[论文解读] Towards Smart City Innovation Under The Perspective Of Software-Defined Networking, Artificial Intelligence And Big Data

Joberto S. B. Martins|arXiv (Cornell University)|Oct 20, 2018

E-commerce and Technology Innovations被引用 7

一句话总结

本文提出了一种基于软件定义网络（SDN）与人工智能（AI）的框架，用于智慧城市创新，利用软件定义网络（SDN）和机器学习技术，在MPLS网络中实现动态、认知型带宽管理。通过结合案例推理（CBR）与强化学习（RL），并利用OpenFlow实现LSP的实时配置，该方法实现了网络资源的即时优化，降低了数据包丢失率，并在复杂、多目标QoS需求下提升了链路利用率。

ABSTRACT

Smart city projects address many of the current problems afflicting high populated areas and cities and, as such, are a target for government, institutions and private organizations that plan to explore its foreseen advantages. In technical terms, smart city projects present a complex set of requirements including a large number users with highly different and heterogeneous requirements. In this scenario, this paper proposes and analyses the impact and perspectives on adopting software-defined networking and artificial intelligence as innovative approaches for smart city project development and deployment. Big data is also considered as an inherent element of most smart city project that must be tackled. A framework layered view is proposed with a discussion about software-defined networking and machine learning impacts on innovation followed by a use case that demonstrates the potential benefits of cognitive learning for smart cities. It is argued that the complexity of smart city projects do require new innovative approaches that potentially result in more efficient and intelligent systems.

研究动机与目标

• 应对智慧城市网络日益增长的复杂性与多目标需求，这些需求已超出传统基于启发式方法解决方案的能力范围。
• 克服传统IP网络在动态、实时网络路径与资源分配重配置方面的局限性。
• 整合人工智能与SDN，实现在大规模、异构城市环境中自主、策略驱动的网络管理。
• 证明利用机器学习与SDN实现认知型带宽分配管理的可行性，以提升网络性能与适应性。
• 提供一种可扩展、安全且开放的框架，用于智慧城市基础设施，支持海量物联网设备连接与数据密集型应用。

提出的方法

• 提出一种分层框架，整合SDN、AI与大数据技术，用于智慧城市创新，重点聚焦于认知型网络管理。
• 采用案例推理（CBR）与强化学习（RL）技术，根据网络状态与性能指标动态评估并重新配置带宽分配模型（BAM）。
• 利用OpenFlow提供网络状态的集中化、全局视图，并实现对LSP（标签交换路径）建立、抢占与拆除的程序化控制。
• 实施一种认知管理系统，评估网络性能（如链路利用率、数据包丢失率），并实时自主调整BAM配置。
• 在基于MPLS的网络环境中部署系统，以模拟具有多样化QoS与QoE需求的真实智慧城市流量。
• 集成大数据分析技术，处理并关联流量模式、性能数据与策略目标，以支持智能决策。

实验结果

研究问题

• RQ1 如何结合SDN与AI，实现在复杂智慧城市环境中的动态、自主网络重配置？
• RQ2 在多类别、高流量的MPLS网络中，哪些机器学习技术在认知型带宽分配方面最为有效？
• RQ3 与传统IP网络相比，基于OpenFlow的SDN在提升网络控制响应速度与一致性方面能达到何种程度？
• RQ4 CBR与RL的集成在应对多重冲突目标时，如何增强带宽分配中的决策能力？
• RQ5 认知管理系统是否能够在维持与传统MPLS操作向后兼容的前提下，实现网络性能的实时优化？

主要发现

• 基于机器学习的认知管理系统成功从历史网络策略与性能数据中学习，实现了BAM模型的自主重配置。
• 网络性能改善与预设管理目标保持一致，包括降低数据包丢失率与优化链路利用率。
• 通过SDN/OpenFlow实现了LSP的即时重配置，支持在无手动干预下动态适应变化的流量负载。
• CBR与RL的集成使系统能够处理传统启发式方法难以解决的复杂多目标优化问题。
• OpenFlow提供了统一、全局的网络状态视图，支持在异构网络路径上实现准确可靠的带宽分配决策。
• 该框架证明，通过AI与SDN实现的认知管理可显著提升智慧城市网络基础设施的可扩展性、效率与响应能力。