深度解析SDN 共两部分

数据中心网络的流量导向应用 在网络中使用中间盒已成为基本需求，尤其是在数据中心网络中。 但是，设计支持和使用中间盒的网络并非易事。 幸运的是，软件定义网络（SDN）为此类实现提供了许多惊人的机会和替代方案，但也有其自身的挑战。 在此项目中，我们旨在利用SDN所提供的功能，以便为数据中心网络实现高级的流量控制应用程序（TSA）。 我们的实现针对特定类型的网络，称为折叠克洛斯网络（或胖树）。 Clos网络是由Charles Clos于1953年首次正式建立的多级交换网络，用于构建电信网络。 折叠克洛斯网络（或胖树）是克洛斯网络的一种特殊类型，其中这种网络的拓扑结构采用树的形状（级别数可能有所不同

5G技术----SDN与NFV技术-试题大全

所有的Floodlight-RestAPI，使用Floodlight进行开发的小伙伴肯定需要！

SDN学习笔记 https://www.icourse163.org/learn/WZU-1205809832#/learn/announce

SDN与边缘计算人工智能物联网网络通信云计算数据存储团队28页.pptx

比较全 slide形式

传统SDN架构中的单控制器在可靠性方面存在不足，因此基于多控制器的SDN控制层架构的研究逐渐得到重视。然而现有工作或面向多控制器的协作或面向控制器热备份等问题，较少考虑控制器及控制层与转发层间链路失效的场景下多控制器的部署问题。针对上述不足，提出一种基于拓扑划分的SDN多控制器部署方法。首先从拓扑分析入手，研究基于最小f-平衡边割的拓扑划分算法，确定控制器数量和部署区域；然后针对控制器与转发设备距离不平衡问题，提出基于带外连接和拓扑划分的控制器部署算法，为控制器切换提供支撑。校园网环境下的实验结果证明，该方法能够实现高可靠的SDN控制层面，在控制器切换时的收敛速度、控制指令下发的执行效率以及传输任务保障能力方面有较大优势。

波塞冬 软件定义的网络态势感知 波塞冬始于两个IQT Labs： 和。 该项目的目标是探索一种方法，以更好地识别给定（计算机）网络上的节点并了解它们在做什么。 该项目利用软件定义网络和机器学习来自动捕获网络流量，从流量中提取相关特征，通过经过训练的模型进行分类，传达结果，并提供采取进一步行动的机制。 尽管该项目最有效地利用了现代SDN，但它的部分内容仍可以与数据包捕获（pcap）文件一起使用。 目录 背景 波塞冬（Poseidon）项目最初是作为一项实验来测试，以测试利用SDN和机器学习技术检测异常网络行为的优点。 （请阅读下面链接的我们的，以了解其多年背景）。尽管这个长期目标仍然存在，但不幸的现实是，用于ML训练的丰富，标签化，公共和MODERN网络数据集的状态非常差。 我们的实验室正在努力提高网络训练集的可用性，但是在短期内，该项目仍将重点放在1）提高识别节点IS的准确性（基于捕获的IP标头数据）和2）将Poseidon开发为“利用”以容纳其他使用案例的机器学习技术。 （阅读：不只是我们的！） 先决条件 -Poseidon和相关组件在Docker之上运行，因此了解基础知识对于

SDN 全称为Self -Defending Network，自防御网络。SDN最早由思科提出，通过安全的网络架构、安全机制、以及相关技术实现网络攻击自动发现、自动防御、自动消除威胁的网络系统。 pyretic 实现