机器学习在软件定义网络中的应用开题报告

全文总字数：5175字

1. 研究目的与意义（文献综述）

研究现状分析：

随着通信网络技术及业务的迅猛发展,通信网络的用户数量以及用户对业务的流量需求急剧增加,但网络部署复杂、网络架构垂直且封闭以及电信业务总量与收入不匹配等诸多问题使得当今的网络面临着巨大挑战。软件定义网络(software defined network,sdn)架构的出现和发展极大地推进了通信网络架构的演进。在基于sdn的网络中,控制面和数据面分离,不再是紧耦合模型,使得网络更为灵活且可扩展性更好。分布式sdn架构是物理上分布、逻辑上集中的sdn架构的实现,作为sdn范式的一个重要架构模型,能够适用于大规模网络,且在控制功能上更为稳定可靠具有弹性,因此引起了国内外研究界和工业界的极大关注^【6】。

sdn促进了通信网络的创新，通过可编程性以及系统地集中网络控制平面数据简化网络管理。这两大特点对于未来网络至关重要。然而这两大功能同时也将网络推上了安全风险的风口浪尖。例如，sdn控制器升级或改变了数据传输组件中的数据流规则。控制信息可以很容易地被识别，使得其在网络中成为一个可视的实体，成为阻断服务攻击的最优对象。另外，当整个网络攻击达到饱和，网络控制的集中化也会使控制遇到瓶颈。通过可编程化，所有网络功能都可以通过sdn应用执行。如果恶意软件被授权通道或者关键的apis（application programminginterfaces应用程序编程接口）被暴露于非规划内的软件中，那么整个网络可能会经历一场浩劫^【6，7】。当前的sdn架构（如openflow）需要数据转发元件存储传输流量请求，在未来控制中心升级流量传输规则后就不必要了。因此，如果传输元件只有有限的资源来缓冲未经请求的流量，那么数据层元件可能遭受饱和攻击的威胁。更重要的是，这种对于控制中心的依赖性需要控制数据平面通道，对于安全攻击具有一定的弹性，而不是像目前安全协议的选择性使用以及在规模较大的网络中长时间的修复工作。剩余的或者多个控制中心可以解决控制中心可获得性的问题，也可以增加对于安全性攻击的弹性。然而，传输元件的配置错误或者多个控制中心引起的内部组件间的冲突将阻碍全网络的安全策略的加强^【8，14】。

2. 研究的基本内容与方案

研究（设计）的基本内容：

3. 研究计划与安排

第1-5周：全面了解机器学习与sdn的概念与背景，查阅相关文献，完成开题报告

第6-9周：深入了解机器学习与sdn，进一步查询相关文献与已有数据资料，大致确立解决问题的思路与方法，完成英文文献翻译

第9-12周：开始论文的撰写工作，进一步对知识进行补充与查漏，完成阶段性报告

4. 参考文献（12篇以上）

[1] 张润，王永滨 . 机器学习及其算法和发展研究 [ j ] . 中国传 媒大学学报 ( 自然科学版 )，2016，(02)：10-18 24

[2] 颜敏玲，郑蕾，陈庆春 . 基于 s d n 的云计算网络 [ j ] . 信息通信技术，2015，(02)：60-66 77

[3] 郭爱鹏，周光涛，夏俊杰，等. 基于sdn的边缘网络控制技术及应 用［j］. 邮电设计技术，2014（3）：35-39.