李 倩，张 凯，魏浩然，张 娇（北京邮电大学）
本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘 要：传统路由解决方案存在着网络不可感知、收敛慢等缺点。随着数据平面编程语言P4的发展，数据平面具备了实时采集网络状态信息的能力。但大量采集数据通过人为方式难以处理，应用机器学习工具可以很好地解决数据处理困难的问题。 在以上2个基础上，通过搭建平台对基于P4和机器学习的路由选择方案进行实验，测试结果表明使用强化学习算法协助路由策略生成的方案表现出良好的性能。由此观之，机器学习在网络领域的潜力巨大，是实现网络智能化的重要工具。
关键词：P4；强化学习；路由选择；智能化网络
doi：10.12045/j.issn.1007-3043.2018.012.002
概述
近年来，关于是否可以将机器学习方法应用到网络中的讨论吸引了众多网络从业人员的关注。与此同时，许多人也从网络最基础问题——路由问题着手，尝试通过实践检验这一讨论的可行性。一直以来，路由选择都是网络工程中的重要一环，传统的路由策略一般以最短跳数为转发路径，网络设备没有能力采集数据包在转发过程中经历的具体信息（如排队时延、队列拥塞状况、流量到达速率等等）［1］。其次，传统路由策略还存在收敛慢的缺陷，由于相邻交换机之间的信息交换是有一定间隔的，因此当某条链路或节点出现故障时，网络不能及时感知，就会造成大量数据包重传，加剧网络拥塞的情况发生。
软件定义网络的出现，数控分离的思想使得实时获取网络真实状态变为可能。通过基于数据平面可编程语言P4的带内网络遥测框架［2-3］，数据平面可以实时收集数据包在数据平面转发过程中的网络状态信息，并将其封装在数据包头中。这样不仅不需要控制平面的干预，还减少了大量网络探测包带来的开销。数据平面收集的大量信息全部交由控制器处理，如此庞大的数据量怎样才能行之有效地转化为路由配置呢？若通过人工建模必将消耗大量的人力和物力资源，而且由于网络状态难以预测，模型建立很难做到普适性。而机器学习擅长解决模型复杂、人工建模困难的问题，因此将机器学习应用到网络工程中不失为一个好的解决方案。
通过搭建实验平台和网络编程，基于P4和机器学习的路由选择方案得到了实验验证。从实验结果来看，经过较短时间的训练，基于P4和机器学习的路由选择方案模型就能迅速收敛，性能表现呈现迅速上升，并超越ECMP的趋势。由此观之，机器学习在网络领域将会发挥巨大的潜能，是促进网络智能化的重要工具。
