OVS网络流量加速优化方法及OVS网络流量加速优化系统与流程

本发明属于信息技术领域，具体涉及ovs网络流量加速优化方法及ovs网络流量加速优化系统。

背景技术：

ovs(openvswitch)网络是一个高质量的、多层虚拟交换机(网络分层的层)，其目的是让大规模网络自动化可以通过编程扩展，同时仍然支持标准的管理接口和协议，并且还支持多个物理机的分布式环境。

目前的ovs网络流量转发机制通过大型的物理实体设备实现，一旦出现损坏就需进行更换。在这种机制下，随着ovs网络业务的快速增长，伴之产生的网络拥塞度高、数据丢包率高、消耗度高等问题日益突出。现有数据中心互联网络流量具有高动态、突发的特性，未充分考虑到网络拥塞度高、数据丢包率高、消耗度高等方面问题。

可见，设计一种ovs网络流量加速优化方式，使得该应用具有网络拥塞度低、数据丢包率低、消耗度低的优势，成为目前亟待解决的技术问题。

技术实现要素：

本发明所要解决的技术问题是针对现有技术中上述不足，提供ovs网络流量加速优化方法及ovs网络流量加速优化系统，实现应用系统网络拥塞度低、数据丢包率低、消耗度低的优势。

解决本发明技术问题所采用的技术方案是该ovs网络流量加速优化方法，基于共享云虚拟机进行信息转发和控制，该方法包括步骤：

获取并汇总各ovs网络流量加速优化请求，建立加速优化模型；

对ovs网络流量加速优化请求进行加速优化分析，获取并汇总各加速优化分析结果；

以加速优化分析结果作为样本，进行加速优化自学习以获得寻优向量；

判断加速优化函数的分析结果是否满足加速优化分析评价条件；

以寻优向量交互加速优化模块中的相应向量，对上述步骤进行迭代循环，直到满足加速优化分析评价条件或达到最大迭代次数；

根据满足加速优化分析评价条件或最大迭代次数的位置进行流量转发。

优选的是，获取并汇总各ovs网络流量加速优化请求，建立加速优化模型的步骤中:每隔预置时间主动上报和定期被询问机制获取各ovs网络流量加速优化请求，并汇总请求信息，加速优化模型为：

其中，为包含网络拥塞度数据丢包率和消耗度的信息向量，即其中的k表示第k次迭代，k小于等于最大迭代数，即k满足k≤d，使得k＝1,2,…,d；i＝1,2,…m,j＝1,2,…n，其中i和j分别为加速优化模型的行数和列数，m和n分别为加速优化模型的请求数和可能路径数。

优选的是，对ovs网络流量加速优化请求进行加速优化分析的步骤中，加速优化函数为：

ψ、υ∈(0,1),ψ+υ＝1

式(1-2)中，minz^k为m^ming为历史信息向量最小值，m^avgg为历史信息向量平均值，m^maxg为历史信息向量最大值，ψ、υ分别为调整因子。

优选的是，以加速优化分析结果作为样本，进行加速优化自学习的步骤中，寻优向量公式为：

以及，得到的寻优向量为：

其中：d^k+1为采用多元多维自学习规则获得的寻优向量，dfk1、和为第k次迭代中，最优、次优、次次优的多维空间位置。e()为数字期望函数。

优选的是，评价函数为：

i＝1,2,…m,j＝1,2,…n,k＝1,2,…,d

α,β,γ,δ∈(0,1)

其中，d^maxg为历史网络拥塞度最大值，l^maxg为历史数据丢包率最大值，c^maxg为历史消耗度最大值，m^maxk为当前第k次迭代信息向量最大值，m^mink为当前第k次迭代信息向量最小值；为加速优化的网络拥塞度，为加速优化的数据丢包率，为加速优化的消耗度，α,β,γ,δ分别为调整因子。

一种ovs网络流量加速优化系统，其包括ovs网络流量加速优化请求接收模块、ovs网络流量加速优化请求转发模块，还包括基于共享云虚拟机进行信息转发和控制的ovs网络流量优化模块、寻优优化模块和判定触动模块，其中：

所述ovs网络流量加速优化请求接收模块，用于获取并汇总各ovs网络流量加速优化请求，建立加速优化模型；

所述ovs网络流量优化模块，用于对ovs网络流量加速优化请求进行加速优化分析，获取并汇总各加速优化分析结果；

所述寻优优化模块，用于以加速优化分析结果作为样本，进行加速优化自学习以获得寻优向量；

所述判定触动模块，判断加速优化函数的分析结果是否满足加速优化分析评价条件；以及，触动以寻优向量交互所述ovs网络流量优化模块中的相应向量，直到满足加速优化分析评价条件或达到最大迭代次数；

所述ovs网络流量加速优化请求转发模块，用于根据满足加速优化分析评价条件或最大迭代次数的位置进行流量转发。

优选的是，在所述ovs网络流量加速优化请求接收模块中，每隔预置时间主动上报和定期被询问机制获取各ovs网络流量加速优化请求，并汇总请求信息，加速优化模型为：

其中，为包含网络拥塞度数据丢包率和消耗度的信息向量，即其中的k表示第k次迭代，k小于等于最大迭代数，即k必须满足k≤d，使得k＝1,2,…,d；i＝1,2,…m,j＝1,2,…n，其中i和j分别为加速优化模型的行数和列数，m和n分别为加速优化模型的请求数和可能路径数。

优选的是，在所述ovs网络流量优化模块中，加速优化函数为：

ψ、υ∈(0,1),ψ+υ＝1

式(1-2)中，minz^k为m^ming为历史信息向量最小值，m^avgg为历史信息向量平均值，m^maxg为历史信息向量最大值，ψ、υ分别为调整因子。

优选的是，在所述寻优优化模块中，寻优向量公式为：

以及，得到的寻优向量为：

其中：d^k+1为采用多元多维自学习规则获得的寻优向量，和为第k次迭代中，最优、次优、次次优的多维空间位置。e()为数字期望函数。

优选的是，所述判定触动模块中，评价函数为：

i＝1,2,…m,j＝1,2,…n,k＝1,2,…,d

α,β,γ,δ∈(0,1)

其中，d^maxg为历史网络拥塞度最大值，l^maxg为历史数据丢包率最大值，c^maxg为历史消耗度最大值，m^maxk为当前第k次迭代信息向量最大值，m^mink为当前第k次迭代信息向量最小值；为加速优化的网络拥塞度，为加速优化的数据丢包率，为加速优化的消耗度，α,β,γ,δ分别为调整因子。

本发明的有益效果是：该ovs网络流量加速优化方法及其ovs网络流量加速优化系统，基于共享云的转发&控制分离机制，实现ovs网络流量加速优化，对ovs网络流量加速优化请求以ovs网络流量加速优化方法实时的进行动态加速优化分析，实现了应用系统网络拥塞度低、数据丢包率低、消耗度低的优势。

附图说明

图1为本发明实施例的ovs网络流量加速优化架构图；

图2为本发明实施例的ovs网络流量加速优化层级图；

图3为本发明实施例的ovs网络流量加速优化软件架构图；

图4为本发明实施例的ovs网络流量加速优化方法逻辑图；

图5为本发明实施例的ovs网络流量加速优化方法流程图；

图6为本发明实施例的ovs网络流量加速优化方法细化流程图；

图7为本发明实施例的ovs网络流量加速优化原理图；

图8为本发明实施例的ovs网络流量加速优化系统的结构框图；

附图标识中：

1-ovs网络流量加速优化请求接收模块；2-ovs网络流量优化模块；3-寻优优化模块；4-判定触动模块；5-ovs网络流量加速优化请求转发模块。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明ovs网络流量加速优化方法及ovs网络流量加速优化系统作进一步详细描述。

ovs网络已经成为全球政府/企业产业界公认的发展重点；国际和国内的通信产业巨头加快技术研发、企业转型和联盟合作以抢占ovs网络发展的主导权和新兴市场空间。

本发明采用共享云实现信息转发&控制，就目前而言可以采用电信云实现。电信云即电信级云计算应用平台，可以实现物理资源的高效整合并进行虚拟化，实现业务的快速测试、部署及上线；并具有高度运行可靠性、业务部署灵活性、海量信息处理能力。而ovs网络可以直接或间接提供上述高度运行可靠性、业务部署灵活性、海量信息处理能力。

面对日益迫切的电信云及ovs网络发展需求，基于电信云的ovs网络流量加速优化系统对于电信云及ovs网络的迅速持续发展具有重要意义。本发明针对基于电信云的ovs网络网络拥塞度高、数据丢包率高、消耗度高等问题，提供一种基于共享云虚拟机进行信息转发和控制的ovs网络流量加速优化方法，应用对各ovs网络流量加速优化请求信息进行评价和分析，使得各ovs网络流量加速优化请求具有不同优先等级的加速优化方式。具体的是，通过将ovs网络流量加速优化请求以ovs网络流量加速优化分析评价函数最优的加速优化分析策略进行分析，从而达到网络拥塞度低、数据丢包率低、消耗度低的优势。

以下将结合ovs网络流量加速优化方法及其相应的系统进行详细说明。

本实施例的ovs网络流量加速优化方法基于图1所示的基于电信云的ovs网络流量加速优化架构图实现。图1中，基于电信云的ovs网络流量加速优化架构主要分三个层：电信云基础设施提供及管理层、边缘设施提供层、核心设施提供层。其中，电信云基础设施提供及管理层用于实现手机、平板电脑、笔记本电脑等移动终端用户通过femeto基站或无线基站信号连接至边缘层网络，同时提供电信云基础设施和电信云基础设施的管理；边缘设施提供层实现边缘设施如虚拟光纤线路终端(volt)、虚拟客户终端设备(vcpe)、虚拟宽带网络网关控制设备(vbras)等设施；核心设施提供层实现虚拟汇聚路由器、虚拟业务路由器等相关功能，并实现本发明ovs网络流量加速优化方法的优化分析。

图1所示的基于电信云的ovs网络流量加速优化架构图中，基于电信云的ovs网络流量加速优化功能总共有八个特有步骤，具体如下：

1.移动终端用户接入电信云基础设施提供及管理层的femeto基站或无线基站；

2.移动终端用户通过vpn隧道上行连接至边缘设施提供层的femeto网关，并向电信云提交流量转发请求；

3.移动终端用户通过femeto网关上行连接至核心设施提供层的epc路由器，并将流量转发请求提交至核心设施提供层；

4.移动终端用户通过vpn隧道上行连接至转发&控制分离电信云，并由转发&控制分离电信云进行电信云流量转发请求的分析与协调；

5.转发&控制分离电信云向核心设施提供层下发流量转发协调策略，实现电信云流量转发等功能；

6.核心设施提供层下行连接至femeto网关，并将转发后的流量入口地址下发至边缘设施提供层；

7.边缘设施提供层通过vpn隧道下行连接至femeto基站或无线基站，并将转发后的流量入口地址下发至电信云基础设施提供及管理层；

8.电信云基础设施提供及管理层通过femeto基站或无线基站下行连接至移动终端用户，并将转发后的流量入口地址下发至移动终端用户。

电信云基础设施提供及管理层采用将分层化结构，实现电信云转发&控制分离、epc核心网数据转发、边缘网关接入集中控制分离。电信云的转发&控制分离机制实现了流量转发策略控制和流量转发器功能，控制信令与流量转发分别走不同的通道，不会互相干扰，从而使得基于电信云的ovs网络流量加速优化系统实现了网络拥塞度低、数据丢包率低、消耗度低的优势。

ovs网络流量加速优化方法实现了具有网络拥塞度低、数据丢包率低、消耗度低的ovs网络流量加速优化功能，其功能层级如图2所示。图2中的ovs网络流量加速优化层级中，包含openvswitch功能模块，openvswitch功能模块在电信云转发与控制分离层中。其中的vm即虚拟机(virtualmachine)，指模拟出来的一台虚拟的计算机，也即逻辑上的一台计算机，也是指通过软件模拟的具有完整硬件系统功能的、运行在一个完全隔离环境中的完整计算机系统。openvswitch功能模块提供如下功能：

流量转发策略控制：定义和更新每个流量的流量转发策略；

流量转发器：根据流量转发策略对流量进行转发。

ovs网络流量加速优化软件架构如图3所示。图3中，ovs网络流量加速优化分析器对ovs网络流量加速优化请求进行分析处理，并将分析处理后的相关信息转发给相应的分析器以执行分析结果。

在各ovs网络流量加速优化信息采集汇总后，ovs网络流量加速优化逻辑如图4所示。图4中，逻辑结构包含四个部分：ovs网络流量加速优化请求接收、以加速优化策略分析ovs网络流量加速优化请求、分析结果输出、多元多维空间加速优化策略自学习。

其中，各ovs网络流量加速优化请求信息主要包含：网络拥塞度d、数据丢包率l、消耗度c等。以加速优化策略分析ovs网络流量加速优化请求，实现了针对各ovs网络流量加速优化请求的网络拥塞度d、数据丢包率l、消耗度c的加速优化，并通过多元多维空间加速优化策略自学习实现了并给出分析结果。通过分析三方面指标，即网络拥塞度数据丢包率和消耗度等三方面的信息向量，即为得出结果即预执行当前网络加速优化策略，并得出预结果(也即三方面指标：网络拥塞度数据丢包率和消耗度)。

本实施例中，实现网络拥塞度低、数据丢包率低、消耗度低问题的ovs网络流量加速优化方法的流程图如图5所示，包括步骤：

获取并汇总各ovs网络流量加速优化请求，建立加速优化模型；

对ovs网络流量加速优化请求进行加速优化分析，获取并汇总各加速优化分析结果；

以加速优化分析结果作为样本，进行加速优化自学习以获得寻优向量；

判断加速优化函数的分析结果是否满足加速优化分析评价条件；

以寻优向量交互加速优化模块中的相应向量，对上述步骤进行迭代循环，直到满足加速优化分析评价条件或达到最大迭代次数；

根据满足加速优化分析评价条件或最大迭代次数的位置进行流量转发。

如图5所示的ovs网络流量加速优化方法的流程图，根据各ovs网络流量加速优化请求信息，基于电信云的ovs网络流量加速优化算法进行路由分析，采用实时主动兼被动收集各ovs网络流量加速优化请求信息并实时分析，明显优化了各ovs网络流量加速优化分析结果的网络拥塞度、数据丢包率、消耗度等方面指标。

其中的优化分析主要由ovs网络流量加速优化分析器实现，包括如下部分：

当ovs网络流量加速优化请求到达优化模型后，该ovs网络流量加速优化请求被加速优化分析评价函数最优的分析方案分析成相应的分析结果，若到来的ovs网络流量加速优化请求被延迟则被赋予当前较高加速优化调度优先权。

结合图6中ovs网络流量加速优化方法细化流程图，对该方法进行详细的分步骤的具体说明如下：

步骤s1)设置迭代初始参数。

在该步骤中，例如，设置迭代初始迭代数为0，最大迭代数d为50。

步骤s2)获取并汇总各ovs网络流量加速优化请求，建立加速优化模型。

在该步骤中，每隔预置时间主动上报和定期被询问机制获取各ovs网络流量加速优化请求，并汇总请求信息，建立加速优化模型。

如图3的ovs网络流量加速优化软件架构图所示。该ovs网络流量加速优化调度模型有m个ovs网络流量加速优化请求，各ovs网络流量加速优化请求独立互不干扰。加速优化模型为：

式(1-1)中，主要包含：网络拥塞度数据丢包率和消耗度等三方面的信息向量，即为k表示第k次迭代，其中k小于等于最大迭代数，即k必须满足k≤d，使得k＝1,2,…,d；i＝1,2,…m,j＝1,2,…n，其中i和j分别为加速优化模型的行数和列数，m和n分别为加速优化模型的请求数和可能路径数。这里的m个请求，可能具有n个分析结果，正常情况下m＝n，当有到来的ovs网络流量加速优化请求被延迟时n>m。

步骤s3)对ovs网络流量加速优化请求进行加速优化分析。

在该步骤中，加速优化函数为：

ψ、υ∈(0,1),ψ+υ＝1(1-2)

式(1-2)中，ψ、υ分别为调整因子。

步骤s4)获取并汇总各加速优化分析结果。

在该步骤中，将ovs网络流量加速优化请求分析结果进行获取和汇总。优选的是，每隔预置时间主动上报和定期被询问机制获取并汇总各ovs网络流量加速优化分析结果信息。

步骤s5)以加速优化分析结果作为样本，进行加速优化自学习。

在该步骤中，以加速优化分析结果作为样本，以多元、多维空间的方式，对各加速优化样本进行自监督学习，以获得寻优向量。

式(1-4)中的d^k+1为采用多元多维自学习规则获得的寻优向量，和为第k次迭代中，最优、次优、次次优的多维空间位置。

式(1-5)中主要包含：网络拥塞度数据丢包率和消耗度等三方面的信息向量，e()为数字期望函数，使得此算法更易跳出局部最优，在求解多目标函数时可表现出更优的性能。

这里的多元即由1,2，…w多个加速优化方案根据自学习加速优化策略方式向多元最优方案确定的方向迁移，也即图6中虚线圆球所在位置，w＝3时为根据三个加速优化方案，w＝4时为根据四个加速优化方案。多维即在1,2，…h多维空间，比如h＝3时为三维空间，h＝4时为四维空间。通过自监督学习，随着迭代代数增加，不断优化方案的空间位置，以更接近极限最优解。自学习方法运行于核心设施提供层，具体是在其中的电信云转发与控制分离层的ovs网络流量加速优化分析器(即openvswitch功能模块)中。

步骤s6)判断加速优化函数的分析结果是否满足加速优化分析评价条件。

在该步骤中，根据多元、多维空间、概率论、博弈论、图论、几何学、统计学、生物学、运筹学、随机过程、智能优化、机器学习等理论的加速优化分析评价条件即评价函数(见式1-5)进行评价，当不满足加速优化分析评价条件时应继续进行迭代。

以加速优化策略分析ovs网络流量加速优化请求。这里的评价函数为：

i＝1,2,…m,j＝1,2,…n,k＝1,2,…,d

α,β,γ,δ∈(0,1)(1-6)

式(1-6)中，d^maxg为历史网络拥塞度最大值，l^maxg为历史数据丢包率最大值，c^maxg为历史消耗度最大值，m^maxk为当前第k次迭代信息向量最大值，m^mink为当前第k次迭代信息向量最小值，m^maxg为历史信息向量最大值，m^ming为历史信息向量最大值；为加速优化的网络拥塞度，为加速优化的数据丢包率，为加速优化的消耗度，α,β,γ,δ分别为调整因子。

当加速优化函数的分析结果满足加速优化分析评价条件，即满足评价函数时，将对应的ovs网络流量加速优化请求向加速优化方案确定的方向迁移；当不满足评价函数时，即触动加速优化方法进行动态分析调整，继续步骤s7)，以实现网络拥塞度低、数据丢包率低、消耗度低的优势。

步骤s7)当前迭代次数加1。

当前迭代次数增加1次，也即k+1,k≤d。

步骤s8)判断当前迭代次数是否大于最大迭代次数。

判断当前迭代次数是否大于最大迭代次数，若当前迭代次数小于等于最大迭代次数时，跳转到步骤s2)继续进行迭代循环分析；若当前迭代次数大于最大迭代次数时，则结束流程。

如图7所示的ovs网络流量加速优化原理图。每次迭代中的网络流量加速优化分析思想为:采用多元多维空间加速优化思想，在1,2，…h多维空间中，1,2，…w多个加速优化方案根据自学习加速优化策略方式向多元最优方案确定的方向迁移，也即图6中虚线圆球所在位置，得到加速优化分析结果。

相应的，本实施例还提供一种ovs网络流量加速优化系统，如图8所示，其包括ovs网络流量加速优化请求接收模块1、ovs网络流量加速优化请求转发模块5，还包括基于共享云虚拟机进行信息转发和控制的ovs网络流量优化模块2、寻优优化模块3和判定触动模块4，各模块实现一系列功能。其中：

ovs网络流量加速优化请求接收模块1，用于获取并汇总各ovs网络流量加速优化请求，建立加速优化模型；

ovs网络流量优化模块2，用于对ovs网络流量加速优化请求进行加速优化分析，获取并汇总各加速优化分析结果；

寻优优化模块3，用于以加速优化分析结果作为样本，进行加速优化自学习以获得寻优向量；

判定触动模块4，判断加速优化函数的分析结果是否满足加速优化分析评价条件；以及，触动以寻优向量交互ovs网络流量优化模块2中的相应向量，直到满足加速优化分析评价条件或达到最大迭代次数；

ovs网络流量加速优化请求转发模块5，用于根据满足加速优化分析评价条件或最大迭代次数的位置进行流量转发。

优选的是，在ovs网络流量加速优化请求接收模块1中，每隔预置时间主动上报和定期被询问机制获取各ovs网络流量加速优化请求，并汇总请求信息，加速优化模型为：

其中，为包含网络拥塞度数据丢包率和消耗度的信息向量，即其中的k表示第k次迭代，k小于等于最大迭代数，即k必须满足k≤d，使得k＝1,2,…,d；i＝1,2,…m,j＝1,2,…n，其中i和j分别为加速优化模型的行数和列数，m和n分别为加速优化模型的请求数和可能路径数。

在ovs网络流量优化模块2中，加速优化函数为：

ψ、υ∈(0,1),ψ+υ＝1

式(1-2)中，minz^k为m^ming为历史信息向量最小值，m^avgg为历史信息向量平均值，m^maxg为历史信息向量最大值，ψ、υ分别为调整因子。

在寻优优化模块3中，寻优向量公式为：

以及，得到的寻优向量为：

其中：d^k+1为采用多元多维自学习规则获得的寻优向量，和为第k次迭代中，最优、次优、次次优的多维空间位置。e()为数字期望函数。

判定触动模块4中，评价函数为：

i＝1,2,…m,j＝1,2,…n,k＝1,2,…,d

α,β,γ,δ∈(0,1)

其中，d^maxg为历史网络拥塞度最大值，l^maxg为历史数据丢包率最大值，c^maxg为历史消耗度最大值，m^maxk为当前第k次迭代信息向量最大值，m^mink为当前第k次迭代信息向量最小值；为加速优化的网络拥塞度，为加速优化的数据丢包率，为加速优化的消耗度，α,β,γ,δ分别为调整因子。

本发明的ovs网络流量加速优化方法及其ovs网络流量加速优化系统，利用了生物学领域迭代种群迁移加速优化及机器学习思想，综合了多元迭代种群及规则自学习思想，并基于多元、多维空间、概率论、博弈论、图论、几何学、统计学、生物学、运筹学、随机过程、智能优化、机器学习等理论，并创新性的应用了基于共享云的转发&控制分离机制，实现ovs网络流量加速优化，对ovs网络流量加速优化请求以ovs网络流量加速优化方法实时的进行动态加速优化分析，实现了应用系统网络拥塞度低、数据丢包率低、消耗度低的优势。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。