梁 俊，孫偉超，肖 楠，陳威龍，郭子楨

(空軍工程大學 信息與導航學院， 陜西 西安 710077)

傳統(tǒng)的衛(wèi)星網絡依賴于封閉和有計劃的體系架構[1]，面臨配置更新、新通信和網絡技術的引入、差異化服務的提供以及衛(wèi)星和地面網絡集成等挑戰(zhàn)[2-3]。軟件定義網絡(Software Defined Network, SDN)實現了控制平面和數據平面的完全解耦[4]，具有靈活性、可編程性和邏輯集中性等特點，能夠提高網絡資源利用率[5]，簡化網絡管理流程，降低運營成本，促進了網絡的演進和創(chuàng)新[6]。

國內外許多學者對在衛(wèi)星網絡中引入SDN進行了探索。文獻[7]針對衛(wèi)星網絡通信存在長時延和頻繁的地面-衛(wèi)星切換以及衛(wèi)星網絡配置成本較高的問題，將SDN與衛(wèi)星網絡相結合，增加了網絡的靈活性以及可擴展性，降低了星上處理開銷。文獻[8]提出了一種聚合SDN的新一代空天地一體化網絡，網絡部署方式靈活，網絡可擴展性強，資源利用率高。文獻[9]提出了基于SDN架構的低地球軌道(Low Earth Orbit, LEO)衛(wèi)星網絡，將地面網絡控制中心作為SDN控制器，計算路由策略，優(yōu)化了資源利用方式。文獻[10]針對傳統(tǒng)衛(wèi)星系統(tǒng)架構導致的衛(wèi)星通信系統(tǒng)的管理和配置效率低下、管理不靈活等問題，提出了一種基于SDN和網絡功能虛擬化的空間地面綜合多層衛(wèi)星通信網。

然而以上文獻均采用OpenFlow協(xié)議作為SDN南向編程接口。隨著OpenFlow版本的推進，不斷擴展的“多級流表”以及復雜的流表項查找、匹配問題給資源受限的LEO衛(wèi)星的存儲和處理能力帶來很大挑戰(zhàn)[11-12]。

神經網絡(Neural Network, NN)是一種自學習、自調整的智能工具，能夠進行大規(guī)模的并行計算[13]。NN模型可以從海量數據中獲取目標，在分類、模式識別、預測等多個領域都有著廣泛的應用。在SDN中，通過邏輯集中的控制器容易獲得大量的流量數據和網絡信息。文獻[14]首次提出一種在SDN中，用徑向基函數(Radial Basis Function, RBF)神經網絡代替流表的方法，節(jié)省了存儲空間。然而支持RBF算法的NN各個權值不能完全獨立地求解，難以在星上并行運算，且需要進行煩瑣的高階矩陣求逆運算，難以適應星上路由的要求。以正交多項式為基礎的Chebyshev神經網絡函數逼近性能優(yōu)越，基函數的正交性保證NN在多項式的節(jié)點處權值求解迅捷[15]。

通過以上分析，提出一種基于Chebyshev神經網絡的SDN衛(wèi)星網絡智能路由架構。通過訓練神經網絡獲取數據流的傳輸模式用于預測路由，同時，用NN代替流表以節(jié)省三態(tài)內容尋址存儲器(Ternary Content Addressable Memory, TCAM)的存儲空間，提高數據流的路由和轉發(fā)效率。

1 系統(tǒng)架構

采用單層衛(wèi)星多層控制器(Single-layer Satellite Multiple-layer Controller, SSMC)架構，將基于SDN的衛(wèi)星網絡架構分為三層：地球同步軌道(Geostationary Earth Orbit, GEO)衛(wèi)星控制平面、LEO衛(wèi)星數據平面、地面控制平面，如圖1所示。各平面的功能模塊如圖2所示。

圖1 系統(tǒng)架構Fig.1 System architecture

圖2 各平面功能Fig.2 Various plane functions

1.1 控制平面

控制平面由GEO衛(wèi)星控制層和地面控制層組成，主要功能是利用其強大的計算能力，收集和處理網絡流信息并通過訓練NN獲取數據流傳輸模式。其中，GEO衛(wèi)星為局部控制器，只負責管理自身覆蓋區(qū)域內的LEO衛(wèi)星交換機，當LEO衛(wèi)星發(fā)出路由請求時，如果數據流的源和目的節(jié)點都在同一顆GEO衛(wèi)星覆蓋區(qū)域內，則GEO衛(wèi)星發(fā)揮控制器的功能；否則，GEO衛(wèi)星作為LEO衛(wèi)星與地面控制器通信的中繼節(jié)點，將路由請求消息轉發(fā)到地面控制器。地面控制器為全局控制器，掌握網絡全局拓撲變化、流量分布、節(jié)點負載等信息[16]。

地面控制器的核心功能模塊描述如下：

1)網絡監(jiān)控模塊。負責實時監(jiān)控LEO衛(wèi)星網絡全局的狀態(tài)和拓撲變化。

2)數據收集模塊。負責收集GEO衛(wèi)星傳來的路由請求消息，從中提取數據流的源、目的地、業(yè)務類型和路徑信息，用于訓練NN。

3)數據預處理模塊。負責對收集到的數據進行預處理，構造用于NN訓練和測試的樣本集。包括數據流路徑的預處理、訓練集和測試集的構造、樣本集的歸一化等。

4)NN訓練模塊。負責訓練NN，并根據歷史流量數據獲得數據流的傳輸模式。

5)NN包生成模塊。負責利用NN參數創(chuàng)建NN包，具體格式見1.4節(jié)。

6)NN包下發(fā)模塊。負責將NN包發(fā)送給管理源和目的節(jié)點的GEO衛(wèi)星控制器，并下發(fā)給所有相關LEO衛(wèi)星。

GEO衛(wèi)星控制器除了具有以上功能模塊，還具有數據中繼模塊，作為地面控制器和LEO衛(wèi)星的中繼節(jié)點。此外，GEO衛(wèi)星控制器的網絡監(jiān)控、數據收集模塊都是面向自身覆蓋區(qū)域內的LEO衛(wèi)星網絡。

1.2 數據平面

數據平面由LEO衛(wèi)星交換機組成，核心功能是利用控制器下發(fā)的NN預測數據流的路徑，對數據流進行路由轉發(fā)。其核心功能模塊描述如下：

1)NN創(chuàng)建模塊。LEO衛(wèi)星交換機接收到NN包后，根據存儲在NN包中的結構參數創(chuàng)建NN。

2)路徑預測模塊。當接收到用戶發(fā)送的業(yè)務數據后，從中提取三個元組信息(源、目的地、業(yè)務類型)作為NN的輸入進行路徑預測。

3)數據流轉發(fā)模塊。根據路徑預測模塊得到的路徑轉發(fā)數據包。

1.3 NN預處理

在訓練NN之前，需要對其進行預處理，主要包括樣本集的歸一化以及訓練集和測試集的構造。

當有數據流經過網絡時，控制器從數據流中提取源節(jié)點Src、目的節(jié)點Dst、業(yè)務類型Type用于構造樣本集，并記錄數據流的傳輸路徑Path。進行NN預處理時，以樣本(Src,Dst,Type)作為NN的輸入，以Route作為輸出。隨機選取30%的樣本作為訓練集，其余70%的樣本作為測試集[14]。

為了提高NN的學習效果，對樣本(Src,Dst,Type)進行歸一化處理。

(1)

(2)

(3)

其中，Src′、Dst′、Type′分別是Src、Dst、Type的歸一化值。Srcmax、Srcmin，Dstmax、Dstmin，Typemax、Typemin分別是Src、Dst、Type的最大值和最小值。每個變量的歸一化值在0和1之間。

在樣本集歸一化后,控制器使用訓練集訓練NN，直到預測成功率達到預設標準，NN訓練結束。之后，控制器依據訓練好的NN創(chuàng)建NN包，并將NN包下發(fā)給相關LEO衛(wèi)星交換機。

1.4 NN包

為了將NN包與一般的數據包區(qū)分開來，設計了NN包的特定格式。NN包由NN的結構參數組成，包括輸入層節(jié)點個數、隱藏層節(jié)點個數、輸出層節(jié)點個數、輸入層與隱藏層連接權值、隱藏層之間的連接權值、隱藏層與輸出層之間的連接權值等。

以Chebyshev神經網絡包為例，Chebyshev NN輸入層和隱藏層之間的連接權值為固定值1，且只有一個隱藏層。因此，不考慮Chebyshev NN包中輸入與隱藏層之間的連接權值、隱藏層之間的權值。

M、N和K分別表示輸入、隱藏和輸出層中的節(jié)點數，Oi表示i次正交多項式，Wij表示第i個隱藏節(jié)點與第j個輸出節(jié)點之間的權值。Chebyshev NN包格式如圖3所示。

圖3 Chebyshev NN包的格式Fig.3 Format of the Chebyshev NN packet

2 Chebyshev神經網絡智能路由策略

傳統(tǒng)的多層感知器(Multi-Layer Perceptron, MLP)神經網絡采用的誤差反向傳播(Back Propagation, BP)算法訓練時間長，易陷入局部最小值；而支持向量機(Support Vector Machine, SVM)和RBF算法的各個權值不能完全獨立地被求解，且需要進行煩瑣的高階矩陣求逆運算，難以在星上并行計算。因此這些訓練算法難以適應星上路由的要求[15]。

Chebyshev神經網絡是一種基于Chebyshev正交多項式的神經網絡，逼近性能優(yōu)越，基函數的正交性保證神經網絡在多項式的結點處權值求解迅捷，能夠較好地滿足衛(wèi)星網絡的需求。基于第1節(jié)的系統(tǒng)架構，提出了一種基于Chebyshev神經網絡的智能路由策略(Intelligent Routing Strategy based on Chebyshev Neural Network, IRSCNN)。

2.1 Chebyshev神經網絡模型

一元Chebyshev NN由一個輸入層、一個隱藏層和一個輸出層組成，如圖4所示[15]。其中Oj(xi)代表j次正交多項式，其系構成了NN的單隱藏層結構，Wij是Oj(xi)的權值。NN訓練的目標是通過訓練集，用已知的正交多項式對未知進行線性逼近，即求yi。

圖4 一元Chebyshev神經網絡模型Fig.4 Monadic Chebyshev neural network model

(4)

以(Src,Dst,Type)作為Chebyshev NN的輸入，得到數據流的路徑Route作為NN的輸出。因此需考慮三元Chebyshev NN模型，設輸入為三維向量[x1,x2,x3]T，輸出是關于三元函數yi=f(x1,x2,x3)的一個精確逼近。根據文獻[15]得：

f(x1,x2,x3)=ON1N2N3(x1,x2,x3)

(5)

式中，f是待模擬的函數，O是用以逼近xj的kj次多項式，Wj1j2j3是該正交多項式組合的權值。

另外，神經網絡的輸出是一個或一組標量值，而NN的輸出應該能表示成一條最優(yōu)路徑，因此需要一種映射方法來形成標量值和最優(yōu)路徑之間的映射。采用路徑標量表示[15]。

(6)

式中，Ri為所有到源節(jié)點Src鏈路距離為i的節(jié)點Nij組成的集合，j為第i個子集內的節(jié)點數。

2.2 路由算法

當一個新的數據流到達源節(jié)點S時，S首先檢查是否已經構建了NN。如果已經構建了NN，則交換機從到達的數據流中提取(Src,Dst,Type)，并將它們作為NN的輸入來預測路徑，并對其進行路由轉發(fā)。

如果沒有構建NN，則將數據流相關信息封裝到路由請求消息中，發(fā)送到控制器。GEO衛(wèi)星控制器接收到該請求時，將最近訓練完的NN下發(fā)給所有交換機。交換機在接收到NN包后，根據從NN包中得到的結構參數構建NN，然后利用所提取的流信息作為NN輸入來預測路徑，對數據流進行路由。

對于S，每次切換完成后，S依據控制器下發(fā)的NN包構造一個Chebyshev NN訓練器。具體路由算法由兩部分組成。

2.2.1 初始化階段

當一個新的數據流到達源交換機S時，S從第一個數據包中提取(Src,Dst,Type)，此時沒有訓練好的NN存儲在交換機中，S向控制器C發(fā)送包含交換機編號以及數據流(Src,Dst,Type)信息的路由請求消息。當C收到S發(fā)送的路由請求消息時，將最近訓練完的NN分發(fā)到所有相關交換機中。交換機在接收到NN包后，根據從NN包中得到的結構參數構建NN，然后利用所提取的流信息作為NN輸入來預測路徑，對數據流進行路由。

控制器在構造新的Chebyshev NN時，通過1.3節(jié)生成數據集對神經網絡進行訓練，在控制器對NN的訓練過程中，利用Chebyshev多項式的正交性，采用文獻[17]快速權值確定算法求得。

雖然與直接調用路由算法相比，增加了NN訓練過程的計算復雜度，但占用存儲空間的減小，以及丟包率和網絡擁塞的減少使得算法總體性能優(yōu)越。

2.2.2 正常轉發(fā)階段

初始階段結束后到下次切換前，算法處于正常轉發(fā)階段。訓練完的NN相當于一張“路由表”存儲在衛(wèi)星節(jié)點中。新到達的路由請求作為測試樣本輸入到NN以得出最優(yōu)路徑，并根據路徑對數據流進行轉發(fā)。

當出現S預測路由失敗、一些鏈路失效或過載、網絡拓撲改變、主機請求超時之中任一情況時，S發(fā)送重路由請求消息到C。重路由請求消息包含節(jié)點編號以及數據流(Src,Dst,Type)信息。然后，C根據重路由算法重新計算最優(yōu)路徑，并將其下發(fā)給交換機。

同時增加一個負反饋機制，路由失效后，目標節(jié)點將反饋一條錯誤通知信息告知源節(jié)點路由失效。收到錯誤通知信息后，S將該分類錯誤的路徑添加到重路由請求消息中發(fā)送到控制器，作為反例進一步訓練NN。該機制幫助C憑借錯誤通知信息感知網絡中鏈路信息的更新，并通過進一步的訓練對NN進行相應的調節(jié)，為以后的選路提供最新的路由信息。

在進行路徑預測時，將數據流的業(yè)務類型作為NN的一個輸入向量，根據用戶在帶寬、時延、時延抖動、誤碼率等方面的要求，可以有效地分配網絡資源，使路徑能夠更好地滿足不同用戶對服務質量(Quality of Service, QoS)的要求。

對于業(yè)務類型，根據IP網絡中的QoS分類標準[18]將所有網絡應用劃分為6類，見表1。其中：U表示“未指定”，TD、DV、LR和ER分別表示“傳輸時延”“時延抖動”“丟包率”和“誤碼率”。

其實我沒有那么與世隔絕，我們的生活與外面的世界只是有著幾年的延時而已，其他的一切正常。我們默認的島歌是《太平洋的風》，那是我們學校從陸地來的音樂老師教我們唱的。他說，這首歌是他寫的：最早的一件衣裳，最早的一片呼喚，最早的一個故鄉(xiāng)，最早的一件往事，是太平洋的風，徐徐吹來，吹過所有的全部。

表1 業(yè)務類型劃分

2.3 重路由算法

當數據流到達交換機時，交換機提取(Src,Dst,Type)，然后使用Chebyshev NN來預測數據流的路徑。然而，路徑預測成功率達不到100%。因此，設計了重路由算法，見算法1。當路由預測失敗時，交換機將重路由請求消息發(fā)送給控制器。

算法1 重路由算法

當接收到請求消息時，控制器根據重路由算法重新計算數據流的最佳路由。

重路由算法的主要思想是根據當前的網絡狀態(tài)信息(例如帶寬、延遲和錯誤率)選擇最短路徑，以滿足盡可能多的QoS約束條件。首先，源地址SrcIP和目的地址DstIP分別映射到相應的源節(jié)點Src和目的節(jié)點Dst，并將數據流的業(yè)務類型Type映射到相應的QoS參數(即帶寬、延遲和差錯率)。其次，對不能滿足帶寬要求的所有鏈路進行過濾。最后，計算滿足時延要求的路徑集DLPathSet，并從DLPathSet中選擇滿足差錯率要求的路徑ERPathSet。如果ERPathSet包含多個路徑，則選擇最短路徑作為最優(yōu)路徑。

2.4 復雜度分析

在本節(jié)中，分析了所提出的路由策略的時間復雜度和空間復雜度。

路由策略涉及的過程主要包括Chebyshev NN訓練、NN包下發(fā)、NN創(chuàng)建、數據流信息提取、NN路徑預測。暫不考慮控制器與交換機之間通信(即NN包下發(fā))的時間開銷。

由上節(jié)可知，Chebyshev NN訓練過程的時間復雜度T1和空間復雜度S1均為O(1)。

Chebyshev NN創(chuàng)建過程的時間復雜度T2為O(mn+nk)，空間復雜度S2為O(mn+nk)。這里，m和n分別是RBFNN中的輸入節(jié)點和隱藏節(jié)點的數目，k是RBFNN中輸出節(jié)點的數目。

數據流信息提取過程中從數據包中提取m個字段作為Chebyshev NN的輸入，其時間復雜度T3和空間復雜度S3均為O(m)。

基于上述分析，所提出的路由策略的時間復雜度為：

T=T1+T2+T3+T4

=O(1)+O(mn+nk)+O(m)+

O(mn+nk)～O(mn+nk)

(7)

所提出的路由策略的空間復雜度為

S=S1+S2+S3+S4

=O(1)+O(mn+nk)+O(m)+

O(mn+nk)～O(mn+nk)

(8)

3 仿真與性能評估

3.1 仿真設置

基于斯坦福大學研發(fā)的輕量級測試平臺Mininet，選取改進的ONOS控制器作為實驗控制器。為了避免Mininet和ONOS之間的干擾，將兩者以虛擬機的形式部署在兩個物理設備上。選取6臺均有相同配置的實驗機器，機器的配置為Intel Core i5 3.3 GHz、4 GB RAM、2 Gbp網卡，基于Ubuntu 14.04 LTS系統(tǒng)。借助MATLAB工具對實驗結果進行分析。采用類似文獻[16]中的仿真場景，該場景由3顆GEO衛(wèi)星控制器、48顆LEO衛(wèi)星交換機、3個地面控制器組成。

不同于一般的網絡，衛(wèi)星網絡中的節(jié)點處在不斷的運動之中，節(jié)點間時延和鏈路連通性也在不斷發(fā)生變化。本文仿真模型中存在軌內鏈路、軌間鏈路、層間鏈路三種星間鏈路(Inter-Satellite Link, ISL)，為了模擬真實衛(wèi)星網絡的動態(tài)變換特性，根據文獻[18] 在t時刻，星間鏈路ISLSj→Si的傳播時延定義為：

D(Sj→Si,t)=r(Sj→Si,t)/c

(9)

ISL的鏈路穩(wěn)定性函數為：

(10)

采用靜態(tài)和動態(tài)鏈路設計方案，通過端到端傳輸時延和丟包率對鏈路穩(wěn)定性進行分析，星間鏈路的傳輸速率為20 Mbit/s，將(wt,wd,ws)取值為(1/3,1/3,1/3)，在考慮鏈路傳輸時延和生存時間的基礎上同時考慮真實空間干擾因素的影響，以提高傳輸的連續(xù)性和減少網絡丟包率。

為了模擬真實的流量狀況，采用文獻[19]中的數據流模型。地球表面被劃分為12×24=288個區(qū)域。每個區(qū)域的數值代表上網用戶的數量，已被106整除。對于每106個上網用戶，流量為1 Mbit/s。

為了方便與基于神經網絡的SDN智能路由方案(Neural Network-based Intelligent Routing Scheme for SDN, NNIRSS)[14]對比，根據QoS分類標準，將所有業(yè)務應用分成6類，并指定相應的QoS參數，如表2所示[14]。

表2 QoS參數

仿真實驗由兩部分組成。在第一部分中，利用從上述場景中收集到的歷史流量數據，對不同的業(yè)務流進行分類，并構造訓練集和測試集來訓練NN以尋找最優(yōu)參數，NN訓練完成后，將NN包存儲在控制器中。在第二部分中，將提出的路由策略與基于傳統(tǒng)OpenFlow的路由方案(Traditional OpenFlow-based SDN Routing scheme, TOSR)以及NNIRSS[14]進行比較。

3.2 仿真結果分析

通過以下幾個指標較全面地評價IRSCNN的性能。

1)NN包占用的存儲空間(Storage Space, SP)：在提出的策略中，流表被NN包替換，對流表占用的存儲空間和NN包占用的空間進行對比。

2)包傳遞率(Packet Delivery Rate, PDR)：數據包成功到達目的節(jié)點的比例。

3)丟包率(Packet Loss Rate, PLR)：丟失數據包占所有數據包的比例。

4)包傳輸時延(Packet Delay, PD)：端到端的數據包傳輸時延。

每個仿真實驗重復10次并取其平均值作為度量值。

3.2.1 實驗1：SP

在基于OpenFlow的SDN中，數據流根據流表進行路由和轉發(fā)。流表存儲在TCAM中。然而，在所提出的路由策略中，數據流根據NN進行路由和轉發(fā)，不需要存儲在TCAM中。為了便于存儲空間比較，假設SDN中的每個交換機包含1000個流表項。在OpenFlow V1.1.0中，流表項匹配域的最大長度是356 bit。因此，流表項占用的TCAM存儲空間約為444.57 KB。IRSCNN與NNIRSS之間SP的對比結果如圖5所示。即使考慮將NN存儲在TCAM中，Chebyshev NN占用的TCAM存儲空間也遠小于444.57 KB。且與采用RBFNN的NNIRSS相比,由于空間復雜度降低，進一步減少了存儲空間。

圖5 SP對比Fig.5 Comparison of SP

因此可以得出，所提出的IRSCNN可以顯著減少占用的TCAM存儲空間。

3.2.2 實驗2：PDR

IRSCNN、NNIRSS與TOSR之間PDR的對比結果如圖6所示。隨著流量到達速率的增加，網絡中的數據包總數增加，導致網絡擁塞。由于交換機的處理能力有限，流中的一些數據包被丟棄，無法成功地路由和轉發(fā)到目的地。由圖6可知，無論IRSCNN、NNIRSS還是TOSR，相應的PDR都隨著流量到達速率的增加而變小。

圖6 PDR對比Fig.6 Comparison of PDR

然而，當流量到達率變大時，IRSCNN的PDR是高于NNIRSS和TOSR的。TOSR對數據流采用最短路由策略，在TOSR中，流中的數據包沿最短路徑路由并轉發(fā)，導致來自相同數據流的數據包沿著同一路徑路由。在IRSCNN和NNIRSS中，流中的數據包根據其相應的業(yè)務類型進行路由和轉發(fā)，即不同類型的數據包在IRSCNN和NNIRS中沿不同的路徑進行路由和轉發(fā)，且采用Chebyshev NN的IRSCNN相比NNIRSS求解更迅速，處理速度更快。因此，傳送到目的地的數據包的總數大于NNIRSS和TOSR。

3.2.3 實驗3：PLR

IRSCNN、NNIRSS與TOSR之間的PLR比較結果如圖7所示。隨著流量到達速率的增加，三者的PLR都變高，而IRSCNN的PLR比NNIRSS和TOSR的PLR要小。其原因與上述PDR比較相似。在TOSR中，流中的數據包被路由并轉發(fā)在最短路徑中。而在IRSCNN和NNIRS中，基于不同的業(yè)務類型，數據包沿著不同的路徑被轉發(fā)。隨著流量到達速率的增加，TOSR中由于在相同路徑上路由的數據包過多引起網絡擁塞而丟棄了大量的數據包，且采用Chebyshev NN的IRSCNN相比NNIRSS求解更迅速，處理速度更快，可以減少擁塞。因此，IRSCNN中丟棄的數據包的數量要小于NNIRSS和TOSR中的丟棄的數據包的數量。

3.2.4 實驗4：PD

IRSCNN、NNIRSS與TOSR在不同流量到達速率下的PD比較結果如圖8所示。無論在IRSCNN、NNIRSS還是TOSR中，隨著流量到達速率的增加，流中的數據包總數都變得更大。過多的數據包會導致網絡擁塞。網絡擁塞越嚴重，數據包傳輸到目的節(jié)點的時間就越長。

圖8 PD對比Fig.8 Comparison of PD

此外，由圖8可知，TOSR、NNIRSS的PD的長度比IRSCNN更長。雖然TOSR采用最短路由算法，但是隨著流量到達率的增加，網絡擁塞更加嚴重，TOSR的PD變得更長。另一方面，在IRSCNN、NNIRSS中，數據包的路由和轉發(fā)過程不涉及復雜的流表查找和匹配過程，與TOSR相比，NN路徑預測耗時更短，同時采用Chebyshev NN的IRSCNN相比NNIRSS求解更迅捷，處理速度更快。

綜上，IRSCNN在SP、PDR、PLR和PD性能方面均優(yōu)于TOSR和NNIRSS，采用的路由策略具有更高數據包傳輸成功率，更低的丟包率，更低的數據包傳輸時延，因此在傳輸時延和鏈路穩(wěn)定性方面也具有更好的性能。

4 結論

針對OpenFlow協(xié)議中流表擴展導致TCAM存儲空間不足的問題，提出了基于NN的軟件定義衛(wèi)星網絡智能路由架構，用NN來代替流表，大大減少了占用的TCAM存儲空間和相應的硬件成本，取消了復雜的流表生成過程，不再需要查找和匹配流表項，提高了路由效率。并在所提架構的基礎上提出基于Chebyshev NN的智能路由策略，LEO衛(wèi)星根據數據流的業(yè)務類型通過訓練后的Chebyshev NN來預測路徑，滿足了應用的QoS需求。最后，通過仿真實驗對所提IRSCNN性能進行了評估。仿真結果表明：提出的路由策略能夠顯著減少占用的TCAM空間，提高路由轉發(fā)效率。