摘要: 随着云计算、大数据以及电子商务等业务的不断兴起和发展，网络规模的逐渐扩大，使得传统网络已经无法满足日益增长的用户需求和服务，在这种大的网络时代背景下，为了重新定义互联网，在2008年，斯坦福大学NickMcKeown教授的科研团队提出了OpenFlow的... 展开 随着云计算、大数据以及电子商务等业务的不断兴起和发展，网络规模的逐渐扩大，使得传统网络已经无法满足日益增长的用户需求和服务，在这种大的网络时代背景下，为了重新定义互联网，在2008年，斯坦福大学NickMcKeown教授的科研团队提出了OpenFlow的概念，随后根据OpenFlow可编程的这一特点，SDN网络应运而生。SDN网络中，控制平面与数据平面的分离是其最大的特征，由于控制器灵活的可编程能力以及集中控制的能力，使得SDN网络已经成为了诸多研究者们探索的热点，然而SDN网络中的负载均衡研究一直处于探索阶段，因此在SDN网络日益发展的今天，这种新型网络架构中的负载均衡是很有必要的。 通过对SDN网络系统的学习，对负载均衡的理解和相应算法的研究，当前很多SDN网络负载均衡的实现是依赖于传统的负载均衡算法，传统负载均衡算法的静态和动态两种方式在一定程度上可以解决网络中的问题，但在遇到网络复杂程度较高或者是网络流较大的情况下，就会不同程度的造成服务器负担，很难完成网络要求的任务，而且会严重浪费网络资源。 本文为了进一步研究SDN网络中的负载均衡问题，选用蚁群算法为基础算法，并首先对蚁群算法进行了改进，改进后的蚁群算法优化了信息素更新策略，同时还引入了搜索频繁区域，这样蚁群在搜索路径时，将会得到最佳路径的集合；其次，为了得到更优的解，在改进的蚁群算法中引入遗传算法，提出一种混合蚁群算法，该算法将得到的最佳路径的集合作为遗传算法的初始种群，再通过交叉、变异等操作，得到更好的解来替代原来的解，最终得到全局的最优路径，提出的混合蚁群算法具有更强的搜索能力，能够有效的避免算法陷入局部最优；最后，在SDN网络中引入了负载均衡模块，在该模块中利用混合蚁群算法实现了SDN网络中的负载均衡，同时还能够提高网络的快速性和准确性。 在实验仿真阶段，选择了主流Floodlight控制器以及Mininet仿真平台来进行实验，并在确定了网络平台的可靠性能后，对提出的算法进行了仿真测试，主要从负载均衡度、流接收率、带宽占用率、时延、丢包率等就几个评价指标来进行结果分析，实验结果表明，本文所提出的混合蚁群算法相比于传统的蚁群算法，能够很大程度上提高算法的搜索能力以及全局收敛性，大大减轻了服务器压力负担，使得网络的负载均衡能力得到提升的同时，还能够提高网络的资源利用率，减少了网络的消耗，提升了网络的服务质量，在一定程度上还增强了网络流量转发的稳定性和快速性。 收起