基于知识描述和遗传算法的跨域虚拟网络映射

网络虚拟化环境下的跨域虚拟网络映射是指当物理网络由多个自治域构成时,以最小化虚拟网络映射开销为目标,将虚拟网络请求恰当地划分为多个虚拟子网请求,并分别指派给相应自治域以完成映射.资源匹配和虚拟网络划分是跨域虚拟网络映射中的两个关键阶段.然而,现有的资源匹配算法无法支持精确的数值属性匹配,也无法满足虚拟网络用户对表达多样化映射约束的需求,故实用性不高.此外,虚拟网络划分属于NP问题,目前也缺乏高效的求解方法.针对上述两个阶段中存在的问题,分别提出了基于OWL及SWRL的资源匹配算法和基于遗传算法的虚拟网络划分算法.理论分析证明了该方法的正确性.仿真实验从效率、性能及稳定性方面验证了该方法的有效性.

关于跨域虚拟网络的优化狼群映射研究仿真

虚拟网络映射的目的是将网络底层物理资源,以高可用低开销的方式配置到虚拟网络中,进而提高物理网络的业务扩展性能。针对分布式跨域带来的网络资源异构特性,现有映射算法往往存在节点或链路负载不均衡,资源开销过大,以及报文抖动等问题,提出了优化狼群的跨域虚拟网络映射算法。由于跨域虚拟网络映射过程中,额外的资源开销主要来源于域间,因此算法将映射处理分为域内与域间两部分进行独立分析。对于域内映射只引入元胞结构,增强单目标优化处理性能,将节点采用二进制表示,并设定每一位作为一个元胞,建立节点元胞模型,通过更新元胞与近邻得到域内节点与链路资源的最优配置;对于域间映射,则在元胞基础上,引入优化狼群算法,元胞结构提高搜索的分布能力,优化狼群提高全局寻优性能,利用探狼四处游走,在元胞向量中搜索解,同时得到头狼信息,头狼产生召唤行为通知猛狼目标解的信息,从而利用分工协作实现节点与链路最优解的搜索。仿真结果表明,提出的优化狼群网络映射算法能够有效应对跨域异构资源问题,均衡节点和链路的负载,显著降低网络映射开销和网络映射执行时间。

基于大数据技术的5G跨域虚拟网络安全性评估方法研究

网络技术的飞速发展,有效促进信息化社会的发展,同时各种网络安全问题日益增加。为了确保5G跨域虚拟网络安全性,提出一种基于大数据技术的5G跨域虚拟网络安全性评估方法。采用大数据技术对5G跨域虚拟网络的安全性进行分析,分别简化和清洗网络数据记录中的全部特征。通过网络熵对网络的安全性能进行描述,根据求解模型中的Nash均衡解获取最优防御策略以及网络状态概率,进而利用网络状态熵对网络安全性进行评估。仿真实验结果表明,所提方法能够快速准确完成网络安全性评估,并且为后续的防御工作提供一定的理论支持,能够有效评估网络安全性能,同时为主动防御提供决策支持。

跨域虚拟化网络最优映射模型的设计与仿真

针对目前算法对跨域虚拟化网络进行多层映射时,由于未能利用TOPSIS(逼近理想解排序法)计算网络中虚拟节点的映射优先级,导致该算法在映射时无法有效检测出网络路径的衰减曲线,存在映射的精准度低、映射成本高的问题,提出基于拓扑感知的跨域虚拟化网络多层映射算法。该算法首先对网络中的节点属性进行分析,基于分析结果对网络中的节点映射优先级进行计算;再结合网络的拓扑感知结构构建面向跨域虚拟化网络的多层映射算法;最后利用该算法构建一个网络节点评价模型并对其进行求解,从而实现对跨域虚拟化网络的多层映射。实验结果表明,该算法在对跨域虚拟化网络进行多层映射时能够有效检测出网络路径的衰减曲线,映射的精准度高、映射成本低。