基于網絡分域的航空信息網絡控制器部署方法

付皓通, 王 翔, 趙尚弘, 宋鑫康, 薛鳳鳳

(空軍工程大學信息與導航學院,西安,710077)

現階段以“平臺為中心”設計思路構建的航空信息網絡[1]存在功能與設備耦合,平臺間信息傳輸共享不暢,網絡集中管控能力不足等問題[2-3],面對日益復雜的業務需求及不斷增長的業務流量,越來越難以滿足用戶的服務需求。軟件定義網絡[4-5](software defined network,SDN)技術的出現為航空信息網絡的發展帶來了全新的思路,SDN使網絡管理與數據傳輸相分離,建立邏輯集中的控制平面實現全網設備的統一管理,控制平面不參與具體的流量傳輸,專注于控制策略的制定和下發;設備平臺簡化為傳輸單元,負責接收控制平面下發的指令并執行流量傳輸等操作。SDN具有的開放性、靈活性及可編程性等特點,為提升航空信息網絡資源管控能力帶來了巨大優勢,可顯著提升網絡任務服務效能[6]。

應用SDN技術構建航空信息網絡[7],首先需要在網絡中的關鍵節點部署控制器,建立邏輯集中的控制架構,為網絡資源集中高效管控,靈活動態調度提供體系架構保障。目前SDN控制器部署問題逐漸成為研究熱點[8],研究表明控制器的數量和部署位置會顯著影響網絡性能[9],前者影響著控制平面的穩定性及可擴展性,而后者關系到網絡的管理和配置效率。目前相關研究以地面網絡應用為背景,文獻[10]對時延優化問題進行研究,提出基于聚類的網絡劃分算法來減少傳播時延;文獻[11]針對可靠性部署問題分別采用貪婪算法和模擬退火算法進行求解,得到了可靠性優化的部署方案;文獻[12]綜合網絡時延和負載均衡度,采用改進多目標遺傳算法進行求解,加快算法收斂性的同時提高了解的多樣性;文獻[13]對網絡彈性和容錯性部署問題進行研究,應用Pareto優化理論實現了二者的權衡;文獻[14]對負載均衡問題進行研究,采用博弈論方法重新分配交換機來實現控制器的負載均衡;文獻[15]提出了一種基于網絡劃分的部署算法,降低算法復雜度的同時可實現請求時延及網絡可靠性的優化。然而文中僅考慮了區域內的流量傳輸,未考慮跨區域流量傳輸場景,且網絡模型有待進一步完善,算法復雜度仍需進一步降低。

與地面應用場景不同,航空信息網絡具有網絡規模大、戰場環境對抗性高、電磁環境干擾強等特點,控制節點容易出現故障損毀問題,因此采用多全局控制器的混合式結構[16-17]來提升網絡的魯棒性性及可擴展性。此外,面對瞬息萬變的戰場態勢,信息傳輸時延、網絡負載均衡度、網絡可靠性及部署成本等因素均對網絡性能有較大影響,決定著航空信息網絡在體系對抗中是否能取得優勢地位,因此在控制器部署問題中需要對上述指標進行充分考慮。

為推進SDN與航空信息網絡的結合進程,有效提升航空信息網絡的綜合性能,本文結合航空信息網絡場景特點,針對網絡中的關鍵性能指標,設計了一種基于SDN的航空信息網絡混合式控制架構,來實現對全網平臺的集中管控;綜合考慮區域內流量傳輸及跨區域流量傳輸兩種重要傳輸場景,建立請求時延函數,并對網絡模型及約束條件進行完善細化;借鑒網絡分域能夠有效降低算法尋優復雜度的思想,在控制架構建立過程中,首先依據平臺間的時延性能將網絡劃分為不同區域,確保區域內部平臺之間的信息能夠快速傳輸;其次,為避免單一性能指標存在的局限,依據請求時延、負載均衡指數及控制器數量等指標對網絡平臺進行域間調度,從而提升網絡的綜合性能;在此基礎上,以網絡可靠性最大化為優化目標部署控制器,建立集中控制體系,實現對網絡的集中管控。為驗證本文所提算法的有效性,在仿真實驗部分對算法性能進行驗證分析。

1 系統模型

1.1 場景描述

航空信息網絡混合式控制架構如圖1所示,網絡中存在多種類型的有人/無人機平臺,依據航空任務動態組織。為實現網絡的集中高效管控,同時提升控制平面的可擴展性,將網絡控制平面劃分為區域控制器平面和全局控制器平面。區域控制器平面由區域控制器(area controller,AC)組成,每個區域控制器能夠管理一定范圍和規模的網絡,負責域內平臺管理及流量轉發,收集底層網絡狀態信息并向上提供給全局控制器;全局控制器平面由多個空間分布的全局控制器(global controller,GC)組成,全局控制器之間通過分布式通信協議共享各自掌握的網絡狀態信息,從而形成統一的網絡視圖信息,并負責跨區域流量的處理和轉發。

(a)航空集群作戰場景 (b)混合式控制架構

控制器根據網絡規模、空間分布、網絡流量等情況按需部署在網絡中,以實現網絡的高效管控[18]。假設網絡中所有節點都可以部署成為控制節點,控制器功能與平臺應用程序共享設備底層物理資源,可以根據部署指令動態開啟或關閉控制器功能,實現控制器的彈性部署。網絡中動態變化的控制器形成控制器資源池,部署成為區域控制器平面和全局控制器平面,共同形成邏輯集中的網絡控制架構。

1.2 網絡模型

航空信息網絡用無向圖G(V,E)表示,其中V={v1,v2,…,vN}表示航空平臺集合,E表示平臺間的鏈路集合,網絡可劃分為多個區域,每個區域都包含一定數量的網絡節點與相關鏈路,對每個區域部署一個控制器來實現對該區域節點的管控。網絡劃分約束可表示為:

G(V,E)=G1(V1,E1)∪G2(V2,E2)∪…∪GK(VK,EK)

(1)

Gi∩Gj=?,i≠j

(2)

航空信息網絡中相關變量及定義歸納如表1。

表1 航空信息網絡相關變量及定義

1.3 性能指標

1.3.1 平均請求時延

與單控制器架構和扁平式控制架構不同,在混合式控制架構中,網絡節點的流量請求有2種類型:①節點到區域控制器的流量請求;②節點到全局控制器的流量請求。對于域內通信而言,節點產生的流量請求到達區域控制器,由區域控制器處理并轉發到域內節點,實現域內流量傳輸。區域k中節點的域內流量請求時延可表示為:

(3)

對于域間通信而言,節點產生的流量請求經區域控制器后到達全局控制器,由全局控制器處理后轉發到其他區域控制器,進而轉發至目的節點,實現跨域流量傳輸。區域k中節點的跨域流量請求時延可表示為:

(4)

式中:d(u,v)為Dijkstra算法計算得到的最短路徑。

設每個節點的跨域通信概率為P,域內通信概率為1-P,域k的平均請求時延可表示為:

(5)

1.3.2 負載均衡指數

在混合式架構中,網絡被劃分為不同的區域,區域控制器管理并維護著域內網絡功能的正常運行。網絡的負載均衡性是控制器部署時需要考慮的重要因素[19]。文中綜合考慮節點流量請求速率與節點數量的影響,區域k的負載均衡指數可表示為:

(6)

1.3.3 網絡可靠性

在航空信息網絡中,控制平面的可靠性是網絡性能的重要指標,可靠性越高,控制平面能夠正常運行的時間就越長[20]?？煽啃酝ǔ０ü濣c可靠性和鏈路可靠性,設節點故障的概率為pv,鏈路中斷的概率為pe,則節點i和j之間的鏈路可靠性可表示為:

R(i,j)=∏e∈Ei,j(1-pe)∏v∈Vi,j(1-pv)

(7)

式中:Vi,j和Ei,j分別表示i和j之間最短路徑所包含的節點集合與鏈路集合。

1.3.4 控制器數量

航空信息網絡的部署成本主要取決于部署的控制器數量,因此,在滿足網絡管理需求的條件下,最小化控制器的部署數量,能有效降低網絡部署成本并提升資源利用率。設每個控制器的容量為φ,不引起控制器過載的最大資源利用率為Umax,網絡中所需的最少控制器數量為:

K0=μtotal/(φ·Umax)

(8)

設網絡中實際部署的控制器數量為K,則實際部署數量與最少數量的偏差可表示為:

(9)

式中:Kvar值越小,表示實際部署的控制器數量越少,網絡部署成本越低。

1.4 優化目標及約束條件

通過定義網絡請求時延、負載均衡度、網絡可靠性及控制器數量等指標,能夠對航空信息網絡性能進行比較全面的衡量。在控制器部署的過程中,需要同時考慮對上述性能指標進行優化,以增強網絡的綜合性能,提升快速響應能力、負載均衡性及網絡可靠性,并降低部署成本。網絡的優化目標可以表示為:

Kvar},K0≤K≤N

(10)

式中:X={x1,x2,…,xK},xk={xk,1,xk,2,…,xk,N},且xk,j={0,1}。區域數量K為優化變量,K不小于最小分域數量K0,且不超過節點總數N。

網絡中相關的約束條件表示如下:

∈Ei,j

(11)

式中:C1表示每個節點在同一時刻只能劃分到一個區域;C2表示域內節點的流量請求速率之和不超過控制器承載限度。C3表示節從點i到節點j的數據流至少需要經過一條鏈路;C4、C5表示為避免數據流出現環路并且保證數據流流向,每個數據流最多只能從一個節點流出或從一個節點流入;C6表示流經一個節點的數據流需滿足連續性約束[22];C7表示流經鏈路eu,v的所有數據流之和不超過鏈路的帶寬bu,v。

2 控制器部署算法設計

航空信息網絡的網絡規模龐大,直接部署控制器面臨尋優范圍廣、計算復雜度大、運算時間長、難以及時部署等問題。為解決上述問題,本節結合航空場景特點,提出一種航空信息網絡控制器部署算法(aviation information network controller deployment algorithm,AIN-CD)。

2.1 網絡劃分

為實現網絡的快速劃分,本節基于節點距離構造模塊度函數進行網絡分域,得到相似度高、節點間時延小的劃分方案,保證算法能夠快速收斂?；诰嚯x的模塊度函數構造如下:

(12)

(13)

Ai,j=χ/d(i,j)

(14)

式中:Ai,j表示節點i和j之間邊的權重,其與節點之間的距離成反比,同時為避免Ai,j值過小以系數χ調節;Σin表示域內所有節點之間的邊權重之和;Σtot表示與域內節點相連的所有邊的權重之和。網絡模塊度值等于所有子域模塊度值之和。

節點從原域中取出,加入到目的域時,會產生模塊度增益[22]:

(15)

式中:wi,in表示節點i與目的域相連的所有邊的權重之和;wi表示與節點i相連的所有邊的權重之和。

在分域過程中,將每個節點依次取出,遍歷相鄰的域并計算ΔQ,若存在ΔQ>0,則選擇模塊度增益最大的域放入該節點,否則不發生移動。重復上述過程,直到網絡的模塊度值不再發生變化;接下來將各域內點合并為一個超節點,繼續對超節點執行分域操作,直至達到收斂條件。

2.2 域間調度

在本節中,綜合考慮請求時延、負載均衡及控制器數量的影響對網絡節點進行調度,進一步優化網絡的分域結構。

將各域中節點組成節點聯盟,依據請求時延、負載均衡及控制器數量建立分域優化函數,通過比較分域優化函數的變化來判斷域間節點是否進行調度。構造分域優化函數如下:

(16)

式中:U(ν)表示分域結構為ν時的優化函數值;Dmax、Lmax分別表示平均請求時延、負載均衡度指數的最大值。此時優化目標可轉化為尋找分域優化函數的最大值,即maxU(ν)。節點n從域Vi調度到域Vj的條件可表示為:

(Vi,ν)n(Vj,ν')?U()

(17)

若節點n傾向于留在當前域Vi中,則相應的調度關系可表示為:

(Vi,ν)?n(Vj,ν')?U(ν)≥U(ν')

(18)

式中:當前網絡分域結構和相鄰結構分別表示為ν和ν',分域數量K為網絡中非空子域的數量,節點調度算法流程如表2。

表2 域間調度算法流程

2.3 控制器部署

航空信息網絡具有空間分布范圍廣泛、網絡拓撲動態變化、鏈路連接狀況不穩定等特點,容易出現通信中斷、平臺失連及損毀等問題,從而導致網絡功能失效及網絡性能下降,因此在部署控制器時,選擇網絡中可靠性最高的節點進行部署,可以提升控制平面的可靠性?？煽啃宰畲蠡目刂破鞑渴鹚惴ㄒ姳?。

表3 控制器部署算法流程

在算法1形成的分域結構基礎上,依次遍歷每個區域,選擇區域中可靠性最大的節點部署區域控制器實現對該區域的管控;后依次遍歷每個區域控制器節點,選擇其中可靠性最高的|Cg|個節點部署全局控制器,從而形成層次式控制結構。

3 復雜度分析

在網絡分域階段,設第i次迭代后網絡網絡規模為Ni,則算法收斂需要執行的計算量為N(N-1)+N1(N1-1)+…+1.2K0(1.2K0-1),由于Ni?N,時間復雜度為ο(N2)。在域間調度階段,域內每個節點都需要與其他域進行比較交換,網絡總節點數為N,分域數量為K,平均每個域中的節點數為N/K,則需要執行的計算量為(N/K)(K-1)K,時間復雜度為ο(KN)。在控制器部署階段,需要遍歷域內每個節點,選擇可靠性最大的節點進行部署,算法時間復雜度為ο(N);之后遍歷所有局部控制器節點,選擇可靠性最大的|Cg|個節點部署全局控制器,時間復雜度為ο(K)。因此,AIN-CD算法的時間復雜度為ο(N2)+ο(KN)+ο(N)+ο(K),由于K?N,因此算法時間復雜度近似為ο(N2),與網絡節點數量的平方成正比。

4 實驗分析

4.1 仿真環境設置

在本節中基于MATLAB環境對所提模型和算法進行仿真實驗,并將AIN-CD算法和改進K-means算法[24](improved K-means algorithm, IKM)、基于帕累托優化的控制器部署算法[25](Pareto-based optimal controller placement algorithm, POCO)和隨機部署算法(random deployment algorithm, RD)的性能進行比較,仿真區域為400 km×300 km的矩形區域,節點的通信半徑為50 km,網絡拓撲在給定網絡規模下隨機生成,節點之間的最短路徑由Dijkstra算法計算得到,相關仿真參數設置見表5,每次仿真實驗重復執行20次,取平均值作為實驗結果。

表5 仿真參數設置

4.2 實驗結果分析

AIN-CD算法能夠根據模塊度函數及分域優化函數自適應地計算得到最佳的網絡分域數量,而IKM、POCO和RD算法需要預先指定網絡分域數量,因此將其他算法的分域數量設置為與AIN-CD算法相同。

圖2為不同網絡規模下算法的平均請求時延變化。隨著網絡規模不斷增長,平均請求時延不斷增大。RD算法采取了隨機部署策略,沒有考慮對網絡性能指標進行優化,因此平均請求時延最大。當網絡規模小于120時,AIN-CDA算法的平均請求時延小于IKM算法;當網絡規模大于120時,IKM算法的平均請求時延最小。IKM算法依據節點間距離最短對網絡進行劃分,因此能獲得較小的平均請求時延。

圖2 不同網絡規模下平均請求時延

圖3為α=0.5,β=0.5時不同網絡規模下算法的負載均衡指數變化。隨著網絡規模不斷增長,負載均衡指數不斷增大,負載均衡性逐漸下降。RD算法的負載均衡性能最差,容易出現網絡負載失衡及控制器過載等問題,IKM算法的負載均衡性優于RD算法。POCO算法的負載均衡性低于AIN-CD算法,由于POCO算法同時對請求時延、負載均衡和可靠性進行尋優,各目標之間存在一定程度的互斥關系,對其他性能指標進行優化時會降低負載均衡性。與其他算法相比,AIN-CD算法的負載均衡指數最小,表明其負載均衡性最好。當α=0.5,β=0.5時,AIN-CD算法綜合考慮域內節點流量請求速率與節點數量的影響,實現了較好的負載均衡性。

圖3 不同網絡規模下負載均衡指數

圖4所示為不同網絡規模下算法的可靠性對比。RD算法的可靠性最低,IKM算法在部署過程僅對時延性能進行優化,其可靠性低于AIN-CD算法;當網絡規模大于140時,AIN-CD算法的可靠性低于POCO算法。由于AIN-CD算法首先對網絡進行劃分,一定程度上限制了算法的優化能力;而POCO算法面向全網搜索尋優,能有效避免陷入局部最優,算法的全局尋優能力更強,因此網絡規模增大時算法的可靠性最高。

圖4 不同網絡規模下網絡可靠性

設置網絡規模為120,圖5～圖7為該規模下4種算法在不同分域數量時的網絡性能對比。AIN-CD算法將網絡劃分為6個子域,并且不隨分域數量增長而變化,因此在圖5～圖7中為直線。

圖5和圖6分別為不同分域數量下平均請求時延和負載均衡指數的變化。隨著分域數量的增加,4種算法的平均請求時延和負載均衡指數均不斷下降。由于分域數量逐漸增加,域中節點不斷減少,從而降低了域內請求時延和網絡管理壓力。當分域數量多于6時,IKM算法和POCO算法的平均請求時延低于AIN-CD算法;當分域數量多于7時,IKM算法和POCO算法的負載均衡指數小于AIN-CD算法。然而控制器隨分域數量增加而增長,增加了網絡部署成本。AIN-CD算法將分域數量作為優化目標之一,根據網絡狀況進行合理分域,在保證較好時延和負載均衡性能的同時,能夠有效降低網絡部署成本。

圖5 不同分域數量下平均請求時延

圖6 不同分域數量下負載均衡指數

圖7所示為不同分域數量下網絡可靠性的變化。隨著分域數量的增加,4種算法的可靠性不斷提高,從而驗證了增加控制器數量能夠有效提升網絡可靠性。當分域數量多于7時,POCO算法的可靠性高于其他算法。

圖7 不同分域數量下網絡可靠性變化

圖8為不同網絡規模下算法平均計算時間的變化,將IKM算法、POCO算法和RD算法的分域數量設置為與AIN-CD算法相同。隨著網絡規模不斷增長,算法的計算時間不斷增加,AIN-CD算法的計算時間小于IKM算法和POCO算法。AIN-CD算法通過網絡分域與域內尋優,有效降低了計算復雜度,從而減少計算時間;POCO算法的計算時間明顯增加,約為AIN-CD算法的3倍左右。由于POCO算法面向全網搜索尋優,對網絡規模變化敏感,當網絡規模增大時計算復雜度迅速增長,因此計算時間最長。而RD算法采用隨機部署策略,不涉及對網絡性能進行優化,因此計算時間最短。

圖8 不同網絡規模下算法計算時間變化

5 結語

本文面向航空信息網絡控制器部署問題開展研究,針對航空信息網絡規模龐大、拓撲動態變化、戰場對抗劇烈等特點,歸納了平均請求時延、負載均衡指數、控制器數量、網絡可靠性等關鍵性能指標,提出了一種網絡劃分和域內部署的控制器部署算法。研究結果表明,所提算法具有較低的計算復雜度,能夠有效提升網絡綜合性能,適用于解決航空場景下的控制器動態部署問題。深度強化學習是人工智能技術的重要突破,為提升航空信息網絡資源優化能力和網絡管理效率帶來了可能,未來將開展基于深度強化學習的航空信息網絡控制器部署方法研究。