A Survey of Machine Learning Techniques Applied to Software Defined Networking (SDN): Research Issue

將機器學習用到SDN中的綜述：研究的問題和挑戰

從流量分類、路由優化、服務質量（Qos）/體驗質量（QoE）預測、資源管理和安全性的角度，回顧了機器學習算法如何應用於SDN領域。

相關知識

在SDN中應用機器學習是合適的緣由：

1. 圖形處理單元GPU和張量處理單元TPU等技術爲機器學習提供了很好的機會；
2. 集中式SDN控制器具備全局網絡視圖，可以收集各類網絡數據，便於機器學習算法的應用。
3. 基於實時和歷史網絡數據，機器學習技術能夠經過執行數據分析，網絡優化和網絡服務的自動提供來爲SDN控制器提供智能化。
4. SDN可編程性使機器學習算法生成的最優網絡解決方案（如配置或資源分配）可以在網絡上執行。
   

SDN網絡架構：

機器學習概述：
機器學習一般包括兩個階段：訓練階段和決策階段。在訓練階段，採用機器學習地方法，利用訓練數據集學習系統模型；在決策階段，系統能夠經過訓練模型獲得每個新輸入的估計輸出。
機器學習算法基本上分爲四類：監督學習、無監督學習、半監督學習和強化學習。

文章結構：

第一二節：相關工做。
第三節：SDN背景知識。
第四節：介紹經常使用的ML算法
第五節：從流量分類、路由優化、服務質量（QoS）/體驗質量(QoS)預測、資源管理和安全等方面對ML算法在SDN領域的應用進行了綜述，並詳細說明了機器學習在每一類中的應用。
第六節：討論將來的研究方向：高質量的訓練數據集、分佈式多控制器平臺、提升網絡安全性、跨層網絡優化和增量部署SDN。
第七節：軟件定義其它。

第五部分：在sdn中使用機器學習

集中式SDN控制器具備全局網絡視圖，使網絡易於控制和管理。機器學習技術經過執行數據分析、網絡優化和自動提供網絡服務，爲SDN控制器帶來智能。換句話說，學習能力使SDN控制器可以自主學習作出最優決策以適應網絡環境。
A. 流量分類
流量分類是一種重要的網絡功能，經過流量分類，網絡運營商能夠更有效地處理不一樣的業務，更有效地分配網絡資源。普遍使用的流量分類技術包括基於端口的方法、深度分組檢查(DPI)和機器學習。DPI將流量的有效負載與預約義的模式匹配，以肯定流量所屬的應用程序。模式由正則表達式定義。基於DPI的分類方法一般具備較高的分類精度。可是，它也有一些不足之處。基於ml的方法可以正確地識別加密的通訊量，並比基於DPI的方法產生更低的計算成本.所以，基於ML的方法獲得了普遍的研究。爲了便於流量分類，首先收集大量的流量流，而後應用ML技術從採集到的流量流中提取信息。在SDN中，控制器具備全局網絡視圖，便於流量的收集和分析。已有許多研究從不一樣的角度對流量進行分類，如象流感知、應用感知和QoS感知流量分類。
1)象流感知交通分類：象流感知交通分類旨在識別大象流（大流）和老鼠流（小流）。在一個數據中心中，80%的流量是鼠標流。然而，大部分字節是在大象流中攜帶的。爲了有效地控制數據中心的流量，有必要對象流進行識別。有一篇文獻研究了混合數據中心網絡中的交通流調度問題。首先，機器學習技術被用來在網絡邊緣進行象流感知的流量分類。而後，集中式SDN控制器能夠利用分類結果實現高效的交通流優化算法。
2)應用感知流量分類：應用感知流量分類旨在識別流量流的應用。
3)QoS感知流量分類：基於QoS的流量分類是爲了識別業務流的QoS類別。隨着Internet上應用的指數增加，識別全部的應用程序變得困難和不切實際。然而，根據應用的QoS要求(例如延遲、抖動和丟失率)，能夠將其劃分爲不一樣的QoS類別。

機器學習各算法的優缺點：

待續