人工智能在基于时延的业务路径计算中的应用

李威伟，许 鹏，马季春，张桂玉，姬文钊

（中讯邮电咨询设计院有限公司，北京 100048）

1 SDN 网络业务路径计算特征及需求分析

1.1 SDN 网络算路特征

软件定义网络(Software-defined Network,SDN）的快速发展,为电信网络的服务能力开放提供了强大支撑。 根据定义,SDN 架构自上而下分为3 个层面,分别是应用层、控制层和基础设备层。 其中控制层面主要负责设备网元的集中控制,实现路径计算、配置下发等主要功能。

SDN 控制器采用集中算路的模式,通过基于程序算法或基于流量工程(Segment Routing Traffic-eng,SRTE）策略的路径计算,实现端到端业务的实时发放,这对路径计算的实时性和精确性提出了较高的要求［1］。

1.2 SDN 网络算路挑战

1.2.1 算路精确性问题

传统路由器广泛使用的算法是静态路由算法和动态路由算法,其中静态路由算法是指通过预先设置好的网络信息,计算出数据包的路由走向的算法。 动态路由算法则是通过路由器之间交换的特定路由信息自动建立路由表,并根据链路和节点的变化进行自动调整,使路由发生动态变化的算法。

如网络流负载需求500 Mbps 的带宽,传统基于最短路径的路由算法是将所有流量导入瓶颈链路中,所选择的路径可用带宽(100 Mbps）远小于服务需求带宽,这不仅会大幅降低用户体验,同时还可能带来严重的网络拥塞问题并造成网络资源的巨大浪费［2］。

1.2.2 算路高效性问题

传统路由器的算路,往往通过学习和转发路由表的形式进行。 当网络中的路由器节点增多,网络连接变得复杂时,路由的转发和广播数据量将会激增,各路由器内部学习到的路由数量也会成倍增加。 路由器在识别和验证路由有效性的操作中会消耗大量的资源和时间,导致算路效率大幅下降。

1.2.3 算路智能性问题

当前网络SDN 控制器算路模块中支持的算路策略有最小跳数、最低时延等,均是使用估计算法结合既定的网络性能参数进行路径计算的算法模型。 其中的算路系统仅作为响应器,做简单的“输入+输出”响应,在面对不同的业务场景和不同时刻的网络镜像时,无法做到智能匹配,影响用户体验。

鉴于上述网络算路存在的问题,结合智能化网络算路的需求,对新一代业务路径计算提出了以下要求。

(1）摆脱网络环境的复杂性,充分感知网络的动态性和随机性,快速跟随网络变化输出路径结果,使得算路数据的实时性和准确性得到精确保障；

(2）适用于多域多层级复杂网络或海量网元情况,确保算路效率得到保障；

(3）实现业务特性和网络实时形况的结合,自动预测最优路径和多路径展示,有较高的智能化算路程度［3］。

2 人工智能技术研究和基于时延的业务算路

2.1 智能算路关键技术

针对SDN 网络下新兴业务的算路要求,本文以业务路径计算中的最短时延策略算路为例,结合新兴业务场景中低时延业务应用场景,引入人工智能训练平台,对业务路径计算方案进行研究和优化,并提出了一套基于监督机器学习的时延修正方案。

2.1.1 人工智能业务算路平台的构建

为了满足人工智能与业务算路结合的场景,构建将人工智能技术融入业务算路场景中的平台系统。

该系统接收业务场景相关的算路请求,并从算路请求中拆分出业务场景的特征敏感指标,将其传递给AI 平台。 AI 平台通过训练、评估、优化后得出预测模型,对目标网络进行相应指标预测和修正,最终将数据提供给上层的业务算路模块。

2.1.2 人工智能技术推理

传统的时延修正方式仅仅只考虑了设备时钟这个单影响因子,忽略了流量拥塞、链路故障、丢包等其他影响因子。

将传输时延和测量时延之间的所有影响因子通过建立模型进行数据训练,可以得到较为准确的时延数据,减少算路中的时延误差,从而达到时延网络算路要求的时延精准度。

针对上述场景,与现今较为流行的人工智能算法模型进行了研究和比对,从中选取逻辑回归、朴素贝叶斯、神经网络、基于决策树的集成模型四类算法模型。通过将部分时延数据输入到各模型中,经过训练后得出最终的预测结果,再将得到的预测结果与真实结果进行概率性比对,拟合出概率曲线。

在算法模型中,逻辑回归模型和线性回归模型类似,都对多因素的影响描述不够准确,导致在特定场景下的偏移量较大。

神经网络模型经过多次训练,得出的预测模型和预测结果具有很大的波动性,无法很好地表达输入与输出之间的逻辑关系。

基于决策树的集成模型,由于其优势在于小规模数据的训练场景,多次训练后得到较为稳定的预测模型,和真实结果的匹配度达到90%以上。 最终确定以决策树集成模型作为低时延网络修正的AI 训练模型。

2.2 时延修正模型

低时延业务场景下,时延准确率极大程度影响最终业务路径的有效性。 传统方法测量出的链路时延,会受到时钟同步、协议包格式、链路拥塞性等因素的影响,结果的准确性会产生波动。 针对这些突变特性,分类角色和推荐拟合的推理方式较为适合修正时延。

在仿真网络下,各链路的测量时延、丢包率、流量、带宽、告警等数据可以作为训练模型的输入,使用XGBoost 模型进行训练,并将传输时延值作为模型监督的结果数据。

2.3 智能算路应用

依托上述时延修正模型,结合传统的网络时延保障技术方案,概述了基于时延的业务路径计算应用。

2.3.1 从网管系统中获取时延数据

网络管理系统可对网络中的虚拟设备和物理设备进行管理。 传统网管主要通过脉冲测试法和M 序列测试法进行时延测试,最终得到链路的时延值。

2.3.2 对时延数据做线性拟合

上述时延测量方法,存在相应误差:在实际测量中,误差的存在原因是两个设备时钟的运行速率不一致,外加链路测量时链路的拥塞程度所导致。

2.3.3 依托训练平台进行时延数据的训练和预测

利用上文搭建的人工智能训练平台,将网管中定时拨测的时延数据整合成集,输入 XGBoost 模型。XGBoost 算法通过传入的时延拨测数据集合和网络性能、状态、故障数据集合,提取出其中的标签和特征,再运用模型中的分类决策树,将时延修正场景分为正常场景和异常场景。

经过分类的测量时延数据,结合准确的传输时延值,在目标函数和损失函数的不断拟合和优化修正下,网管时延逐步向传输时延进行偏移,最终形成数颗时延修正树。

在大量输入和结果数据的训练下,时延修正树的数量会不断增加,最终到达和训练数据近似的量级。此时训练模型将生成的决策树,进行同向比较和因子优化,最终合成为一颗复杂的多分枝决策树模型。

经过大量仿真网络数据的训练和模型的修正优化,最终形成一个较为稳定的时延修正模型。 使用该模型进行时延修正后的数据结果如果和真实的传输时延相比误差度小于1%,就证明该模型达到了时延修正的误差精度要求。

2.3.4 业务路径计算

采用最短时延策略,利用AI 平台修正后的时延值对仿真网络进行业务路径计算得到优化后的业务路径和采用基于网管时延的传统算路相比,业务路径得到优化。 通过专业时延测量仪器对结果路径进行时延测量,得到的业务路径和时延值与AI 算路结果得到的预估值误差在5%以内,与AI 修复之前30%的误差相比有了较大的提升,从而满足了基于时延下的业务路径计算准确性的要求。

3 结语

通过对传统业务路径计算概况的介绍和局限性分析,结合近年来人工智能算法的发展,文章提出了一种基于AI 机器学习的时延修正方案,为基于时延的业务场景路径计算提供了有效帮助,从而能够更好地满足最终用户的体验诉求和差异化需求,支持网络业务高效发展。