MER-SDN：软件定义网络中流量感知节能路由的机器学习框架
网络与互联网体系结构
2021-08-06 v3 机器学习
机器学习
摘要
软件定义网络(SDN)通过分离控制平面与数据平面实现网络可编程性，使网络管理与控制具备灵活性。能效是具有经济与环境影响的全球性挑战问题之一。基于SDN的网络控制器中生成海量信息。机器学习使计算机能够从数据中渐进学习而无需编写特定指令。本工作中，我们提出MER-SDN：一种用于SDN中流量感知节能路由的机器学习框架。特征提取、训练与测试是学习机器的三个主要阶段。实验在Mininet和POX控制器上使用来自SNDlib的真实网络拓扑与动态流量轨迹进行。结果表明，我们的方法实现了超过65%的特征规模缩减，对节能启发式算法参数预测的准确率超过70%，且我们的预测精炼启发式将预测值收敛至最优参数值，相较暴力搜索方法最高加速25倍。
引用
@article{arxiv.1909.08074,
title = {MER-SDN: Machine Learning Framework for Traffic Aware Energy Efficient Routing in SDN},
author = {Beakal Gizachew Assefa and Oznur Ozkasap},
journal= {arXiv preprint arXiv:1909.08074},
year = {2021}
}
备注
Double column 6 pages, 5 figures, 2 tables