申明： 未经许可，禁止以任何形式转载，若要引用，请标注链接地址 全文共计1877字，阅读大概需要1分钟
欢迎关注我的个人公众号：不懂开发的程序猿
传统的流量主要包括基于端口、深度包检测和人工智能等分类方法
应用程序增多,且端口变为动态端口,导致传统的基于端口的流量分类方法失效
深度包检测方法大多采用对正则表达式的匹配实现数据包的识别，两种实现方式
不确定性有限自动机(non-deterministic finite automata,简称 NFA)，NFA 占用空间小,但匹配时间长
确定性有限自动机(deterministic finite automata,简称 DFA)，DFA则相反
面临时效性以及不可复用问题
目前路由策略大部分基于最短路径优先策略或启发式算法
策略优化
智能功率降低决策路由协议(intelligent power reduction decision routing protocol,简称 IPRDR)
基于 Q-learning 的 SDN 高效路由以防止网络拥塞的机制
优化路由策略
流量应有优先级,率先完成优先级高的流量调度可以有效地避免多个流争抢有限资源的状况
提出一种应用程序感知的多路径包转发框架,该框架集成了机器学习和 SDN,使用机器学习算法对每个流进行优先级排序
基于实时深度学习的智能网络流量控制方法
大象流和老鼠流
提出一种有效的采样和分类方法(efficient sampling and classification pproach,简称 ESCA)应用于大象流的检测
ESCA 通过估计大象流的到达时间间隔,并使用过滤流表过滤掉冗余样本来提高采样效率
ESCA 基于数据流之间的相关性,使用新的监督分类算法对样本进行分类.通过这两个阶段来实现大象流的检测
无法满足 SDN 数据中心和校园网的粒度需求
根据 QoS 将流量分类
多维关键绩效指标(key performance indicators,简称 KPI)分析
实施数据清理技术,以处理不完整、丢失或损坏的数据
支持强大且可扩展的架构
基于字段的数据包的匹配模型 F-OpenFlow
NeuRoute 的动态路由框架
长短时记忆模块(long short term memory,简称 LSTM)
通过输入网络状态和估计的网络流量,以启发式算法计算得到的相应路由解为输出
解决预测流量中自由流量、故障、恢复和拥堵之间急剧的非线性过渡的问题
–end–