数据转发与控制分离的软件定义网络(software defined networking,简称SDN)是对传统网络架构的彻底颠覆,为网络各方面的研究引入了新的机遇和挑战.随着传统网络研究方法在SDN中遭遇瓶颈,基于深度学习的方法被引入到SDN的研究中,在实现实时智能的网络管控上成果颇丰,推动了SDN研究的深入发展.调查了深度学习开发平台,训练数据集、智能SDN架构等深度学习引入SDN的促进因素;对智能路由、入侵检测、流量感知和其他应用等SDN研究领域中的深度学习应用进行系统的介绍,深入分析了现有深度学习应用的特点和不足;最后展望了SDN未来的研究方向与趋势.
Software defined networking (SDN), which separates data forwarding from control, is a complete overthrow of traditional network architecture, introducing new opportunities and challenges for all aspects of network research. With the traditional network research methods encountering bottlenecks in SDN, deep learning based methods have been introduced into the research of SDN, resulting in plenty of achievements in real-time intelligent network management and control, which promotes the further development of SDN research. This study investigates the promoting factors of introducing deep learning into SDN, such as deep learning development platform, training datasets and intelligent SDN architectures; introduces the deep learning applications in SDN research fields such as intelligent routing, intrusion detection, traffic perception, and other applications systematically, and analyzes the features and shortcomings of those deep learning applications in detail. Finally, the future research direction and trend of SDN are prospected.
由于历史原因, 分层、分布式的传统网络结构复杂且难以管理, 数据转发和控制功能绑定于特定网络设备, 设备因为内置过多的协议而变得臃肿不堪, 使得网络的维护、控制、管理、扩张、创新服务的部署变得极为困难, 无法承载日新月异的网络需求[
由开放网络基金会(Open Networking Foundation, 简称ONF)最早提出, 并且持续发展的SDN参考架构得到了普遍认可, 成为了事实上的参考架构, 并在2016年2月发布了最新版本SDN Architrcture 1.1[
基于OpenFlow的SDN为传统网络的创新发展注入活力, 技术标准、理论研究和小规模应用不断出现, 但在可扩展性、安全性等方面与生产环境的需求之间存在差距, 大规模部署存在巨大挑战[
在持续推进SDN实际部署的研究过程中, 研究人员开始引入新兴的深度学习技术, 并取得了显著成效, 成为目前SDN研究中最具潜力的方向之一.与传统方法相比, 深度学习适用于处理不规则、大规模的非线性问题, 在许多复杂问题上表现出无可比拟的优势[
本文第1节首先介绍深度学习和深度学习在SDN研究中的引入.第2节归纳在SDN中引入深度学习的促进因素.第3节系统梳理深度学习在SDN各个细分领域的应用案例.第4节~第7节分别详细介绍深度学习在SDN智能路由、入侵检测、流量感知、其他方面等研究领域的应用案例, 并进行深入的对比分析.第8节总结现有研究存在的问题, 并针对SDN未来可能的发展方向加以分析.
深度学习[
机器学习作为实现人工智能的一种方式, 对人类智能形成的过程进行建模, 通过数据训练能够完成复杂任务的建模, 发展出众多形态各异的机器学习方法.其中, 对人类神经网络的深入研究和模拟催生了神经网络.神经网络能够进行简单的特征学习, 能够学到给定任务数据集上的特征, 寻找到任务数据的内在结构, 输出任务解决方案.然而, 传统浅层神经网络由于参数和超参数较少, 对复杂任务的学习能力有限, 不能学习到复杂输入的特征表示, 泛化能力有限, 难以满足任务需求, 激发了利用深层网络对复杂函数建模的动机[
深度学习通过多层的前馈或者循环网络结构, 实现复杂的函数逼近, 以发现数据的分布式特征, 并组合低层特征形成更加抽象的高层表示, 展现了强大的从少数样本集中学习数据集本质特征的能力[
深度学习在最近十年取得了巨大成功, 在众多领域取得重大成果.在ImageNet图像识别大赛中, He等人[
近几年, 研究人员尝试将深度学习引入SDN研究中, 并取得显著成效.与传统IP网络相比, 在SDN中引入深度学习具有如下优势.
(1) 训练数据收集.深度学习模型需要大量数据进行特征学习.传统网络中数据收集需要部署额外的协议和设备, 数据收集困难.集中控制的SDN架构能够系统、全面地收集网络和流量数据, 提供全局视图.
(2) 计算资源.转发控制分离的架构, 使得逻辑集中控制的控制器成为一个独立而强大的网络实体, 相比一般交换机, 控制器拥有较为丰富的计算资源用于深度学习模型的运行.
(3) 灵活部署.在SDN架构中, 控制器将下层资源进行抽象和编排, 对应用层采用开放接口的可编程模式提供服务, 深度学习可以作为应用层APP部署在SDN的应用平面, 方便快捷.
(4) 环境交互.网络控制实体能够与网络环境进行互动, 动态地调整网络策略是实现智能网络管控的重要标志, SDN架构中存在的反馈控制循环则有助于这一目标的实现.如
SDN中的反馈控制闭环
Feedback control loop in SDN
对SDN来说, 深度学习能够提供灵活、智能的网络管控, 便于部署网络创新应用和服务.深度学习具有从复杂原始数据中学习抽象特征的能力, 这些特征对应了复杂网络环境和服务需求之间的深层次联系[
一方面, 深度学习在计算机网络, 特别是在SDN中的引入较晚, 还处于探索阶段, 面临许多挑战.另一方面, 研究人员也意识到在SDN中部署深度学习算法的诸多优势.SDN集中控制的可编程网络管控使得深度学习的数据获取、算法部署和模型更改更加方便, 其闭环的反馈控制可与强化学习方式完美结合, 这在传统网络架构下是难以想象的.此外, 成熟的深度学习平台可以促进SDN中深度学习模型的快速开发.在计算机网络研究领域, 也能看到很多促进深度学习部署的因素, 如训练数据获取、智能SDN架构等, 本节将讨论这些促进因素.
为了提供一个高效、简洁、易用的深度学习开发环境, 提高开发效率, 不少优秀的深度学习平台在近几年纷纷出现, 并有更高级别的库可以在这些平台上运行, 极大地促进了深度学习在其他领域的快速开发部署.在SDN网络中部署深度学习时, 有效利用这些平台, 能够快速创建所设计的深度学习模型.
深度学习平台
Deep learning platforms
平台 | 开发者 | 主要支持语言 | 支持系统 |
TensorFlow | Java, C++, Go, Python | Linux, macOS, Windows, Android | |
Theano | Montreal University | Python | Cross-platform |
Caffe/Caffe2 | BVLC | C++, Python, Matlab | Linux, macOS, Windows |
Keras | Francois Chollet | Python, C++ | Linux, macOS, Windows |
Torch/PyTorch | - | LuaJIT/Python | Linux, macOS, Android |
CNTK | Microsoft | Python, C#, C++ | Linux, Windows |
DL4J | Skymind | Java, Scala, Clojure | Unix, Windows |
WILL | Prevision | C, Python, Assembly language | Windows, Unix, Embedded system |
虽然SDN中引入深度学习可以极大地提升网络管控的水平, 但却对SDN中的计算资源提出了严峻挑战.深度学习计算资源消耗巨大, 过长的训练时间将导致应用受限, 特别是在一些资源紧张, 并且对实时性要求较高的网络环境中.基础计算能力, 包括软/硬件层面的提升将促进深度学习在SDN研究中的引入.Sze等人[
深度学习模型依赖海量数据对模型的参数和超参数进行调节, 并输出为高层次的抽象表示, 数据集的重要性不言而喻.数据构成了深度学习部署的基础, 选择恰当的数据集是进行相关SDN研究的先决条件, 数据集的大小也会影响模型的训练效果.使用公开网络数据集可以快速获取研究所需的各种数据, 节省数据收集时间, 提高研究效率, 然而SDN公开数据集获取困难, 多数情况下研究人员选择用传统IP网络数据集替代.在过去20年中, 网络研究机构和组织收集了大量真实环境中的网络数据用于科学研究, 典型的可见
计算机网络数据集
Computer network datasets
数据集 | 时间(年) | 收集者 | 内容 |
DARPA | 1998 | MIT Lincoln Laboratory | 1998年~2000年入侵检测数据集 |
KDD99 | 1999 | UCI Machine Learning Archive | 1999年中为期9周的真实网络数据 |
NSL-KDD | 2000 | - | 对KDD’99数据集的改进分为KDDTrai+和KDDTest+ |
CICIDS2017 | 2017 | UNB Canandian Institute for Cybersecurity | 2017年中5天的网络流量信息和深度学习的配置文件 |
KDN | 2016 | Unviersitat Politècnicade Catalunya | 包含支持VNF、神经网络和深度学习的6个子数据集 |
在计算机网络研究中, 安全领域对数据集的突出需求导致很多数据集都是入侵检测数据集.其中, KDD和NSL-KDD数据集已很古老, 并不是现有网络的完美代表, 但仍然可以作为研究人员比较不同入侵检测方法有效性的基准数据集, Meena等人[
在SDN研究中, 研究人员结合数据挖掘、人工智能方法, 提出了许多智能SDN网络架构, 如数据驱动网络架构(DDN)、知识定义网络架构(KDN)、NetworkAI架构等, 旨在通过SDN集中控制的优势获取网络信息, 利用数据挖掘/深度学习的智能决策解决复杂的网络控制和管理问题.作为在SDN中引入深度学习的智能架构, DDN和KDN架构在SDN中引入了自动化决策, NetworkAI架构则采用DRL实现网络的实时智能控制, 可用于大规模网络的自动化控制.智能SDN架构对SDN中具体问题的研究具有很高的参考价值, 推动了深度学习在SDN研究中的深度参与.
作为一种新颖的网络框架, DDN[
数据驱动网络
Data-driven networking
DDN架构在SDN交换机中嵌入了内容缓存, 为用户提供内容, 收集网络数据, 并通过南向接口将它们发送到控制层的大数据分析模块.
利用大数据分析从大量数据中提取知识, 以帮助控制器做出决策并通过SDN提供的集中控制能力发送知识来控制整个网络, 实现最优的资源分配、高效的内容分发和灵活的网络配置.Jiang等人[
Clark等人[
知识定义网络
Knowledge defined networking
SDN架构中, 控制平面引入大数据分析或者机器学习功能, 能够帮助做出智能的网络决策并快速部署, 但很大程度上依赖于配置策略的手动部署, 为了解决这一问题, Yao等人[
如
实现灵活、智能的网络管理一直是网络研究人员追求的目标[
近3年来, 研究人员将深度学习用于SDN环境中某些复杂问题的求解, 取得了不错的效果.将深度学习和SDN的优势有机结合, 充分利用深度学习和网络领域的有利因素, 对不同的SDN研究内容进行探索, 在可见的未来, 成为灵活、智能网络管理研究中的新兴领域.本文对SDN中的深度学习应用作了全面的调查, 如
SDN中的深度学习应用
Deep learning application in SDN
在SDN研究中恰当地引入深度学习, 将有效推动网络管控的自动化、智能化.虽然所要研究的具体问题不尽相同, 但在SDN环境中引入深度学习的方式却是有迹可循的.一般来说, SDN中的深度学习应用遵循以下范式:将事先设计好的网络环境数据作为非监督深度学习模型的输入, 通过逐层特征学习, 得到待研究问题的抽象表示, 最后对学得的任务抽象表示, 采用监督学习的方法完成任务输出.若是需要与网络环境进行交互, 则采用DRL机制, 形成抽象表示学习的闭环.
另一方面, 经典的深度学习模型各有其特点和善于处理的问题, 不同SDN研究领域所面临的任务也不尽相同.如入侵检测领域需要发现网络数据的时空分布, 多采用CNN、RNN等模型进行分类; 需要输出实际操作的智能路由和控制器同步等问题则更宜采用DRL来与网络环境进行交互.因此, 在SDN中应用深度学习算法时, 模型和任务的匹配至关重要.若没有完全合适的深度学习模型能够解决所研究的网络问题, 就需要研究者对模型进行重新设计, 无论这种设计是问题表示本身, 还是深度学习模型的结构和训练机制.如此才能将深度学习与SDN研究有机结合, 以期深度学习模型在任务上有更好表现的同时, 模型的复杂度和计算需求不至于超出可承受的范围.
路由机制的研究一直是SDN中活跃的领域, 在网络流量迅速增长、网络规模持续扩大的情况下, 传统路由算法无法适应复杂多变的路由需求, 出现了仿生的路由机制, 通过对自然界各种行之有效的优化机制的模仿, 解决了数据传输QoS保障、链路负载均衡等问题.基于机器学习[
在引入深度学习实现SDN智能路由时, 部分学者使用深度学习模型来自动调整网络链路的权重, 从而优化用现有路由算法给出的路由, 通过这种间接参与路由决策的方式简化深度学习模型的设计.为了实现通用和可定制化的路由优化机制, Yu等人[
除此之外, 部分学者选择拥塞判定的方式在SDN智能路由中引入深度学习:由传统路由算法给出某路径, 随后由深度学习模型自动判断该路径是否会拥塞, 辅助路由决策, 降低深度学习与SDN路由研究适配的难度.
深度学习在无线网络中的网络流量控制是一个相对较新的领域.Tang等人[
考虑到软件定义无线网络(SDWN)中控制器配置的高计算资源, Mao等人[
除了以上两种深度学习辅助做出智能路由决策的方式以外, 还可以使用深度学习模型直接制定路由决策, 不需要传统路由算法的参与, 充分利用深度学习强大的特征提取和决策能力.但是, 模型设计的难度也随之加大, 需要研究人员在模型选择、输入输出设计等方面进行深入探索.
Yao等人[
而为了解决现代车载网络物理系统(VCPS)场景中的网络流量管理问题, Jindal等人[
Huang等人[
除此之外, 也有研究在应用深度学习做出智能路由决策时, 采用了输出下一跳路由的方式, 不断地输出下一跳路由构成整个数据传输的路径.Kato等人[
Mao等人[
传统机器学习方法在网络流量控制中会存在计算效率和可扩展性方面的问题, 而深度学习和计算技术的进步, 促使许多研究工作将深度学习与SDN中的网络流量控制结合起来, 智能路由研究获得新的突破, 见
智能路由
Intelligent routing
文献 | 问题描述 | 预期目标 | 模型 | 开发平台 | 数据 | 对比算法 | 对比指标 | 评估结果 |
[ |
路由算法性能不足 | 实现连续时间可定制化路由 | DRL | Keras TensorFlow | 模拟生成 | OSPF RR | 时延吞吐量 | 本方案性能更优 |
[ |
路由策略缺乏学习经验 | 提高路由决策准确性避免拥塞 | CNN | WILL | 传统路由 | RIP OSPF | 信令开销延迟/丢包率 | 本方案性能更优 |
[ |
减轻网络流量负担 | 选择流量转发的最佳路径组合 | CNN | - | 传统路由 | SP | 请求开销/成功传输率/时延/QoS | 本方案性能更优 |
[ |
需要手动配置转发策略 | 动态生成最优转发策略 | DRL | Karas gym | KDN | SP | 稳定性平均传输时间 | 本方案稳定性更优 |
[ |
网络流量管理 | 自动分配最佳路由提高QoE | CNN | NS-2SUNO | - | TCP/IP | 延迟/吞吐量传输率/网络负载 | 本方案具有更优的性能 |
[ |
优化多媒体QoE | 最优控制策略最大化积累QoE | DRL | Keras | 模拟生成 | - | 吞吐量网络效用函数 | 在资源配置上本方案更优 |
[ |
网络动态变化, 流量增长 | 改善网络流量控制 | DNN | WILL | 模拟生成 | OSPF | 平均每跳延迟信令开销/吞吐量 | 本方案具有更优的性能 |
[ |
核心网络性能硬件优化 | 改善骨干网络的流量控制 | DBN | WILL | 传统路由 | OSPF | 平均每跳延迟信令开销/吞吐量 | 不同负载及信令间隔下性能更优 |
通过对
尽管智能路由算法比传统路由算法具有更优的性能优势, 但是大部分研究都仅限于模拟仿真或者小型网络, 并未进行大规模真实网络环境性能测试, 那么其在真实网络环境中的性能分析有待进一步研究.
近年来, 网络安全问题受到前所未有的重视, SDN安全[
NSL-KDD数据集很古老, 不是现有网络的完美代表, 但是这并不妨碍它作为入侵检测的基准数据集, 以帮助研究人员比较不同的入侵检测方法.现有的SDN数据集并不完备, 所以即使是对SDN中入侵检测的研究, 也会在NSL-KDD数据集中选择一些能在SDN环境中轻松获取的特征, 用以构建深度学习模型执行入侵检测, 然而, 不同研究工作对特征的选取却不尽相同.
Arora等人[
Tang等人[
GRU-RNN是一种强大的深度学习模型, 可以表示当前事件和先前事件之间的关系, 提高异常检测概率.在后续工作中, Tang等人[
Sasanka等人[
Dawoud等人[
另一些研究工作在SDN入侵检测方面取得了更进一步的开拓, 没有采取在传统数据集中选取部分特征代替SDN网络中流量特征的方式, 而是直接基于SDN网络收集原始数据, 并对这些数据加以选择用以构建深度学习网络, 部署入侵检测应用.
Li等人[
Niyaz等人[
Liu等人[
Li等人[
Han等人[
网络安全一直是SDN的重点研究方向.深度学习方法的引入为SDN中入侵检测的研究注入新的活力.这些基于深度学习的入侵检测研究对比分析见
入侵检测
Intrusion detection
文献 | 模型/层 | 特征 | 开发平台 | 数据集 | 结果 | 准确率(%) | 优点 | 缺点 |
[ |
DNN/4 | 原始特征10 | Weka | NSL-KDD | 1正常1异常 | 98.0 | 探究了学习率对模型性能的影响 | 未与其他方法进行性能比较 |
[ |
DNN/5 | 原始特征6 | - | NSL-KDD | 1正常1异常 | 75.8 | 只用少数特征达到较高的准确率 | 准确率太低, 导致无法实际应用 |
[ |
RNN/5 | 原始特征6 | Keras Sclkit-learn | NSL-KDD | 1正常1异常 | 89.0 | 运行开销小, 可实时检测 | 准确率偏低 |
[ |
SAE/5 | 原始特征41 | - | NSL-KDD | 1正常4异常 | 97.7 | 探究了并行CPU的加速作用 | 无法提高罕见攻击检测率 |
[ |
SAE/- | 原始特征41 | Tensorflow | NSL-KDD | 8聚类 | 99.2 | 通过模型之后的聚类提高准确率 | 未充分分析模型性能 |
[ |
RNN/14 | 头部字段20 | Karas | ISCX2012 | 1正常1异常 | 98.0 | 准确率较高, 环境依赖性较低 | 未充分分析模型性能 |
[ |
SAE/- | 头部字段7~14 | Matlab | 收集的网络流量 | 8分类2分类 | 95.7 99.8 | 较高的准确率 | 需要大量数据预处理工作 |
[ |
DRL/- | 流表特征8 | Tensorflow | 模拟生成 | 流量迁移 | 85.0 | 快速迁移异常流量, 保证服务运行 | 从全局考虑进行迁移, 用户正常率偏低 |
[ |
CNN/9 SAE/5 | 流表特征21手工特征5 | Tensorflow | 收集的网络流量 | 1正常1异常 | 98.5 | 采用两级检测模型, 准确率高 | 未对检测时间和资源消耗进行分析 |
[ |
SAE/4 | SAE/4 | - | 收集的网络流量 | 6异常 | 96.0 | 跨平面联动, 入侵检测高效 | 需要对数据平面进行改造 |
相比于其他应用, 入侵检测对准确率的要求更高, 因此, 大多数入侵检测研究都致力于采用特征优化、多级检测等方法提高入侵检测的准确率, 而对模型带来的计算资源消耗、控制通道拥塞等负面影响尽可能地予以忍受, 而少有分析.输入特征的选择是入侵检测成功与否的关键, 但是各个研究中特征选择方式各不相同, 没有可供遵循的模式.此外, 是否要对数据进行预处理也很重要, 数据预处理可以提高模型的准确率, 但是增加了额外的工作量和计算开销.许多案例都通过实验证明了浅层模型的有效性, 并不是模型越深, 神经元节点越多越好, 深层模型可以带来准确率的微小提升, 但是会出现收敛困难、训练时间长、资源消耗大等问题, 因此, 多数基于深度学习的入侵检测研究都采用浅层模型.
早年的研究多采用过时的NSL-KDD数据集训练基于深度学习的入侵检测系统, 因为特征有限, 功能单一, 并不适合深度学习模型, 后来的研究多采用更新的数据集, 或者从真实SDN网络中收集网络数据, 从而使得基于深度学习的入侵检测研究能够更加深入, 实验内容也更加全面, 得出的结论也更适应现实SDN网络的情况.
网络流是一系列具有相似特征或者同一规范的数据包集合的统称, 具有数据量、持续时间、速率和突发性等属性, 并且根据数据量的大小分为大象流和老鼠流.SDN中的数据转发是基于网络流的, 对流量的智能感知为诸如QoE路由、负载均衡、流量工程等应用奠定了基础.对SDN流量做出精准的分类和预测后, 可根据流量的时空特点做出流量转发/处理决策, 最大化网络系统转发效率的同时, 提升用户体验.SDN流量感知研究中, 基于规则匹配和机器学习的流量感知方案对加密流量和应用层流量的感知正确率偏低, 无法对流量的动态变化做出反应, 随后深度学习方法被引入.现有的深度学习流量感知研究主要分为流量分类和流量预测两大类.
传统网络中细粒度的流量分类[
针对SDN中现有应用分类方法很难准确识别和分类网络应用的问题, Zhang等人[
Xu等人[
为了解决深度包检测不能为加密数据流量提供实时应用感知的问题, Wang等人[
流量预测对于SDN中路由决策、拥塞控制、负载均衡等服务的开展具有重大的促进作用, 是一个基础性的研究领域.早已有研究将稀疏编码[
Alawe等人[
流量矩阵(TM)预测被定义为在现有网络流量数据的基础上估计未来网络流量矩阵的问题, 广泛用于网络规划、资源管理和网络安全.Azzouni等人[
Liu等人[
在基于SDN的流量感知研究中, 深度学习方法的引入为传统的流量感知带来了新的改变, 这些研究工作各有特点, 见
流量感知
Traffic perception
文献 | 目标 | 模型/层 | 开发平台 | 数据集 | 准确率(%) | 优点 | 缺点 | 创新点 |
[ |
SDN应用快速分类 | SAE/7 | Weka Matlab | Moore Dataset | 91.2 | 直接采用原始特征 | 小规模模拟, 未经实际环境检验 | 只用少量有标记数据训练 |
[ |
SDN-IoT应用分类 | DNN/4 | Tensorflow | - | 87.0 | 分类后路由性能提升巨大 | 小规模模拟, 未经实际环境检验 | 分类模块部署到单独服务器 |
[ |
SDN-HGW应用分类 | MLP/4 SAE/5 CNN/7 | Keras Tensorflow | ISCX VPN- nonVPN | 95.0 | 能分类加密应用, 计算消耗少 | 复杂的数据前期处理 | SDN核心控制下沉到接入网 |
[ |
5G-CN负载预测 | DNN/- RNN/- | Tensorflow Simpy | MI Dataset | 90.0 | 更智能的资源动态增删 | 需要根据具体环境选用具体模型 | 使用负载预测动态增删资源 |
[ |
SDN流量矩阵预测 | RNN/6 | Keras Tensorflow | GEANT Dataset | 99.9 | 极高的预测准确率 | 未充分分析模型性能 | 使用真实网络数据集训练 |
[ |
内容流行度预测 | SAE/3 | - | 模拟生成 | 78.1 | 能预测全网流行度时空分布 | 分布式部署增加部署/沟通开销 | SAE分布式部署到数据平面 |
可以看到, SDN流量感知的研究已转向复杂条件下的智能流量分类和预测.此外, 研究人员也在研究5G核心网络、接入网、内容中心网络、物联网等场景下, 将SDN集中控制和深度学习出色的感知能力结合, 在上述新型场景下解决更具体的感知问题.为了深度学习模型能在更苛刻的SDN场景中部署, 研究人员尝试了一些新的机制, 如将模型部署在单独的服务器, 监听交换机网络信息, 并通过OpenFlow协议与控制器进行通信; 或者将模型分布式部署到数据平面的交换设备上, 利用交换设备上少量的计算能力完成模型的运行, 减少控制器的压力, 并且控制器可以通过OpenFlow协议的可编程特性完成模型在交换机上的动态部署、更改等.
除了上述SDN中深度学习应用较多的领域, 还有诸如信道分配、网络功能虚拟化(NFV)选择、控制器同步、流表冲突检测等领域也零星分布有深度学习的应用, 这些应用可以松散地分类为控制器相关和交换机相关两大类.相比较智能路由、入侵检测、流量感知等研究方向, 深度学习在上述领域的应用成果很少, 一方面是因为SDN中的深度学习应用还处于探索阶段, 上述领域还未全面将深度学习引入到相关研究中, 另一方面也要看到, 随着深度学习的参与, 上述领域本身的特点特使得深度学习的引入较为困难, 相关领域应用较少.
SDN中NFV的研究由来已久, Pei等人[
针对软件定义工业物联网(SDIIoT)中的控制器同步问题, Qiu等人[
针对SDN中应用的流表冲突问题, Li等人[
无线软件定义物联网中(SDN-IoT)交换机的信道分配问题非常重要.Tang等人[
在后来的工作中, Tang等人[
除了重点的SDN研究领域以外, 深度学习方法在其他SDN相关的研究中也有引入, 很好地促进了相关研究的发展, 见
其他应用
Other applications
文献 | 目标 | 模型/层 | 特征 | 开发平台 | 数据集 | 准确率(%) | 优点 | 缺点 |
[ |
SDN中VNF选择 | DBN/4 | 资源状态 | Matlab | 模拟生成 | 100.0 | SFCR映射的时效性可扩展性较好 | 请求增加时性能急剧下降 |
[ |
SDIIoT控制器同步 | DRL/- | 综合特征 | Tensorflow | 模拟生成 | - | 提出基于区块链的第三方控制器同步机制 | 未解决信任特征的获取问题 |
[ |
SDN流表冲突检测 | CNN/8 CNN/4 | 流表字段 | Keras scikit-learn | 模拟生成 | 97.0 99.9 | 采用两级检测机制, 检测时间线性增长 | 数据集模拟生成, 无参考性 |
[ |
SDN-IoT信道分配 | CNN/7 | 历史负载 | - | 模拟生成 | 90.0 | 可动态进行信道分配, 提高网络吞吐量 | 准确率有待提高 |
[ |
SDN-IoT信道分配 | CNN/6 | 负载矩阵 | WILL | 模拟生成 | 100.0 | 跨层联动预测, 大幅提高系统性能 | 机制复杂, 部署难度大 |
另外, 这一部分的深度学习应用机制更加复杂, 需要配合其他技术联合解决问题, 这有别于入侵检测、流量感知等SDN研究领域直接应用深度学习模型的情况.面对更细化的特定研究问题, 深度学习模型的引入更加困难, 需要针对具体问题详细设计和适配, 这无疑给研究人员提出了更大的挑战.
本文对SDN中的深度学习应用进行了详尽的介绍和分析, 不难看出, 在SDN中引入深度学习是一个值得研究的领域, 复杂且更加强大的深度模型能够深刻揭示网络环境所承载的信息, 并对复杂的网络任务做出更精准的决策, 将有效促进智能化的计算机网络管控.但是深度学习与SDN的结合是2016年左右才开始兴起的, 还处于探索阶段, 与其他成熟的深度学习应用领域相比, 尚存在许多问题和不足, 需要投入更多的时间和精力.在未来的工作中, 可从以下几个方向入手, 对深度学习的引入进行必要的基础性准备研究, 更好地支持深度学习与SDN的深度融合, 促进关键研究的深入开展, 提升计算机网络的智能化水平.
(1) SDN网络数据获取
在SDN中部署深度学习, 需要大量数据来训练深度学习模型, 数据的轻松获取有助于促进相关研究的广泛开展.现有网络数据集对SDN和深度学习的支持度极其有限, 需要在SDN网络数据获取方面进行深入研究.除了采用过时的网络数据集训练和评估模型效果外, 在SDN中实时收集训练数据是许多现有研究的选择, 然而这需要更多的资源投入和复杂的系统设计.如何设计高效、便捷的网络监测和大规模网络数据收集框架, 减少系统资源消耗, 是一大难题.原始网络数据获取后需要进行预处理, 研究大规模SDN网络数据的批量处理, 高效存储, 快速获取是引入深度学习后, 顺利部署相关模型需要面对的挑战之一.此外, 建立大型、公开、支持深度学习研究的标准网络数据库也将推进在SDN中引入深度学习的研究.
(2) 深度学习模型适配
与其他成熟领域相比, SDN研究中深度学习的引入到目前为止还只是一种粗浅的尝试, 深度学习与SDN研究并未完全适配.现有研究多采用成熟的深度学习模型, 模型结构和训练设置并未根据SDN研究的特点灵活修改.此外, 深度学习模型输入和输出设计的好坏会直接影响到模型的训练效率和问题求解的准确性, 因此对网络数据的筛选和处理就变得尤为重要.在SDN中, 做出复杂决策的输入数据至少应包含网络本身的信息(节点+链路)和网络中流量的信息(包+流).同时还需要对模型的输出设计进行深入考量, 不同的输出程式对任务解决方案的简化能力是不同的.未来应注重深度学习模型与SDN网络环境的深度融合, 在充分理解模型特点和设计原理的基础上进行修改, 以适配具体的SDN任务, 发挥深度学习的潜力.
(3) SDN接口协议设计
SDN架构中, 北向接口没有公认的通用协议, 而南向接口普遍采用的OpenFlow协议也经历了多次更改, 以支持不断变化的研究和部署需求, 然而对深度学习机制的支持极其有限, 只能实现简单的模型嵌入和消息传递, 无法支持复杂的深度学习机制和个性化部署.在未来的工作中, 需要对接口协议进行重新设计, 在协议内部原生支持深度学习, 并保留开放接口机制, 以接入不断变化的深度学习模型, 增加部署的自由度和开放性, 促进创新型研究的开展.
(4) SDN实验平台设计
SDN研究工作离不开模拟实验平台的支持.现有的SDN研究实验平台Mininet、OMNeT++等只能搭建简单拓扑, 对小规模SDN场景进行模拟.在未来, 随着研究场景的扩大和大型深度学习模型的引入, 需要对混合场景、异形设备、自定义网络架构等复杂SDN环境进行模拟, 因此需要开展综合实验平台的研究设计.综合实验平台需要有足够的可扩展性和自由度, 支持对复杂环境自定义建模, 提供深度学习的嵌入机制, 更好地支持基于深度学习的复杂SDN场景下的研究.
(5) SDN网络安全
随着社会生活、生产越来越依赖于网络, 网络安全问题日益突出, 对SDN网络安全的研究未来将成为重点.未来SDN网络安全研究更为复杂多变, 网络侵入、零日攻击、新型攻击等安全问题使用传统方法难以应对, 需要借助深度学习强大的特征学习和决策能力, 对网络攻击进行有效反应, 快速处理, 持续保护互联网应用和用户数据的安全.并且, SDN架构本身也极易成为攻击的目标, 特别是针对控制器资源和应用层软件漏洞的攻击, 需要引入深度学习进行感知, 持续保护网络架构本身的安全, 保证持续提供网络服务的能力.
(6) SDN大规模部署
实现大规模部署, 促进SDN技术落地一直是研究人员的目标, 却面临不少挑战.挑战之一便是SDN控制平面的可扩展性.分布式控制器可以增强SDN对大规模网络的管理能力, 但如何使用深度学习进行多控制器视图同步以及控制权限分配尚有待深度研究.随着网络规模的扩大, 网络资源的管理和服务部署变得困难, 设计高效的网络管控机制, 综合优化网络数据传输成为亟需解决的问题.深度学习的引入对控制器的计算资源提出了挑战.除了使用性能更强的控制器之外, 另一个方向则是SDN中深度学习的分布式部署, 对OpenFlow流表的结构加以扩展, 将深度学习网络实现到了分布式交换机体系中, 既降低了控制器的负担, 也增强了网络的安全性和可扩展性.研究深度学习的分布式控制机制将成为深度学习应用于SDN大规模控制的关键.
(7) SDN应用领域拓展
深度学习在SDN中的应用范围较窄, 集中在路由、流量感知和入侵检测等方面, 这与研究还处于探索阶段有关.未来, 需要对不同应用领域的SDN研究进行深入分析, 寻找深入学习引入的切入点, 将深度学习在SDN中的应用范围扩展到更为广阔的领域.与此同时, 随着SDN的持续发展, SDN与5G网、无线传感器网络、物联网等新型网络的融合成为一种趋势, 借助深度学习的决策能力和SDN集中控制的优势, 可以进行复杂网络的管理, 拓展SDN的应用领域.SDN与新型网络的融合需要结合SDN和新型架构的优点, 重新设计网络架构, 设计过程中如何提高架构适用性, 增强对异种设备的管理, 引入对深入学习机制的支持需要进一步加以研究.
Jain R. Internet 3.0: Ten problems with current Internet architecture and solutions for the next generation. In: Proc. of the 2006 IEEE Military Communications Conf. (MILCOM). Washington: IEEE, 2006. 1-9.
http://www.jos.org.cn/1000-9825/4701.htm[doi:10.13328/j.cnki.jos.004701]]]>
http://www.jos.org.cn/1000-9825/4701.htm[doi:10.13328/j.cnki.jos.004701]]]>
https://www.opennetworking.org/wp-content/uploads/2014/10/TR-521_SDN_Architecture_issue_1.1.pdf]]>
McKeown N, Anderson T, Balakrishnan H, Parulkar G, Peterson L, Rexford J, Shenker S, Turner J. OpenFlow:Enabling innovation in campus networks. Computer Communication Review, 2008, 38(2):69-74.
https://www.opennetworking.org/wp-content/uploads/2014/10/openflow-switch-v1.5.1.pdf]]>
Kreutz D, Ramos FMV, Veríssimo PE, Rothenberg CE, Azodolmolky S, Uhlig S. Software-defined networking:A comprehensive survey. Proc. of the IEEE, 2015, 103(1):14-76.
Nunes BAA, Mendonca M, Nguyen X, Obraczka K, Turletti T. A Survey of software-defined networking:Past, present, and future of programmable networks. IEEE Communications Surveys & Tutorials, 2014, 16(3):1617-1634.
Feamster N, Rexford J, Zegura EW. The road to SDN:An intellectual history of programmable networks. Computer Communication Review, 2014, 44(2):87-98.
Bengio Y, Courville A, Vincent P. Representation learning:A review and new perspectives. IEEE Trans. on Pattern Analysis and Machine Intelligence, 2013, 35(8):1798-1828.
Lecun Y, Bengio Y, Hinton GE. Deep learning. Nature, 2015, 521(7553):436-444.
Hatcher WG, Yu W. A survey of deep learning:Platforms, applications and emerging research trends. IEEE Access, 2018, 6:24411-24432.
Fadlullah ZM, Tang F, Mao B, Kato N, Akashi O, Inoue T, Mizutani K. State-of-the-art deep learning:Evolving machine intelligence toward tomorrow's intelligent network traffic control systems. IEEE Communications Surveys & Tutorials, 2017, 19(4):2432-2455.
Bengio Y. Learning deep architectures for AI. Foundations and Trends in Machine Learning, 2009, 2(1):1-127.
Hinton GE, Osindero S, Teh YW. A fast learning algorithm for deep belief nets. Neural Computation, 2006, 18(7):1527-1554.
He K, Zhang X, Ren S, Sun J. Delving deep into rectifiers: Surpassing human-level performance on imagenet classification. In: Proc. of the 2015 IEEE Int'l Conf. on Computer Vision (ICCV). Santiago: IEEE, 2015. 1026-1034.
Silver D, Huang A, Maddison CJ, Guez A, Sifre L, Driessche G, Schrittwieser J, Antonoglou I, Panneershelvam V, Lanctot M, Dielemen S, Grewe D, Nham K, Sutskever I, Lillicrap T, Leach M, Kavukcuoglu K, Graepe T, Hassabis D. Mastering the game of Go with deep neural networks and tree search. Nature, 2016, 529(7587):484-489.
Zorzi M, Zanella A, Testolin A, Grazia MF, Zorzi M. Cognition-based networks:A new perspective on network optimization using learning and distributed intelligence. IEEE Access, 2015, 3:1512-1530.
Wang Y, Yang A, Chen X, Wang P, Wang Y, Yang H. A deep learning approach for blind drift calibration of sensor networks. IEEE Sensors Journal, 2017, 17(13):4158-4171.
Mao Q, Hu F, Hao Q. Deep learning for intelligent wireless networks:A comprehensive survey. IEEE Communications Surveys & Tutorials, 2018, 20(4):2595-2621.
Yao S, Zhao Y, Zhang A, Hu S, Shao H, Zhang C, Su L, Abdelzaher T. Deep learning for the Internet of Things. Computer, 2018, 51(5):32-41.
Xin Y, Kong L, Liu Z, Chen Y, Li Y, Zhu H, Gao M, Hou H, Wang C. Machine learning and deep learning methods for cybersecurity. IEEE Access, 2018, 6:35365-35381.
Shi S, Wang Q, Xu P, Chu X. Benchmarking state-of-the-art deep learning software tools. In: Proc. of the 7th Int'l Conf. on Cloud Computing and Big Data (CCBD). Macau: IEEE, 2016. 99-104.
Sze V, Chen Y, Yang T, Emer JS. Efficient processing of deep neural networks:A tutorial and survey. Proc. of the IEEE, 2017, 105(12):2295-2329.
Li P, Luo Y. P4GPU: Accelerate packet processing of a P4 program with a CPU-GPU heterogeneous architecture. In: Proc. of the 2016 ACM/IEEE Symp. on Architectures for Networking and Communications Systems (ANCS). Santa Clara: IEEE, 2016. 125-126.
Meena G, Choudhary RR. A review paper on IDS classification using KDD 99 and NSL KDD dataset in WEKA. In: Proc. of the 2017 Int'l Conf. on Computer, Communications and Electronics (Comptelix). Jaipur: IEEE, 2017. 553-558.
http://knowledgedefinednetworking.org/]]>
Sharafaldin I, Lashkari AH, Ghorbani AA. Toward generating a new intrusion detection dataset and intrusion traffic characterization. In: Proc. of the 4th Int'l Conf. on Information Systems Security and Privacy (ICISSP). Funchal: ICISSP, 2018. 108-116.
Yao H, Qiu C, Fang C, Chen X, Yu FR. A novel framework of data-driven networking. IEEE Access, 2016, 4:9066-9072.
Jmal R, Fourati LC. Content-centric networking management based on software defined networks:Survey. IEEE Trans. on Network and Service Management, 2017, 14(4):1128-1142.
Jiang J, Sekar V, Stoica I, Zhang H. Unleashing the potential of data-driven networking. In: Proc. of the Communication Systems and Networks-the 9th Int'l Conf. (COMSNETS). Bengaluru: COMSNETS, 2017. 110-126.
Clark DD, Partridge C, Ramming JC, Wroclawski JT. A knowledge plane for the Internet. In: Proc. of the ACM SIGCOMM 2003 Conf. on Applications, Technologies, Architectures, and Protocols for Computer Communication. Karlsruhe: ACM Press, 2013. 3-10.
Hyun J, Hong JW-K. Knowledge-defined networking using in-band network telemetry. In: Proc. of the 19th Asia-Pacific Network Operations and Management Symp. (APNOMS). Seoul: IEEE, 2017. 54-57.
Clemm A, Chandramouli M, Krishnamurthy S. DNA: An SDN framework for distributed network analytics. In: Proc. of the IFIP/IEEE Int'l Symp. on Integrated Network Management (IM). Ottawa: IFIP, 2015. 9-17.
Mestres A, Rodríguez-Natal A, Carner J, Barlet-Ros P, Alarcn E, Sol M, Munts-Mulero V, Meyer D, Barkai S, Hibbett MJ, Estrada G, Maruf K, Coras F, Ermagan V, Latapie H, Cassar C, Evans J, Maino F, Walrand J, Cabellos A. Knowledge-defined networking. Computer Communication Review, 2017, 47(3):2-10.
Yao H, Mai T, Xu X, Zhang P, Li M, Liu Y. NetworkAI: An intelligent network architecture for self-learning control strategies in software defined networks. IEEE Internet of Things Journal, 2018, 1.
Barbancho J, León C, Molina FJ, Barbancho A. A new QoS routing algorithm based on self-organizing maps for wireless sensor networks. Telecommunication Systems, 2007, 36(1-3):73-83.
Barabas M, Boanea G, Rus AB, Dobrota V, Domingo-Pascual J. Evaluation of network traffic prediction based on neural networks with multi-task learning and multiresolution decomposition. In: Proc. of the 7th IEEE Int'l Conf. on Intelligent Computer Communication and Processing. Cluj-Napoca: IEEE, 2011. 95-102.
Sendra S, Rego A, Lloret J, Jimenez JM, Romero O. Including artificial intelligence in a routing protocol using software defined networks. In: Proc. of the 2017 IEEE Int'l Conf. on Communications Workshops (ICC Workshops). Paris: IEEE, 2017. 670-674.
Akyildiz IF, Lee A, Wang P, Luo M, Chou W. Research challenges for traffic engineering in software defined networks. IEEE Network, 2016, 30(3):52-58.
Lin S-C, Akyildiz IF, Wang P, Luo M. QoS-aware adaptive routing in multi-layer hierarchical software defined networks: A reinforcement learning approach. In: Proc. of the 2016 IEEE Int'l Conf. on Services Computing (SCC). San Francisco: IEEE, 2016. 25-33.
Yu C, Lan J, Guo Z, Hu Y. DROM:Optimizing the routing in software-defined networks with deep reinforcement learning. IEEE Access, 2018, 6:64533-64539.
Tang F, Mao B, Fadlullah ZM, Kato N, Akashi O, Inoue T, Mizutani K. On removing routing protocol from future wireless networks:A real-time deep learning approach for intelligent traffic control. IEEE Wireless Communications, 2018, 25(1):154-160.
Mao B, Tang F, Fadlullah ZM, Kato N, Akashi O, Inoue T, Mizutani K. A novel non-supervised deep-learning-based network traffic control method for software defined wireless networks. IEEE Wireless Communications, 2018, 25(4):74-81.
Jindal A, Aujla GS, Kumar N, Chaudhary R, Obaidat MS, You I. SeDaTiVe:SDN-enabled deep learning architecture for network traffic control in vehicular cyber-physical systems. IEEE Network, 2018, 32(6):66-73.
Huang X, Yuan T, Qiao G, Ren Y. Deep reinforcement learning for multimedia traffic control in software defined networking. IEEE Network, 2018, 32(6):35-41.
Kato N, Fadlullah ZM, Mao B, Tang F, Akashi O, Inoue T, Mizutani K. The deep learning vision for heterogeneous network traffic control:Proposal, challenges, and future perspective. IEEE Wireless Communications, 2017, 24(3):146-153.
Mao B, Fadlullah ZM, Tang F, Kato N, Akashi O, Inoue T, Mizutani K. Routing or computing? The paradigm shift towards intelligent computer network packet transmission based on deep learning. IEEE Trans. on Computers, 2017, 66(11):1946-1960.
Huang W, Song G, Hong H, Xie K. Deep architecture for traffic flow prediction:Deep belief networks with multitask learning. IEEE Trans. on Intelligent Transportation Systems, 2014, 15(5):2191-2201.
Scott-Hayward S, Natarajan S, Sezer S. A survey of security in software defined networks. IEEE Communications Surveys and Tutorials, 2016, 18(1):623-654.
Kreutz D, Ramos FMV, Veríssimo P. Towards secure and dependable software-defined networks. In: Proc. of the 2nd ACM SIGCOMM Workshop on Hot Topics in Software Defined Networking (HotSDN). Hong Kong: ACM Press, 2013. 55-60.
Jadidi Z, Muthukkumarasamy V, Sithirasenan E, Sheikhan M. Flow-based anomaly detection using neural network optimized with GSA algorithm. In: Proc. of the 33rd IEEE Int'l Conf. on Distributed Computing Systems Workshops. Philadelphia: IEEE, 2013. 76-81.
Kokila RT, Selvi ST, Govindarajan K. DDoS detection and analysis in SDN-based environment using support vector machine classifier. In: Proc. of the 6th Int'l Conf. on Advanced Computing (ICoAC). Chennai: IEEE, 2014. 205-210.
Phan TV, Toan TV, Tuyen DV, Huong TT, Thanh NH. OpenFlowSIA: An optimized protection scheme for software-defined networks from flooding attacks. In: Proc. of the 6th IEEE Int'l Conf. on Communications and Electronics (ICCE). Ha Long: IEEE, 2016. 13-18.
Fiore U, Palmieri F, Castiglione A, Santis AD. Network anomaly detection with the restricted Boltzmann machine. Neurocomputing, 2013, 122:13-23.
Braga R, Mota EDS, Passito A. Lightweight DDoS flooding attack detection using NOX/OpenFlow. In: Proc. of the IEEE Local Computer Network Conf. Denver: IEEE, 2010. 408-415.
Aleroud A, Alsmadi I. Identifying cyber-attacks on software defined networks:An inference-based intrusion detection approach. Network and Computer Applications, 2017, 80:152-164.
Chen X-F, Yu S-Z. CIPA:A collaborative intrusion prevention architecture for programmable network and SDN. Computers & Security, 2016, 58:1-19.
Mousavi SM, St-Hilaire M. Early detection of DDoS attacks against SDN controllers. In: Proc. of the 2015 Int'l Conf. on Computing, Networking and Communications (ICNC). Garden Grove: IEEE, 2015. 77-81.
Wang R, Jia Z, Ju L. An entropy-based distributed DDoS detection mechanism in software-defined networking. In: Proc. of the 2015 IEEE Trustcom/BigDataSE/ISPA. Helsinki: IEEE, 2015. 310-317.
Trung PV, Huong TT, Tuyen DV, Duc DM, Thanh NH, Marshall A. A multi-criteria-based DDoS-attack prevention solution using software defined networking. In: Proc. of the 2015 Int'l Conf. on Advanced Technologies for Communications (ATC). Ho Chi Minh City: IEEE, 2015. 308-313.
Lim S, Ha J, Kim H, Kim Y, Yang S. A SDN-oriented DDoS blocking scheme for botnet-based attacks. In: Proc. of the 6th Int'l Conf. on Ubiquitous and Future Networks (ICUFN). Shanghai: IEEE, 2014. 63-68.
Giotis K, Argyropoulos C, Androulidakis G, Kalogeras D, Maglaris V. Combining OpenFlow and sFlow for an effective and scalable anomaly detection and mitigation mechanism on SDN environments. Computer Networks, 2014, 62:122-136.
Mehdi SA, Khalid J, Khayam SA. Revisiting traffic anomaly detection using software defined networking. In: Proc. of the Recent Advances in Intrusion Detection-the 14th Int'l Symp. (RAID). Menlo Park: RAID, 2011. 161-180.
Sommer R, Paxson V. Outside the closed world: On using machine learning for network intrusion detection. In: Proc. of the 2010 IEEE Symp. on Security and Privacy. Berkeley/Oakland: IEEE, 2010. 305-316.
Arora K, Chauhan R. Improvement in the performance of deep neural network model using learning rate. In: Proc. of the 2017 Innovations in Power and Advanced Computing Technologies (i-PACT). Vellore: IEEE, 2017. 1-5.
Tang TA, Mhamdi L, Mclernon DC, Zaidi SAR, Ghogho M. Deep learning approach for network intrusion detection in software defined networking. In: Proc. of the 2016 Int'l Conf. on Wireless Networks and Mobile Communications (WINCOM). Fez: IEEE, 2016. 258-263.
Tang TA, Mhamdi L, Mclernon DC, Zaidi SAR, Ghogho M. Deep recurrent neural network for intrusion detection in SDN-based networks. In: Proc. of the 4th IEEE Conf. on Network Softwarization and Workshops (NetSoft). Montreal: IEEE, 2018. 202-206.
Potluri S, Diedrich C. Accelerated deep neural networks for enhanced intrusion detection system. In: Proc. of the 21st IEEE Int'l Conf. on Emerging Technologies and Factory Automation (ETFA). Berlin: IEEE, 2016. 1-8.
Dawoud A, Shahristani S, Raun C. A deep learning framework to enhance software defined networks security. In: Proc. of the 32nd Int'l Conf. on Advanced Information Networking and Applications Workshops (WAINA). Krakow: IEEE, 2018. 709-714.
Li C, Wu Y, Yuan X, Sun Z, Wang W, Li X, Gong L. Detection and defense of DDoS attack-based on deep learning in OpenFlow-based SDN. Int'l Journal of Communication Systems, 2018, 31(5):e3497.
Niyaz Q, Sun W, Javaid AY. A deep learning based DDoS detection system in software-defined networking (SDN). ICST Trans. on Security Safety, 2017, 4(12):e2.
Liu Y, Dong M, Ota K, Li J, Wu J. Deep reinforcement learning based smart mitigation of DDoS flooding in software-defined networks. In: Proc. of the 23rd IEEE Int'l Workshop on Computer Aided Modeling and Design of Communication Links and Networks (CAMAD). Barcelona: IEEE, 2018. 1-6.
Li CH, Wu Y, Qian ZZ, Sun ZJ, Wang WM. DDoS attack detection and defense based on hybrid deep learning model in SDN. Journal on Communications, 2018, 39(7):176-187(in Chinese with English abstract).
李传煌, 吴艳, 钱正哲, 孙正君, 王伟明.SDN下基于深度学习混合模型的DDoS攻击检测与防御.通信学报, 2018, 39(7):176-187.
Han B, Yang X, Sun Z, Huang J, Su J. OverWatch:A cross-plane DDoS attack defense framework with collaborative intelligence in SDN. Security and Communication Networks, 2018, 2018:9649643:1-9649643:15.
Nguyen TTT, Armitage GJ. A survey of techniques for internet traffic classification using machine learning. IEEE Communications Surveys and Tutorials, 2008, 10(1-4):56-76.
Grimaudo L, Mellia M, Baralis E, Keralapura R. SeLeCT:Self-learning classifier for Internet traffic. IEEE Trans. on Network and Service Management, 2014, 11(2):144-157.
Ettiane R, Chaoub A, Elkouch R. Enhanced traffic classification design through a randomized approach for more secure 3G mobile networks. In: Proc. of the 2016 Int'l Conf. on Wireless Networks and Mobile Communications (WINCOM). Fez: IEEE, 2016. 116-121.
Chabaa S, Zeroual A, Antari J. Identification and prediction of Internet traffic using artificial neural networks. JILSA, 2010, 2(3):147-155.
Jarschel M, Wamser F, Hohn T, Zinner T, Tran-Gia P. SDN-based application-aware networking on the example of YouTube video streaming. In: Proc. of the 2nd European Workshop on Software Defined Networks. Berlin: IEEE, 2013. 87-92.
Uddin M, Nadeem T. TrafficVision: A case for pushing software defined networks to wireless edges. In: Proc. of the 13th IEEE Int'l Conf. on Mobile Ad Hoc and Sensor Systems (MASS). Brasilia: IEEE, 2016. 37-46.
Qazi ZA, Lee J, Jin T, Bellala G, Arndt M, Noubir G. Application-awareness in SDN. In: Proc. of the ACM SIGCOMM Conf. 2013. Hong Kong: ACM Press, 2013. 487-488.
Wang P, Lin S-C, Luo M. A framework for QoS-aware traffic classification using semi-supervised machine learning in SDNs. In: Proc. of the 2016 IEEE Int'l Conf. on Services Computing (SCC). San Francisco: IEEE, 2016. 760-765.
Li Y, Li J. MultiClassifier: A combination of DPI and ML for application-layer classification in SDN. In: Proc. of the 2nd Int'l Conf. on Systems and Informatics (ICSAI 2014). Shanghai: IEEE, 2014. 682-686.
Zhang C, Wang X, Li F, He Q, Huang M. Deep learning-based network application classification for SDN. Trans. on Emerging Telecommunications Technologies, 2018, 29(5):e3302.
Xu J, Wang J, Qi Q, Sun H, He B. IARA: An intelligent application-aware VNF for network resource allocation with deep learning. In: Proc. of the 15th Annual IEEE Int'l Conf. on Sensing, Communication, and Networking (SECON). Hong Kong: IEEE, 2018. 1-3.
Xu J, Wang J, Qi Q, Sun H, He B. Deep neural networks for application awareness in SDN-based network. In: Proc. of the 28th IEEE Int'l Workshop on Machine Learning for Signal Processing (MLSP). Aalborg: IEEE, 2018. 1-6.
Wang P, Ye F, Chen X, Qian Y. Datanet:Deep learning based encrypted network traffic classification in SDN home gateway. IEEE Access, 2018, 6:55380-55391.
Ramirez I, Sprechmann P, Sapiro G. Classification and clustering via dictionary learning with structured incoherence and shared features. In: Proc. of the 2010 IEEE Computer Society Conf. on Computer Vision and Pattern Recognition (CVPR). San Francisco: IEEE, 2010. 3501-3508.
Oliveira TP, Barbar JS, Soares AS. Multilayer perceptron and stacked autoencoder for Internet traffic prediction. In: Proc. of the 2014 IFIP Int'l Conf. on Network and Parallel Computing (NPC). Ilan: IFIP, 2014. 61-71.
Alawe I, Ksentini A, Hadjadj-Aoul Y, Bertin P. Improving traffic forecasting for 5G core network scalability:A machine learning approach. IEEE Network, 2018, 32(6):42-49.
Azzouni A, Pujolle G. NeuTM: A neural network-based framework for traffic matrix prediction in SDN. In: Proc. of the 2018 IEEE/IFIP Network Operations and Management Symp. (NOMS). IEEE, 2018. 1-5.
Liu W, Zhang J, Liang Z, Peng L, Cai J. Content popularity prediction and caching for ICN:A deep learning approach with SDN. IEEE Access, 2018, 6:5075-5089.
Liu W, Yu S-Z, Tan G, Cai J. Information-centric networking with built-in network coding to achieve multisource transmission at network-layer. Computer Networks, 2017, 115:110-128.
Pei J, Hong P, Li D. Virtual network function selection and chaining based on deep learning in SDN and NFV-enabled networks. In: Proc. of the 2018 IEEE Int'l Conf. on Communications Workshops (ICC Workshops). Kansas City: IEEE, 2018. 1-6.
Dwaraki A, Wolf T. Adaptive service-chain routing for virtual network functions in software-defined networks. In: Proc. of the 2016 Workshop on Hot Topics in Middleboxes and Network Function Virtualization (HotMiddlebox@SIGCOMM). Florianopolis: ACM Press, 2016. 32-37.
Qiu C, Yu FR, Yao H, Jiang C, Xu F, Zhao C. Blockchain-based software-defined industrial Internet of Things: A dueling deep Q-learning approach. IEEE Internet of Things Journal, 2018, 1.
Li CH, Cheng C, Yuan XY, Cen LJ, Wang WM. Policy conflict detection in software defined network by using deep learning. Telecommunications Science, 2017, 33(11):27-36(in Chinese with English abstract).
李传煌, 程成, 袁小雍, 岑利杰, 王伟明.基于深度学习的软件定义网络应用策略冲突检测方法.电信科学, 2017, 33(11):27-36.
Tang F, Mao B, Fadlullah ZM, Kato N. On a novel deep-learning-based intelligent partially overlapping channel assignment in SDN-IoT. IEEE Communications Magazine, 2018, 56(9):80-86.
Tang F, Fadlullah ZM, Mao B, Kato N. An intelligent traffic load prediction based adaptive channel assignment algorithm in SDN-IoT: A deep learning approach. IEEE Internet of Things Journal, 2018, 1.