趙　靜, 趙尚弘, 趙衛(wèi)虎, 李勇軍

(1. 空軍工程大學(xué)信息與導(dǎo)航學(xué)院, 陜西 西安 710077; 2. 國防科技大學(xué)信息通信學(xué)院, 陜西 西安 710106)

0　引　言

航空網(wǎng)絡(luò)是以空中高速飛行的飛機(jī)為空中無線通信的主要節(jié)點(diǎn),以節(jié)點(diǎn)間無線通信連接為鏈路組成的網(wǎng)絡(luò),具有覆蓋廣、高動態(tài)、接入量大、任務(wù)多樣化等特點(diǎn)[1-2]。當(dāng)前基于機(jī)間寬帶射頻數(shù)據(jù)鏈構(gòu)建的航空骨干網(wǎng)存在帶寬資源受限、強(qiáng)電磁干擾環(huán)境下通信能力弱等問題,而激光通信鏈路具有低截獲、高速率、抗干擾等特點(diǎn),是構(gòu)建航空骨干網(wǎng)絡(luò)的理想方案。作為未來航空網(wǎng)絡(luò)的發(fā)展方向,基于激光鏈路的航空骨干網(wǎng)能夠連接衛(wèi)星網(wǎng)絡(luò)實(shí)現(xiàn)大范圍空域的綜合業(yè)務(wù)傳輸,并通過無線射頻鏈路與各類戰(zhàn)術(shù)子網(wǎng)形成互聯(lián)互通的通信網(wǎng)絡(luò)。然而,利用現(xiàn)有的網(wǎng)絡(luò)技術(shù)來構(gòu)建未來航空網(wǎng)絡(luò)存在著許多矛盾與挑戰(zhàn),其中最突出的是通用互聯(lián)網(wǎng)協(xié)議(Internet protocol,IP)網(wǎng)絡(luò)與上層應(yīng)用多樣化特征和需求之間的矛盾[3-4]。

軟件定義網(wǎng)絡(luò)(software defined network,SDN)的出現(xiàn)為解決上述問題提供了契機(jī)。SDN將控制平面從傳統(tǒng)的路由交換設(shè)備中解耦出來,使未來網(wǎng)絡(luò)中的基礎(chǔ)交換設(shè)備只具有轉(zhuǎn)發(fā)功能,轉(zhuǎn)發(fā)平面具有協(xié)議無關(guān)性、集中化和可編程性。由控制器組成的邏輯上集中控制平面能夠檢測和采集鏈路狀況和組網(wǎng)信息,具有根據(jù)用戶需求,對網(wǎng)絡(luò)資源進(jìn)行調(diào)配的能力,同時具有策略制定和流表項(xiàng)下發(fā)功能[5-7]。集中式控制器平面可擴(kuò)展性較差,易引起連接中斷,嚴(yán)重影響網(wǎng)絡(luò)可靠性,在大規(guī)模網(wǎng)絡(luò)中其性能急劇下降。因此,采用邏輯上集中、物理上分布的控制器部署方式成為未來軟件定義航空網(wǎng)絡(luò)的重要解決方法。控制器部署問題需要考慮兩個主要問題,即在網(wǎng)絡(luò)中部署控制器的數(shù)量及部署位置[8-10]。

目前國內(nèi)外關(guān)于控制器部署主要是圍繞時延、可靠性、流量處理開銷等優(yōu)化指標(biāo)來確定的。文獻(xiàn)[11]主要解決在給定網(wǎng)絡(luò)拓?fù)湎?需要多少個控制器以及怎樣部署這些控制器這兩個問題,通過定義控制器與交換機(jī)之間平均/最大傳播時延兩個指標(biāo)來分析控制器部署問題。文獻(xiàn)[12]以平均時延最短和控制器數(shù)量較少為優(yōu)化目標(biāo),采用基于二值粒子群優(yōu)化算法的方法獲得控制器部署問題的非劣最優(yōu)解集合。文獻(xiàn)[13]定義控制路徑失效百分比的期望值作為可靠性指標(biāo),應(yīng)用l-w-greedy算法和模擬退火算法解決了SDN中可靠性感知的控制器部署問題。

基于軟件定義網(wǎng)絡(luò)思想,提出了以激光通信鏈路為骨干互連，以節(jié)點(diǎn)間無線通信連接為鏈路組成的軟件定義航空光信息網(wǎng)絡(luò)的網(wǎng)絡(luò)架構(gòu)，分析了軟件定義航空光信息網(wǎng)絡(luò)中控制器部署問題的特點(diǎn),針對航空光信息網(wǎng)絡(luò)中的控制器部署問題進(jìn)行研究,建立了基于網(wǎng)絡(luò)可靠性的整數(shù)規(guī)劃模型,提出融合人工免疫策略、小生境思想和改進(jìn)遺傳算法的混合優(yōu)化算法,以實(shí)現(xiàn)對基于可靠性模型的優(yōu)化。最后,以包含34個航空節(jié)點(diǎn)的航空網(wǎng)絡(luò)為仿真場景,考慮了網(wǎng)絡(luò)中斷概率和控制器數(shù)量兩個瓶頸指標(biāo),采用仿真對比實(shí)驗(yàn),驗(yàn)證了本文算法在收斂速度、部署結(jié)果方面的性能。

1　軟件定義航空光信息網(wǎng)絡(luò)控制器部署特點(diǎn)

軟件定義航空光信息網(wǎng)絡(luò)根據(jù)未來航空信息網(wǎng)絡(luò)的應(yīng)用需求,基于軟件定義網(wǎng)絡(luò)的先進(jìn)思想設(shè)計的具有開放可擴(kuò)展、信息資源高效靈活調(diào)度、面向航空服務(wù)的新一代航空信息網(wǎng)絡(luò),能夠?yàn)槲磥砗娇胀ㄐ畔到y(tǒng)提供差異化服務(wù)。其主要特點(diǎn)是通過構(gòu)建具有不同QoS等級的虛擬網(wǎng)絡(luò),使得不同等級的航空應(yīng)用可以根據(jù)特定的業(yè)務(wù)和應(yīng)用需求選擇合適的服務(wù)等級,從而實(shí)現(xiàn)全網(wǎng)差異化服務(wù),構(gòu)建靈活高效的新型信息傳輸模式,極大提高網(wǎng)絡(luò)通信效能。本文提出了基于SDN技術(shù)的航空光信息網(wǎng)絡(luò)概念,軟件定義航空光信息網(wǎng)絡(luò)的網(wǎng)絡(luò)架構(gòu)如圖1所示。

圖1　軟件定義航空光信息網(wǎng)絡(luò)系統(tǒng)示例

由圖1可知,軟件定義航空光信息網(wǎng)絡(luò)主要由3部分組成:①移動子節(jié)點(diǎn),主要包括空中接入節(jié)點(diǎn)、地面移動節(jié)點(diǎn)等?？赏ㄟ^短波、超短波、無線激光通信等無線通信鏈路實(shí)現(xiàn)多種狀態(tài)數(shù)據(jù)的收集和傳輸。②航空骨干節(jié)點(diǎn),主要包括飛行位置和特性相對穩(wěn)定的大型飛機(jī)平臺,通過激光鏈路構(gòu)建骨干鏈路,作為數(shù)據(jù)接收器接收并傳輸來自移動節(jié)點(diǎn)的狀態(tài)數(shù)據(jù)。航空骨干節(jié)點(diǎn)同時可作為網(wǎng)絡(luò)控制器實(shí)現(xiàn)對網(wǎng)絡(luò)的管理與控制。③帶內(nèi)、帶外控制信道,能夠在移動節(jié)點(diǎn)及控制器之間實(shí)現(xiàn)控制信息的傳輸與交換。

特別地,軟件定義航空信息網(wǎng)絡(luò)控制器部署問題具有以下特點(diǎn):

(1) 節(jié)點(diǎn)移動性。航空網(wǎng)絡(luò)中,節(jié)點(diǎn)間相對運(yùn)動速率大,網(wǎng)絡(luò)拓?fù)淇焖賱討B(tài)變化,同時由于機(jī)間激光束對準(zhǔn)難度大[14],導(dǎo)致傳輸節(jié)點(diǎn)與控制器的連接中斷,進(jìn)而造成傳輸節(jié)點(diǎn)的不可用,帶來航空網(wǎng)絡(luò)連通性問題。

(2) 節(jié)點(diǎn)傳輸終端故障。受器件性能、傳輸環(huán)境等影響,航空節(jié)點(diǎn)上通信終端會發(fā)生故障導(dǎo)致該天線資源在某段時間內(nèi)失效,則在該段時間內(nèi)與該控制器相連的傳輸節(jié)點(diǎn)需要進(jìn)行重新安排,這對網(wǎng)絡(luò)連通性和故障恢復(fù)能力帶來極大挑戰(zhàn)。

(3) 鏈路傳輸不穩(wěn)定性。航空網(wǎng)絡(luò)中激光鏈路受大氣信道影響嚴(yán)重,大氣吸收、散射及光強(qiáng)閃爍效應(yīng)會造成激光大氣衰減效應(yīng)。微波射頻鏈路容易受到大氣中雨、雪、霧等自然狀況、路徑衰落、多徑效應(yīng)或無線干擾等影響。因此航空鏈路容易出現(xiàn)頻繁的鏈路中斷和重建,具有高誤碼率、大鏈路時延等特點(diǎn)[15],這給航空網(wǎng)絡(luò)的連通性、可用性帶來問題。

(4) 三維、大尺度的節(jié)點(diǎn)分布特性。航空通信網(wǎng)絡(luò)中,不同飛機(jī)節(jié)點(diǎn)的飛行高度存在差異性,飛機(jī)節(jié)點(diǎn)稀疏分布在大尺度三維空域場景中,導(dǎo)致節(jié)點(diǎn)間鏈路傳輸時延差異較大。

根據(jù)以上分析可知，由于軟件定義航空光信息網(wǎng)絡(luò)中節(jié)點(diǎn)運(yùn)動及鏈路傳輸?shù)奶攸c(diǎn),網(wǎng)絡(luò)中控制器故障、轉(zhuǎn)發(fā)節(jié)點(diǎn)及轉(zhuǎn)發(fā)鏈路故障是影響網(wǎng)絡(luò)性能的重要因素。

2　控制器部署模型

控制器部署是非確定性多項(xiàng)式難(non-deterministic polynomial hard, NP-hard)問題。由上述對軟件定義航空信息網(wǎng)絡(luò)的控制器部署問題特點(diǎn)分析可知,控制器故障、轉(zhuǎn)發(fā)節(jié)點(diǎn)及轉(zhuǎn)發(fā)鏈路故障是影響軟件定義航空信息網(wǎng)絡(luò)中控制器部署問題的關(guān)鍵,因此可以將該問題看作一類基于網(wǎng)絡(luò)可靠性的整數(shù)規(guī)劃模型?？紤]網(wǎng)絡(luò)元素的中斷概率,對軟件定義航空信息網(wǎng)絡(luò)中控制器分布問題的約束條件作以下描述:

(1) 假設(shè)G(V,E)表示網(wǎng)絡(luò)拓?fù)?V代表拓?fù)渲芯W(wǎng)絡(luò)節(jié)點(diǎn)集合,E?V×V代表網(wǎng)絡(luò)節(jié)點(diǎn)之間鏈路的集合,鏈路權(quán)重代表傳輸時延,設(shè)n為網(wǎng)絡(luò)節(jié)點(diǎn)個數(shù),有n=|V|。

(2) 假設(shè)網(wǎng)絡(luò)節(jié)點(diǎn)及鏈路之間都是獨(dú)立的。對每一個物理網(wǎng)絡(luò)元素l∈V∪E,定義pl為元素l的中斷概率,0

(3) 給定兩個節(jié)點(diǎn)s及t,設(shè)pathst為從s到t之間的最短路徑,假設(shè)網(wǎng)絡(luò)節(jié)點(diǎn)與控制器之間的控制路徑取最短。

(4) 定義Vc?V為控制器可選位置集合。設(shè)M?Vc代表即將分布在網(wǎng)絡(luò)中的控制器集合,|M|=k為所需部署的控制器個數(shù)。

(5) 交換機(jī)與控制器可重復(fù)使用同一網(wǎng)絡(luò)節(jié)點(diǎn),此種情況下,認(rèn)為二者之間路徑的中斷概率為0;

(6) 設(shè)i∈V,j∈Vc,yj=1代表控制器布置在位置j,否則為0。

(7)xij=1代表yj=1且交換節(jié)點(diǎn)i分配給了控制器j,或yi=yj=1且控制器i,j之間有鄰接路徑,否則為0。設(shè)hijl=1代表i與j之間控制路徑經(jīng)過l,否則為0。

優(yōu)化目標(biāo)函數(shù)是軟件定義航空信息網(wǎng)絡(luò)的全網(wǎng)中斷概率?？煽啃詢?yōu)化問題模型為

(1)

(2)

(3)

(4)

yi,xij,hijl∈{0,1};?i∈V,j∈V,l∈V∪E

(5)

3　控制器部署混合優(yōu)化算法設(shè)計

3.1　混合優(yōu)化算法流程

融合人工免疫策略、小生境思想和改進(jìn)遺傳算法的混合優(yōu)化算法總流程如圖2所示。算法主要由5大函數(shù)模塊組成,分別為:主函數(shù)模塊、適應(yīng)度值計算模塊、小生境淘汰模塊、精英保留的自適應(yīng)遺傳算法模塊和人工免疫模塊。

圖2　混合優(yōu)化算法流程

由圖2可知，主函數(shù)模塊主要負(fù)責(zé)對算法的各類參數(shù)進(jìn)行設(shè)置和對遺傳過程的控制,最后生成控制器部署序列和目標(biāo)適應(yīng)度值。設(shè)置的參數(shù)包括初始化種群規(guī)模及最大遺傳代數(shù)、自適應(yīng)交叉和變異參數(shù)、及小生境相關(guān)參數(shù)和免疫記憶庫的容量等參數(shù)。

3.2　基于精英保留的自適應(yīng)遺傳算法模塊

3.2.1問題編碼

遺傳算法是針對離散問題提出的進(jìn)化算法,其思想來源于“物競天擇、適者生存”的自然法則,具有很強(qiáng)的全局搜索能力。算法中每個個體代表問題的一個解,稱為染色體,解的好壞用適應(yīng)度值來評價?？刂破鞑渴饐栴}的每個可行解即為一個控制器分配方案,每個分配方案Xi有n個決策變量,即染色體的n個基因,代表n個交換節(jié)點(diǎn)。每個編碼基因Xi=[xi1,xi2,…,xin]代表一種控制器部署方案,xin表示在第i個分配方案中第n個交換節(jié)點(diǎn)所選擇的控制器。

3.2.2自適應(yīng)交叉、變異算子

本文設(shè)計混合的自適應(yīng)交叉、變異算子,令Pc和Pm分別為交叉和變異概率。當(dāng)種群陷入局部最優(yōu)時,采用小生境淘汰后,新個體可能圍繞小生境周邊,種群多樣性較差。因此,此時選擇較大的Pc和Pm可增加新個體的產(chǎn)生,利于跳出局部最優(yōu)。在算法初始階段或種群適應(yīng)度值較分散時,選擇較小的Pc和Pm利于保留精英個體,可加快算法的收斂;因此,采用式(6)和式(7)具體計算自適應(yīng)交叉概率和變異概率。

(7)

式中,參數(shù)k1、k2、k3、k4為交叉、變異參數(shù),是0到1之間的變量,其大小在搜索過程中將根據(jù)人工免疫模塊中“疫苗接種”的情況進(jìn)行調(diào)整,具體調(diào)整方法如式(10)所示。favg為種群的平均適應(yīng)度值,fmin為種群的最小適應(yīng)度值,fc為交叉?zhèn)€體平均適應(yīng)度值,fm為要變異個體的適應(yīng)度值。

3.2.3精英保留策略

傳統(tǒng)遺傳算法中個體被選擇的概率與個體適應(yīng)度值呈正比,通常需要對目標(biāo)值進(jìn)行調(diào)整后作為適應(yīng)度值,而調(diào)整不當(dāng)將影響算法的性能。為克服此不足,采用精英保留策略的遺傳算法,將每代最優(yōu)秀的部分個體直接遺傳到下代。因此適應(yīng)度函數(shù)只需反映個體的優(yōu)劣,直接采用目標(biāo)值即可。由于個體適應(yīng)度值的計算量較大,因此需充分利用已完成計算的個體;并且采用小生境淘汰可能降低算法的收斂速度。選擇時將父代個體與子代個體合并為大種群,將其最優(yōu)的一半種群個體直接保留到下代,參與下代競爭,并將這部分精英個體作為父代以產(chǎn)生新個體。因此,直接保留的精英個體適應(yīng)度值不需再計算,從而節(jié)省了計算資源,加快了收斂速度。

3.3　小生境思想

為避免種群聚集在局部最優(yōu)值附近,以保持種群多樣性,提高算法搜索效率和全局優(yōu)化能力,算法引入小生境思想,采用動態(tài)變化的小生境距離參數(shù),對搜索到最優(yōu)值附近的次優(yōu)個體進(jìn)行懲罰,從而減小聚集在局部最優(yōu)值附近個體被選擇到下一代的概率。

定義1設(shè)個體Xi與種群中所有個體的最小歐氏距離為其與種群的差異Di,即

i=1,2,…,Nscale

(8)

式中,變量Nscale為種群規(guī)模。

定義2設(shè)Nniche個最優(yōu)個體與種群中平均差異為種群的小生境距離L,當(dāng)平均差異小于1時,取小生境距離L=1,即

(9)

3.4　人工免疫模塊

(1) 疫苗接種

傳統(tǒng)遺傳算法在收斂到局部最優(yōu)值的搜索后期,會頻繁產(chǎn)生曾經(jīng)搜索過的個體,不但浪費(fèi)計算資源,耽誤計算時間,還將造成算法尋優(yōu)能力的下降。針對此問題,本文借鑒人工免疫算法思想,將歷史搜索過的較優(yōu)個體記憶成“抗體”,產(chǎn)生的新個體視作“嫌疑抗原”,經(jīng)過新個體與系統(tǒng)接種的“疫苗”比對,消除其嫌疑或?qū)⑵涠ㄐ詾椤翱乖?則分別采取“釋放”或“吞噬”操作。當(dāng)進(jìn)行“吞噬”操作后,采用“免疫克隆”方法重新產(chǎn)生新個體來替代這個個體。在產(chǎn)生新個體時,采用式(6)和式(7)計算自適應(yīng)交叉、變異概率。

在搜索過程中一旦出現(xiàn)重復(fù)個體,則將當(dāng)前種群放入“免疫記憶庫”，隨著搜索的進(jìn)行,用搜索到的較優(yōu)個體更新“記憶庫”中最差的個體。在“疫苗接種”過程中,需要將新個體與“抗體”對比,若直接逐個比較,計算量大。因此,將記憶庫中的個體(免疫知識)進(jìn)行整理,建立記憶庫個體基因的索引;當(dāng)新個體與之比較時,可采用“二分法”檢索,則計算量將成指數(shù)級減少。

(2) 自適應(yīng)參數(shù)調(diào)整

在“疫苗接種”過程中,根據(jù)本代種群個體的重復(fù)率,調(diào)整自適應(yīng)遺傳算法中的交叉、變異參數(shù)。當(dāng)重復(fù)個體較多時,放大交叉、變異參數(shù)以增加種群的多樣性,減少重復(fù)個體的出現(xiàn),交叉、變異參數(shù)更新公式為

(10)

式中,變量β為放大因子,取值范圍為1到2之間(通常取1至1.1之間小數(shù)),β越大，變異參數(shù)放大得越快,在仿真分析中一般根據(jù)經(jīng)驗(yàn)給定變量β取值。

4　仿真及結(jié)果分析

為了驗(yàn)證算法的有效性,采用34個節(jié)點(diǎn)的航空網(wǎng)絡(luò)拓?fù)?對于每個節(jié)點(diǎn)標(biāo)號,假設(shè)每個節(jié)點(diǎn)均可放置交換機(jī),控制器部署在交換機(jī)的位置上。在航空網(wǎng)絡(luò)拓?fù)渲?采用時延作為鏈路的權(quán)重,鏈路權(quán)重為[1,10]的均勻隨機(jī)數(shù);為了保證網(wǎng)絡(luò)連通性,采用網(wǎng)絡(luò)組件故障率較小的網(wǎng)絡(luò)場景,設(shè)單個節(jié)點(diǎn)和鏈路的中斷概率為區(qū)間[0,0.02]和[0,0.04]的隨機(jī)數(shù)[16-17]。實(shí)驗(yàn)仿真分別采用標(biāo)準(zhǔn)的遺傳算法和本文提出的混合優(yōu)化算法對問題進(jìn)行尋優(yōu),對比分析兩算法的搜索過程。設(shè)置兩算法的種群規(guī)模Nscale=80,迭代次數(shù)為100,根據(jù)多次重復(fù)試驗(yàn),將自適應(yīng)交叉、變異參數(shù)初始值分別為0.5、0.25、0.05、0.025,放大因子β=1.05。

當(dāng)控制器數(shù)量取k=6時,標(biāo)準(zhǔn)的遺傳算法和混合優(yōu)化算法的搜索結(jié)果如圖3、圖4所示。

圖3　標(biāo)準(zhǔn)遺傳算法搜索過程

圖4　混合優(yōu)化算法搜索過程

由圖3和圖4的對比單次實(shí)驗(yàn)可知,標(biāo)準(zhǔn)遺傳算法搜索到的最優(yōu)值是0.077 6;而混合優(yōu)化算法的最優(yōu)值是0.073 6,明顯優(yōu)于標(biāo)準(zhǔn)遺傳算法。由圖3、圖4搜索中期局部放大圖可知,標(biāo)準(zhǔn)遺傳算法在60代左右已完全收斂,最優(yōu)值保持不變;本文提出的混合優(yōu)化算法在60代基本收斂之后,最優(yōu)值還出現(xiàn)了多次小幅度的跳躍,表明混合優(yōu)化算法在收斂之后仍然能夠跳出局部極值,搜索到更優(yōu)解。對比兩圖的最優(yōu)值和平均值曲線可知,到搜索后期標(biāo)準(zhǔn)遺傳算法的種群均值與最優(yōu)值趨于一致,表明種群個體相似度極高,大部分個體聚集在最優(yōu)值附近,這是由于標(biāo)準(zhǔn)遺傳算法的多樣性較差。而混合優(yōu)化算法的種群均值與最優(yōu)值存在較大差距,表明混合優(yōu)化算法引入小生境思想和自適應(yīng)遺傳算子提高了種群的多樣性。

為了驗(yàn)證本文算法的有效性,在圖5中給出了不同控制器數(shù)量條件下,標(biāo)準(zhǔn)遺傳算法和本文提出混合優(yōu)化算法所得到的部署結(jié)果。對每組算例(即在每個控制器個數(shù)條件下)進(jìn)行100次仿真,得到每次仿真的最優(yōu)值作為該次仿真結(jié)果,再對多次仿真結(jié)果求取均值,得到不同控制器數(shù)量條件下全網(wǎng)中斷概率如圖5所示。

圖5　中斷概率隨控制器數(shù)量的變化

由圖5可知，優(yōu)化目標(biāo)值,即全網(wǎng)中斷概率隨著控制器數(shù)量的變化,代表了某個控制器數(shù)量環(huán)境下,算法優(yōu)化部署的有效性。該優(yōu)化目標(biāo)值越小,表示部署方案的效果越好。當(dāng)控制器數(shù)量為2～7時,在圖5中分別標(biāo)出了兩種算法得到的優(yōu)化結(jié)果數(shù)值。由圖5可知,在不同的控制器數(shù)量條件下,本文提出的混合優(yōu)化算法得到的部署方案結(jié)果均優(yōu)于標(biāo)準(zhǔn)遺傳算法,特別地,當(dāng)控制器數(shù)量大于6,混合優(yōu)化算法的尋優(yōu)結(jié)果表現(xiàn)出明顯的優(yōu)勢。這是由于兩種隨機(jī)搜索算法,在有限的迭代過程中標(biāo)準(zhǔn)遺傳算法找到最優(yōu)值的概率較低,而混合優(yōu)化算法引入小生境和人工免疫思想,在算法收斂后具有主動改進(jìn)算法多樣性的策略和跳出局部極值的操作,表明此算法適用于處理此類NP-hard問題。

當(dāng)控制器數(shù)量分別為4、8、12時,采用混合優(yōu)化算法的算法收斂性能,其中全網(wǎng)中斷概率為每代最優(yōu)值,其隨迭代次數(shù)的變化情況如圖6所示。算法種群規(guī)模Nscale=80,迭代次數(shù)為150。

圖6　不同控制器數(shù)量下中斷概率隨迭代次數(shù)的變化

由圖6可知,隨著控制器數(shù)量的增加,算法收斂時間變長,收斂速度變慢。特別地,當(dāng)控制器個數(shù)為4時,算法在50代左右基本收斂,而當(dāng)控制器數(shù)量增加到k=8和k=12時,算法迭代至100代和110代左右基本收斂。這是因?yàn)榭刂破鲾?shù)量增加,控制器部署方案的多樣性增加、相應(yīng)的方案數(shù)量增加,因此收斂到較優(yōu)方案的時間增加。

5　結(jié)　論

提出軟件定義航空光信息網(wǎng)絡(luò)中基于網(wǎng)絡(luò)可靠性的控制器部署策略,利用融合人工免疫策略、小生境思想和改進(jìn)遺傳算法的混合優(yōu)化算法,在滿足網(wǎng)絡(luò)性能的條件下,為確定在網(wǎng)絡(luò)中部署多少個控制器以及如何部署控制器提供了可行方案。該策略以網(wǎng)絡(luò)中斷概率為評價指標(biāo),算法優(yōu)化目標(biāo)是全網(wǎng)中斷概率最小,應(yīng)用混合優(yōu)化算法進(jìn)行迭代進(jìn)化,得到了最終的優(yōu)化解集,由此得到了網(wǎng)絡(luò)中不同控制器數(shù)量條件下的最優(yōu)部署方案。由于控制器部署會影響軟件定義航空信息網(wǎng)絡(luò)的諸多方面,下一步將針對控制器部署問題的多類評價指標(biāo),如時延、流量、負(fù)載均衡等參數(shù)展開研究,提出相應(yīng)的控制器部署策略。

參考文獻(xiàn)：

[1] KWAK K, SAGDUYU Y, YACKOSKI J, et al. Airborne network evaluation: challenges and high fidelity emulation solution[J]. IEEE Communications Magazine, 2014, 52(10): 30-36.

[2] SCHNELL M, EPPLE U, SHUTIN D, et al. Future aeronautical communications for air-traffic management[J]. IEEE Communications Magazine, 2014, 52(5): 104-110.

[3] MENDONCA M, ASTUTO B, NGUYRN N, et al. A survey of software-defined networking: past, present, and future of the programmable networks[J]. IEEE Communication Surveys and Tutorials, 2014, 16(3): 1617-1634.

[4] 王俊, 陳志輝, 田永春, 等.軟件定義網(wǎng)絡(luò)技術(shù)在戰(zhàn)術(shù)通信網(wǎng)中的應(yīng)用研究[J]. 通信技術(shù), 2014, 47(12): 1392-1399.

WANG J, CHEN Z H, TIAN Y C, et al. Application of software-defined network technology in tactical communication network[J]. Communications Technology, 2014, 47(12): 1392-1399.

[5] AGUADO A, LOPEZ V, MARHUENDA J, et al. ABNO: a feasible SDN approach for multivendor IP and optical networks[J]. IEEE/OSA Journal of Optical Communications & Networking, 2015, 7(2): A356-A362.

[6] OLIVEIRA B T D, GABRIEL L B, MARGI C B. TinySDN: enabling multiple controllers for software-defined wireless sensor networks[J]. IEEE Latin America Transactions, 2014, 13(11): 3690-3696.

[7] MATIAS J, GARAY J, TOLEDO N, et al. Toward an SDN-enabled NFV architecture[J]. IEEE Communications Magazine, 2015, 53(4): 187-193.

[8] LANGE S, GEBERT S, ZINNER T, et al. Heuristic approaches to the controller placement problem in large scale sdn networks[J]. IEEE Trans.on Network & Service Management, 2015, 12(1): 4-17.

[9] ROS F J, RUIZ P M. On reliable controller placements in software-defined networks[J].Computer Communications,2016,77:41-51.

[10] VOCHIN M, BORCOCI E, AMBARUS T. On multi-controller placement optimization in software defined networking based WANs[C]∥Proc.of the 14th International Conference on Networks, 2015: 261-266.

[11] HEELER B, SHERWOOD R, MCKEOWN N. The controller placement problem[C]∥Proc.of the Workshop on Hot Topics in Software Defined Networks, 2012: 7-12.

[12] 王麗霞,曲樺,趙季紅.軟件定義網(wǎng)絡(luò)中應(yīng)用二值離子化優(yōu)化的控制器部署策略[J].西安交通大學(xué)學(xué)報,2015,49(6):67-71.

WANG L X, QU H, ZHAO J H. A strategy of controller placement in software defined networks using binary particle swarm optimization[J]. Journal of Xi’an Jiaotong University, 2015, 49(6): 67-71.

[13] HU Y N, WANG W D, GONG X Y, et al. Reliability-optimized controller on placement for software-defined networks[J]. China Communications, 2014, 11(2): 38-54.

[14] Oppenhauser G. In orbit test result of an operational optical inter-satellite link between ARTEMIS and SPOT4, SILEX[J]. Proc.of SPIE-the International Society for Optical Engineering, 2002, 4635:1-15.

[15] CHENG B N, CHARLAND R, CHRISTENSEN P, et al. Evaluation of a multihop airborne IP backbone with heterogeneous radio technologies[J]. IEEE Trans.on Mobile Computing, 2014, 13(2): 299-310.

[16] LI X, NAHRSTEDT K. Reliability models and evaluation of internal BGP networks[C]∥Proc.of the 23rd Annual Joint Conference of the IEEE Computer and Communications Societies, 2004: 1593-1604.

[17] HU Y N, WANG W D, GONG X Y, et al. On the placement of controllers in software-defined networks[J]. Journal of China Universities of Posts and Telecommunications, 2012, 19(9): 92-97.