CN106230737A - 一种状态感知的软件定义组网方法 - Google Patents

Abstract

本发明涉及一种状态感知的软件定义组网方法，包括步骤1:输入数据层面网络参数，邻接矩阵A_N×N、端到端流量请求矩阵Γ_N×N、链路容量C_e、最大链路利用率α、流量请求传输率下限β；步骤2:计算数据层面网络路径集，根据图的深度优先遍历方法求出有向连通图中两点间所有路径集P；步骤3:计算链路状态矩阵U_kpe；步骤4:建立基于路径跳数的多源多汇最大流模型；步骤5:利用CPLEX求解步骤4中构建的模型，输出基于能效优先的端到端最大流。本发明采用基于路径的最大流解决方案，并且为了提高数据层面网络能效，以路径跳数为限制条件，对于每次端到端请求建立最小比特能耗的流量传输路径，达到高能效数据层面网络划分的目的。

Description

一种状态感知的软件定义组网方法

技术领域

本发明涉及软件定义光纤网络关键技术领域，具体涉及一种状态感知的软件定义组网方法。

背景技术

随着大规模部署虚拟化与云计算，各种宽带数据业务迅速发展，用户的数量、带宽需求以及网络流量不断增长，网络设备的能耗也在平稳增长，能量节约成为设计云计算网络以及未来网络的关键问题。当系统服务器和网络的利用率在15％的水平而且服务器的能量和负载具有较好的比例性时，网络通信能耗接近总能耗的50％。由此可见，节省网络通信能耗对于网络系统来说有着重要意义。

目前对网络的能效策略研究有很多，包括传统IP骨干网、ISP网络、云计算网络等，并将能效问题归结为资源优化管理问题，包括资源分配、任务调度、架构部署。例如基于网络拓扑控制节能启发式方法，利用具有一定的拓扑性质的图形使用路由器线卡模拟互联网服务提供商；通过作用于这些线卡使其进入睡眠模式，修剪网络的拓扑结构实现显著节能。现有的能效策略的设计往往采用启发式方法，没有严格的理论支持，导致在实施之后还需进行补丁式的改进。而优化方法为设计绿色网络和能效策略提供了有力的理论支持，以优化理论为出发点对网络系统进行建模分析，可以指导节能策略的设计，使网络尽可能具有性能和能耗的最优权衡。

目前，针对能效网络的研究已有很多，但面向云计算网络，通过软件定义网络(SDN，Software Defined Network)实现控制层面与数据层面分离的研究仍存在不足，尤其是国内对SDN的研究仍处于初步阶段。软件定义网络作为一种网络创新架构，将控制层面与数据层面分离，使得原来的路由器不再进行路由学习，只进行转发，从而可以灵活控制网络流量，解决了云服务在骨干网传输时的带宽瓶颈，促进云计算更广泛地发展。

本发明以提高能效为目标，利用现代图理论构建传输网络数据信息的数学模型，提出了基于能效优先的数据层面网络划分多源多汇最大流网络层面能效分离(MMFDS，Multicommodity Maximum-Flow Data plane Separation)方法。

发明内容

针对传统方法存在的多路径约束困难的问题，本发明提出了一种状态感知的软件定义组网方法，采用基于路径的最大流解决方案，并且为了提高数据层面网络能效，以路径跳数为限制条件，对于每次端到端请求建立最小比特能耗的流量传输路径，达到高能效数据层面网络划分的目的。

为了达到上述目的，本发明采用以下技术方案实现：

一种状态感知的软件定义组网方法，包括以下步骤：

步骤1:输入数据层面网络参数，邻接矩阵A_N×N、端到端流量请求矩阵Γ_N×N、链路容量C_e、最大链路利用率α、流量请求传输率下限β；

步骤2:计算数据层面网络路径集，根据图的深度优先遍历方法求出有向连通图中两点间所有路径集P；

步骤3:计算链路状态矩阵U_kpe；

步骤4:建立基于路径跳数的多源多汇最大流模型；

步骤5:利用CPLEX求解步骤4中构建的模型，输出基于能效优先的端到端最大流。

以上步骤2所述的计算数据层面网络路径集，根据图的深度优先遍历方法求出有向连通图中两点间所有路径集P，方法为：

步骤A：本发明中将网络中存在的源-汇节点对称为组合k，节点v_i，顶点v_j，顶点集为V，链路集为E；初始化k＝1，对进行深度搜索，“1”代表v_i已被访问，“0”代表未被访问，则组合k的路径集

步骤B：对组合k，其源点为S_k，汇点为D_k，令v_i＝S_k；

步骤C：访问节点为v_i，并标记为“1”，由邻接矩阵计算其关联边集合RE_i；

步骤D：由节点v_i出发访问v_j，如果边<v_iv_j>∈RE_i，且<v_iv_j>标记为“0”，v_j标记为“0”，则将v_j标记为“1”，<v_iv_j>标记为“1”；如果v_j≠D_k，令v_i＝v_j，转到步骤C，以顶点v_j为当前节点进行深度搜索，直到v_j＝D_k，记为成功到达路径p保存到P_k，否则舍弃路径并且不改变该路径经过的顶点和链路的标记值；

步骤E：回溯到节点v_i，如果v_i≠S_k，转到步骤D，直到遍历完节点v_i的所有关联边后，对v_i→D_k路径经过的链路和节点标记值清零；否则，v_i＝S_k再次重复步骤D，得到组合k的路径集P_k；

步骤F：k＝k+1，转到步骤B，直到k＝K，K为网络中存在的组合数,得到整个数据层面网络的路径集P＝{P₁,P₂,...,P_k}。

以上步骤3所述的计算链路状态矩阵U_kpe，方法为：

步骤A：数据层面网络链路集E，数据层面网络组合k的路径集P_k ^H，e为链路；对路径集P_k中的路径按数字{1,2,...,|P_k ^H|}标号，对E中链路按数字{1,2,...,|E|}标号，初始化k＝1；

步骤B：组合k路径标号p＝1；

步骤C：数据层面网络链路标号e＝1；

步骤D：判断路径p是否占用链路e，如果占用则U_kpe＝1，否则U_kpe＝0；

步骤E：e＝e+1，重复步骤3-4，直到e＝|E|；

步骤F：p＝p+1，转到步骤3-3，直到p＝P_k ^H；

步骤G：k＝k+1，转到步骤3-2，直到k＝K。

以上步骤4所述的建立基于路径跳数的多源多汇最大流模型，方法为：

构建模型：

$max\underset{k=1}{\overset{K}{\&Sigma;}}\underset{p\&Element;P_k}{\&Sigma;}{w}_{kp}$

s.t.

$\begin{array}{cc}{w}_{kp}\&GreaterEqual;0& \&ForAll;k=1,2,...,K,\&ForAll;p\&Element;P_k\end{array}$

$\begin{array}{cc}\underset{p\&Element;P_k^H}{\&Sigma;}{U}_{kpe}{w}_{kp}\&le;\mathrm{\&alpha;}\&times;C_e& \&ForAll;k=1,2,...,K,\&ForAll;e\&Element;E\end{array}$

$\begin{array}{cc}\underset{k=1}{\overset{K}{\&Sigma;}}\underset{p\&Element;P_k^H}{\&Sigma;}{U}_{kpe}{w}_{kp}\&le;\mathrm{\&alpha;}\&times;C_e& \&ForAll;e\&Element;E\end{array}$

$\begin{array}{cc}\underset{p\&Element;P_k}{\&Sigma;}{w}_{kp}<{\mathrm{\&Gamma;}}^k& \&ForAll;k=1,2,...,K\end{array}$

$\begin{array}{cc}\underset{p\&Element;P_k}{\&Sigma;}{w}_{kp}<{\mathrm{\&beta;\&Gamma;}}^k& \&ForAll;k=1,2,...,K\end{array}$

$\begin{array}{cc}hop\left(p\right)\&le;H& \&ForAll;p\&Element;P_k,\&ForAll;k=1,2,...,K\end{array}$

其中，w_kp为路径上传输的流量；

Γ^k代表从第k个组合的源点S_k到汇点D_k的流量请求，k＝(1,2,...,K)；

hop(p)表示路径p的跳数，H为路径最大跳数。

与现有技术相比，本发明的有益效果是：

1)采用基于能效优先的数据层面网络划分多源多汇最大流网络层面能效分离方法，实现基于软件定义网络的自动组网；具有低能耗、高能效的优点，适应未来网络发展的需求；

2)采用基于路径的最大流解决方案，为了提高数据层面网络能效，以路径跳数为限制条件，对于每次端到端请求建立最小比特能耗的流量传输路径，达到高能效数据层面网络划分的目的。

附图说明

图1是本发明实施例所述一种状态感知的软件定义组网方法流程图。

图2是本发明实施例中NSF网络拓扑结构图。

图3是本发明实施例中COST239网络拓扑结构图。

图4是本发明实施例的步骤3中链路状态矩阵求解流程图。

图5是本发明实施例的NSF数据层面网络能效变化示意图。

图6是本发明实施例的COST239数据层面网络能效变化示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明：

本发明所述一种状态感知的软件定义组网方法，包括以下步骤：

步骤1:输入数据层面网络参数，邻接矩阵A_N×N、端到端流量请求矩阵Γ_N×N、链路容量C_e、最大链路利用率α、流量请求传输率下限β；

给定网络G＝(V,E)，如果有向图G满足：(1)恰有一个入度为零的点S(称为源点)；(2)恰有一个出度为零的点D(称为汇点)；(3)都带有一个非负的权(称为链路容量)；则称G为数据传输网络，边<v₁v₂>的容量记为既非源点又非汇点的点称为中间点，若定义在E上的实值函数f:E→R，则称f为G_DP＝(V,E)上的一个数据层面网络流，并称为边<v₁v₂>上的流量。

fⁱⁿ(v_i)表示所有以v_i为终点的弧上的流量之和，f^out(v_i)表示所有以v_i为起点的弧上的流量之和，有则称f为G的可行流，简称流。设f是数据层面网络G的可行流，称发点S流出的流量之和为记为v_f，即v_f＝f^out(S)。若G中不存在其他可行流f'，满足v_f'＞v_f，则称f为G的最大流。

真实数据层面网络传输中一般存在多个源点-汇点对，因此把数据层面网络传输固定在一个源-汇节点对之间有一定的局限性。本节提出了解决多源多汇数据层面网络的最大流问题的思想和方法，将数据层面网络分解成多个单一源汇节点对最大流问题，然后再统一加以约束实现总的目标函数，多源点多汇点情况下最大流问题的目标是使得在所有源汇节点之间的总传输量达到最大化。如果网络图G＝(V,E)，V为顶点集，|V|＝N，E为链路集，|E|＝M，则链路容量为C_e，e∈E。假设网络中每个节点既可以作为源点亦可以作为汇点，则网络中共存在K个源-汇节点对，|K|＝N×(N-1)，为方便起见，本发明中称一个源-汇节点对为一个组合。同时，α和β分别表示链路利用率和传输流量需求下限值，且α∈[0,1]。

整个数据层面网络端到端流量请求为Γ_N×N，不考虑节点自身对自身的流量请求，即Γ_ii＝0，(i＝1,2,...,N)，Γ_N×N的N×(N-1)元素值代表K个组合源点到汇点的流量请求。令S_k、D_k分别代表第k个组合的源点与汇点，k＝(1,2,...,K)，Γ^k代表从S_k到D_k的流量请求，对于每一个特定的组合k，都有一组路径P_k，则整个网路的路径集为P＝{P₁,P₂,...,P_k}，对于组合k的任意源汇节点间路径p∈P_k，该路径上传输的流量为w_kp，则每条链路传输的流量为w_ke链路容量。

步骤2:计算数据层面网络路径集，根据图的深度优先遍历方法求出有向连通图中两点间所有路径集P。

步骤3:计算链路状态矩阵U_kpe。

步骤4:建立基于路径跳数的多源多汇最大流模型。

所述的基于路径跳数的多源多汇最大流模型，具体为：

$max\underset{k=1}{\overset{K}{\&Sigma;}}\underset{p\&Element;P_k}{\&Sigma;}{w}_{kp}$

s.t.

$\begin{array}{cc}{w}_{kp}\&GreaterEqual;0& \&ForAll;k=1,2,...,K,\&ForAll;p\&Element;P_k\end{array}$

$\begin{array}{cc}\underset{p\&Element;P_k^H}{\&Sigma;}{U}_{kpe}{w}_{kp}\&le;\mathrm{\&alpha;}\&times;C_e& \&ForAll;k=1,2,...,K,\&ForAll;e\&Element;E\end{array}$

$\begin{array}{cc}\underset{k=1}{\overset{K}{\&Sigma;}}\underset{p\&Element;P_k}{\&Sigma;}{U}_{kpe}{w}_{kp}\&le;\mathrm{\&alpha;}\&times;C_e& \&ForAll;e\&Element;E\end{array}$

$\begin{array}{cc}\underset{p\&Element;P_k}{\&Sigma;}{w}_{kp}<{\mathrm{\&Gamma;}}^k& \&ForAll;k=1,2,...,K\end{array}$

$\begin{array}{cc}\underset{p\&Element;P_k}{\&Sigma;}{w}_{kp}\&GreaterEqual;{\mathrm{\&beta;\&Gamma;}}^k& \&ForAll;k=1,2,...,K\end{array}$

$\begin{array}{cc}hop\left(p\right)\&le;H& \&ForAll;p\&Element;P_k,\&ForAll;k=1,2,...,K\end{array}$

步骤5:利用CPLEX求解步骤4中构建的模型，输出基于能效优先的端到端最大流。

以上步骤2所述的计算数据层面网络路径集，根据图的深度优先遍历方法求出有向连通图中两点间所有路径集P，方法为：

步骤A：初始化k＝1，对进行深度搜索，“1”代表v_i已被访问，“0”代表未被访问，

步骤B：对组合k，其源点为S_k，汇点为D_k，令v_i＝S_k；

步骤C：访问节点为v_i，并标记为“1”，由邻接矩阵计算其关联边集合RE_i；

步骤D：由节点v_i出发访问v_j，如果边<v_iv_j>∈RE_i，且<v_iv_j>标记为“0”，v_j标记为“0”，则将v_j标记为“1”，<v_iv_j>标记为“1”；如果v_j≠D_k，令v_i＝v_j，转到步骤C，以顶点v_j为当前节点进行深度搜索，直到v_j＝D_k，记为成功到达路径p保存到P_k，否则舍弃路径并且不改变该路径经过的顶点和链路的标记值；

步骤E：回溯到节点v_i，如果v_i≠S_k，转到步骤D，直到遍历完节点v_i的所有关联边后，对v_i→D_k路径经过的链路和节点标记值清零；否则，v_i＝S_k再次重复步骤D，得到组合k的路径集P_k；

步骤F：k＝k+1，转到步骤B，直到k＝K，K得到整个数据层面网络的路径集P＝{P₁,P₂,...,P_k}。

以上步骤3所述的计算链路状态矩阵U_kpe，方法为：

步骤A：数据层面网络链路集E，组合k的路径集P_k ^H，对路径集P_k中的路径按数字{1,2,...,|P_k ^H|}标号，对E中链路按数字{1,2,...,|E|}标号，初始化k＝1；

步骤B：组合k路径标号p＝1；

步骤C：数据层面网络链路标号e＝1；

步骤D：判断路径p是否占用链路e，如果占用则U_kpe＝1，否则U_kpe＝0；

步骤E：e＝e+1，重复步骤3-4，直到e＝|E|；

步骤F：p＝p+1，转到步骤3-3，直到p＝P_k ^H；

步骤G：k＝k+1，转到步骤3-2，直到k＝K。

步骤4所述的建立基于路径跳数的多源多汇最大流模型，方法为：

构建模型：

$max\underset{k=1}{\overset{K}{\&Sigma;}}\underset{p\&Element;P_k}{\&Sigma;}{w}_{kp}$

s.t.

$\begin{array}{cc}{w}_{kp}\&GreaterEqual;0& \&ForAll;k=1,2,...,K,\&ForAll;p\&Element;P_k\end{array}$

$\begin{array}{cc}\underset{p\&Element;P_k^H}{\&Sigma;}{U}_{kpe}{w}_{kp}\&le;\mathrm{\&alpha;}\&times;C_e& \&ForAll;k=1,2,...,K,\&ForAll;e\&Element;E\end{array}$

$\begin{array}{cc}\underset{k=1}{\overset{K}{\&Sigma;}}\underset{p\&Element;P_k^H}{\&Sigma;}{U}_{kpe}{w}_{kp}\&le;\mathrm{\&alpha;}\&times;C_e& \&ForAll;e\&Element;E\end{array}$

$\begin{array}{cc}\underset{p\&Element;P_k}{\&Sigma;}{w}_{kp}<{\mathrm{\&Gamma;}}^k& \&ForAll;k=1,2,...,K\end{array}$

$\begin{array}{cc}\underset{p\&Element;P_k}{\&Sigma;}{w}_{kp}\&GreaterEqual;{\mathrm{\&beta;\&Gamma;}}^k& \&ForAll;k=1,2,...,K\end{array}$

$\begin{array}{cc}hop\left(p\right)\&le;H& \&ForAll;p\&Element;P_k,\&ForAll;k=1,2,...,K\end{array}$

以下实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。下述实施例中所用方法如无特别说明均为常规方法。

【实施例】

本实施例中，一种状态感知的软件定义组网方法的流程图如图1所示。本发明采用NSF和COST239网络拓扑以及在拓扑上合成的流量数据，并且与一种成熟的方法比较，即MMF方法。NSF和COST239网络拓扑结构如图2和3所示。

本实施例所述状态感知的软件定义组网方法，具体步骤如下：

步骤1：输入数据层面网络参数，邻接矩阵A_N×N、端到端流量请求矩阵Γ_N×N、链路容量C_e＝2000Gbps、最大链路利用率α＝0.9、流量请求传输率下限β；

步骤2：计算数据层面网络路径集，根据图的深度优先遍历方法求出有向连通图中两点间所有路径集P；具体步骤如下：

步骤A：初始化k＝1，对以及进行深度搜索，“1”代表v_i已被访问，“0”代表未被访问，

步骤B：对组合k，其源点为S_k，汇点为D_k，令v_i＝S_k；

步骤C：访问节点为v_i，并标记为“1”，由邻接矩阵计算其关联边集合RE_i；

步骤D：由节点v_i出发访问v_j，如果边<v_iv_j>∈RE_i，且<v_iv_j>标记为“0”，v_j标记为“0”，则将v_j标记为“1”，<v_iv_j>标记为“1”；如果v_j≠D_k，令v_i＝v_j，转到步骤C，以顶点v_j为当前节点进行深度搜索，直到v_j＝D_k，记为成功到达路径p保存到P_k，否则舍弃路径并且不改变该路径经过的顶点和链路的标记值；

步骤E：回溯到节点v_i，如果v_i≠S_k，转到步骤D，直到遍历完节点v_i的所有关联边后，对v_i→D_k路径经过的链路和节点标记值清零；否则，v_i＝S_k再次重复步骤D，得到组合k的路径集P_k；

步骤F：k＝k+1，转到步骤B，直到k＝K，得到整个数据层面网络的路径集P＝{P₁,P₂,...,P_k}。

步骤3：计算链路状态矩阵U_kpe；如图4所示，具体步骤如下：

步骤A：数据层面网络链路集E，组合k的路径集P_k ^H，对路径集P_k中的路径按数字{1,2,...,|P_k ^H|}标号，对E中链路按数字{1,2,...,|E|}标号，初始化k＝1；

步骤B：组合k路径标号p＝1；

步骤C：数据层面网络链路标号e＝1；

步骤D：判断路径p是否占用链路e，如果占用则U_kpe＝1，否则U_kpe＝0；

步骤E：e＝e+1，重复步骤3-4，直到e＝|E|；

步骤F：p＝p+1，转到步骤3-3，直到p＝P_k ^H；

步骤G：k＝k+1，转到步骤3-2，直到k＝K。

步骤4：建立基于路径跳数的多源多汇最大流模型；具体为：

$\begin{array}{c}\max \underset{k=1}{\overset{K}{\&Sigma;}}\underset{p\&Element;P_k}{\&Sigma;}{w}_{kp}\\ \begin{array}{cc}s.t.& \\ w_{kp}\&GreaterEqual;0& \&ForAll;k=1,2,\mathrm{...},K,\&ForAll;p\&Element;P_k\\ \underset{p\&Element;P_k^H}{\&Sigma;}{U}_{kpe}{w}_{kp}\&le;\mathrm{\&alpha;}\&times;C_e& \&ForAll;k=1,2,\mathrm{...},K,\&ForAll;e\&Element;E\end{array}\end{array}---\left(1\right)$

$\begin{array}{cc}\underset{k=1}{\overset{K}{\&Sigma;}}\underset{p\&Element;P_k^H}{\&Sigma;}{U}_{kpe}{w}_{kp}\&le;\mathrm{\&alpha;}\&times;C_e& \&ForAll;e\&Element;E\\ \underset{p\&Element;P_k}{\&Sigma;}{w}_{kp}\&le;{\mathrm{\&Gamma;}}^k& \&ForAll;k=1,2,\mathrm{...},K\\ \underset{p\&Element;P_k}{\&Sigma;}{w}_{kp}\&GreaterEqual;{\mathrm{\&beta;\&Gamma;}}^k& \&ForAll;k=1,2,\mathrm{...},K\\ hop\left(p\right)\&le;H& \&ForAll;p\&Element;P_k,\&ForAll;k=1,2,\mathrm{...},K\end{array}$

其中，hop(p)表示路径p的跳数，H为路径最大跳数。

步骤5、利用CPLEX求解步骤4中构建的模型，输出基于能效优先的端到端最大流。

本发明中建立如下数据层面功耗与能效模型：

$P_l=\left\{\begin{array}{ccc}0& if& f_l=0\\ \mathrm{\&mu;}\&CenterDot;\&lsqb;\mathrm{\&delta;}\&CenterDot;C_l+(1-\mathrm{\&delta;})\&CenterDot;\frac{f_l^2}{C_l}\&rsqb;& if& 0<f_l\&le;C_l\end{array}\right.---\left(2\right)$

其中，f_l为链路l的负载，C_l为链路的容量，δ和μ为函数曲线系数，设置δ＝50％，μ＝1J/Gbit。当链路关闭时，链路负载为零时，功耗也为零，当链路为开启状态时，链路的功耗与链路的负载为曲线函数关系。

图5为本发明方法MMFDS在最大跳数分别为5和6情况下、以及MMF方法在不同流量请求下，NSF数据层面网络能效变化示意图。最大链路利用率α＝0.9，实际流量请求率0.25≤ε≤0.35，从图5可以看出，在相同的流量传输下，MMFDS的网络能效要高于MMF的网络能效。同时，网络能效定义为每单位功耗所传输的流量值，其数值越大代表传输每单位流量所消耗的功耗越小，方法性能越好。并且随着流量请求值增大，链路利用率、链路功耗都随之增加，则网络能效随链路负载的增高而下降。同理，图6为本发明方法MMFDS在最大跳数分别为3和4情况下、以及MMF在不同流量请求下COST239数据层面网络能效变化示意图。最大链路利用率α＝0.8，实际流量请求率0.1≤ε≤0.2，图6结果显示在相同的流量传输下，MMFDS的网络能效高于MMF的网络能效，并且随着流量请求值增大而下降。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种状态感知的软件定义组网方法，其特征在于：包括以下步骤：

步骤1:输入数据层面网络参数，邻接矩阵A_N×N、端到端流量请求矩阵Γ_N×N、链路容量C_e、最大链路利用率α、流量请求传输率下限β；

步骤2:计算数据层面网络路径集，根据图的深度优先遍历方法求出有向连通图中两点间所有路径集P；

步骤3:计算链路状态矩阵U_kpe；

步骤4:建立基于路径跳数的多源多汇最大流模型；

步骤5:利用CPLEX求解步骤4中构建的模型，输出基于能效优先的端到端最大流。

2.根据权利要求1所述的一种状态感知的软件定义组网方法，其特征在于，步骤2所述的计算数据层面网络路径集，根据图的深度优先遍历方法求出有向连通图中两点间所有路径集P，方法为：

步骤A：本发明中将网络中存在的源-汇节点对称为组合k，节点v_i，顶点v_j，顶点集为V，链路集为E；初始化k＝1，对进行深度搜索，“1”代表v_i已被访问，“0”代表未被访问，则组合k的路径集

步骤B：对组合k，其源点为S_k，汇点为D_k，令v_i＝S_k；

步骤C：访问节点为v_i，并标记为“1”，由邻接矩阵计算其关联边集合RE_i；

步骤D：由节点v_i出发访问v_j，如果边<v_iv_j>∈RE_i，且<v_iv_j>标记为“0”，v_j标记为“0”，则将v_j标记为“1”，<v_iv_j>标记为“1”；如果v_j≠D_k，令v_i＝v_j，转到步骤C，以顶点v_j为当前节点进行深度搜索，直到v_j＝D_k，记为成功到达路径p保存到P_k，否则舍弃路径并且不改变该路径经过的顶点和链路的标记值；

步骤E：回溯到节点v_i，如果v_i≠S_k，转到步骤D，直到遍历完节点v_i的所有关联边后，对v_i→D_k路径经过的链路和节点标记值清零；否则，v_i＝S_k再次重复步骤D，得到组合k的路径集P_k；

步骤F：k＝k+1，转到步骤B，直到k＝K，K为网络中存在的组合数,得到整个数据层面网络的路径集P＝{P₁,P₂,...,P_k}。

3.根据权利要求1所述的一种状态感知的软件定义组网方法，其特征在于，步骤3所述的计算链路状态矩阵U_kpe，方法为：

步骤A：数据层面网络链路集E，数据层面网络组合k的路径集P_k ^H，e为链路；对路径集P_k中的路径按数字标号，对E中链路按数字{1,2,...,|E|}标号，初始化k＝1；

步骤B：组合k路径标号p＝1；

步骤C：数据层面网络链路标号e＝1；

步骤D：判断路径p是否占用链路e，如果占用则U_kpe＝1，否则U_kpe＝0；

步骤E：e＝e+1，重复步骤3-4，直到e＝|E|；

步骤F：p＝p+1，转到步骤3-3，直到p＝P_k ^H；

步骤G：k＝k+1，转到步骤3-2，直到k＝K。

4.根据权利要求1所述的一种状态感知的软件定义组网方法，其特征在于，步骤4所述的建立基于路径跳数的多源多汇最大流模型，方法为：

构建模型：

$\begin{array}{cc}max& \underset{k=1}{\overset{K}{\&Sigma;}}\underset{p\&Element;P_k}{\&Sigma;}{w}_{kp}\end{array}$

s.t.

$\begin{array}{cc}{w}_{kp}\&GreaterEqual;0& \&ForAll;k=1,2,...,K,\&ForAll;p\&Element;P_k\end{array}$

$\begin{array}{cc}\underset{p\&Element;P_k^H}{\&Sigma;}{U}_{kpe}{w}_{kp}\&le;\mathrm{\&alpha;}\&times;C_e& \&ForAll;k=1,2,...,K,\&ForAll;e\&Element;E\end{array}$

$\begin{array}{cc}\underset{k=1}{\overset{K}{\&Sigma;}}\underset{p\&Element;P_k^H}{\&Sigma;}{U}_{kpe}{w}_{kp}\&le;\mathrm{\&alpha;}\&times;C_e& \&ForAll;e\&Element;E\end{array}$

$\begin{array}{cc}\underset{p\&Element;P_k}{\&Sigma;}{w}_{kp}\&le;{\mathrm{\&Gamma;}}^k& \&ForAll;k=1,2,...,K\end{array}$

$\begin{array}{cc}\underset{p\&Element;P_k}{\&Sigma;}{w}_{kp}\&GreaterEqual;{\mathrm{\&beta;\&Gamma;}}^k& \&ForAll;k=1,2,...,K\end{array}$

$\begin{array}{cc}hop\left(p\right)\&le;H& \&ForAll;p\&Element;P_k,\&ForAll;k=1,2,...,K\end{array}$

其中，w_kp为路径上传输的流量；

Γ^k代表从第k个组合的源点S_k到汇点D_k的流量请求，k＝(1,2,...,K)；

hop(p)表示路径p的跳数，H为路径最大跳数。