基于SDN的智能电网降维数据传输研究

2021-12-09李小焱

微型电脑应用 2021年11期

李小焱

(国网山东省电力公司济宁供电公司，山东济宁 272000)

0 引言

智能电网(SG)系统中智能设备生成具有多个异构属性的高维数据，并且其值随时间而变化[1]。数据的高维会影响大多数设计方案的性能，在对大数据进行有效存储之后，主要任务是通过底层SG网络高效地传输降维后的数据[2]。文献[3]重点介绍了智能电表生成数据类型和处理数据所需的技术。由于从各种智能设备定期生成的数据导致网络通信流量拥堵，因此，网络级的数据处理已成为SG系统面临的主要挑战[4]。文献[5]提出了在智能电表和电网之间，利用高级电表架构(AMI)蜂窝网络进行实时数据传输。因此，软件定义网络(SDN)作为高效的数据流量平台在SG系统中，可以在现有的网络基础设施上进行高效的数据流处理。文献[6]提出了一种基于SDN的微电网通信体系结构，以便为终端用户提供灵活可靠的服务。文献[7]利用SDN为SG系统设计了自主管理的变电站网络。SDN可减少延迟和提高吞吐量的形式提高传输性能，从而有利于大数据应用[8]。

针对SG系统中不同智能设备获取数据后的降维数据，本文设计了一种基于SDN的智能电网降维数据传输方案，设计了一种基于经验概率的控制算法(EPCS)，用于计算在SG网络上转发降维数据的最佳路径。

1 SDN模型

为了更好地说明本文所利用的SDN模型优势，将SDN模型与蜂窝网络模型进行对比示例，如图1所示。

如果通过传统网络信道传输20 Mbits的数据帧，则以20 Mbps的数据速率到达目标节点需要1秒，如图1(a)所示。如果数据量被降维到16 Mbits，可以省略所有无用和不需要的值，则以相同的数据速率到达目标节点仅需0.8秒，如图1(b)所示。因此，数据量对传输时间有很大的影响。由于在SG系统中有大量的数据是无缝传输，因此，如果这些数据被减少，则有利于网络传输的整体性能。

(b) 路由方案得到的吞吐量图4 方案的评价结果

(a) 降维率与误差率之间的统计权衡

(b) 通过蜂窝网络传输的降维数据用时

(a) 通过蜂窝网络传输的原始数据用时

当网络遵循动态网络管理方案时，可以帮助实现更好的网络资源利用率，从而实现更高的吞吐量。例如，如果在蜂窝网络上传输降维的数据帧，则可以使用传统网络协议选择最短路径。在这种情况下，实现50 Mbps的数据速率以及25%的链路利用率和12.5 Mbps的吞吐量，如图1(c)所示。如果部署了诸如SDN之类的动态网络，则实现55 Mbps的数据速率以及25.2%的较好链路利用率和13.7 Mbps的增强吞吐量，如图1(d)所示。因此，通过在SG系统中部署SDN的网络基础设施用于数据管理，可以实现更好的吞吐量、数据速率和链路利用率。链路的更好利用还有助于减少网络基础架构的能耗。

(d) 通过SDN网络传输的降维数据

2 基于SDN的控制方案

本文提出一种以SDN作为SG降维数据传输的智能方案，以此对SG系统进行动态网络管理。SDN作为开放且可编程的平台，通过其良好的解耦平面可以实现智能且动态的网络控制。SDN从网络应用程序中抽象出底层基础设施，使得网络配置中的动态变化管理和重新配置变得容易[9]。利用SDN的可扩展性和高效性，可以有效地处理SG系统中不断生成的大数据流量。因此，将大数据降维技术与SDN相结合，可以为终端用户提供可扩展、高效的服务。本文使用3个平面设计了SDN网络模型：(1)数据平面；(2)控制平面；(3)应用平面，如图2所示。

图2 SDN网络模型三个平面设计

在该模型中，数据平面主要由交换机、转发设备和路由器等网络设备组成，数据从SG系统中的各种设备获取，如工业用电、家庭用电和商业用电。该平面使用OpenFlow协议(OFP)作为通信标准，将收集到的数据转发到上层平面[10]。在位于控制平面的服务器上，将采集到的数据降维处理，并结合控制算法对核心数据进行高效传输。因此，本文设计了一种基于经验概率的控制算法(EPCS)来估计SG网络上数据传输的最优路径。最后，应用平面为不同的用户和SG提供各种服务。

2.1 流量管理

数据平面由转发节点(FN)组成，如OpenFlow交换机、路由器和网关。在控制平面上，SDN控制器负责为FN做出转发决策。通过南向接口将这些决策配置为FN，结合位于FN的通道相互连接流量表和分组表。

由控制器提供的指令集遵循的流量表由不同的字段组成，例如，接口ID、指令、优先级、操作、端口号等。SDN模型的流量匹配过程如图3所示。

图3 SDN模型中的流量匹配过程

控制器交换通信的主要步骤如下。

步骤1：解析系统分析输入的数据包，以此确定如何对其进行处理，主要分为3个步骤：(1)标头识别，(2)字段提取，(3)字段缓冲。在分析数据包之后，输出数据将传输到查找标头。

步骤2：接收到输出数据后，查找功能从入口端口启动，并在出口端口结束。通常，使用两种查找方法：(1)精确匹配，(2)通配符匹配。精确匹配使用hash函数设置特定项的精确位置。通配符匹配是用于多表查找的复杂部分字符串匹配，旨在匹配条目的标头字段。

步骤3：当OpenFlow交换机接收到数据包后，匹配系统就会启动路由决策任务。如果在表中找到合适的匹配项，则执行相应的操作。在这种情况下，数据包将转发到相关端口，并且OpenFlow交换机更新其第一计数器，即匹配计数器。相反，如果匹配失败，则将数据包发送回控制器。在这种情况下，OpenFlow交换机更新其第二计数器，即不匹配计数器，控制器重构一个新的流量规则并将其插入到OpenFlow交换机。流量驱动规则缓存算法(FDRCA)[11]用于替换流量表中的条目，FDRCA是基于策略的算法，可通过特殊的替换策略来处理有限的缓存限制和不可预测的流量。

步骤4：使用流量表通道连接所有表(表1到表n)，还可以使用分组表。

步骤5：使用计数器记录发送到控制器的数据包数量。

步骤6：成功匹配数据包标头字段后，在操作集将输出数据包定向到出口交换机端口。

每个OpenFlow交换机上维护的流量表条目，如表1所示。

表1 OpenFlow交换机的流量表条目

流量表条目(例如源ip、目标ip、优先级、端口号入口端口和操作)对于在不同实体之间进行数据传输的决策非常重要。但是，这可能会根据输入流的情况和要求动态变化。表1中各种流量表条目的具体说明如下。

(1) 表号：流量表的编号，即它在流量表管道中的相对位置。

(2) 条目ID：为OpenFlow交换机的流量表中的每个条目分配一个唯一的ID(主key)。

(3) 优先级：流量表中每个条目的重要性。

(4) 入口端口：传入数据包到达的物理端口及虚拟端口。

(5) VLAN id：包含13位虚拟LAN id和3位VLAN类型。

(6) IPv4地址(IPv4 dst)：由32位IPv4地址组成。

(7) TCP地址(TCP dst)：包含16位TCP源端口和目标端口地址。

(8) 操作：数据包与相关规则匹配后要遵循的说明。

(9) 计数器：分配给各种属性，如字节计数器、数据包计数器、标志、流量持续时间和丢弃的数据包数量。

2.2 基于经验概率的控制算法(EPCS)

在该算法中，所有的FN都可以表示为SDN-FN和非SDN-FN。通过至少一个SDN-FN的数据属于可控流，而不通过任何SDN-FN的数据视为不可控流[14]。对于网络Z(N,L)，有N个节点和L个链路，c(l)表示信道容量；f(l)表示链路L上的流量。本文将流量表条目更新为新的流量表条目(Nr)，将旧的流量表条目作为观测集，并将其反馈给SDN控制器的估计器，以此进一步预测或估计最优路径(Np)。

(1)

其中，np表示转发给控制器的新数据包;op表示流量表中的旧观测值。

(2)

(3)

基于经验概率的控制算法(EPCS)，如下所示。

THRcrlb的值是使用CramrRao下限(CRLB)方法计算得出[15]。文献[15]指出，任何无偏估计量的方差至少与Fisher信息的逆(I(θ))一样。如果估计器达到CRLB，则其有效。使用CRLB进行MSE的条件如式(4)。

(4)

其中，I(θ)表示如式(5)。

(5)

3 结果讨论

本文利用单个家庭用电量的数据集，对所提出的基于EPCS的SG设备降维数据传输SDN模型进行评估。该数据集以每分钟的采样率收集了大约4年(2015年12月至2019年11月)，共2 075 259个测量值，数据集包含一些缺失值以及各种次级计量值和电量值。利用R编程和MATLAB将仿真结果进行比较，为了评估SDN在传输SG降维数据方面的性能，在Mininet网络仿真器中设计了一个网络拓扑。

3.1 评价参数

本文利用以下评价参数对所提出的方案进行了评估。

(6)

(2) 统计权衡：降维前后数据误差率(ρ)和降维率(λ)之间的权衡，并且彼此成反比，如式(7)。

(7)

(3) 传输延迟(d)：特定路由器上的延迟，包括处理延迟(dpr)、排队延迟(dq)、传输延迟(dt)和传播延迟(dpg)，如式(8)。

d=dpr+dq+dt+dpg

(8)

(4) 吞吐量：指通过通信信道成功传递消息的速率，也可以称为数据处理的最大速率。

3.2 评估结果

将采集到的SG数据进行降维处理，利用本文所提出的SDN模型对降维后的数据进行传输，实验结果如图4所示。

图4(a)表明，降维后的数据误差率较低，保留较高的核心数据信息，因此，可以达到最小化误差率的总体目标，并且满足后期SDN传输的要求。当从各种SG设备获取的数据保留为核心数据时，则使用SDN基础设施在SG网络上进行处理和传输。为此，本文设计EPSC算法来估计简化数据的最优路径。在对所提出的方案进行评估后，所有性能指标都显示出适当的增长。图4(b)表明，采用EPCS算法可以得到更高的吞吐量。基于EPCS路由估计器的评价结果如图5所示。

图5(a)给出了使用所提出基于EPCS路由估计器和SDN在SG网络上传输简化数据时所产生的延迟，与标准的SDN路由方案(不利用EPCS的OpenFlow算法)相比，将数据传输到目标节点所引起的延迟更小。图5(b)给出了得到的估计精度，结果表明，最优路径估计精度明显优于标准的OpenFlow算法。在增加丢包率的情况下，其准确度下降较小。图5(c)给出了使用所提出基于EPCS路由估计器的带宽使用情况。控制方案在SG网络上传输降维数据时，可用带宽得到了最佳利用。利用EPSC估计路线的RMSE值,如表2所示。