趙季紅,孫天驁,曲 樺,張 茵,翟凡妮

(1.西安郵電大學(xué) 網(wǎng)絡(luò)空間安全學(xué)院,西安 710061; 2.西安交通大學(xué) 軟件學(xué)院,西安 710049)

0 概述

面對網(wǎng)絡(luò)流量的爆炸式增長和新業(yè)務(wù)的快速發(fā)展,傳統(tǒng)網(wǎng)絡(luò)架構(gòu)已經(jīng)無法滿足日益增長的網(wǎng)絡(luò)需求,出現(xiàn)了服務(wù)質(zhì)量和可擴展性差、可靠性低等問題[1]。在該背景下,軟件定義網(wǎng)絡(luò)(Software Defined Network,SDN)[2]技術(shù)應(yīng)運而生。SDN是一種創(chuàng)新性的網(wǎng)絡(luò)架構(gòu),它通過開放接口將傳統(tǒng)的網(wǎng)絡(luò)體系結(jié)構(gòu)解耦為數(shù)據(jù)平面、控制平面和應(yīng)用平面,在邏輯上實現(xiàn)了網(wǎng)絡(luò)的集中控制和管理[3-4],且SDN中的控制器不僅可以將控制信息下發(fā)至底層的數(shù)據(jù)平面執(zhí)行,還對整個網(wǎng)絡(luò)拓?fù)浜蜖顟B(tài)進行實時維護,為應(yīng)用平面提供可擴展的編程接口。隨著SDN架構(gòu)的不斷推廣,數(shù)據(jù)平面的數(shù)據(jù)量和應(yīng)用平面的業(yè)務(wù)量逐漸增加,單一的控制器已無法及時處理大量的流量請求,因此研究SDN中的多控制器部署策略[5]非常必要。

近年來,關(guān)于控制器部署問題的研究分為兩類:一類是考慮單一性能指標(biāo),通過優(yōu)化單目標(biāo)求解控制器位置。文獻[6]較先提出控制器部署問題,定義了平均時延和最壞時延,并采用貪婪算法對控制器進行部署。文獻[7]考慮到控制器負(fù)載,將控制器部署問題建模為在整數(shù)線性規(guī)劃問題中求解控制器的最小個數(shù)以及最優(yōu)位置。文獻[8]考慮了交換機和鏈路的故障概率,并提出可靠性指標(biāo)控制路徑損失預(yù)期率。文獻[9]為最小化交換機和相關(guān)控制器之間的傳輸時延,提出一種基于相似性傳播的改進聚類方法，該方法不預(yù)先指定控制器的個數(shù)和位置,而是根據(jù)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)自適應(yīng)學(xué)習(xí)控制器的最佳個數(shù)和位置。文獻[10]提出改進的I-K-means聚類算法,利用網(wǎng)絡(luò)分區(qū)降低網(wǎng)絡(luò)中的質(zhì)心節(jié)點和關(guān)聯(lián)節(jié)點之間的最大時延,但是該算法考慮的目標(biāo)較為單一,不能適用于復(fù)雜的網(wǎng)絡(luò)環(huán)境。另一類是考慮多種性能指標(biāo),將控制器部署問題轉(zhuǎn)化為多目標(biāo)規(guī)劃問題。文獻[11]定義了全局時延并將粒子群優(yōu)化算法用于解決控制器部署問題。文獻[12]在Pareto最優(yōu)控制器部署框架下研究控制器的彈性部署,并考慮到控制器間傳播時延、控制器負(fù)載均衡、控制器故障以及網(wǎng)絡(luò)可靠性等多種性能指標(biāo),存在算法復(fù)雜度較高、不適用于大規(guī)模網(wǎng)絡(luò)的問題。同時,還有部分研究通過網(wǎng)絡(luò)劃分降低控制器對大型網(wǎng)絡(luò)管理的復(fù)雜度。如文獻[13]提出基于密度聚類的控制器部署算法,該算法通過密度聚類將網(wǎng)絡(luò)劃分成多個子網(wǎng)絡(luò),得到最佳控制器個數(shù)后對控制器進行部署。文獻[14]基于改進的標(biāo)簽傳播算法將網(wǎng)絡(luò)劃分成多個子域,并在子域中分別部署控制器,將平均時延、可靠性和控制器負(fù)載均衡納入約束條件以達到最優(yōu)部署。文獻[15]提出一種基于社區(qū)特征的控制器部署策略,先基于模塊度的遺傳算法對網(wǎng)絡(luò)進行劃分,再通過協(xié)調(diào)控制器之間的傳播時延和控制器與交換機之間的控制時延來部署控制器。但是上述研究劃分的網(wǎng)絡(luò)結(jié)構(gòu)不合理,且網(wǎng)絡(luò)可靠性也不能得到保障。

針對以上研究方案中存在的問題,結(jié)合改進的Louvain社區(qū)檢測算法[16],本文提出一種SDN控制器部署策略。利用節(jié)點相似度重新定義鏈路權(quán)重,并計算社區(qū)模塊度,通過引入控制器負(fù)載差異度對整個網(wǎng)絡(luò)拓?fù)溥M行劃分,獨立地根據(jù)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)劃分合適的分區(qū),以提高網(wǎng)絡(luò)負(fù)載均衡。同時，本文還通過交換機到控制器間傳播時延、控制器間傳播時延、控制鏈路可靠性3個性能指標(biāo)對已經(jīng)劃分好的各個子域進行域內(nèi)單控制器部署。

1 模型描述與建立

將大型SDN表示為一個無向圖G=(V,E)。其中,V表示網(wǎng)絡(luò)中交換機集合,V=(v1,v2,…,vn),n=|V|表示交換機個數(shù)。E表示網(wǎng)絡(luò)中交換機之間的鏈路集合,E=(e1,e2,…,em),m=|E|表示鏈路個數(shù),e(u,v)∈E表示交換機u和交換機v之間相連的鏈路。C表示控制器集合,C=(c1,c2,…,ck)。將網(wǎng)絡(luò)劃分成K個不相交的社區(qū),P表示劃分的社區(qū)集合,P=(p1,p2,…,pk),每個社區(qū)包含一個控制器和任意t(1≤t≤n)個交換機,pj=(v1j,v2j,…,vtj,cj)。

定義1映射關(guān)系矩陣Xn×n表示控制器與交換機的映射關(guān)系,如式(1)所示,若交換機vi映射到控制器cj,則xi,j=1,否則為0。

(1)

定義2社區(qū)pj內(nèi)交換機到控制器的平均傳播時延Lpj-avg如式(2)所示:

(2)

其中,mind(vj,cj)表示交換機vj∈pj與其所屬控制器cj∈pj之間的最短路徑。

定義3交換機到控制器的總平均傳播時延Lsc-avg,其表示各個社區(qū)交換機到控制器平均時延之和,計算方法如式(3)所示:

(3)

定義4網(wǎng)絡(luò)的控制邏輯分布在多個控制器上,這些控制器需要同步以保持一致的全局狀態(tài),各個控制器之間的時延起重要作用,控制器間平均傳播時延Lcc-avg的計算方法如式(4)所示:

(4)

定義5控制平面總平均傳播時延?？刂破矫鏁r延包括交換機到控制器以及控制器間的傳播時延,因此將控制平面的總平均傳播時延表示為:

Ltotal=Lsc-avg+Lcc-avg

(5)

定義6控制器負(fù)載差異度?？刂破骺刂频慕粨Q機越多,控制器負(fù)載越大,將會導(dǎo)致負(fù)載資源不均衡,不同控制區(qū)域內(nèi)部的通信延遲情況不同,對網(wǎng)絡(luò)性能造成影響,嚴(yán)重情況下很可能導(dǎo)致網(wǎng)絡(luò)故障。因此為了防止控制器過載,分配給不同控制器的交換機數(shù)量應(yīng)該是均衡的。假設(shè)控制器控制一個交換機所需的流量為l(n),子網(wǎng)間的負(fù)載平衡狀況可由控制器負(fù)載最大差值來表示:

(6)

定義7控制路徑平均損失率。控制路徑定義為用于交換機與其控制器之間傳輸控制信息的鏈路,其實現(xiàn)方式主要有2種,一種是帶內(nèi)傳輸,即使用數(shù)據(jù)平面流量轉(zhuǎn)發(fā)的鏈路傳輸控制信息;另一種是帶外傳輸,即使用專用的鏈路來傳輸控制信息[17]。對于大規(guī)模網(wǎng)絡(luò),由于交換機數(shù)量多且控制器與交換機之間距離較遠(yuǎn),因此本文的控制鏈路選用帶內(nèi)傳輸方式對信息進行傳輸。當(dāng)控制器、交換機、物理鏈路出現(xiàn)故障時,都會促使控制鏈路失效,從而導(dǎo)致整個網(wǎng)絡(luò)癱瘓,因此控制器與交換機之間的控制鏈路越長,則控制鏈路出現(xiàn)的故障概率越大?？刂坡窂降钠骄鶕p失率如式(7)所示:

(7)

其中,l表示物理網(wǎng)絡(luò)組件,包括控制器、交換機與物理鏈路。dl表示控制路徑,pl表示網(wǎng)絡(luò)組件l的故障率,mc表示控制路徑總數(shù)量,且mc=n?？刂坡窂狡骄鶕p失率δ越小,說明方法的可靠性越高。

針對大規(guī)模SDN,優(yōu)化控制平面總平均傳播時延、控制器負(fù)載以及控制鏈路可靠性的目標(biāo)分別定義為:

minLtotal

(8)

s.t.β≤β′

(9)

δ≤R

(10)

其中,β′表示控制器負(fù)載最大差值的上限,R表示控制路徑平均損失率的最大值。

2 本文算法描述與分析

2.1 本文算法分析

Louvain算法是一種基于多層次(逐輪啟發(fā)式迭代)優(yōu)化模塊度的算法,該算法通過最大化每一層的目標(biāo)函數(shù)Q[18]來檢測最佳社區(qū)。模塊度Q是評判劃分社區(qū)結(jié)構(gòu)強度的方法,同時也是優(yōu)化后的目標(biāo)函數(shù)。它能夠刻畫發(fā)現(xiàn)的社區(qū)緊密程度,好的社區(qū)劃分結(jié)果要求社區(qū)內(nèi)節(jié)點相對緊密,社區(qū)外節(jié)點相對稀疏。基于模塊度的社區(qū)發(fā)現(xiàn)算法都是以最大化模塊度Q為目標(biāo),模塊度Q的計算方法如式(11)所示:

(11)

將節(jié)點從其社區(qū)中移除并移動到相鄰社區(qū)來評估模塊度Q的增益,模塊度增益如式(12)所示:

(12)

其中,ΔQu→p表示將節(jié)點u移動到相鄰社區(qū)p的模塊度增益,wu→p表示社區(qū)p中與節(jié)點u相連的所有鏈路權(quán)重之和。

Louvain算法主要分為以下2個階段:

1)在第一階段,首先為每一個節(jié)點分配一個不同的社區(qū),社區(qū)數(shù)目與節(jié)點個數(shù)相同。其次對于每個節(jié)點vi,將vi從其社區(qū)中移除并將其移動到相鄰社區(qū)pj中來評估模塊度增益ΔQ。接著,將節(jié)點vi移動到模塊度增益最大的社區(qū)中,但前提是max ΔQ>0,否則節(jié)點vi保持原社區(qū)不變。最后,對所有的節(jié)點按順序重復(fù)此過程直至所有節(jié)點的社區(qū)不再發(fā)生變化。

2)第二階段的目的是建立一個新的網(wǎng)絡(luò),將第一階段生成的社區(qū)壓縮成一個新的節(jié)點,新節(jié)點之間的鏈路權(quán)重由對應(yīng)2個社區(qū)中節(jié)點之間的鏈路權(quán)重之和表示。重復(fù)第一階段的步驟直至整個網(wǎng)絡(luò)的模塊度不再發(fā)生變化。Louvain算法步驟簡單、復(fù)雜度較低,且計算速度快,因此適用于大型網(wǎng)絡(luò)。

本文提出一種改進的Louvain社區(qū)部署策略(Louvain Community Placement Strategy,LCPS),用于解決大規(guī)模SDN下的多控制器部署問題。該策略的目標(biāo)是縮短控制器與其隸屬交換機之間的平均時延和控制器間的平均時延,并提高控制器的負(fù)載以及控制鏈路的可靠性。LCPS由2種算法組成:算法1是利用改進的Louvain算法對網(wǎng)絡(luò)社區(qū)進行劃分,算法2是在已經(jīng)劃分好的社區(qū)中部署控制器。傳統(tǒng)的Louvain算法存在不足,如社區(qū)劃分效果依賴計算鏈路權(quán)重的方法,聚類過程中沒有及時收斂而導(dǎo)致劃分的社區(qū)過大等問題。針對該問題,本文提出以下2種解決方法:

1)根據(jù)節(jié)點相似度重新定義鏈路權(quán)重的概念。在網(wǎng)絡(luò)中,節(jié)點u和節(jié)點v之間的最短路徑越小,則這2個節(jié)點的相似度越高。基于最短路徑定義節(jié)點相似度函數(shù)sim(u,v)如式(13)所示:

(13)

傳統(tǒng)的社交網(wǎng)絡(luò)運用Louvain算法劃分社區(qū)時,2個節(jié)點之間的權(quán)重越大,這2個節(jié)點合并到同一個社區(qū)的可能性越大。將Louvain算法應(yīng)用到大規(guī)模SDN網(wǎng)絡(luò)下,節(jié)點間的相似度越高,則它們之間的聯(lián)系越緊密。為了最大化社區(qū)的緊密度,根據(jù)節(jié)點相似度定義相應(yīng)的鏈路權(quán)重函數(shù)w(u,v)如式(14)所示:

(14)

其中,d(u,v)表示節(jié)點u和節(jié)點v之間的最短路徑。w(u,v)的取值范圍為[0,1],且其值越高,則節(jié)點u和節(jié)點v越容易合并到同一個社區(qū)。

2.2 算法步驟

2.2.1 網(wǎng)絡(luò)社區(qū)劃分算法

算法1的核心思想是利用改進的Louvain算法實現(xiàn)網(wǎng)絡(luò)的均衡劃分。算法1的具體步驟為:

步驟1將網(wǎng)絡(luò)中每個節(jié)點看成一個獨立的社區(qū),初始社區(qū)數(shù)目與節(jié)點個數(shù)相同。

步驟3重復(fù)上述步驟,直至所有節(jié)點的所在社區(qū)不再發(fā)生變化。

步驟4對圖進行重構(gòu),將所有在同一個社區(qū)的節(jié)點壓縮成一個新的節(jié)點,社區(qū)內(nèi)節(jié)點之間的鏈路權(quán)重更新為新節(jié)點環(huán)的權(quán)重,社區(qū)間的鏈路權(quán)重更新為新節(jié)點間的鏈路權(quán)重。

步驟5重復(fù)步驟2,直至整個圖的總模塊度不再發(fā)生變化。

算法1的偽代碼為:

輸入網(wǎng)絡(luò)拓?fù)鋱DG=(V,E),負(fù)載最大差異度β′

輸出社區(qū)集合P

1.初始化社區(qū)的數(shù)目與節(jié)點個數(shù)相同;

3.for每一個節(jié)點vi∈v do

4.計算節(jié)點遷移到相鄰社區(qū)的模塊度增益ΔQ；

6.將節(jié)點遷移到目標(biāo)社區(qū);

7.else

8.節(jié)點不進行遷移,保持原有社區(qū);

9.end if

11.end for

12.if totalQ≠totalQ′

13.計算每個社區(qū)內(nèi)節(jié)點之間的鏈路權(quán)重,更新為新節(jié)點環(huán)的權(quán)重;

14.計算每個社區(qū)之間鏈路權(quán)重之和,更新為新節(jié)點之間的鏈路權(quán)重;

15.重復(fù)步驟1;

16.else

17.輸出社區(qū)集合P;

18.end if

2.2.2 控制器部署策略

算法2的核心思想是遍歷所有社區(qū),搜索控制平面總平均傳播時延最小、控制路徑平均損失率小于可靠性指數(shù)R的最佳控制器位置。該算法的偽代碼為:

輸入社區(qū)集合P,可靠性指數(shù)R

輸出控制器位置集合C

1.初始化社區(qū)p1中控制器c1的位置使得min Lp1-avg;

2.for 社區(qū)p1每一個節(jié)點vi∈p1do

3.if(c1≠vi) then

4.計算當(dāng)前社區(qū)Lp1-avg;

5.記錄當(dāng)前c1的位置;

6.end if;

7.for j=2,j≤k do

9.記錄當(dāng)前cj的位置;

10.k=k+1;

11.end for

12.計算δ′;

15.else

16.返回步驟2;

17.end if

18.end for

3 仿真與分析

3.1 仿真環(huán)境

實驗基于Java語言,使用Eclipse IDE軟件對本文算法進行仿真。從SNDlib[19]中選取5種規(guī)模不同的拓?fù)淠Ｐ蛠碓u估本文的部署策略,拓?fù)鋵傩匀绫?所示。

表1 實驗拓?fù)鋵傩?/p>

3.2 參數(shù)設(shè)置

鏈路長度:用Haversine公式代替歐幾里得距離計算鏈路長度,流量傳播速度為光速的2/3。

控制器負(fù)載:本文假設(shè)所有控制器都具有相同的負(fù)載能力,并且每個交換機所需的控制流量都是相同的,即l(n)=1,因此可用各社區(qū)交換機數(shù)量的最大差值表示子網(wǎng)間的負(fù)載平衡狀況,實驗設(shè)定最大社區(qū)和最小社區(qū)的節(jié)點差異度不大于2,即β′=2。

可靠性指標(biāo):為保證實驗結(jié)果的真實可靠,通過將多次實驗結(jié)果取平均值來選取可靠性指標(biāo)R值。

3.3 算法復(fù)雜度分析

LCPS算法時間復(fù)雜度由以下2個部分組成:

1)網(wǎng)絡(luò)社區(qū)劃分:該算法分為2個階段,第一階段社區(qū)間節(jié)點轉(zhuǎn)移的時間復(fù)雜度為O(n),n為實驗拓?fù)渲械逆溌窋?shù)量，第二階段將社區(qū)壓縮為一個新節(jié)點的時間復(fù)雜度為O(n+m),m為本輪迭代中節(jié)點的個數(shù)。因此網(wǎng)絡(luò)社區(qū)劃分算法的時間復(fù)雜度為O(n+m),且過程中所需計算量與網(wǎng)絡(luò)規(guī)模呈線性關(guān)系。

2)域內(nèi)控制器部署:計算k個社區(qū)中心的時間復(fù)雜度為O(k×n),計算社區(qū)的控制平面總平均傳播時延的復(fù)雜度為O(k×n),總共迭代k次,因此該過程的時間復(fù)雜度為O(k2×n)。

綜上可知,整個LCPS算法的時間復(fù)雜度為O(k2×n)。

3.4 實驗結(jié)果分析

為了驗證本文算法的性能,實驗比較了原始Louvain算法、LCPS算法和GABCC算法[15]在傳播時延、負(fù)載均衡、控制鏈路可靠性3個方面的差異。

實驗1在不同網(wǎng)絡(luò)規(guī)模下比較3種算法得到的控制器數(shù)量,結(jié)果如圖1所示。從圖1可以看出,原始Louvain算法在不同拓?fù)湎碌玫降目刂破鱾€數(shù)均為2,且GABCC算法與原始Louvain算法在不同拓?fù)湎碌玫降目刂破鱾€數(shù)均小于LCPS算法,這是因為LCPS算法可以根據(jù)拓?fù)浯笮§`活地劃分社區(qū),確定控制器的數(shù)量和位置,且隨著網(wǎng)絡(luò)規(guī)模的增大,控制器數(shù)量呈現(xiàn)遞增趨勢。圖2顯示了在Janos-US拓?fù)湎?LCPS算法劃分的社區(qū)以及控制器部署位置。從圖2可以看出,整個網(wǎng)絡(luò)被劃分成4個社區(qū),其中,實心代表控制器位置,空心代表交換機位置,具有相同形狀的節(jié)點屬于同一個社區(qū)。

圖1 3種算法在不同拓?fù)湎碌目刂破鱾€數(shù)

圖2 Janos-US拓?fù)湎驴刂破魑恢?/p>

實驗2實驗比較了3種算法在5種不同網(wǎng)絡(luò)拓?fù)湎碌目刂破矫婵偲骄鶄鞑r延,結(jié)果如圖3所示。從圖3可以看出,LCPS算法在降低傳播時延方面優(yōu)于其他2種算法。當(dāng)網(wǎng)絡(luò)規(guī)模較小時,3種算法得到的控制平面總平均時延都很接近,但隨著網(wǎng)絡(luò)規(guī)模的增大,LCPS算法與其他2種算法得到的控制平面總平均時延差異逐漸增大。如在Janos-US拓?fù)湎?LCPS算法、原始Louvain算法、GABCC算法得到的控制平面總平均傳播時延分別為8.28 ms、9.34 ms、8.61 ms,相比其他2種算法，LCPS算法的控制平面總平均傳播時延分別降低了11.3%和3.8%;在TA2拓?fù)湎?3種算法得到的控制平面總平均傳播時延分別為49.67 ms、63.27 ms、61.20 ms,相比原始Louvain算法,LCPS算法的控制平面總平均傳播時延最多降低了21.4%,這是由于LCPS算法根據(jù)節(jié)點相似度定義的鏈路權(quán)重更加合理,劃分的社區(qū)內(nèi)部節(jié)點相對緊密,從而降低了交換機到控制器間的傳播時延。

圖3 3種算法在不同拓?fù)湎碌目刂破矫婵偲骄鶄鞑r延

實驗3本文采用負(fù)載均衡指數(shù)B評價3種算法得到的控制器負(fù)載分布狀況,結(jié)果如圖4所示。從圖4可以看出,在不同網(wǎng)絡(luò)拓?fù)湎?LCPS算法的負(fù)載均衡指數(shù)明顯低于其他2種算法,且穩(wěn)定在[0.4,0.5]之間,這是由于LCPS算法在劃分社區(qū)時引入控制器負(fù)載差異度,可以限制社區(qū)規(guī)模,平衡控制器負(fù)載;原始Louvain算法的負(fù)載均衡狀態(tài)不可控,對于不同規(guī)模的網(wǎng)絡(luò)拓?fù)?負(fù)載均衡指數(shù)波動較大,且高于LCPS算法,因此可能出現(xiàn)負(fù)載分配不平衡的情況。這是由于原始Louvain算法并未對社區(qū)的規(guī)模進行限制,社區(qū)聚類的過程中沒有及時收斂,社區(qū)劃分完全取決于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),沒有考慮負(fù)載均衡的因素;GABCC算法基于遺傳算法對網(wǎng)絡(luò)進行劃分,該控制器部署方式過于復(fù)雜,且負(fù)載均衡指數(shù)仍處于一個較高水平。

圖4 3種算法在不同拓?fù)湎碌呢?fù)載均衡指數(shù)

實驗4實驗測試3種算法在Janos-US拓?fù)湎碌目刂奇溌房煽啃?。本文只考慮鏈路發(fā)生故障的場景,假設(shè)所有的鏈路具有相同的故障率,單位長度鏈路故障率pl取值為[0,0.1]。圖5表示鏈路故障率與控制鏈路平均損失率之間的關(guān)系。從圖5可以看出,隨著鏈路故障率的逐漸增大,控制鏈路平均損失率呈逐漸增長的趨勢。當(dāng)鏈路故障率相同時,LCPS算法的控制鏈路平均損失率最低,GABCC算法最高。隨著鏈路故障率不斷增大,GABCC算法的控制鏈路平均損失率增長速度最快,LCPS算法最慢。當(dāng)鏈路故障率為0.1時,GABCC算法的控制鏈路平均損失率高達0.367,這是因為GABCC算法在部署控制器時并未考慮控制鏈路可靠性,因此當(dāng)發(fā)生鏈路故障時,數(shù)據(jù)傳輸將會很快中斷。相比GABCC算法和原始Louvain算法,LCPS算法的部署方案能夠有效降低控制鏈路平均損失率,提高控制鏈路可靠性。

圖5 3種算法的控制路徑平均損失率

4 結(jié)束語

本文基于改進的Louvain社區(qū)檢測算法實現(xiàn)大規(guī)模SDN網(wǎng)絡(luò)下多控制器的均衡部署。通過在劃分子網(wǎng)時引入控制器負(fù)載差異度,可以限制子網(wǎng)的大小,從而確保網(wǎng)絡(luò)均衡的劃分。在部署控制器時,綜合考慮控制平面總平均傳播時延和控制鏈路可靠性,以達到最小化控制平面?zhèn)鞑r延和控制鏈路平均故障率的目的。仿真結(jié)果表明,本文提出的控制器部署策略可以根據(jù)不同規(guī)模的網(wǎng)絡(luò)拓?fù)?劃分合適的網(wǎng)絡(luò)分區(qū),有效降低時延,提高控制鏈路可靠性。下一步將采用基于遷移效率感知的動態(tài)交換機遷移策略[20]，對網(wǎng)絡(luò)流量動態(tài)變化的場景進行研究，以平衡控制器負(fù)載、減小控制器響應(yīng)時間。