magazine, 2014, 52(10): 30-36.

[2] SCHNELL M, EPPLE U, SHUTIN D, et al. Future aeronautical communications for air-traffic management[J]. IEEE Communications Magazine, 2014, 52(5): 104-110.

[3] MENDONCA M, ASTUTO B, NGUYRN N, et al. A survey of software-defined networking: past, present, and future of the programmable networks[J]. IEEE Communication Surveys and Tutorials, 2014, 16(3): 1617-1634.

[4] 王俊, 陳志輝, 田永春, 等.軟件定義網(wǎng)絡(luò)技術(shù)在戰(zhàn)術(shù)通信網(wǎng)中的應(yīng)用研究[J]. 通信技術(shù), 2014, 47(12): 1392-1399.

WANG J, CHEN Z H, TIAN Y C, et al. Application of software-defined network technology in tactical communication network[J]. Communications Technology, 2014, 47(12): 1392-1399.

[5] AGUADO A, LOPEZ V, MARHUENDA J, et al. ABNO: a feasible SDN approach for multivendor IP and optical networks[J]. IEEE/OSA Journal of Optical Communications & Networking, 2015, 7(2): A356-A362.

[6] OLIVEIRA B T D, GABRIEL L B, MARGI C B. TinySDN: enabling multiple controllers for software-defined wireless sensor networks[J]. IEEE Latin America Transactions, 2014, 13(11): 3690-3696.

[7] MATIAS J, GARAY J, TOLEDO N, et al. Toward an SDN-enabled NFV architecture[J]. IEEE Communications Magazine, 2015, 53(4): 187-193.

[8] LANGE S, GEBERT S, ZINNER T, et al. Heuristic approaches to the controller placement problem in large scale sdn networks[J]. IEEE Trans.on Network & Service Management, 2015, 12(1): 4-17.

[9] ROS F J, RUIZ P M. On reliable controller placements in software-defined networks[J].Computer Communications,2016,77:41-51.

[10] VOCHIN M, BORCOCI E, AMBARUS T. On multi-controller placement optimization in software defined networking based WANs[C]∥Proc.of the 14th International Conference on Networks, 2015: 261-266.

[11] HEELER B, SHERWOOD R, MCKEOWN N. The controller placement problem[C]∥Proc.of the Workshop on Hot Topics in Software Defined Networks, 2012: 7-12.

[12] 王麗霞,曲樺,趙季紅.軟件定義網(wǎng)絡(luò)中應(yīng)用二值離子化優(yōu)化的控制器部署策略[J].西安交通大學(xué)學(xué)報(bào),2015,49(6):67-71.

WANG L X, QU H, ZHAO J H. A strategy of controller placement in software defined networks using binary particle swarm optimization[J]. Journal of Xi’an Jiaotong University, 2015, 49(6): 67-71.

[13] HU Y N, WANG W D, GONG X Y, et al. Reliability-optimized controller on placement for software-defined networks[J]. China Communications, 2014, 11(2): 38-54.

[14] Oppenhauser G. In orbit test result of an operational optical inter-satellite link between ARTEMIS and SPOT4, SILEX[J]. Proc.of SPIE-the International Society for Optical Engineering, 2002, 4635:1-15.

[15] CHENG B N, CHARLAND R, CHRISTENSEN P, et al. Evaluation of a multihop airborne IP backbone with heterogeneous radio technologies[J]. IEEE Trans.on Mobile Computing, 2014, 13(2): 299-310.

[16] LI X, NAHRSTEDT K. Reliability models and evaluation of internal BGP networks[C]∥Proc.of the 23rd Annual Joint Conference of the IEEE Computer and Communications Societies, 2004: 1593-1604.

[17] HU Y N, WANG W D, GONG X Y, et al. On the placement of controllers in software-defined networks[J]. Journal of China Universities of Posts and Telecommunications, 2012, 19(9): 92-97.