付皓通， 王 翔， 趙尚弘， 宋鑫康， 薛鳳鳳

(空軍工程大學(xué)信息與導(dǎo)航學(xué)院，西安，710077)

隨著智能航空平臺(tái)的發(fā)展和多樣化任務(wù)需求的涌現(xiàn)[1-2]，“煙囪式”獨(dú)立的航空平臺(tái)無(wú)法實(shí)現(xiàn)信息交互與任務(wù)協(xié)同功能，亟需構(gòu)建一個(gè)具有高效互聯(lián)互通能力，滿(mǎn)足差異化航空業(yè)務(wù)需求，實(shí)現(xiàn)信息實(shí)時(shí)共享的航空集群網(wǎng)絡(luò)[3]。

現(xiàn)有的航空集群網(wǎng)絡(luò)多數(shù)基于傳統(tǒng)的網(wǎng)絡(luò)架構(gòu)和服務(wù)模式，例如，以航空數(shù)據(jù)鏈和航空自組網(wǎng)[4]為代表的機(jī)載網(wǎng)絡(luò)一直遵循著業(yè)務(wù)與設(shè)備緊密耦合的設(shè)計(jì)思想。雖然通過(guò)不斷更新設(shè)備的軟硬件能夠緩解業(yè)務(wù)升級(jí)需求的壓力，但這種“打補(bǔ)丁”的方式效率很低，使得網(wǎng)絡(luò)協(xié)議變得臃腫，同時(shí)造成了網(wǎng)絡(luò)管理與配置過(guò)程復(fù)雜僵化，難以適應(yīng)航空集群網(wǎng)絡(luò)成員間靈巧的交互協(xié)同。軟件定義網(wǎng)絡(luò)(software defined network, SDN)的出現(xiàn)打破了傳統(tǒng)分布式網(wǎng)絡(luò)發(fā)展的“瓶頸”[5]，其所具有的靈活性、可編程性和開(kāi)放性等優(yōu)點(diǎn)為組建航空集群網(wǎng)絡(luò)帶來(lái)了眾多優(yōu)勢(shì)[6]。文獻(xiàn)[7]提出了軟件定義航空集群機(jī)載戰(zhàn)術(shù)網(wǎng)絡(luò)架構(gòu)，有效地提升了網(wǎng)絡(luò)管理效率，增強(qiáng)了差異化服務(wù)能力，推進(jìn)了SDN與航空集群網(wǎng)絡(luò)結(jié)合的進(jìn)程。應(yīng)用SDN范式構(gòu)建航空集群網(wǎng)絡(luò)，首先需要搭建控制結(jié)構(gòu)，實(shí)現(xiàn)邏輯上的集中控制。在航空集群網(wǎng)絡(luò)中，節(jié)點(diǎn)高速移動(dòng)，拓?fù)鋭?dòng)態(tài)變化，鏈路可靠性差，部署單一控制器存在性能受限和故障失效問(wèn)題，可通過(guò)部署多控制器來(lái)提高網(wǎng)絡(luò)的魯棒性和擴(kuò)展性。近年來(lái)控制器部署問(wèn)題(controllers placement problem, CPP)逐漸成為了研究熱點(diǎn)[8-9]。

目前關(guān)于控制器部署的研究主要集中在地面網(wǎng)絡(luò)，并隨著各類(lèi)應(yīng)用場(chǎng)景的出現(xiàn)而拓展。文獻(xiàn)[9]首次提出控制器部署問(wèn)題，指出CPP核心是控制器數(shù)量和部署位置，并分析了不同的部署方案對(duì)網(wǎng)絡(luò)時(shí)延的影響；以此為基礎(chǔ)，文獻(xiàn)[10]研究了基于可靠性?xún)?yōu)化的控制器部署問(wèn)題，引入貪婪算法和模擬退火算法求解，得到了可靠性更高的部署方案；文獻(xiàn)[11]以時(shí)延和負(fù)載失衡度最小化為目標(biāo)，提出基于粒子群變異函數(shù)的多目標(biāo)遺傳算法，提高算法收斂速度同時(shí)獲得多樣性更高的Pareto解。為了將地面網(wǎng)絡(luò)控制器部署研究拓展到航空集群網(wǎng)絡(luò)中，文獻(xiàn)[12]基于航空集群網(wǎng)絡(luò)場(chǎng)景特點(diǎn)，以全網(wǎng)平均時(shí)延、平均中斷概率和控制器負(fù)載失衡度最小化為目標(biāo)，提出一種基于改進(jìn)蝙蝠算法的部署算法，提升了Pareto解的質(zhì)量。文獻(xiàn)[13]針對(duì)航空集群網(wǎng)絡(luò)的拓展性，提出一種SDN航空集群網(wǎng)絡(luò)架構(gòu)，并設(shè)計(jì)一種混合優(yōu)化算法來(lái)獲得最佳控制器部署方案。然而現(xiàn)有航空集群網(wǎng)絡(luò)控制器部署算法，所考慮的航空平臺(tái)數(shù)量受限，在小規(guī)模網(wǎng)絡(luò)場(chǎng)景下具有搜索速度快、尋優(yōu)精度高等優(yōu)點(diǎn)，但當(dāng)網(wǎng)絡(luò)中平臺(tái)數(shù)量增多到幾百架時(shí)，算法的復(fù)雜度會(huì)急劇上升，計(jì)算時(shí)間可達(dá)幾小時(shí)之久，難以滿(mǎn)足航空集群網(wǎng)絡(luò)實(shí)時(shí)響應(yīng)需求，且會(huì)對(duì)網(wǎng)絡(luò)計(jì)算資源進(jìn)行大量占用。

基于以上分析，針對(duì)大規(guī)模航空集群網(wǎng)絡(luò)控制器部署算法所存在的計(jì)算復(fù)雜度高，實(shí)時(shí)響應(yīng)能力不足問(wèn)題，本文結(jié)合SDN混合式架構(gòu)下的多控制器部署模型，設(shè)計(jì)一種面向大規(guī)模航空集群網(wǎng)絡(luò)的控制器部署算法(large-scale network controller deployment algorithm, LNCDA)，所提算法分為2個(gè)階段，首先將大規(guī)模航空集群網(wǎng)絡(luò)進(jìn)行劃分，然后在子群內(nèi)搜索尋優(yōu)，最后得到關(guān)于Pareto前沿解的控制器部署方案。

1 系統(tǒng)模型

1.1 場(chǎng)景及控制器架構(gòu)

本文基于圖1(a)所示航空集群場(chǎng)景，該場(chǎng)景下存在各類(lèi)有人/無(wú)人機(jī)航空平臺(tái)，依據(jù)不同航空任務(wù)靈活動(dòng)態(tài)組織。與地面SDN網(wǎng)絡(luò)場(chǎng)景不同，在航空集群環(huán)境中，網(wǎng)絡(luò)節(jié)點(diǎn)的高移動(dòng)性使得傳輸節(jié)點(diǎn)與控制節(jié)點(diǎn)間難以穩(wěn)定相連；電磁環(huán)境的復(fù)雜性使得控節(jié)點(diǎn)容易出現(xiàn)故障風(fēng)險(xiǎn)；無(wú)線(xiàn)鏈路的不可靠性使得機(jī)間通信存在較大中斷概率?；谝陨戏治觯馄绞郊軜?gòu)難以及時(shí)掌握全局視圖信息，層次式架對(duì)頂層控制器的性能提出較高要求，而混合式架構(gòu)具有良好的擴(kuò)展性和高效的信息共享能力，能夠滿(mǎn)足構(gòu)建SDN航空集群網(wǎng)絡(luò)的需求。因此，本文基于混合式架構(gòu)[14]構(gòu)建SDN航空集群網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)的集中控制。

航空集群網(wǎng)絡(luò)混合式架構(gòu)如圖1(b)所示，控制平面擴(kuò)展為全局控制器平面和局部控制器平面兩層。全局控制器(global controller, GC)掌握全局視圖信息，負(fù)責(zé)跨區(qū)域流量轉(zhuǎn)發(fā)，通常部署于生存能力、計(jì)算處理能力較強(qiáng)的航空平臺(tái)上。局部控制器(local controller, LC)掌握局部網(wǎng)絡(luò)視圖信息，負(fù)責(zé)本區(qū)域內(nèi)設(shè)備管理與流量轉(zhuǎn)發(fā)，通常部署在航跡相對(duì)穩(wěn)定的航空平臺(tái)上。二者組成了航空集群網(wǎng)絡(luò)的控制平面，共同維護(hù)邏輯上的集中控制。

圖1 航空集群場(chǎng)景及控制架構(gòu)

1.2 控制器部署模型

文獻(xiàn)[15]對(duì)混合式架構(gòu)進(jìn)行了深入研究，本文重點(diǎn)研究該架構(gòu)下LC的部署問(wèn)題。針對(duì)控制器部署作如下假設(shè)：

2) 網(wǎng)絡(luò)中所有傳輸節(jié)點(diǎn)均可成為控制節(jié)點(diǎn)，當(dāng)收到部署指令時(shí)，傳輸節(jié)點(diǎn)開(kāi)啟控制器功能，成為控制節(jié)點(diǎn)，此時(shí)認(rèn)為傳輸節(jié)點(diǎn)與控制節(jié)點(diǎn)的時(shí)延為零。

3) 定義傳輸節(jié)點(diǎn)與LC之間的映射關(guān)系矩陣H=[xij]n×r，LC與GC之間的映射關(guān)系矩陣K=[yij]r×t。當(dāng)xij=1時(shí)，表示vi映射到sj，否則為0；yij=1表示si映射到cj，否則為0。

4)網(wǎng)絡(luò)中每個(gè)傳輸節(jié)點(diǎn)同一時(shí)間只受一個(gè)LC控制，而每個(gè)LC能控制多個(gè)傳輸節(jié)點(diǎn)；每個(gè)LC同一時(shí)間只受一個(gè)GC控制，而每個(gè)GC能控制多個(gè)LC。

5)傳輸節(jié)點(diǎn)vi的流量請(qǐng)求為ti，每個(gè)LC具有相同的容量，映射到同一LC上的傳輸節(jié)點(diǎn)流量請(qǐng)求之和不超過(guò)其容量Φ，且任意傳輸節(jié)點(diǎn)到LC的時(shí)延小于閾值τ。

6) 由于航空集群網(wǎng)絡(luò)具有空間分布尺度大、拓?fù)浣Y(jié)構(gòu)動(dòng)態(tài)性高的特點(diǎn)，采用“拓?fù)淇煺铡盵16]的思想來(lái)分析網(wǎng)絡(luò)的動(dòng)態(tài)運(yùn)行過(guò)程。

模型的約束條件如下：

(1)

(2)

(3)

2 集群劃分算法設(shè)計(jì)

航空集群網(wǎng)絡(luò)的規(guī)模通常較大，平臺(tái)數(shù)量有時(shí)可達(dá)到幾百架以上，對(duì)控制平面的計(jì)算性能造成嚴(yán)重負(fù)擔(dān)。針對(duì)上述問(wèn)題，本文首先根據(jù)節(jié)點(diǎn)規(guī)模和相關(guān)性對(duì)集群劃分，減小尋優(yōu)范圍，得到相關(guān)性強(qiáng)且分布均勻的子群。

2.1 集群劃分算法的相關(guān)指標(biāo)

航空集群的空間相關(guān)性很強(qiáng)，因此，各航空平臺(tái)間的距離是衡量相關(guān)性的主要依據(jù)。同時(shí)，由于控制器的容量限制，子群規(guī)模過(guò)大將會(huì)導(dǎo)致控制器過(guò)載及航空平臺(tái)失連現(xiàn)象，因此需要合理控制每個(gè)子群的平臺(tái)數(shù)。為此，提出負(fù)載均衡指數(shù)B:

(4)

(5)

綜合考慮平臺(tái)間距離及負(fù)載均衡因素的影響，設(shè)計(jì)改進(jìn)距離：

l=μD+λB

(6)

式中：D表示vi到中心節(jié)點(diǎn)的距離；B為vi加入到子群Gj后網(wǎng)絡(luò)負(fù)載均衡指數(shù)；μ和λ分別為權(quán)重因子。

2.2 基于負(fù)載均衡的劃分算法

文獻(xiàn)[17]所提DPC聚類(lèi)算法，得到了相關(guān)性較好的聚類(lèi)結(jié)果，然而卻沒(méi)有考慮容量限制因素。本文提出一種基于負(fù)載均衡的劃分算法(load balance based division algorithm, LBDA),以得到相關(guān)性強(qiáng)且均衡的劃分結(jié)果。引入如下定義：

定義1 局部密度ρi。

(7)

(8)

式中：ρi為節(jié)點(diǎn)vi在Dc半徑范圍中的鄰近節(jié)點(diǎn)個(gè)數(shù)；Dc表示截?cái)嗑嚯x。

定義2 密度距離δi。

(9)

式中：δi表示節(jié)點(diǎn)vi到任意局部密度比它高的節(jié)點(diǎn)的最短距離。對(duì)于網(wǎng)絡(luò)中局部密度最大的節(jié)點(diǎn)，設(shè)δmax=max(dij)。

算法首先根據(jù)網(wǎng)絡(luò)特征參數(shù)ρi和δi得到各子群中心節(jié)點(diǎn)，然后將其余的節(jié)點(diǎn)依據(jù)l值最小原則分配到不同子群中。表1所示為L(zhǎng)BDA算法流程。

表1 基于負(fù)載均衡劃分算法

3 子群控制器部署優(yōu)化

3.1 優(yōu)化性能指標(biāo)

航空集群網(wǎng)絡(luò)各子群聯(lián)系緊密，協(xié)同配合執(zhí)行任務(wù)，子群間LC的部署位置相互影響，局部最優(yōu)有時(shí)不一定能使得全網(wǎng)性能最優(yōu)。因此本文從網(wǎng)絡(luò)整體效能層面對(duì)控制器部署進(jìn)行規(guī)劃，定義了如下性能指標(biāo)：

3.1.1 控制路徑平均傳播時(shí)延

網(wǎng)絡(luò)中的控制路徑是指GC到LC，LC到傳輸節(jié)點(diǎn)的路徑。當(dāng)網(wǎng)絡(luò)狀況良好時(shí)，傳播時(shí)延遠(yuǎn)大于其他時(shí)延[18]，因此本文主要考慮傳播時(shí)延?？刂坡窂狡骄鶄鞑r(shí)延可以反映傳播時(shí)延的整體情況，表示如下：

(10)

式中：α和β為權(quán)重因子，經(jīng)仿真分析當(dāng)α=0.8，β=0.2時(shí)更接近實(shí)際的網(wǎng)絡(luò)傳輸狀況。

3.1.2 控制路徑平均失連概率

文獻(xiàn)[19]已對(duì)網(wǎng)絡(luò)可靠性進(jìn)行研究，指出可靠性對(duì)于網(wǎng)絡(luò)性能的重要意義。網(wǎng)絡(luò)中的數(shù)據(jù)流和控制信息均由控制路徑傳輸，控制路徑的可靠性直接關(guān)系到整個(gè)網(wǎng)絡(luò)的可靠性。

(11)

3.2 子群LC部署算法

為保證求解精確度同時(shí)降低算法復(fù)雜度，本文對(duì)文獻(xiàn)[20]中非支配排序遺傳算法II (nondominated sorting genetic algorithm II,NSGA-Ⅱ)進(jìn)行改進(jìn)，設(shè)計(jì)了一種具有染色體自適應(yīng)交叉和變異算子的改進(jìn)NSGA-Ⅱ算法(improved NSGA-Ⅱ，INSGA-Ⅱ)，動(dòng)態(tài)調(diào)整交叉和變異概率，提高算法搜索能力和收斂速度。表2所示為基于INSGA-Ⅱ算法的LC部署流程。

表2 基于改進(jìn)NSGA-Ⅱ算法的LC部署

表2(續(xù))

對(duì)算法主要步驟進(jìn)行說(shuō)明：

1)種群個(gè)體初始化。設(shè)置種群規(guī)模pop，將種群個(gè)體分成K個(gè)均勻的子集{p1,p2,…,pK}，K為L(zhǎng)C部署數(shù)量。

2) 非支配排序。計(jì)算每個(gè)個(gè)體P的被支配個(gè)體數(shù)np和支配個(gè)體集合Up，直到種群中所有個(gè)體的非支配等級(jí)被劃分。

3) 擁擠度計(jì)算。首先任選一種目標(biāo)函數(shù)fu，計(jì)算Ri+1中個(gè)體的fu值并按升序排列得到ξ，接下來(lái)計(jì)算ξ中每個(gè)個(gè)體的其他類(lèi)型目標(biāo)函數(shù)值。規(guī)定邊界值為無(wú)窮大，即fu(ξ1)=fu(ξn)=∞。個(gè)體d的擁擠度nd的計(jì)算如下：

(12)

4)精英保留策略。將表現(xiàn)更優(yōu)、多樣性更好的個(gè)體保留進(jìn)入下一代。

5)交叉、變異。采用自適應(yīng)算子對(duì)所選染色體進(jìn)行單點(diǎn)交叉和位變異操作，動(dòng)態(tài)調(diào)整交叉和變異概率。

3.3 復(fù)雜度分析

INSGA-Ⅱ算法的復(fù)雜度與網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)n，目標(biāo)函數(shù)個(gè)數(shù)m，及迭代次數(shù)I有關(guān)，其尋優(yōu)復(fù)雜度表示如下：

ο(INSGA-Ⅱ)=ο(Imn2)

(13)

本文所提LNCDA算法，第1階段將航空集群劃分為子群，第2階段在子群內(nèi)部署尋優(yōu)。第一階段復(fù)雜度主要由距離值計(jì)算ο(n2)、降序排列ο(n2logn)和ρ及δ值計(jì)算ο(n2)組成，即：

ο(phase_1)=ο(n2)+ο(n2logn)+ο(n2)≈

ο(n2logn)

(14)

第2階段在劃分后的子群中進(jìn)行全局尋優(yōu)，復(fù)雜度為：

(15)

因此本文所提算法復(fù)雜度為：

ο(LNCDA)=ο(phase_1)+ο(phase_2)=

(16)

式中：K為待劃分子群數(shù)目。

4 實(shí)驗(yàn)結(jié)果及分析

4.1 仿真環(huán)境及參數(shù)設(shè)置

對(duì)實(shí)驗(yàn)的仿真環(huán)境和參數(shù)設(shè)置作如下說(shuō)明：

1)實(shí)驗(yàn)基于MATLAB2016a對(duì)本文所提模型和算法進(jìn)行仿真實(shí)驗(yàn)。

2)假設(shè)所有LC節(jié)點(diǎn)具有相同的負(fù)載容量和處理能力；傳輸節(jié)點(diǎn)的請(qǐng)求為單位流量；節(jié)點(diǎn)的故障概率為[0,0.04]中的隨機(jī)值；l和σ鏈路的失連概率分別為[0,0.08]和[0,0.06]之間的隨機(jī)值。

3)規(guī)定當(dāng)網(wǎng)絡(luò)節(jié)點(diǎn)規(guī)模小于100時(shí)，GC數(shù)量為1；當(dāng)節(jié)點(diǎn)規(guī)模大于100時(shí)，GC數(shù)量為2。GC部署的位置為網(wǎng)絡(luò)中隨機(jī)確定的節(jié)點(diǎn)。

4)為了體現(xiàn)網(wǎng)絡(luò)拓?fù)涞碾S機(jī)變化性，在給定區(qū)域內(nèi)隨機(jī)生成多個(gè)節(jié)點(diǎn)，利用Bellman-ford算法得到任意兩點(diǎn)間的最短路徑。實(shí)驗(yàn)中網(wǎng)絡(luò)節(jié)點(diǎn)的分布范圍為400 km×300 km的矩形區(qū)域，節(jié)點(diǎn)的通信半徑為50 km。

4.2 子群劃分算法性能分析

為了評(píng)價(jià)LBDA的性能，本節(jié)將LBDA與Louvain算法[21-22]和K-means算法[23-24]進(jìn)行對(duì)比。

分別設(shè)置節(jié)點(diǎn)規(guī)模為50、100、150的航空集群，在每種節(jié)點(diǎn)規(guī)模下比較不同算法的負(fù)載均衡指數(shù)隨子群數(shù)的變化情況。

實(shí)驗(yàn)結(jié)果如圖2所示，Louvain、DPC和K-means算法的負(fù)載均衡指數(shù)均高于LBDA，表明LBDA的負(fù)載均衡性更優(yōu)。由于Louvain、DPC和K-means算法在劃分過(guò)程中只考慮節(jié)點(diǎn)間的相關(guān)性而沒(méi)有限制子群規(guī)模，導(dǎo)致各子群節(jié)點(diǎn)數(shù)量分布不均；而LBDA綜合考慮二者的影響，在保證較好相關(guān)性的同時(shí)獲得更均衡的劃分結(jié)果。

圖2 不同節(jié)點(diǎn)規(guī)模的負(fù)載均衡指數(shù)

4.3 控制器部署算法性能分析

為評(píng)價(jià)本文所提LNCDA算法的多目標(biāo)尋優(yōu)能力，本節(jié)設(shè)置網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)為150，LC數(shù)量K=6，使用標(biāo)準(zhǔn)NSGA-Ⅱ算法, INSGA-Ⅱ算法, 窮舉算法(brute force, BF)對(duì)網(wǎng)絡(luò)進(jìn)行直接尋優(yōu)；而本文所提LNCDA算法將網(wǎng)絡(luò)劃分為6個(gè)子群，然后在各子群內(nèi)進(jìn)行尋優(yōu)。幾種算法的Pareto前沿對(duì)比見(jiàn)圖3。

圖3 Pareto前沿對(duì)比圖

由圖3可知控制路徑平均傳播時(shí)延與平均失連概率呈負(fù)相關(guān)，從而驗(yàn)證了CPP是一個(gè)多目標(biāo)優(yōu)化問(wèn)題，兩種性能指標(biāo)之間存在一定程度的互斥關(guān)系。INSGA-Ⅱ算法性能較NSGA-Ⅱ算法有了明顯提升，能獲得更優(yōu)的Pareto前沿，接近理論最優(yōu)的BF算法。由圖可知當(dāng)測(cè)試算法收斂時(shí)，LNCDA算法尋優(yōu)能力接近NSGA-Ⅱ算法。LNCDA算法通過(guò)集群劃分，降低了網(wǎng)絡(luò)尋優(yōu)復(fù)雜度，從而使算法能夠快速收斂。然而對(duì)網(wǎng)絡(luò)劃分，也限制了算法的尋優(yōu)能力，位于子群中心的節(jié)點(diǎn)更有可能部署控制器，而子群邊緣的節(jié)點(diǎn)在尋優(yōu)中可能被跳過(guò)。因此，LNCDA算法以損失一定尋優(yōu)精度的代價(jià)，獲得了更快的收斂速度。

為比較不同LC數(shù)量下LNCDA算法，K-means算法，INSGA-Ⅱ算法和多目標(biāo)粒子群優(yōu)化算法(multiple objective particle swarm optimization, MOPSO)[25]對(duì)網(wǎng)絡(luò)性能的優(yōu)化能力，對(duì)控制路徑平均傳播時(shí)延、平均失連概率兩種性能指標(biāo)進(jìn)行討論分析，比較結(jié)果見(jiàn)圖4。

圖4 算法性能指標(biāo)隨LC數(shù)量變化情況

由圖4(a)可知，K-means算法的平均傳播時(shí)延最小，因?yàn)樵撍惴ㄖ饕罁?jù)類(lèi)內(nèi)節(jié)點(diǎn)距離最短原則劃分子群，而其余算法需要兼顧其他優(yōu)化目標(biāo)。當(dāng)LC數(shù)量小于7時(shí)，LNCDA算法的時(shí)延低于MOPSO算法、INSGA-II算法，較MOPSO算法和INSGA-II算法分別降低了20.87%和12.75%。隨著LC數(shù)量增加，子群數(shù)也同步增加，每個(gè)子群的規(guī)模不斷減小，從而限制了LNCDA算法的尋優(yōu)能力，因此當(dāng)LC數(shù)量多于7時(shí)，LNCDA算法的時(shí)延會(huì)逐漸高于INSGA-II算法。

由圖4(b)可知，K-means算法的平均失連概率始終高于其他算法。當(dāng)LC數(shù)量小于7時(shí)，LNCDA算法的失連概率小于MOPSO算法、INSGA-Ⅱ算法，較MOPSO算法和INSGA-II算法分別降低了7.65%和5.87%；當(dāng)LC數(shù)量大于7時(shí)，LNCDA算法的失連概率高于MOPSO算法和INSGA-II算法。因此，LNCDA算法在子群數(shù)量較少時(shí)表現(xiàn)出較好的全局優(yōu)化能力。

圖5為算法的平均計(jì)算時(shí)間隨LC數(shù)量的變化情況。可知隨著LC數(shù)量增加，K-means、MOPSO、INSGA-II算法的計(jì)算用時(shí)不斷增加。而LNCDA算法的計(jì)算用時(shí)不斷減少，并收斂到較低值。K-means算法，MOPSO算法和INSGA-II算法直接應(yīng)用于全網(wǎng)尋優(yōu)，搜索范圍大，計(jì)算復(fù)雜度高，存在對(duì)目標(biāo)重復(fù)搜索情況，易陷入局部最優(yōu)解；LNCDA算法對(duì)網(wǎng)絡(luò)進(jìn)行算法劃分，能夠避免重復(fù)搜索的情況，具有較好的全局搜索能力。由于K-means、MOPSO和INSGA-II算法基于迭代方式尋優(yōu)，當(dāng)網(wǎng)絡(luò)規(guī)模不變時(shí)，尋優(yōu)變量數(shù)目增多反而使時(shí)間復(fù)雜度增加；而LNCDA算法只需要一次分域就能實(shí)現(xiàn)集群劃分，并隨著子群規(guī)模逐漸減小，尋優(yōu)復(fù)雜度不斷降低，因此具有更低的時(shí)間復(fù)雜度。

圖5 平均計(jì)算時(shí)間隨LC數(shù)量變化情況

5 結(jié)語(yǔ)

本文針對(duì)現(xiàn)有航空集群網(wǎng)絡(luò)存在的業(yè)務(wù)與設(shè)備耦合緊密，網(wǎng)絡(luò)配置與管理復(fù)雜的問(wèn)題，引入軟件定義網(wǎng)絡(luò)的設(shè)計(jì)思想，搭建混合式控制架構(gòu)，增強(qiáng)了控制平面的擴(kuò)展性，實(shí)現(xiàn)邏輯上的集中控制；考慮到航空集群網(wǎng)絡(luò)節(jié)點(diǎn)規(guī)模大，拓?fù)鋭?dòng)態(tài)變化的特點(diǎn)，設(shè)計(jì)了一種大規(guī)模航空集群網(wǎng)絡(luò)控制器部署優(yōu)化算法，通過(guò)仿真分析證明所提算法能夠有效提升網(wǎng)絡(luò)性能，同時(shí)具有較快的收斂速度，適用于解決大規(guī)模動(dòng)態(tài)場(chǎng)景下控制器部署問(wèn)題。