关于混合SDN网络的统一信息模型方面研究事件通知的多样性问题

简介: 关于混合SDN网络的统一信息模型方面研究事件通知的多样性问题

面向混合SDN中异构设备的混合域发现协议Hybrid Domain Discovery Protocol (HDDP)

HDDP的主要特点

能够将非SDN设备及其双向链路合并到一个完全混合的SDN网络发现中。由于非SDN设备不能直接链接到SDN控制器,它们依赖SDN设备来报告它们的信息(非SDN设备可能没有到SDN设备的直接连接,而是通过其他非SDN设备的间接连接)。HDDP协议是一种分布式协议,依靠交换HDDP请求和回复控制消息来揭示网络拓扑。


混合域发现协议(HDDP)

这是一种新的发现协议,它增强了现有的开放流发现协议(OFDP)。HDDP允许发现由SDN和非SDN设备组成的混合网络拓扑。SDN中最常用的拓扑发现服务是基于链路层发现协议LLDP的OpenFlow Discovery Protocol (OFDP)。但是,OFDP要求所有设备都支持OpenFlow。,然而,它们都不能发现非SDN设备。解决混合网络中资源发现的第一项工作是,它将LLDP和广播域发现协议(BDDP)结合起来,揭示了位于SDN交换机之间的传统交换机。


协议介绍

HDDP协议是一种分布式协议,依靠交换HDDP请求和回复控制消息来揭示网络拓扑.


7661dbe5fcee4fd6a4083c8b5f521864.png

HDDP的控制报文格式

过程

混合拓扑有三个SDN交换机(其中控制器安装了一个规则,指示所有HDDP控制消息都必须发送到控制器)、三个非SDN交换机(例如网关)和三个非SDN终端设备(例如主机)

1caf4165510c46c99f966ff600af5ebd.png



如图a所示,探测过程由SDN控制器触发,该控制器通过封装HDDP请求消息向网络域内的所有SDN设备广播一个PACKET OUT消息(参见标记为1的步骤)。SDN控制器通过将选项代码和设备编号字段的值设置为1,将设备标识字段的值设置为每个SDN节点的数据路径标识(DpId),最后将端口内和端口外字段的值设置为0来构建HDDP请求消息。


当任何SDN节点收到这些数据包时,它会通过其所有端口广播HDDP请求消息(参见标记为2的步骤)。然后将HDDP请求消息的设备号字段增加1,并再次转发该消息(步骤3和4)。


如图b所示,通过延迟HDDP请求副本进入端口向后发送HDDP回复消息(虚线箭头中的步骤4和5)。HDDP回复消息是通过更新HDDP请求消息的副本构建的,通过将选项代码值更改为2并将设备号数据更改为1,该副本将被转换为HDDP回复消息。


对于非SDN设备,媒体访问控制地址转换为无符号长整数值。端口内字段为HDDP请求消息的输入端口和输出端口字段是HDDP回复消息本身的输出端口,这是控制器构建混合拓扑所必需的。接收HDDP回复消息的非SDN节点将设备号字段增加1,并插入它们自己的元组。当HDDP回复消息返回到任何一个SDN节点时,它们会通过数据包输入消息将此类数据包转发到SDN控制器,该控制器会收集所有通过非SDN设备收集的信息。作为叶节点连接的非SDN终端设备在通过其唯一端口接收到HDDP请求消息时发送HDDP回复消息(步骤3-5)。


另一方面,类似于正交频分多址,接收HDDP请求消息的同步数字网节点通过分组输入消息将其转发给控制器。控制器检查设备编号字段是否为1:如果是,则意味着两个SDN设备是邻居。但是,如果高于1,则意味着两个SDN设备之间的非SDN设备数为设备数减1。因此,控制器使用与非SDN终端设备相同的端口,在分组输出消息中回复HDDP回复消息。这种HDDP回复消息从非SDN设备收集信息,并保证发现SDN和非SDN节点之间的所有链路(步骤8-9)。


最后,控制器从HDDP回复消息中嵌入的数据获得完整的混合拓扑。


总结

HDDP协议,这是一种创新的协议,能够在混合SDN域中完成完整的拓扑发现,其中SDN和非SDN设备共存。该协议基于由控制平面触发的探测机制,该机制通过受控洪泛到达所有设备,从混合网络收集所有必要信息的机制。


–end–


相关文章
|
4天前
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 GhostNet V3 2024华为的重参数轻量化模型
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 GhostNet V3 2024华为的重参数轻量化模型
34 18
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 GhostNet V3 2024华为的重参数轻量化模型
|
4天前
|
机器学习/深度学习 文件存储 异构计算
YOLOv11改进策略【模型轻量化】| 替换骨干网络为EfficientNet v2,加速训练,快速收敛
YOLOv11改进策略【模型轻量化】| 替换骨干网络为EfficientNet v2,加速训练,快速收敛
43 18
YOLOv11改进策略【模型轻量化】| 替换骨干网络为EfficientNet v2,加速训练,快速收敛
|
4天前
|
机器学习/深度学习 编解码 自动驾驶
YOLOv11改进策略【模型轻量化】| 替换骨干网络为MoblieNetV1,用于移动视觉应用的高效卷积神经网络
YOLOv11改进策略【模型轻量化】| 替换骨干网络为MoblieNetV1,用于移动视觉应用的高效卷积神经网络
36 16
YOLOv11改进策略【模型轻量化】| 替换骨干网络为MoblieNetV1,用于移动视觉应用的高效卷积神经网络
|
4天前
|
机器学习/深度学习 人工智能 自然语言处理
YOLOv11改进策略【模型轻量化】| 替换华为的极简主义骨干网络:VanillaNet
YOLOv11改进策略【模型轻量化】| 替换华为的极简主义骨干网络:VanillaNet
33 16
YOLOv11改进策略【模型轻量化】| 替换华为的极简主义骨干网络:VanillaNet
|
4天前
|
机器学习/深度学习 存储
YOLOv11改进策略【模型轻量化】| PP-LCNet:轻量级的CPU卷积神经网络
YOLOv11改进策略【模型轻量化】| PP-LCNet:轻量级的CPU卷积神经网络
30 15
YOLOv11改进策略【模型轻量化】| PP-LCNet:轻量级的CPU卷积神经网络
|
4天前
|
机器学习/深度学习 编解码 TensorFlow
YOLOv11改进策略【模型轻量化】| 替换骨干网络为EfficientNet v1 高效的移动倒置瓶颈结构
YOLOv11改进策略【模型轻量化】| 替换骨干网络为EfficientNet v1 高效的移动倒置瓶颈结构
31 14
YOLOv11改进策略【模型轻量化】| 替换骨干网络为EfficientNet v1 高效的移动倒置瓶颈结构
|
4天前
|
机器学习/深度学习 移动开发 测试技术
YOLOv11改进策略【模型轻量化】| 替换骨干网络为MoblieNetV2,含模型详解和完整配置步骤
YOLOv11改进策略【模型轻量化】| 替换骨干网络为MoblieNetV2,含模型详解和完整配置步骤
28 13
YOLOv11改进策略【模型轻量化】| 替换骨干网络为MoblieNetV2,含模型详解和完整配置步骤
|
4天前
|
机器学习/深度学习 编解码 异构计算
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 ICCV 2023的EfficientViT 用于高分辨率密集预测的多尺度线性关注
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 ICCV 2023的EfficientViT 用于高分辨率密集预测的多尺度线性关注
27 11
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 ICCV 2023的EfficientViT 用于高分辨率密集预测的多尺度线性关注
|
4天前
|
机器学习/深度学习 计算机视觉 异构计算
YOLOv11改进策略【模型轻量化】| 替换骨干网络 CVPR-2023 FasterNet 高效快速的部分卷积块
YOLOv11改进策略【模型轻量化】| 替换骨干网络 CVPR-2023 FasterNet 高效快速的部分卷积块
29 11
YOLOv11改进策略【模型轻量化】| 替换骨干网络 CVPR-2023 FasterNet 高效快速的部分卷积块
|
4天前
|
机器学习/深度学习 计算机视觉 网络架构
YOLOv11改进策略【模型轻量化】| 替换骨干网络 CVPR-2024 StarNet,超级精简高效的轻量化模块
YOLOv11改进策略【模型轻量化】| 替换骨干网络 CVPR-2024 StarNet,超级精简高效的轻量化模块
33 19

热门文章

最新文章