大數(shù)據(jù)中心網(wǎng)絡(luò)環(huán)境的拓?fù)浔硎緦W(xué)習(xí)方法研究

潘姍姍 周亦敏

摘 要：在大數(shù)據(jù)中心網(wǎng)絡(luò)（BDCN）環(huán)境下，應(yīng)用預(yù)測(cè)和分析拓?fù)浣Y(jié)構(gòu)的機(jī)器學(xué)習(xí)（ML）算法受到越來(lái)越多的關(guān)注。利用ML算法對(duì)交通網(wǎng)絡(luò)預(yù)測(cè)、異常交通監(jiān)控和路線選擇模型的研究取得重大進(jìn)展，但是在處理網(wǎng)絡(luò)數(shù)據(jù)時(shí)受到嚴(yán)重制約，探索隱藏在網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中的信息能力有限。因此提出一種新方法“Topology 2Vec”學(xué)習(xí)網(wǎng)絡(luò)拓?fù)洌劢褂诰W(wǎng)絡(luò)結(jié)構(gòu)和性能，并使用低維向量表示節(jié)點(diǎn)，以確保表示可以適應(yīng)不同要求。為評(píng)估方法有效性，將該方法應(yīng)用于控制器放置問(wèn)題的真實(shí)數(shù)據(jù)中心拓?fù)鋽?shù)據(jù)典型用例。實(shí)驗(yàn)表明，以“Topology 2Vec”作為前提可以在網(wǎng)絡(luò)延遲方面產(chǎn)生更好結(jié)果。

關(guān)鍵詞：拓?fù)浔硎緦W(xué)習(xí);機(jī)器學(xué)習(xí);NRL;BDCN

DOI：10. 11907/rjdk. 182104

中圖分類號(hào)：TP301文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2019）003-0057-05

0 引言

網(wǎng)絡(luò)是一種使用廣泛的數(shù)據(jù)格式，如社交媒體中的社交網(wǎng)絡(luò)，生物科學(xué)中蛋白質(zhì)-蛋白質(zhì)互動(dòng)網(wǎng)絡(luò)研究中的引用網(wǎng)絡(luò)。為挖掘網(wǎng)絡(luò)數(shù)據(jù)有用信息，通常依賴于摘要網(wǎng)絡(luò)統(tǒng)計(jì)索引、內(nèi)核函數(shù)或手工設(shè)計(jì)特征，但其中大多數(shù)方法都受到高計(jì)算和空間成本的困擾。

國(guó)內(nèi)機(jī)器學(xué)習(xí)領(lǐng)域的拓?fù)溲芯恐饕ㄟ^(guò)數(shù)據(jù)分析拓?fù)浣Y(jié)構(gòu)，往往從某個(gè)空間采樣，嵌入到高維空間，分析研究其低維結(jié)構(gòu)，探測(cè)樣本空間拓?fù)浣Y(jié)構(gòu)。例如通過(guò)PDSC算法[1]分析預(yù)測(cè)其拓?fù)浣Y(jié)構(gòu)，同時(shí)著眼于點(diǎn)陣圖像轉(zhuǎn)化拓?fù)浣Y(jié)構(gòu)、提取向量后構(gòu)建三維立體拓?fù)浣Y(jié)構(gòu)，如TBR方法[2]實(shí)現(xiàn)拓?fù)浣Y(jié)構(gòu)向量化。郭薇、陳軍[3]提出基于點(diǎn)集拓?fù)鋵W(xué)描述三維拓?fù)淇臻g關(guān)系形式化。近年來(lái)網(wǎng)絡(luò)表示學(xué)習(xí)（NRL）也被作為一種新的學(xué)習(xí)范式而提出，通過(guò)保留網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、頂點(diǎn)內(nèi)容和其它邊信息，將網(wǎng)絡(luò)頂點(diǎn)嵌入低維矢量空間，有助于在新的向量空間中輕松處理原始網(wǎng)絡(luò)以供進(jìn)一步分析。該方法為機(jī)器學(xué)習(xí)（ML）提供了一種更好的方式理解數(shù)據(jù)和圖形結(jié)構(gòu)。但是在BDCN環(huán)境下的研究，國(guó)內(nèi)仍處于空白，急需設(shè)計(jì)出一種切實(shí)可行的方法研究拓?fù)浣Y(jié)構(gòu)。

目前應(yīng)用于通信網(wǎng)絡(luò)環(huán)境中比較全面的是Sayoud等[4]完成的SSGA，通過(guò)優(yōu)化設(shè)計(jì)拓?fù)洳季趾头峙湎鄳?yīng)的容量（TDCA問(wèn)題）使通信網(wǎng)絡(luò)總安裝成本最小化。使用GA可以更好地解決高度約束的優(yōu)化問(wèn)題。與現(xiàn)有啟發(fā)式方法相比，可以獲得更好的結(jié)果，包括網(wǎng)絡(luò)成本、性能和計(jì)算速度。但是針對(duì)大數(shù)據(jù)中心網(wǎng)絡(luò)（BDCN）環(huán)境中的許多問(wèn)題，如路徑選擇、流量工程和任務(wù)分配，NRL可以更有效解釋網(wǎng)絡(luò)拓?fù)洹Ｒ虼?，本文設(shè)計(jì)一種名為Topology 2Vec的基于網(wǎng)絡(luò)表示學(xué)習(xí)方法，學(xué)習(xí)BDCN拓?fù)浣Y(jié)構(gòu)的網(wǎng)絡(luò)表示方法和拓?fù)湫畔⒈容^全面的機(jī)器學(xué)習(xí)方法，在大數(shù)據(jù)網(wǎng)絡(luò)環(huán)境下的拓?fù)浞治霰砻?，該方法在網(wǎng)絡(luò)拓?fù)浞治龇矫嬗懈玫男阅堋?/p>

1 網(wǎng)絡(luò)表示學(xué)習(xí)方法

網(wǎng)絡(luò)表示學(xué)習(xí)（NRL）從網(wǎng)絡(luò)挖掘有用信息以了解每個(gè)節(jié)點(diǎn)矢量表示，使在原始網(wǎng)絡(luò)空間彼此接近的節(jié)點(diǎn)間也具有相似潛在表示。網(wǎng)絡(luò)表示學(xué)習(xí)BDCN的方法拓?fù)浞治鋈鐖D1所示。拓?fù)浔硎緦W(xué)習(xí)旨在作為連接ML方法的橋梁以解決基于圖形數(shù)據(jù)的BDCN問(wèn)題，BDCN拓?fù)涿枋龉?jié)點(diǎn)之間的聯(lián)系[5]。因此，學(xué)習(xí)拓?fù)浔硎驹谒芯W(wǎng)絡(luò)節(jié)點(diǎn)中發(fā)現(xiàn)潛在聯(lián)系并使用低維矢量表示特征。在信息網(wǎng)絡(luò)中已經(jīng)有可以使用的嵌入式解決方案，但是不能直接用于有更具體場(chǎng)景的BDCN環(huán)境。首先節(jié)點(diǎn)和鏈接可能由于設(shè)備故障而改變，因此應(yīng)作為一個(gè)動(dòng)態(tài)網(wǎng)絡(luò)[6]，選擇一個(gè)隨機(jī)數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行采樣;其次，現(xiàn)有方法關(guān)注節(jié)點(diǎn)鄰近度，描述節(jié)點(diǎn)之間的相似性或發(fā)現(xiàn)群體結(jié)構(gòu)體。在通信網(wǎng)絡(luò)中，本文更關(guān)注節(jié)點(diǎn)之間的傳輸能力并將其定義為工作可達(dá)性;第三，在信息網(wǎng)絡(luò)中必須考慮網(wǎng)絡(luò)性能，但表示學(xué)習(xí)結(jié)果并非總是如此。要滿足該要求，必須給予一些具有更好鏈路性能的節(jié)點(diǎn)，使出現(xiàn)在樣本結(jié)果集中的頻率更高。因此需要一個(gè)局部可并行化和有效的表示學(xué)習(xí)方法適應(yīng)BDCN環(huán)境。為解決該問(wèn)題，本文提出一種名為Topology 2Vec的基于嵌入方法，生成一組向量概括拓?fù)浜途W(wǎng)絡(luò)狀態(tài)，旨在同時(shí)學(xué)習(xí)潛在的聯(lián)系以正確表示網(wǎng)絡(luò)狀態(tài)信息向量。該表示針對(duì)BDCN環(huán)境進(jìn)行了優(yōu)化。拓?fù)浞治鲇欣谕負(fù)浣Y(jié)構(gòu)使用ML方法解決相關(guān)問(wèn)題。

為展示在BDCN問(wèn)題上的潛力，本文在典型情況下評(píng)估其有效性。例如控制器放置，在網(wǎng)絡(luò)資源管理中這是一個(gè)通過(guò)ML算法解決的重要問(wèn)題?？刂破髦饕P(guān)注點(diǎn)為安置問(wèn)題，即如何根據(jù)BDCN拓?fù)浣Y(jié)構(gòu)找到合適位置。已有學(xué)者使用改進(jìn)的聚類獲得放置策略算法。本文通過(guò)第一次探索BDCN拓?fù)浣Y(jié)構(gòu)獲得潛在表示，然后使用現(xiàn)有基于ML的網(wǎng)絡(luò)分區(qū)算法獲得更好答案。

為證明方法有效性，選擇控制器的放置問(wèn)題作為典型場(chǎng)景。實(shí)驗(yàn)結(jié)果表明，該方法在不使用表示學(xué)習(xí)作為前提的情況下，比最先進(jìn)的解決方案有更好的性能。

2 相關(guān)工作

2.1 基于網(wǎng)絡(luò)結(jié)構(gòu)的NRL

網(wǎng)絡(luò)表示學(xué)習(xí)算法用學(xué)習(xí)網(wǎng)絡(luò)中節(jié)點(diǎn)向量表示從網(wǎng)絡(luò)數(shù)據(jù)中提取的信息。根據(jù)網(wǎng)絡(luò)數(shù)據(jù)的不同輸入，一般將NRL方法分為兩類：基于網(wǎng)絡(luò)結(jié)構(gòu)的NRL（即只考慮拓?fù)湫畔ⅲ┖徒Y(jié)合輔助信息的NRL（即除保留結(jié)構(gòu)關(guān)系外，對(duì)于節(jié)點(diǎn)，NRL方法還保留輔助信息以改進(jìn)表示）。DeepWalk[7]是第一個(gè)用于網(wǎng)絡(luò)表示學(xué)習(xí)的算法，靈感來(lái)自Skip-Gram模型[8]，該模型目的是為在句子中使用單詞上下文學(xué)習(xí)單詞表示，DeepWalk在網(wǎng)絡(luò)中的每個(gè)節(jié)點(diǎn)上隨機(jī)游走，然后通過(guò)將隨機(jī)游動(dòng)序列視為等價(jià)句子學(xué)習(xí)節(jié)點(diǎn)表示。DeepWalk假設(shè)隨機(jī)游動(dòng)序列中的節(jié)點(diǎn)具有相似性。因此，不同的隨機(jī)游走策略會(huì)創(chuàng)建不同的節(jié)點(diǎn)序列，并保留不同類型的網(wǎng)絡(luò)結(jié)構(gòu)相似性[9-10]。Node2Vec[11]引入兩個(gè)超參數(shù)控制隨機(jī)游走過(guò)程，以保持BFS和DFS搜索策略之間的平衡。Struc2Vec[12]構(gòu)造一個(gè)多層網(wǎng)絡(luò)對(duì)結(jié)構(gòu)相似性進(jìn)行編碼，如果兩個(gè)節(jié)點(diǎn)以相同的順序進(jìn)行采樣，則應(yīng)具有相似結(jié)構(gòu)特征。LINE[13]模擬用于學(xué)習(xí)節(jié)點(diǎn)表示的兩種節(jié)點(diǎn)關(guān)系（即一階鄰近和二階鄰近）。GraRep[14]擴(kuò)展了LINE，并以不同的k步鄰近度學(xué)習(xí)全局表示。

2.2 無(wú)人監(jiān)督機(jī)器學(xué)習(xí)

在機(jī)器學(xué)習(xí)領(lǐng)域，無(wú)監(jiān)督學(xué)習(xí)[15]是一個(gè)在沒(méi)有訓(xùn)練樣本的大量數(shù)據(jù)中學(xué)習(xí)特征和隱藏結(jié)構(gòu)的典型方法。隨著分布式計(jì)算技術(shù)的發(fā)展，出現(xiàn)了許多計(jì)算平臺(tái)用于培訓(xùn)更復(fù)雜的模型，各種應(yīng)用程序被不斷開(kāi)發(fā)，數(shù)據(jù)比以前更具多樣性。簡(jiǎn)而言之，大量計(jì)算資源以及更高的數(shù)據(jù)質(zhì)量促進(jìn)了無(wú)監(jiān)督學(xué)習(xí)在學(xué)術(shù)領(lǐng)域的發(fā)展，如自然語(yǔ)言、知識(shí)圖譜、計(jì)算機(jī)成像和異象[16]。

很多研究人員使用無(wú)監(jiān)督學(xué)習(xí)模型解決網(wǎng)絡(luò)表示學(xué)習(xí)問(wèn)題，例如網(wǎng)絡(luò)嵌入是一種特有吸引力的方法[17-18]。網(wǎng)絡(luò)嵌入（NE）[19]的概念很簡(jiǎn)單：在原始高維學(xué)習(xí)潛在特征空間使用低維向量表示學(xué)習(xí)成果，其中難點(diǎn)是關(guān)于非網(wǎng)絡(luò)線性特征及一對(duì)節(jié)點(diǎn)之間的多階關(guān)系。已有許多典型研究方法，如Node2vec [20]，該方法基于深度學(xué)習(xí)并提供改進(jìn)的隨機(jī)性，通過(guò)為DFS和BFS設(shè)置不同的權(quán)重獲取功能。與DeepWalk不同，Node2vec引入兩個(gè)控制DFS和BFS的超參數(shù)，使用一個(gè)簡(jiǎn)單的目標(biāo)函數(shù)保留一階相似度和二階相似度，所以該方法可應(yīng)用于發(fā)現(xiàn)本地特定問(wèn)題的結(jié)構(gòu)，如社區(qū)結(jié)構(gòu)識(shí)別，還可驗(yàn)證實(shí)驗(yàn)結(jié)果和可擴(kuò)展性。

2.3 BDCN環(huán)境下的拓?fù)鋯?wèn)題

首先，信息網(wǎng)絡(luò)是由來(lái)自不同應(yīng)用場(chǎng)景的行為實(shí)體交互生成的。不同情景給予網(wǎng)絡(luò)不同的財(cái)產(chǎn)，在社區(qū)網(wǎng)絡(luò)中，節(jié)點(diǎn)和鏈接可能會(huì)經(jīng)常變化。但是，BDCN環(huán)境是一個(gè)更具體的情況，需要考慮動(dòng)態(tài)節(jié)點(diǎn)和鏈路狀態(tài)在什么時(shí)候改變路由、鏈路性能和路徑故障，從而動(dòng)態(tài)性影響節(jié)點(diǎn)和鏈接，然后擴(kuò)展到整個(gè)網(wǎng)絡(luò)拓?fù)?。因此，需要一個(gè)可以適應(yīng)的樣本方法改變網(wǎng)絡(luò)拓?fù)洹?/p>

其次，代表學(xué)習(xí)信息網(wǎng)絡(luò)中的方法主要用來(lái)提取節(jié)點(diǎn)之間的接近度、描述節(jié)點(diǎn)的相似性。而在通信網(wǎng)絡(luò)中，需要解釋低維向量中的可達(dá)性。

第三，網(wǎng)絡(luò)表現(xiàn)狀態(tài)和結(jié)構(gòu)是BDCN拓?fù)鋯?wèn)題的核心。除了節(jié)點(diǎn)關(guān)系，還需要捕捉基于鏈接性能的BDCN具體要求。因此，連接節(jié)點(diǎn)是由網(wǎng)絡(luò)性能決定節(jié)點(diǎn)之間的物理鏈接。網(wǎng)絡(luò)狀況和拓?fù)浣Y(jié)構(gòu)都應(yīng)考慮獲得拓?fù)涔?jié)點(diǎn)之間的潛在關(guān)系和通信網(wǎng)絡(luò)中的表征學(xué)習(xí)問(wèn)題。

本文利用網(wǎng)絡(luò)嵌入方法，使用BDCN的Topology 2Vec拓?fù)浣Y(jié)構(gòu)，選擇控制器安置問(wèn)題（CPP）[11]進(jìn)行驗(yàn)證。BDCN中許多問(wèn)題可以從學(xué)習(xí)結(jié)果中找到解決BDCN拓?fù)浔硎締?wèn)題的方法，其中典型方法是CPP，其核心是如何能夠根據(jù)BDCN拓?fù)浣Y(jié)構(gòu)找到合適位置以關(guān)注不斷變化的網(wǎng)絡(luò)狀態(tài)?，F(xiàn)有方法通過(guò)用改進(jìn)的聚類方法解決該問(wèn)題，以減少問(wèn)題規(guī)模[17-18]。本文方法以學(xué)習(xí)拓?fù)浣Y(jié)構(gòu)作為前提，最大限度減少拓?fù)湫畔⑷狈Α?/p>

3 大數(shù)據(jù)環(huán)境下的拓?fù)浔硎?/p>

3.1 問(wèn)題定義

在實(shí)踐中，大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)拓?fù)湓诰W(wǎng)絡(luò)構(gòu)建和傳輸中起主要作用，并且BDCN 的拓?fù)涫冀K是無(wú)向的，鏈路權(quán)重可以是0/1或非負(fù)實(shí)數(shù)。根據(jù)具體問(wèn)題，鏈路權(quán)重可能會(huì)隨著鏈路性能或鏈路可用性分散。基于該前提定義大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)拓?fù)?、?jié)點(diǎn)可達(dá)性和拓?fù)浔硎尽?/p>

在大數(shù)據(jù)環(huán)境下，基于一組隨機(jī)游走的節(jié)點(diǎn)確定圖形結(jié)構(gòu)，使用節(jié)點(diǎn)可達(dá)性表示節(jié)點(diǎn)之間的成對(duì)關(guān)系。直接連接兩個(gè)網(wǎng)絡(luò)設(shè)備之間的物理鏈路間接表明兩個(gè)節(jié)點(diǎn)之間存在很多路徑，通過(guò)圖形采樣可估計(jì)節(jié)點(diǎn)系列之間的可能性，學(xué)習(xí)BDCN拓?fù)洹?/p>

3.2 網(wǎng)絡(luò)拓?fù)涞谋硎緦W(xué)習(xí)

一個(gè)精心設(shè)計(jì)的BDCN環(huán)境下的表示學(xué)習(xí)方法應(yīng)該滿足有效性。首先，該方法必須能使用節(jié)點(diǎn)之間本地結(jié)構(gòu)保留拓?fù)淙忠晥D;其次，必須能適應(yīng)不同應(yīng)用的要求，因?yàn)殛P(guān)系節(jié)點(diǎn)可能存在不同方面的可達(dá)性;第三，該方法應(yīng)是可擴(kuò)展的，以增加BDCN大小。

許多圖形表示方法是基于隨機(jī)游走模式的，并且結(jié)果受下一跳節(jié)點(diǎn)影響。大數(shù)據(jù)環(huán)境下的局部搜索有兩個(gè)影響因素：拓?fù)浣Y(jié)構(gòu)和可達(dá)性。本文Topology2Vec方法的基礎(chǔ)是使用一組隨機(jī)節(jié)點(diǎn)的游走對(duì)拓?fù)溥M(jìn)行采樣，通過(guò)學(xué)習(xí)節(jié)點(diǎn)之間的關(guān)系獲取全局知識(shí)，并且節(jié)點(diǎn)可達(dá)性不僅可能與拓?fù)浣Y(jié)構(gòu)有關(guān)，還可能與路徑性能有關(guān)。本文權(quán)重表示鏈接性能，由權(quán)重決定下一個(gè)節(jié)點(diǎn)。

3.3 低維度拓?fù)浔硎緦W(xué)習(xí)算法

在大數(shù)據(jù)環(huán)境下，應(yīng)考慮局部結(jié)構(gòu)和鏈路性能。為計(jì)算權(quán)重，通過(guò)使用鏈路性能評(píng)估權(quán)重，選擇通過(guò)式（1）描述下一個(gè)節(jié)點(diǎn)，使鏈路性能更好地保留拓?fù)湫畔ⅰ?/p>

對(duì)于采樣，通過(guò)固定長(zhǎng)度或標(biāo)準(zhǔn)的隨機(jī)游走探索整個(gè)拓?fù)浣Y(jié)構(gòu)。作為學(xué)習(xí)矢量表示的前提，所有節(jié)點(diǎn)可能性表示為：

然后，使用Skip Gram模型完成表示任務(wù)。同時(shí)，它可以被任何其它類似方法取代。Skip-Gram模型是與神經(jīng)網(wǎng)絡(luò)相比沒(méi)有隱藏層的NLP模型。現(xiàn)有方案表明，通過(guò)使用適當(dāng)?shù)牟蓸臃椒ㄗ鳛榛A(chǔ)，可以獲得良好的結(jié)果。通過(guò)Skip-Gram模型將優(yōu)化問(wèn)題轉(zhuǎn)換為：

通常使用分層Softmax計(jì)算條件概率，并且每個(gè)節(jié)點(diǎn)將分配給二叉樹(shù)的葉子，然后模擬節(jié)點(diǎn)概率[v]作為樹(shù)節(jié)點(diǎn)可變長(zhǎng)度序列。

對(duì)于最優(yōu)化，隨機(jī)梯度 （SGD）[21]用于更新參數(shù)：

按照上述過(guò)程，最終獲得低維向量表示BDCN拓?fù)涞拿總€(gè)節(jié)點(diǎn)。另外，每對(duì)矢量之間的距離相應(yīng)指示節(jié)點(diǎn)之間可達(dá)性。

3.4 大數(shù)據(jù)環(huán)境下拓?fù)涞途暥缺硎舅惴▽?shí)現(xiàn)

由于SDN技術(shù)已廣泛應(yīng)用于BDCN環(huán)境[20]，單一控制器的缺點(diǎn)逐漸顯現(xiàn)。大型數(shù)據(jù)中心網(wǎng)絡(luò)規(guī)模的不斷擴(kuò)大意味著單個(gè)集中控制器模式可能無(wú)法滿足可擴(kuò)展性需求，研發(fā)重點(diǎn)由此轉(zhuǎn)向控制平面的多個(gè)控制器。因此，該計(jì)劃的可用性取決于是否可找到優(yōu)化的位置策略。在啟用SDN的網(wǎng)絡(luò)中，CPP嚴(yán)重影響控制器資源分配、容錯(cuò)和控制器之間的延遲?，F(xiàn)有方法通常使用改進(jìn)的機(jī)器學(xué)習(xí)算法找到網(wǎng)絡(luò)分區(qū)以獲得合理數(shù)量、實(shí)現(xiàn)控制器本地化。

因此本文運(yùn)用Topology 2Vec表示學(xué)習(xí)方法探索BDCN拓?fù)?，然后將其與一些網(wǎng)絡(luò)分區(qū)算法相結(jié)合，以獲得拓?fù)浞謪^(qū)策略。拓?fù)浔硎緦W(xué)習(xí)可以充分利用隱藏于網(wǎng)絡(luò)結(jié)構(gòu)的可用信息，并表示低維空間節(jié)點(diǎn)。學(xué)習(xí)結(jié)果采用向量形式，因此對(duì)大多數(shù)ML方法更友好。此外，Topology2Vec中基于隨機(jī)游走的采樣方法可保證并行處理能力滿足可擴(kuò)展性要求。

4 實(shí)驗(yàn)結(jié)果與分析

結(jié)合DBCP、標(biāo)準(zhǔn)K均值和優(yōu)化K均值的方法性能與端到端通信和控制器間通信的平均延遲進(jìn)行比較。使用Python運(yùn)行模擬，利用BDCN拓?fù)涞恼鎸?shí)數(shù)據(jù)集對(duì)不同網(wǎng)絡(luò)環(huán)境進(jìn)行建模，獲取幾種不同的CPP解決方案，以便在使用或不使用Topology2Vec時(shí)獲得性能變化。

（1）數(shù)據(jù)集。實(shí)驗(yàn)數(shù)據(jù)集從Topological Zoo獲得，Topological Zoo包含許多真實(shí)的數(shù)據(jù)中心網(wǎng)絡(luò)拓?fù)鋄17]。

（2）比較方法。將本文方法Topology 2Vec與以下基線進(jìn)行比較，基線使用相鄰矩陣表示拓?fù)浜鸵粚?duì)節(jié)點(diǎn)之間關(guān)系的路徑長(zhǎng)度：①DBCP[22]。該方法使用基于密度的交換機(jī)群集算法分割網(wǎng)絡(luò)，并使用網(wǎng)絡(luò)分區(qū)獲得最佳數(shù)量的控制器。對(duì)于每個(gè)子網(wǎng)，DBCP部署一個(gè)控制器以保證低時(shí)間消耗，傳播延遲和容錯(cuò)。②標(biāo)準(zhǔn)K均值。K均值聚類算法使用標(biāo)準(zhǔn)過(guò)程通過(guò)使用隨機(jī)采樣分割網(wǎng)絡(luò)以獲得初始分區(qū)和中心;③Optimized K-means[23]：由于標(biāo)準(zhǔn)K-means初始階段使用隨機(jī)抽樣方法，因此無(wú)法保證延遲可以很好地最小化，所以從網(wǎng)絡(luò)延遲角度將CPP制定為網(wǎng)絡(luò)分區(qū)問(wèn)題。該方法使用優(yōu)化的K-means獲得網(wǎng)絡(luò)分區(qū)和質(zhì)心。通過(guò)文獻(xiàn)[24]提出的初始化方法，優(yōu)化的實(shí)現(xiàn)比標(biāo)準(zhǔn)K-means擁有更短的延遲和更好性能。

實(shí)驗(yàn)使用Topology 2Vec作為研究延遲指標(biāo)變化的前提，包括端到端通信延遲和控制器間通信延遲。端到端延遲包括交換機(jī)到控制器的延遲，控制器到控制器的延遲以及控制器到交換機(jī)的延遲。圖2實(shí)驗(yàn)結(jié)果表明，與原始方法相比，Topology 2Vec集成的3種網(wǎng)絡(luò)分區(qū)方法在端到端延遲方面具有更好性能。在圖3中，比較控制器間延遲性能實(shí)驗(yàn)結(jié)果反映了控制器轉(zhuǎn)換效率。本文方法縮短了所有3種方法的控制器間的延遲，可使控制層實(shí)現(xiàn)更高的控制消息傳遞效率。此外，在3種原始方法中，DBCP比標(biāo)準(zhǔn)K-Means和Optimized K-means具有更好性能，與本文方法相結(jié)合，提高了DBCP性能，表明通過(guò)全面拓?fù)浔硎究梢愿纳片F(xiàn)有CPP解決方案。

5 結(jié)語(yǔ)

本文在機(jī)器算法和深度表示學(xué)習(xí)算法的前提下，關(guān)注BDCN環(huán)境下拓?fù)浔硎緦W(xué)習(xí)問(wèn)題，并提出了Topology 2Vec模型。該模型可以同時(shí)保留拓?fù)浣Y(jié)構(gòu)和網(wǎng)絡(luò)狀態(tài)，深度了解節(jié)點(diǎn)之間的數(shù)據(jù)信息，結(jié)果更接近于真實(shí)的可達(dá)性。根據(jù)評(píng)估可知，Topology 2Vec可以更好地使用拓?fù)浔硎局С諦DCN環(huán)境下的控制器放置問(wèn)題。后續(xù)研究將采用更好的節(jié)點(diǎn)采樣方法以降低研究成本，使機(jī)器學(xué)習(xí)算法與拓?fù)浔硎緦W(xué)習(xí)結(jié)合得更緊密，解決BDCN環(huán)境下節(jié)點(diǎn)預(yù)測(cè)問(wèn)題。

參考文獻(xiàn)：

[1] 謝子雨. 機(jī)器學(xué)習(xí)的拓?fù)浣Y(jié)構(gòu)研究[D]. 上海：復(fù)旦大學(xué)，2013.

[2] 唐龍，黃爽英，鐘曉軍，等. 基于拓?fù)浣Y(jié)構(gòu)表示的向量化方法[J]. 計(jì)算機(jī)工程，1994（S1）：542-548.

[3] 郭薇，陳軍. 基于點(diǎn)集拓?fù)鋵W(xué)的三維拓?fù)淇臻g關(guān)系形式化描述[J]. 測(cè)繪學(xué)報(bào)，1997（26）：122-127.

[4] SAYOUD H，TAKAHASHI K，VAILLANT B. Designing communication network topologies using steady-state genetic algorithms[J].? IEEE Communications Letters，2011，5（3）：113-115.

[5] WANG T，SU Z，XIA Y. Rethinking the data center networking： architecture，network protocols， and resource sharing[J]. IEEE Access，2014，2：1481-1496.

[6] WANG T，SU Z，XIA Y. CLOT： a cost-effective low-latency overlaid torus-based network architecture for data centers[C]. IEEE International Conference on Communications，2015：5479-5484.

[7] PEROZZI B，AL-RFOU R，SKIENA S. Deepwalk： online learning of social representations[C]. ？Proceedings of the Twentieth ACM SIGKDD international conference on Knowledge discovery and data mining，2014： 701-710.

[8] MIKOLOV T，SUTSKEVER I，CHEN K， et al. Distributed representations of words and phrases and their compositionality[C]. ？Proceedings of the Twenty-Sixth International Conference on Neural Information Processing Systems， 2013：3111-3119.

[9] GROVER A，LESKOVEC J. Node2vec： scalable feature learning for networks[C]. ？Proceedings of the Twenty-Second ACM SIGKDD International Conference on Knowledge Discovery and Data Mining， 2016： 855-864.

[10] RIBEIRO L F R，SAVERESE P H P，F(xiàn)IGUEIREDO D R. Struc2vec： learning node representations from structural identity[C]. ？Proceedings of the Twenty-Third ACM SIGKDD International Conference on Knowledge Discovery and Data Mining，2017：385-394.

[11] TANG J， QU M，WANG M， et al. Line： large-scale information network embedding[C]. Proceedings of the Twenty-Fourth International Conference on World Wide Web， 2015：1067-1077.

[12] CAO S，LU W，XU Q. Grarep： learning graph representations with global structural information[C]. Proceedings of the Twenty-Fourth ACM International on Conference on Information and Knowledge Management， 2155： 891-900.

[13] HOFMANN T. Unsupervised learning by probabilistic latent semantic analysis [J]. Machine Learning， 2001，？42？（1-2）：177-196.

[14] NG Y H，CHOI J，NEUMANN J，et al. ActionFlowNet： learning motion representation for action recognition[C]. 2018 IEEE Winter Conference on Applications of Computer Vision，2018：1-9.

[15] ZHANG D，YIN J，ZHU X，et al.? Network representation learning： a survey[J].? IEEE Transaction on Big Data，？2017，99：1.

[16] HAMILTON W L，YING R，LESKOVEC J. Representation learning on graphs： methods and applications[C]. IEEE Data Engineering Bulletin， 2017：1-24.

[17] WANG D. Structural deep network embedding[C]. ACM SIGKDD International Conference on Knowledge Discovery and Data Mining， 2016： 1225-1234.

[18] PEROZZI B，AL-RFOU R，SKIENA S. DeepWalk： online learning of social representations[C]. 20th International Conference on Knowledge Discovery and Data Mining， 2014： 701-710.

[19] GROVER A，LESKOVEC J. Node2Vec[C]. ACM SIGKDD International Conference on Knowledge Discovery and Data Mining，2016：855-864.

[20] BOTTOU L. Stochastic gradient learning in neural networks[J]. Neuro-N？mes， 1991，91（8）：1-12.

[21] KNIGHT S，NGUYEN H X，F(xiàn)ALKNER N，et al. The internet topology zoo[J]. IEEE Journal on Selected Areas in Communications，2011，29？（9）：1765-1775.

[22] LIAO J，SUN H，WANG J，et al. Density cluster based approach for controller placement problem in large-scale software defined networking [J]. Computer Networks，2017（112）： 24-35.

[23] WANG G，ZHAO Y，HUANG J，et al. A K-means-based network partition algorithm for controller placement in software defined network[C]. IEEE International Conference on Communications，2016？：1-6.

[24] KATSAVOUNIDIS I，KUO C C，ZHANG Z. A new initialization technique for generalized Lloyd iteration[J].? IEEE Signal Process Letter， 1994，1（10）： 144-146.

（責(zé)任編輯：江 艷）