《表2 仿真参数：基于贝叶斯网络的SDON控制器自学习负载均衡算法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于贝叶斯网络的SDON控制器自学习负载均衡算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文采用的仿真语言为python 3.6；中央处理器为Intel（R）Core（TM）i5-2450M CPU，2.50 GHz；安装内存为4 GB的PC机，64位Win7操作系统。实验拓扑采用具有较高认可度的NSFMET网络拓扑图，如图4所示（图中链路中的数据为（代价，延迟））。设置该网络拓扑包含3个控制器和11个光交换机。11个光交换机按就近原则分别划分到3个核心控制器控制范围内。仿真参数如表2所示。在Q-learning算法仿真过程中，学习参数γ与学习效率α在定值0.9与0.7时，算法收敛性最好。因此，基于贝叶斯网络的SDON控制器自学习负载均衡算法仿真将学习参数γ与学习效率α设为定值0.9与0.7。仿真过程中光交换机迁移次数N取值范围为1～22次，到达22次时控制器至负载均衡状态。仿真过程中通过参数延迟D、控制器负载LCj以及吞吐量T预测控制器负载拥塞程度，进而调整参数权重w1、w2、w3的大小，使控制器负载拥塞程度最小化，实现控制器负载均衡。拓扑中每个控制器所承受的负载均有限，其负载变化超过自身所承受范围时，需选择最优策略，将周围其它核心控制器连接的光交换机迁移至该核心控制器，进行SDON控制器负载均衡。同理，其它核心控制器发生超负载情况时，该核心控制器连接的光交换机也可迁移至其它核心控制器，进行SDON控制器负载均衡。在使用本文算法模拟过程中，为保证模拟数据的可靠性，本文进行了多次重复模拟算法，排除无关因素的干扰，并记录相关模拟数据。