面向航空信息網絡的控制器可靠性部署方法

高航航,王 翔,趙尚弘,彭 聰

(空軍工程大學 信息與導航學院,西安 710077)

0 概述

航空信息網絡又稱為機載網絡、空基網絡,主要通過高空航空平臺進行信息發(fā)送、節(jié)點接收或轉發(fā),是以節(jié)點間的無線通信為傳輸鏈路所組成的網絡,其具有高動態(tài)、覆蓋范圍廣、作戰(zhàn)任務多樣化、接入數據量大等特點[1-2]。隨著網絡規(guī)模的擴大和作戰(zhàn)環(huán)境的復雜化,當前的航空信息網絡也逐漸暴露出一系列問題[3],例如:如何對航空平臺所獲得的戰(zhàn)場信息進行高效共享以及靈活調度控制;不同的作戰(zhàn)需求在網絡時延、可靠性方面具有不同QoS需求,要求網絡應具備較強的差異化服務能力;軟件控制和硬件轉發(fā)緊密耦合的傳統(tǒng)網絡設備難以滿足網絡快速發(fā)展的需要。面向未來的航空信息網絡應當具備提供靈活耦合任務的差異化網絡服務、支持靈活高效的網絡配置、新網絡技術能夠簡單快速部署等能力,而現有的無線信息網絡僅能滿足有限任務背景下模式固定的信息交互需求,難以支撐未來作戰(zhàn)中航空集群成員間的靈活協(xié)同。

軟件定義網絡[4](Software Defined Network,SDN)的出現為解決上述問題提供了新思路,其通過將傳統(tǒng)網絡設備中的控制平面和數據平面相解耦,利用邏輯集中控制的SDN控制器對底層轉發(fā)設備進行統(tǒng)一管控,控制平面負責策略制定與資源調配,底層轉發(fā)設備進行數據業(yè)務的轉發(fā),有效提高了網絡的信息處理和管理控制能力。然而集中式的控制平面存在單點失效、可靠性低、處理能力受限等缺點,實際中需要重點考慮控制平面的可擴展性,采用物理上分布、邏輯上集中的多控制器部署架構已成為目前解決控制平面可擴展性的重要方法。

當前對于SDN多控制器的部署研究主要以地面網絡為主,評估指標包括網絡時延、可靠性、流量開銷等[5]。文獻[6]針對SDN中控制器部署問題進行研究,首先定義平均傳輸時延和最大傳輸時延,在此基礎上利用實際網絡拓撲進行分析,得到控制器數量對網絡時延的影響以及最優(yōu)時延和平均時延的比較結果,但文中僅考慮了網絡傳輸時延。文獻[7]在傳輸時延基礎上增加發(fā)送時延以完善現有的時延模型,并對該模型是否存在最優(yōu)解進行證明,針對是否發(fā)送時延分別提出傳輸算法和輸送算法。文獻[8]針對傳統(tǒng)靜態(tài)部署方案難以應對高動態(tài)網絡拓撲和流量變化這一問題,采用一種基于雙門限的交換機動態(tài)遷移策略以解決控制器失效和資源浪費問題,結果表明該算法在提升系統(tǒng)吞吐量的同時可保證控制器間的負載均衡。文獻[9]以航空網絡的全網中斷概率最小為目標,提出一種融合人工免疫策略、小生境思想以及改進遺傳算法的混合優(yōu)化算法,仿真表明該算法在獲得更優(yōu)值的同時其收斂時間也得到一定減少,但該文未考慮控制器的負載均衡問題。文獻[10]針對控制路徑平均故障率提出有效控制路徑預期百分比這一指標,通過最大化預期百分比實現網絡控制路徑的強健壯性,但平均故障率僅能反映網絡整體故障,無法反映網絡的最壞狀態(tài)。

航空信息網絡具有高動態(tài)網絡拓撲、遠距離傳輸范圍、大尺度節(jié)點分布以及不穩(wěn)定的鏈路質量,因此,傳統(tǒng)基于地面網絡的多控制器架構、部署算法等不再適用。本文在總結航空信息網絡特點的基礎上,對傳統(tǒng)平面式和層次式SDN多控制器架構進行改進,設計一種混合式多控制器部署架構。針對多控制器負載不均衡問題,提出改進的集群域劃分算法,并以網絡節(jié)點和鏈路中斷概率為變量,將網絡控制路徑故障率最小作為優(yōu)化目標,設計改進的離散粒子群優(yōu)化算法實現多控制器部署。

1 模型分析

1.1 軟件定義航空信息網絡架構特點

航空信息網絡位于天基網絡和地面網絡之間,如圖1所示,其對上可與天基平臺建立信息鏈路,實現天基信息及時注入航空信息網絡,為航空平臺提供信息支持,對下可與地面信息系統(tǒng)建立信息鏈路以保證地面指控信息的輸入,實現綜合信息處理分發(fā)、空中指揮控制和協(xié)同傳輸。目前航空信息網絡正朝著網絡異構化、業(yè)務多樣化、功能復雜化的方向發(fā)展,加之網絡節(jié)點的移動性、鏈路的不穩(wěn)定性,其對當前的網絡性能提出更高的要求?，F有的無線信息網絡雖然在傳輸可靠性、端到端時延、傳輸速率等網絡傳輸性能指標上能夠支撐現有的航空網絡進行一定程度的作戰(zhàn)協(xié)同,但其本質上并非契合未來航空集群作戰(zhàn)的應用背景,網絡僅能滿足有限任務背景下模式固定的信息交互需求,與作戰(zhàn)任務缺乏靈活的耦合關系,而構建一個基于SDN的航空信息網絡將更符合未來作戰(zhàn)對網絡各方面性能的要求。

圖1 航空信息網絡示意圖

軟件定義航空信息網絡[3,11]利用SDN邏輯集中控制的網絡管控策略,能夠實時掌握航空信息網絡全局視圖,實現對航空信息網絡中業(yè)務流量的優(yōu)化調度,滿足網絡中多用戶需求,改善整體性能?？刂破鞑渴鹱鳛闃嫿刂破矫娴那疤?對提升網絡性能具有重要意義,而控制平面中單控制器通常存在單點失效、處理能力受限等問題,因此,多控制器部署架構已經成為目前有效的解決方案。多控制器部署架構包括平面式架構[12]、垂直式架構[13]和混合式架構[14]。由于高空節(jié)點的移動性和鏈路的不可靠性易造成網絡通信中斷,在瞬息萬變的戰(zhàn)場中控制器節(jié)點也存在一定的故障風險,因此地面網絡中的平面式多控制器架構將不再適用?？紤]到上述因素,航空信息網絡應采用混合式的控制器架構對網絡進行集中管控,本文借鑒文獻[15]所構建的混合式控制器架構模型,結合具體的應用場景設計一種航空信息網絡下的混合式多控制器架構,如圖2所示。

圖2 混合式多控制器架構示意圖

混合式多控制器架構中的控制平面由全局控制器(Global Controller,GC)和本地控制器(Local Controller,LC)組成,其中:GC可從全域戰(zhàn)場視角對航空信息網絡實施集中管控,應部署在信息綜合處理能力和生存能力較強的飛機節(jié)點上,如指通機、預警機等,其控制優(yōu)先級最高;LC負責管控其自身控制區(qū)域內的網絡節(jié)點,考慮到航空信息網絡的實際需求及特點,可在每個航空平臺上布置LC,實際中網絡根據自身狀態(tài)及GC的部署策略開啟或關閉相應的LC,實現對其動態(tài)部署。

1.2 數學建模

軟件定義航空信息網絡中的多控制器部署問題描述如下:

1)G(V,E,Vc,Ec)表示航空信息網絡拓撲,其中,V代表網絡中飛機節(jié)點集合,E代表飛機節(jié)點間的通信鏈路集合,Vc代表網絡中部署的控制節(jié)點集合,Ec代表控制路徑集合,且Vc?V,Ec?E。

2)本文假定已知混合式多控制器架構下GC的部署個數和位置,僅對控制平面中的LC進行部署,下文所提的控制節(jié)點與LC節(jié)點均為同一概念。

3)考慮到實際情況,網絡中所有飛機節(jié)點均應布置控制器,控制器按照具體部署策略相應打開或關閉。當飛機節(jié)點i上的控制器打開時,節(jié)點i為控制節(jié)點;當控制器關閉時,節(jié)點i為交換節(jié)點,也稱作普通傳輸節(jié)點,網絡中任意節(jié)點均有機會成為控制節(jié)點或交換節(jié)點。

4)控制路徑包括LC與GC節(jié)點之間的路徑以及交換節(jié)點與LC節(jié)點間相連的路徑。由于GC的優(yōu)先級最高,因此GC之間單獨配置控制路徑,實現對網絡視圖信息的共享。其余控制路徑為帶內方式,不單獨配置控制路徑,即控制信息和數據信息通過相同的路徑進行傳輸。

5)假定網絡中節(jié)點和鏈路發(fā)生故障的概率均是獨立的,po和pv分別表示鏈路中斷概率和節(jié)點失效概率,有0≤po<1,0≤pv<1。

6)網絡中每個LC在同一時間內只能由唯一的GC控制,每個交換節(jié)點也只能由唯一的LC控制。

為方便描述多控制器部署問題,現對具體數學模型中的符號進行說明,如表1所示。

表1 符號說明

根據上述分析,可將軟件定義航空信息網絡中的多控制器部署問題建立如下目標函數:

minf=f1+f2

(1)

(2)

(3)

s.t.pv,po∈[0,1);?v∈V,e∈E

(4)

btjcl=htl;l∈Vc,t,j∈V

(5)

(6)

(7)

l∈Vc,e∈E,g∈{GC}

(8)

式(1)表示最小化控制路徑故障率;式(2)表示LC節(jié)點和交換節(jié)點間的控制路徑故障率;式(3)表示LC節(jié)點與GC節(jié)點間的控制路徑故障率;式(4)表示節(jié)點、鏈路失效概率取值范圍;式(5)表示節(jié)點t受控制節(jié)點l所管控;式(6)表示網絡中部署的控制器個數;式(7)表示一個交換節(jié)點只能由一個LC節(jié)點管控;式(8)表示各式中變量的取值范圍。

2 算法設計

2.1 航空集群域劃分算法

在航空信息網絡中存在著功能各異的飛機節(jié)點,本文參考文獻[15],假定在執(zhí)行某作戰(zhàn)任務過程中其網絡拓撲保持相對穩(wěn)定,隨著作戰(zhàn)任務變化,網絡拓撲也相應改變,本文在此基礎上對航空信息網絡進行進一步集群域劃分。

2.1.1 k-means聚類算法

k-means是一種簡單高效、快速實現的基于劃分原理的聚類算法,其將數據集U={x1,x2,…,xn}按照某種準則劃分為若干個子集,其中k為聚類數目,且聚類滿足以下約束:

Uj≠?,j=1,2,…,k

(9)

Ui∩Uj=?,i,j=1,2,…,kandi≠j

(10)

圖3所示為傳統(tǒng)k-means算法流程,其中輸入為數據集U和聚類個數k(見式(11)),輸出為聚類劃分結果,算法結束的條件為聚類中心不再發(fā)生變化或變化范圍在規(guī)定的閾值內。

(11)

圖3 傳統(tǒng)k-means算法流程

由于k-means算法是隨機選擇初始聚類中心的,聚類結果會隨初始聚心的改變而改變,因此本文引入聚類質量評估函數作為聚類效果的評價準則,其中對聚類質量評估函數定義如下:

(12)

(13)

式(12)表示各聚類的內距離和,J值越小則代表聚類的效果越優(yōu);式(13)表示集群域j的聚心。

2.1.2 改進k-means聚類算法

傳統(tǒng)k-means聚類算法是一種貪婪算法,容易陷入局部最優(yōu),并且該算法選擇的初始聚心極有可能偏離數據密集區(qū),若初始聚心位于孤點或者偏遠點,則會導致劃分的集群域性能變差。針對該問題,本文參考文獻[16-17]中提出的離群因子對k-means算法初始聚心位置隨機這一不足加以改進,設計一種基于離散因子(Discrete Factor,DF)的改進k-means算法,通過計算各節(jié)點的離散因子值,并選擇合適的離散因子值所對應的節(jié)點作為集群域初始中心,避免網絡中的孤點或離散點成為初始聚心,最終得到的集群域也將更加合理。算法描述具體如下:

定義1數據x的第k距離

x的第k距離dk(x)指在數據集合U中存在數據o,數據o與數據x之間的距離記為d(o,x),當滿足下述條件時,x的第k距離dk(x)等于d(o,x):

1)數據集U中至少存在k個數據o′∈D{x}滿足d(x,o′)≤d(x,o) 。

2)數據集U中至多存在k-1個數據o′∈D{x}滿足d(x,o′)

定義2數據x的第k距離鄰域

數據x的第k距離鄰域指不超過數據x的第k距離內所有數據的集合,其表達式如式(14)所示,可以看出,若該集合較大,則說明數據x的第k距離鄰域較大,表明數據偏離程度較大,反之偏離程度較小。

Nk(x)={o∈D{x}|d(x,o)≤dk(x)}

(14)

定義3數據x的離散因子

數據x的離散因子Dk(x)指在(x)的第k距離范圍內,集合U中數據的平均分布密度大小,Dk(x)值越大,則x越可能成為離群點,其計算公式如下:

(15)

(16)

本文利用歐式距離計算出數據x的第k距離大小,并根據式(14)得到數據x的第k距離鄰域,最后在x的鄰域內計算出其余節(jié)點相對x的平均分布狀況,依次對集合U內數據進行計算,得到集合U內所有節(jié)點的平均分布密度大小。本文基于離散因子的改進k-means算法描述如下,其通過計算集合U中各數據的離散因子值,找出離散因子值較小的節(jié)點作為候選初始聚心集合,在該集合中通過計算距離進而得出最終的聚心位置。

算法1改進的k-means算法

輸入數據集U,聚類個數k,取樣系數α

輸出聚類結果Uj(j=1,2,…,k)

1.for each xi∈U

2.計算xi的DF值,并將計算結果按照升序排列到ListDF中

3.選擇ListDF中前n×α個數據,生成候選初始聚心集合CandidateClusterSet

4.令C=?,在CandidateClusterSet中選擇DF值最小的數據xi作為初始聚心C1,C={C1},并從CandidateClusterSet中刪除該數據,Update CandidateClusterSet

5.for each xi∈CandidateClusterSet

6.計算數據xi與C1之間的歐氏距離,選擇距離最大的數據點作為第2個初始聚心C2,C={C1,C2},并從Candidate ClusterSet中刪除該數據,Update CandidateClusterSet

7.for each xi∈CandidateClusterSet

8.分別計算xi與{C1,C2}之間的距離,將計算結果相加,選擇最大值所對應的數據作為下一個初始聚心C3,C={C1,C2,C3},并從CandidateClusterSet中刪除該數據,Update CandidateClusterSet

模糊PID控制器采用單片機編程設計，由于MSP430單片機內部沒有專用的浮點數處理器，因此在數據的處理過程中，浮點數的計算是通過特定的算法程序來實現，如果采用浮點數計算來進行數據處理，將消耗大量的CPU資源，同時數據的處理周期較長，影響其單片機的實時控制，因此在數據處理時應盡量少用實型數據計算處理。在實際設計中將浮點數的小數部分放大，在滿足精度要求的基礎上，盡可能采用整形數據來處理數據計算，也可以采用長整形來實現數據的處理（見圖4）。

9.Repeat and Update C

10.until i>k

11.輸出k個初始聚心結果uj( j=1,2,…,k)

12.從得到k個初始聚心出發(fā),利用最短路徑算法求出聚類結果

根據算法1可得到最終的聚心分布結果,相比于傳統(tǒng)k-means算法,該算法有效地避免了聚心位于孤點或偏遠點,使得聚心分布更加合理。算法在構造集群域時主要考慮節(jié)點的分布特點,而在實際部署過程中由于LC存在處理能力受限等問題,易造成某LC負載過載或欠載,從而引起數據擁塞或不能充分利用資源等問題,本文在此基礎上加入LC負載受限這一約束條件對集群域劃分結果進行優(yōu)化調整。通過引入負載均衡指數B對各集群域間的負載是否均衡進行計算判斷,其表達式如下:

(17)

(18)

其中,a(xi)表示節(jié)點xi向其集群域內的LC提交的數據請求信息,且集群域內所包含節(jié)點提交的總數據請求信息不能超過該集群域內LC的負載能力。LC負載約束的集群域劃分算法描述如下:

算法2LC負載約束的集群域劃分算法

輸入初始聚心結果uj,負載均衡指數B

輸出LC負載約束的聚類劃分結果Uj

1.利用改進k-means算法求出初始聚心。

2.按照最短距離算法將xi分配給各uj,形成集群域Uj。

3.計算各集群域內LC負載以及負載均衡指數B,并判斷B是否符合預先設置值,若符合,則轉到步驟5,否則執(zhí)行步驟4。

4.將LC過載對應的集群域內節(jié)點分配至距離次短的集群域內,并轉到步驟3。

5.得到LC負載約束的集群域劃分結果。

2.2 集群域內的控制器部署算法

將航空信息網絡劃分為多個集群域后,在集群域中以控制路徑總故障率最小為目標進行LC部署,其目標函數如式(1)～ 式(8)所示,本文采用一種改進的離散粒子群算法BPSO對目標函數進行求解。

2.2.1 離散粒子群算法

離散粒子群優(yōu)化算法是一種基于群體智能理論的優(yōu)化算法,其用空間中的粒子表示問題的解,并根據適應度函數判斷粒子的好壞,粒子依據個體最優(yōu)和全局最優(yōu)進行位置更新,具有收斂速度快、易實現等特點[18-20]。BPSO算法中的粒子Xi由d維二進制編碼組成,將粒子Xi=(xi1,xi2,…,xid)的每一維限制為0或1,其速度Vi=(vi1,vi2,…,vid)不加限制,每個位根據式(19)改變速度,改變后的速度轉換為位變量取1的概率,通常利用式(20)中的sigmoid函數計算該概率值,在算法搜索過程中,粒子Xi通過自身和種群狀態(tài)對其位置動態(tài)調整,其每一維的速度和位置計算公式如下:

(19)

(20)

(21)

2.2.2 改進的離散粒子群優(yōu)化算法

由上述分析可知,BPSO算法中的sigmoid函數僅能求解出粒子位取1或者取0的概率,無法求出粒子位的變化值大小。在實際生活中,人們在解決問題時通常會依賴以往的個人歷史經驗和社會歷史經驗[22]。 結合上述分析,本文提出一種改進的離散粒子群算法進行求解。

(22)

(23)

(24)

(25)

在尋找最優(yōu)解的過程中,粒子的好壞程度用適應度函數來評價,本文用式(1)作為改進BPSO算法的適應度函數,即F=f,若某粒子的適應度函數值小,則代表該粒子所對應的解更優(yōu),否則較差,集群域內的LC部署算法描述如下:

算法3改進BPSO算法的控制器部署算法

輸入各集群域Uj

輸出控制器部署方案

1.設置粒子種群規(guī)模N,迭代次數Tmax,控制器數目k。

2.初始化粒子位置Xi,速度Vi,個體最優(yōu)pid并計算全局最優(yōu)pgd。

3.計算當前時刻粒子的適應度值F。

4.比較當前時刻粒子的適應度值F與個體最優(yōu)下的適應度值和全局最優(yōu)下的適應度值大小,判斷是否更新個體最優(yōu)和全局最優(yōu)。

5.更新粒子速度Vi并根據表2更新粒子位置Xi。

6.是否達到迭代次數上限T,若未達到,則執(zhí)行步驟3。

7.判斷控制器數目i

8.得到不同的控制器個數k以及不同的LC部署方案。

上述LC部署算法根據式(19)對粒子速度進行更新,在對粒子位置更新時采用如下策略:

1.產生隨機數r = rand()

if r < α then xi= 1 else xi=0

if r < 1- α then xi=1 else xi=0

if r < β then xi= 1 else xi=0

5.else

if r < 1- β then xi= 1 else xi=0

3 仿真結果分析

3.1 仿真設置

本文設置航空信息網絡的范圍為600 km×600 km,為體現出網絡的動態(tài)性,在該范圍內分別隨機生成2種大小規(guī)模不同的網絡拓撲,小規(guī)模網絡包括36個節(jié)點和84條鏈路,大規(guī)模網絡包括72個節(jié)點和176條鏈路。假定只有一個GC,且GC的位置隨機指定,并忽略GC的數量和位置對網絡性能和部署結果造成的影響。在部署LC過程中,假定所有LC的處理能力和負載容量均相同,所有傳輸節(jié)點向LC傳輸的請求信息量也相同,節(jié)點和鏈路發(fā)生故障的概率分別為[0,0.03]和[0,0.05]內的隨機數。此外,為體現2種不同規(guī)模網絡中部署LC的差異性,在小規(guī)模中的每個集群域內僅部署一個控制器,而在大規(guī)模網絡中每個集群域內部署若干個控制器。

在仿真中同時設置Random算法、ANIGA算法[9]和Survivor[23]算法進行性能對比。Random算法在網絡中隨機選擇節(jié)點部署LC;ANIGA是一種基于啟發(fā)式的隨機搜索算法,其通過循環(huán)迭代找出滿足中斷概率條件時的LC數量和位置。Survivor算法通過選擇不相交路徑最多的節(jié)點部署LC,并按最短距離為其分配交換機節(jié)點。此外,為排除干擾因素,仿真中將實驗重復20次,并計算結果的平均值作為最終結果輸出。

3.2 結果對比與分析

圖4(a)和圖4(b)分別為傳統(tǒng)k-means算法和改進算法在2種不同網絡中的聚類質量評估函數值,可以看出,改進算法的J值波動范圍與k-means算法相比較小,且整體J值均低于k-means算法,這是由于在改進算法中加入了負載均衡模塊,劃分的每個集群域中節(jié)點個數差異較小,進而計算出的J值波動范圍較小。此外,由于改進算法在選擇初始聚心時充分考慮到網絡中各節(jié)點的離散系數,有效地避免了孤點或離散點成為初始聚心,進而計算出的J值更小,說明了采用改進算法劃分的集群域更合理。

圖4 聚類質量評估函數值

圖5(a)顯示了在小規(guī)模網絡中控制路徑故障率隨集群域個數變化的情況,可以看出,隨著集群域個數的增加,4種算法下的控制路徑故障率均逐漸降低,如集群域個數為2、6、10時對應的控制路徑故障率分別為0.246、0.124、0.093,這是由于隨著集群域個數的增加,小規(guī)模網絡中的控制器數量隨之增加,控制節(jié)點與交換節(jié)點間的控制路徑增多,進而控制路徑的可靠性增大。

圖5(b)顯示了在大規(guī)模網絡中控制節(jié)點所占比例對網絡控制路徑故障率的影響,可以看出,在各集群域中控制節(jié)點比例逐漸增加的同時,控制路徑故障率相應地減小,如集群域個數為4時,當控制節(jié)點比例為0.2、0.3和0.4時所對應的控制路徑故障率分別為0.386、0.363、0.327,可見在集群域中通過增加控制器的個數能夠有效地降低網絡控制路徑故障率。

圖5 控制路徑故障率

圖6(a)顯示了小規(guī)模網絡下控制器間的數據同步時延,可以看出,隨著集群域個數的增多,控制器間同步時延呈現上升的趨勢,如優(yōu)化前和優(yōu)化后同步時延分別增加了2.741 ms和4.212 ms,這是由于隨著集群域數量的增加,網絡中的控制器個數隨之增加,控制器節(jié)點間的控制路徑增加,進而造成網絡中的同步時延增大。此外,隨著集群域個數的增多,集群域中節(jié)點數量減少,控制器部署位置的差異度也隨之減小,從而優(yōu)化前后控制器間同步時延的差距也逐漸縮小。

圖6(b)顯示了大規(guī)模網絡下不同控制器數量對控制器間時延的影響,可以看出,隨著集群域個數的增加,圖中曲線的變化趨勢較為緩慢,這是由于當集群域個數較少時,各集群域內的節(jié)點數量較多,其集群域內的控制節(jié)點也相對較多,而當集群域個數增多時,集群域內的節(jié)點數量減少,在同等控制節(jié)點數量比例下其集群域內的控制節(jié)點也相應減少。因此,盡管集群域個數在逐漸增多,但其控制器總數量與集群域個數較少時網絡中的控制器總數量相差不大,意味著在網絡中不能一味地追求集群域的數量,如圖中集群域個數k=8時網絡中的控制器間同步時延最小,在該集群域數量下可獲得較小的時延開銷。此外,在相同的集群域個數下,隨著網絡中控制節(jié)點比例的增加,控制路徑數量也隨之增加,進而使得控制器間同步時延開銷增大,如當控制節(jié)點比例從0.2增加到0.4時,其控制器間平均時延值分別增加了1.608 ms和2.896 ms。

圖6 控制器間時延

4 結束語

本文針對軟件定義航空信息網絡架構中的控制平面可擴展性問題展開研究,將航空信息網絡劃分為多個集群域。在劃分集群域時,為避免集群域中心位于孤點或偏遠點,提出一種基于離散因子的改進k-means算法,結果表明該算法得到的聚心分布更合理。在集群域內LC部署方面,以控制路徑故障率最小為優(yōu)化目標設計改進的BPSO算法。仿真結果驗證了本文在解決控制器部署問題方面的有效性。本文重點考慮控制器無故障下的部署方案,下一步將針對控制器的可生存性進行研究,以確?？刂破鞴ぷ鞯目蛇B續(xù)性。