nfv網絡架構從本質上分為（nfv網絡架構演進分為三個階段）

今天給各位分享nfv網絡架構從本質上分為的知識，其中也會對nfv網絡架構演進分為三個階段進行解釋，如果能碰巧解決你現在面臨的問題，別忘了關注本站，現在開始吧！

本文目錄一覽：

• 1、移動網絡與聯通構造原理
• 2、一文看懂四種基本的神經網絡架構
• 3、SDN和NFV本質上是一個概念，都是關于網絡功能的虛擬化的描述。對還是錯
• 4、軟件定義網絡，網絡虛擬化和網絡功能虛擬化的區別
• 5、TCP/IP網絡架構
• 6、智能城域網采用哪些性能采集

移動網絡與聯通構造原理

移動網絡和聯通網絡構造原理都屬于移動通信網絡體系架構：網絡架構，該架構可分為三大模塊：網絡部署場景、接入網和核心網。

具體的構造原理和試驗如下：

3.1.1中國移動黑龍江公司網絡部署場景設計方案

1.室外借助分布式天線（distributedantennasystem，DAS）和大規模MIMO（multipleinputmulti-pleoutput）配備基站，天線元件分散放置在小區，且通過光纖與基站連接。移動事物（如終端）部署Mo-bileFemtocell，可以動態地改變其到運營商核心網絡的連接。同時，部署虛擬蜂窩作為宏蜂窩的補充，提升了室外覆蓋率。

2.室內用戶需要與安裝在室外建筑的大型天線陣列的室內AP進行通信，這樣就可以利用多種適用于短距離通信的技術實現高速率傳輸，比如60GHz毫米波通信，可以解決頻譜稀缺問題。

3.1.2 中國移動黑龍江公司接入網設計方案

5G通信網絡接入網部署中，采用新型的分布式基站進行組網把宏基站的部分載波通過標準的CPRI接口拉遠實現分布式組網，也就是將傳統基站的基帶處理部分（BBU）和射頻收發信機部分（RRU）設計成單獨的模塊。分布式基站不僅帶來快速、便捷的網絡部署，而且有利于大幅降低運營商建網的成本。由于無線頻譜資源的高價格、高頻通信技術的使用，使原有基站覆蓋密度越來越大，因此必須對無線接入側的網絡做相應的調整，才能保證5G網絡下的無線帶寬及物聯需求的應用。

CoP(CPRI over Packet)承載技術是承接5G通信網絡接入網中的研究和部署重點。為滿足業務需求和基站承載，需要建立一種新的承載技術架構來滿足云通信的需求，現通過以下幾點方案進行接入網部署：

在RRU增加的情況下使其滿足免機房需要，新的CoP FO 設備能跟RRU供址部署，建立成一個新的前傳網絡（Fronthanl）,通過CoP FO 設備將RRU進行匯聚傳給接入側的A設備。該方式針對現有IP RAN設備基本無需改動，只需要在原有的設備中插入帶有CRPI協議的新增板卡就可以工作。

對于Fronthanl接入側的保護機制有CPRI接口和ETH接口；網絡側保護機制可以采用線性“1+1”保護或環網Wrapping、Steering保護。

對于無線側RRU的接入點模塊FO是全室外模式，易部署、省機房，滿足于大網絡容量要求。

在組網類型上，優先選用環型拓撲結構，可以實現RRU任意的部署，實現接入設備A無源CWDM解決方案。

3.1.2 中國移動黑龍江公司核心網設計方案

1.現有核心網網元由傳統平臺向云平臺演進

（1）RCS在互聯網基地部署應用，IMS AS、CSCF/BGCF等網元進行技術試點；

（2）控制類網元（MME、PCRF）、數據類網元（HSS、HLR）、信令轉接網元（DRA）等正在研究設計階段，成熟后馬上推動現網引入；

（3）媒體轉發面網元（MGW/SBC）,根據SDN技術進行進行部署；

（4）2G、3G電路域相關網元正逐步融合、替換和退網，不再考慮運化升級。

構建以DC為中心的網絡云化平臺，部署基于云化架構的NFV（網絡功能虛擬化），引入跨DC部署與無狀態設計，并將傳統核心網業務搬遷至此云化平臺；

2.控制面網元功能重構

（1）業務處理節點：承接傳統核心網GW/SBC等媒體接入處理類網元的功能；

（2）融合控制接節點：承接傳統核心網MME/CSCF/HSS等管理控制類網元和HSS的等用戶數據類網元的功能；

（3）業務能力節點：承接傳統核心網應用服務AS/業務平臺類網元的功能層次，同時支持提供網絡能力開放和網絡拓撲設置功能。

3.引入C/U分離，并利用MEC技術構建分布式網絡，保障低時延業務應用。

4.引入SBA架構、網絡切片Slicing、接入無關技術Access Agnostic，為各式各樣差異化需求提供on demand服務，以支撐5G業務。

3.2 5G關鍵技術

3.2.1 CoP(CPRI over Packet)承載技術

CoP承載技術是集成前傳承載和后傳承載的中心樞紐模塊，采用的是高效裝載技術，其由于CRPI結構化和非結構化是的數據成幀靈活，便于整個網絡調節，采用光承載，繼承了原有波分承載的有點，也能進一步節省傳輸光纜。CPRI over Packet的NGFI承載方案，具體對比指標比較如下:

3.2.2 網絡功能虛擬化（net-workfunctionvirtualization，NFV）

NFV（網絡功能虛擬化）利用軟硬件解耦及功能抽象，以虛擬化技術降低昂貴的設備成本費，根據業務需求進行自動部署、彈性伸縮、故障隔離等步驟，讓運營商可通過此極速將承載各種網絡功能的通用硬件與云計算虛擬化技術相結合，實現網元虛擬化和虛擬網絡可編程，簡化網絡升級的步驟和降低購買新專用網絡硬件的成本，把網絡技術重點放到部署新的網絡軟件上。

3.2.3 基于OFDM優化的波形和多址接入

5G NR設計過程中最重要的一項決定，就是采用基于OFDM優化的波形和多址接入技術，因為OFDM 技術被當今的 4G LTE 和 Wi-Fi 系統廣泛采用，因其可擴展至大帶寬應用，而具有高頻譜效率和較低的數據復雜性，因此能夠很好地滿足 5G 要求。 OFDM 技術家族可實現多種增強功能，例如通過加窗或濾波增強頻率本地化、在不同用戶與服務間提高多路傳輸效率，以及創建單載波 OFDM 波形，實現高能效上行鏈路傳輸。

不過OFDM體系也需要創新改造，才能滿足5G的需求：

1. 通過子載波間隔擴展實現可擴展的OFDM參數配置；

2. 通過OFDM加窗提高多路傳輸效率。

3.2.4 靈活的框架設計

5G NR靈活的框架設計：

1. 可擴展的時間間隔（Scalable Transmission Time Interval (TTI)）

相比當前的 4G LTE網絡，5G NR將使時延降低一個數量級。目前LTE網絡中，TTI（時間間隔）固定在1 ms（毫秒）。為此，3GPP在4G演進的過程中提出一個降低時延的項目。盡管技術細節還不得而知，但這一項目的規劃目標就是要將一次傅里葉變換的時延降低為目前的1/8（即從1.14ms降低至143μs（微秒）。

2. 自包含集成子幀（Self-contained integrated subframe）

自包含集成子幀是另一項關鍵技術，對降低時延、向前兼容和其他一系列5G特性意義重大。通過把數據的傳輸（transmission）和確認（acknowledgement）包含在一個子幀內，時延可顯著降低。

3. 先進的新型無線技術（Advanced wireless technologies）

5G必然是在充分利用現有技術的基礎之上，充分創新才能實現的，而4G LTE正是目前最先進的移動網絡平臺，5G在演進的同時，LTE本身也還在不斷進化（比如最近實現的千兆級4G+），5G不可避免地要利用目前用在4G LTE上的先進技術，如載波聚合，MIMO技術，非共享頻譜的利用等等。

大規模MIMO：

MIMO（Multiple-Input Multiple-Output）技術是目前無線通信領域的一個重要創新研究項目，通過智能使用多根天線（設備端或基站端），發射或接受更多的信號空間流，能顯著提高信道容量；而通過智能波束成型，將射頻的能量集中在一個方向上，可以提高信號的覆蓋范圍。

毫米波：

全新 5G 技術正首次將頻率大于 24 GHz 以上頻段（通常稱為毫米波）應用于移動寬帶通信。大量可用的高頻段頻譜可提供極致數據傳輸速度和容量，這將重塑移動體驗。但毫米波的利用并非易事，使用毫米波頻段傳輸更容易造成路徑受阻與損耗（信號衍射能力有限）。通常情況下，毫米波頻段傳輸的信號甚至無法穿透墻體，此外，它還面臨著波形和能量消耗等問題。

一文看懂四種基本的神經網絡架構

原文鏈接：

更多干貨就在我的個人博客 歡迎關注

剛剛入門神經網絡，往往會對眾多的神經網絡架構感到困惑，神經網絡看起來復雜多樣，但是這么多架構無非也就是三類，前饋神經網絡，循環網絡，對稱連接網絡，本文將介紹四種常見的神經網絡，分別是CNN，RNN，DBN，GAN。通過這四種基本的神經網絡架構，我們來對神經網絡進行一定的了解。

神經網絡是機器學習中的一種模型，是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。

一般來說，神經網絡的架構可以分為三類：

前饋神經網絡：

這是實際應用中最常見的神經網絡類型。第一層是輸入，最后一層是輸出。如果有多個隱藏層，我們稱之為“深度”神經網絡。他們計算出一系列改變樣本相似性的變換。各層神經元的活動是前一層活動的非線性函數。

循環網絡：

循環網絡在他們的連接圖中定向了循環，這意味著你可以按照箭頭回到你開始的地方。他們可以有復雜的動態，使其很難訓練。他們更具有生物真實性。

循環網絡的目的使用來處理序列數據。在傳統的神經網絡模型中，是從輸入層到隱含層再到輸出層，層與層之間是全連接的，每層之間的節點是無連接的。但是這種普通的神經網絡對于很多問題卻無能無力。例如，你要預測句子的下一個單詞是什么，一般需要用到前面的單詞，因為一個句子中前后單詞并不是獨立的。

循環神經網路，即一個序列當前的輸出與前面的輸出也有關。具體的表現形式為網絡會對前面的信息進行記憶并應用于當前輸出的計算中，即隱藏層之間的節點不再無連接而是有連接的，并且隱藏層的輸入不僅包括輸入層的輸出還包括上一時刻隱藏層的輸出。

對稱連接網絡：

對稱連接網絡有點像循環網絡，但是單元之間的連接是對稱的（它們在兩個方向上權重相同）。比起循環網絡，對稱連接網絡更容易分析。這個網絡中有更多的限制，因為它們遵守能量函數定律。沒有隱藏單元的對稱連接網絡被稱為“Hopfield 網絡”。有隱藏單元的對稱連接的網絡被稱為玻爾茲曼機。

其實之前的帖子講過一些關于感知機的內容，這里再復述一下。

首先還是這張圖

這是一個M-P神經元

一個神經元有n個輸入，每一個輸入對應一個權值w，神經元內會對輸入與權重做乘法后求和，求和的結果與偏置做差，最終將結果放入激活函數中，由激活函數給出最后的輸出，輸出往往是二進制的，0 狀態代表抑制，1 狀態代表激活。

可以把感知機看作是 n 維實例空間中的超平面決策面，對于超平面一側的樣本，感知器輸出 1，對于另一側的實例輸出 0，這個決策超平面方程是 w?x=0。 那些可以被某一個超平面分割的正反樣例集合稱為線性可分(linearly separable)樣例集合，它們就可以使用圖中的感知機表示。

與、或、非問題都是線性可分的問題，使用一個有兩輸入的感知機能容易地表示，而異或并不是一個線性可分的問題，所以使用單層感知機是不行的，這時候就要使用多層感知機來解決疑惑問題了。

如果我們要訓練一個感知機，應該怎么辦呢？

我們會從隨機的權值開始，反復地應用這個感知機到每個訓練樣例，只要它誤分類樣例就修改感知機的權值。重復這個過程，直到感知機正確分類所有的樣例。每一步根據感知機訓練法則來修改權值，也就是修改與輸入 xi 對應的權 wi，法則如下：

這里 t 是當前訓練樣例的目標輸出，o 是感知機的輸出，η 是一個正的常數稱為學習速率。學習速率的作用是緩和每一步調整權的程度，它通常被設為一個小的數值（例如 0.1），而且有時會使其隨著權調整次數的增加而衰減。

多層感知機，或者說是多層神經網絡無非就是在輸入層與輸出層之間加了多個隱藏層而已，后續的CNN，DBN等神經網絡只不過是將重新設計了每一層的類型。感知機可以說是神經網絡的基礎，后續更為復雜的神經網絡都離不開最簡單的感知機的模型，

談到機器學習，我們往往還會跟上一個詞語，叫做模式識別，但是真實環境中的模式識別往往會出現各種問題。比如：

圖像分割：真實場景中總是摻雜著其它物體。很難判斷哪些部分屬于同一個對象。對象的某些部分可以隱藏在其他對象的后面。

物體光照：像素的強度被光照強烈影響。

圖像變形：物體可以以各種非仿射方式變形。例如，手寫也可以有一個大的圓圈或只是一個尖頭。

情景支持：物體所屬類別通常由它們的使用方式來定義。例如，椅子是為了讓人們坐在上面而設計的，因此它們具有各種各樣的物理形狀。

卷積神經網絡與普通神經網絡的區別在于，卷積神經網絡包含了一個由卷積層和子采樣層構成的特征抽取器。在卷積神經網絡的卷積層中，一個神經元只與部分鄰層神經元連接。在CNN的一個卷積層中，通常包含若干個特征平面(featureMap)，每個特征平面由一些矩形排列的的神經元組成，同一特征平面的神經元共享權值，這里共享的權值就是卷積核。卷積核一般以隨機小數矩陣的形式初始化，在網絡的訓練過程中卷積核將學習得到合理的權值。共享權值（卷積核）帶來的直接好處是減少網絡各層之間的連接，同時又降低了過擬合的風險。子采樣也叫做池化（pooling），通常有均值子采樣（mean pooling）和最大值子采樣（max pooling）兩種形式。子采樣可以看作一種特殊的卷積過程。卷積和子采樣大大簡化了模型復雜度，減少了模型的參數。

卷積神經網絡由三部分構成。第一部分是輸入層。第二部分由n個卷積層和池化層的組合組成。第三部分由一個全連結的多層感知機分類器構成。

這里舉AlexNet為例：

·輸入：224×224大小的圖片，3通道

·第一層卷積：11×11大小的卷積核96個，每個GPU上48個。

·第一層max-pooling：2×2的核。

·第二層卷積：5×5卷積核256個，每個GPU上128個。

·第二層max-pooling：2×2的核。

·第三層卷積：與上一層是全連接，3*3的卷積核384個。分到兩個GPU上個192個。

·第四層卷積：3×3的卷積核384個，兩個GPU各192個。該層與上一層連接沒有經過pooling層。

·第五層卷積：3×3的卷積核256個，兩個GPU上個128個。

·第五層max-pooling：2×2的核。

·第一層全連接：4096維，將第五層max-pooling的輸出連接成為一個一維向量，作為該層的輸入。

·第二層全連接：4096維

·Softmax層：輸出為1000，輸出的每一維都是圖片屬于該類別的概率。

卷積神經網絡在模式識別領域有著重要應用，當然這里只是對卷積神經網絡做了最簡單的講解，卷積神經網絡中仍然有很多知識，比如局部感受野，權值共享，多卷積核等內容，后續有機會再進行講解。

傳統的神經網絡對于很多問題難以處理，比如你要預測句子的下一個單詞是什么，一般需要用到前面的單詞，因為一個句子中前后單詞并不是獨立的。RNN之所以稱為循環神經網路，即一個序列當前的輸出與前面的輸出也有關。具體的表現形式為網絡會對前面的信息進行記憶并應用于當前輸出的計算中，即隱藏層之間的節點不再無連接而是有連接的，并且隱藏層的輸入不僅包括輸入層的輸出還包括上一時刻隱藏層的輸出。理論上，RNN能夠對任何長度的序列數據進行處理。

這是一個簡單的RNN的結構，可以看到隱藏層自己是可以跟自己進行連接的。

那么RNN為什么隱藏層能夠看到上一刻的隱藏層的輸出呢，其實我們把這個網絡展開來開就很清晰了。

從上面的公式我們可以看出，循環層和全連接層的區別就是循環層多了一個權重矩陣 W。

如果反復把式2帶入到式1，我們將得到：

在講DBN之前，我們需要對DBN的基本組成單位有一定的了解，那就是RBM，受限玻爾茲曼機。

首先什么是玻爾茲曼機？

[圖片上傳失敗...(image-d36b31-1519636788074)]

如圖所示為一個玻爾茲曼機，其藍色節點為隱層，白色節點為輸入層。

玻爾茲曼機和遞歸神經網絡相比，區別體現在以下幾點：

1、遞歸神經網絡本質是學習一個函數，因此有輸入和輸出層的概念，而玻爾茲曼機的用處在于學習一組數據的“內在表示”，因此其沒有輸出層的概念。

2、遞歸神經網絡各節點鏈接為有向環，而玻爾茲曼機各節點連接成無向完全圖。

而受限玻爾茲曼機是什么呢？

最簡單的來說就是加入了限制，這個限制就是將完全圖變成了二分圖。即由一個顯層和一個隱層構成，顯層與隱層的神經元之間為雙向全連接。

h表示隱藏層，v表示顯層

在RBM中，任意兩個相連的神經元之間有一個權值w表示其連接強度，每個神經元自身有一個偏置系數b（對顯層神經元）和c（對隱層神經元）來表示其自身權重。

具體的公式推導在這里就不展示了

DBN是一個概率生成模型，與傳統的判別模型的神經網絡相對，生成模型是建立一個觀察數據和標簽之間的聯合分布，對P(Observation|Label)和 P(Label|Observation)都做了評估，而判別模型僅僅而已評估了后者，也就是P(Label|Observation)。

DBN由多個限制玻爾茲曼機（Restricted Boltzmann Machines）層組成，一個典型的神經網絡類型如圖所示。這些網絡被“限制”為一個可視層和一個隱層，層間存在連接，但層內的單元間不存在連接。隱層單元被訓練去捕捉在可視層表現出來的高階數據的相關性。

生成對抗網絡其實在之前的帖子中做過講解，這里在說明一下。

生成對抗網絡的目標在于生成，我們傳統的網絡結構往往都是判別模型，即判斷一個樣本的真實性。而生成模型能夠根據所提供的樣本生成類似的新樣本，注意這些樣本是由計算機學習而來的。

GAN一般由兩個網絡組成，生成模型網絡，判別模型網絡。

生成模型 G 捕捉樣本數據的分布，用服從某一分布（均勻分布，高斯分布等）的噪聲 z 生成一個類似真實訓練數據的樣本，追求效果是越像真實樣本越好；判別模型 D 是一個二分類器，估計一個樣本來自于訓練數據（而非生成數據）的概率，如果樣本來自于真實的訓練數據，D 輸出大概率，否則，D 輸出小概率。

舉個例子：生成網絡 G 好比*** 制造團伙，專門制造*** ，判別網絡 D 好比警察，專門檢測使用的貨幣是真幣還是*** ，G 的目標是想方設法生成和真幣一樣的貨幣，使得 D 判別不出來，D 的目標是想方設法檢測出來 G 生成的*** 。

傳統的判別網絡：

生成對抗網絡：

下面展示一個cDCGAN的例子（前面帖子中寫過的）

生成網絡

判別網絡

最終結果，使用MNIST作為初始樣本，通過學習后生成的數字，可以看到學習的效果還是不錯的。

本文非常簡單的介紹了四種神經網絡的架構，CNN，RNN，DBN，GAN。當然也僅僅是簡單的介紹，并沒有深層次講解其內涵。這四種神經網絡的架構十分常見，應用也十分廣泛。當然關于神經網絡的知識，不可能幾篇帖子就講解完，這里知識講解一些基礎知識，幫助大家快速入（zhuang）門（bi）。后面的帖子將對深度自動編碼器，Hopfield 網絡長短期記憶網絡（LSTM）進行講解。

SDN和NFV本質上是一個概念，都是關于網絡功能的虛擬化的描述。對還是錯

SDN抽象地說就是讓管理員從功能的角度來管理整個網絡。NFV是網絡功能虛擬化的英文縮寫，它與SDN有著直接的關系但SDN與NFV兩者之間并不互相依賴。NFV與傳統的服務器虛擬化技術類似但關注的點是網絡服務。

軟件定義網絡，網絡虛擬化和網絡功能虛擬化的區別

網絡團隊經常要處理鋪天蓋地的配置請求，這些配置請求可能需要數天或數周來處理，所幸的是，現在有幾種方法可以幫助企業提高網絡靈活性，主要包括網絡虛擬化[注](NV)、網絡功能虛擬化[注](NFV[注])和軟件定義網絡[注](SDN[注])。

這三種方法可能聽起來有些混淆，但其實每種方法都是在試圖解決網絡移動性這個宏觀問題的不同子集問題。在這篇文章中，我們將探討NV、NFV和SDN的區別以及每種方法如何幫助我們實現可編程網絡。

網絡虛擬化

企業網絡管理員很難滿足不斷變化的網絡需求。企業需要一種方法來自動化網絡，以提高IT對變化的響應率。在這個用例中，我們通常試圖解決一個問題：如何跨不同邏輯域移動虛擬機？網絡虛擬化其實是通過在流量層面邏輯地劃分網絡，以在現有網絡中創建邏輯網段，這類似于硬盤驅動器的分區。

網絡虛擬化是一種覆蓋;也是一個隧道。NV并不是物理地連接網絡中的兩個域，NV是通過現有網絡創建一個隧道來連接兩個域。NV很有價值，因為管理員不再需要物理地連接每個新的域連接，特別是對于創建的虛擬機。這一點很有用，因為管理員不需要改變他們已經實現的工作。他們得到了一種新方式來虛擬化其基礎設施，以及對現有基礎設施進行更改。

NV在高性能x86平臺上運行。這里的目標是讓企業能夠獨立于現有基礎設施來移動虛擬機，而不需要重新配置網絡。Nicira(現在屬于VMware)是銷售NV設備的供應商。NV適合于所有使用虛擬機技術的企業。

網絡功能虛擬化

NV提供了創建網絡隧道的功能，并采用每個流服務的思維，下一個步驟是將服務放在隧道中。NFV主要虛擬化4-7層網絡功能，例如防火墻或IDPS，甚至還包括負載均衡(應用交付控制器)。

如果管理員可以通過簡單的點擊來設置虛擬機，為什么他們不能以相同的方式打開防火墻或IDS/IPS呢?這正是NFV可以實現的功能。NFV使用針對不同網絡組件的最佳做法作為基礎措施和配置。如果你有一個特定的隧道，你可以添加防火墻或IDS/IPS到這個隧道。這方面很受歡迎的是來自PLUMgrid或Embrane等公司的防火墻或IDS/IPS。

NFV在高性能x86平臺上運行，它允許用戶在網絡中選定的隧道上開啟功能。這里的目標是，讓人們為虛擬機或流量創建服務配置文件，并利用x86來在網絡上構建抽象層，然后在這個特定邏輯環境中構建虛擬服務。在部署后，NFV能夠在配置和培訓方面節省大量數據。

NFV還減少了過度配置的需要：客戶不需要購買大型防火墻或IDSIPS產品來處理整個網絡，客戶可以為有需要的特定隧道購買功能。這樣可以減少初始資本支出，但其實運營收益才是真正的優勢。NFV可以被看作是相當于Vmware，幾臺服務器運行很多虛擬服務器，通過點擊配置系統。

客戶了解NV和NFV之間的區別，但他們可能不希望從兩家不同的供應商來獲得它們。這也是為什么Vmware現在在VmwareNSX提供NV和NFV安全功能的原因。

軟件定義網絡

SDN利用“罐裝”流程來配置網絡。例如，當用戶想要創建tap時，他們能夠對網絡進行編程，而不是使用設備來構建網絡tap。

SDN通過從數據平面(發送數據包到特定目的地)分離控制平面(告訴網絡什么去到哪里)使網絡具有可編程性。它依賴于交換機來完成這一工作，該交換機可以利用行業標準控制協議(例如OpenFlow)通過SDN控制器來編程。

NV和NFV添加虛擬通道和功能到物理網絡，而SDN則改變物理網絡，這確實是配置和管理網絡的新的外部驅動手段。SDN的用例可能涉及將大流量從1G端口轉移到10G端口，或者聚合大量小流量到一個1G端口。SDN被部署在網絡交換機上，而不是x86服務器。BigSwitch和Pica8都有SDN相關的產品。

所有這三種類型的技術都旨在解決移動性和靈活性。我們需要找到一種方式來編程網絡，而現在有不同的方法可以實現：NV、NFV和SDN。

NV和NFV可以在現有的網絡中運作，因為它們在服務器運行，并與發送到它們的流量進行交互;而SDN則需要一種新的網絡架構，從而分離數據平面和控制平面。

TCP/IP網絡架構

??TCP/IP網絡架構也稱為TCP/IP（Transmission Control Protocol/InternetProtocol，傳輸控制協議／網際協議）參考模型。

??它是目前全球互聯網工作的基礎，該架構將網絡功能從上至下劃分為：

??TCP/IP網絡架構采用自頂而下的分層結構，每一層都需要下一層所提供的服務來滿足自己的需求，本層協議生成的數據封裝在下一層協議的數據中進行傳輸，因此各層間的協議有依賴關系。

??即最高層，提供面向用戶的網絡服務，負責應用程序之間的溝通，主要協議有簡單郵件傳輸協議（SMTP）、文件傳輸協議（FTP）、超文本傳輸協議（HTTP）、域名系統（DNS）、網絡遠程訪問協議（Telnet）等。

??Socket支持多個應用程序間基本的消息傳遞功能，通過遵循應用層上的某一種或幾種協議的規范，使應用程序完成用戶需要的相應功能，這是本書網絡應用程序開發的目的。

??位于第3層，完成多臺主機間的通信，提供節點間的數據傳送及應用程序間的通信服務，也稱為“端到端”通信，通過在通信的實體間建立一條邏輯鏈路，屏蔽了IP層的路由選擇和物理網絡細節。

??傳輸層的功能主要是數據格式化、數據確認及丟失重傳等。該層協議有傳輸控制協議（TCP）和用戶數據報協議（UDP），提供不同的通信質量和需求的服務。

??位于第2層，也稱為網絡互聯層或Internet層，由于該層最重要的協議是IP協議，所以也稱為IP層。該層負責提供基本的數據封包傳送功能，在它上面傳輸的數據單元叫IP數據報，或IP分組。

??網際層讓每個IP數據報都能夠到達目的主機，但是它不檢查數據報是否被正確接收。

??網絡層的本質是使用IP將各種不同的物理網絡互聯，組成一個傳輸IP數據報的虛擬網絡，實現不同網絡的互聯功能，該層協議除了IP協議外，還有Internet控制報文協議（ICMP）和Internet組管理協議（IGMP）。

??該層位于協議架構的最底層，負責接收IP數據報并發送到其下的物理網絡，或從網絡上接收物理幀，抽取IP數據報轉交給網際層。這里的物理網絡指各種實際傳輸數據的局域網或廣域網。

智能城域網采用哪些性能采集

近年來，云計算、物聯網、人工智能等技術的蓬勃發展，全社會面向數字化的轉型步伐不斷加快，企業上云已成為必然趨勢。電信運營商需要為眾多企業和個人提供高效的上云連接能力。

同時運營商白身網絡也面臨著云化轉型和重構的挑戰。以數據中心為核心，基于軟件定義網絡(sofW are defined network, SDN)、網絡功能虛擬化(neW ork function virtualization, NFV)的云化網絡是通信網絡演進的基本方向，未來的網絡演進中，云與網的緊密性不斷增強，不斷深度融合。

1. 目前存在的問題

在云服務時代，運營商一方面要經營傳統的語音、短信、專線等連接型業務，一方面要繼續提供海量帶寬去供給應用，此外還有新增的面向工業互聯網、車聯網等低時延或確定性時延的業務以及面向VR C virtual reality，虛擬現實)/ARC augmented reality，增強現實)、云游戲等需要大量算力的圖像渲染業務。但是，目前運營商的城域網架構與這些業務的提供能力并不適應。

城域網結構復雜，

目前，運營商習慣一類業務假設一張承載網，已經建成由分組傳送網（PTN）與無線接入網IP化（IPRAN）網元組成的移動承載網。由光線路終端（OLT）和寬帶接入服務器（BRAS）組成的固網承載網。和dialup專線承載網和通信云數據中心網絡（DC）等，各網絡運行和管理相對獨立，存在較大差異。

而業務快速開通是云網協同的重要特征，這在當前結構復雜的環境下難以實現。

網絡建設和擴容成本過高

由于每張網都是端到端建設，網絡設備之問存在著大量的背靠背連接，對需要多張網協同的業務，連接成本明顯增加，而且還存在著接入層與核心匯聚層之問不同廠商設備解禍的難題，這種情況導致網絡升級擴容會帶來更多的成本提升。

網絡缺乏智能性

在端到端的業務面前，通信云DC越來越成為業務的中心，但是多張網絡的協同管理和控制一直沒解決好，如果采用分區分域建設管控系統的話，又會增加控制架構的層級，降低控制的效率。

綜上，建設一張能夠提供云服務、滿足云網融合要求的、高

效、低成本的智能城域網，已成為運營商面前的迫切任務。

2.智能城域網架構

從運營商網絡面臨的實際問題和未來云化業務的承載需求出發，這里采用國際通用標準(CSR和EVPN)，按照城域網范圍內全業務統一承載的要求，業務層面通過控制器實現端到端拉通，并且采用與OTT C over the top)相同的網絡架構和盒式設備模塊化方式組網，以lOGE/100GE標準以太網接口為基本接口單元，提出了一種新型的智能城域網架構，如圖所示

?

3.智能城域網特點

該架構的主要特點：

（1）簡潔架構

借鑒通訊云DC的架構特點，以DC為核心，將城域網進行重構，在網絡的核心匯聚層優先使用交換機組網，既提高了轉發容量，又降低了轉發協議要求，且多廠商之問的管理互通與解禍性良好，隨著城域網業務的不斷豐富，只需通過增加葉了(leaf)節點即可接入新的邊緣網元，城域核心匯聚層只做橫向擴展，結構長期保持穩定。

（2）融合承載

當前網絡僅通過不同的接入層網元，即可實現對家庭寬帶、SG移動承載、通信云等業務的綜合承載，不需面向每一種業務端到端垂直建網，同時有效降低時延。

（3）自動高效

通過引入SR和EVPN業務，網絡天然具備基于SDN的白動化和可編程能力，并且通過統一的業務編排系統打通通信云內外，可實現快速的業務開通和差異化的服務保障。在有低時延、廣泛連接等業務需求。

（4）網絡和業務分離

通過在城域引入數據中心架構，構建通信云資源池承載各專業虛擬化網元，將網絡和業務能力分離，網絡通過SDN集中控制實現連接和承載，業務基于NFV方式的云化網元完成，保證業務的快速開發和靈活性。

綜上所述，智能城域網本質上是采用以DC為中心、云網一體的思想，利用SR+EVPN等新型路由協議技術，重構城域網絡。面向云化網元和用戶的綜合承載，采用“核心+邊緣”轉發架構與融合的核心設備，實現架構的統一，采用多種邊緣設備，實現SG、家庭寬帶、大客戶、通信云網元的承載。構建智能城域網的目標是建設一張以通信云DC為中心的扁平化、統一承載的城域網網絡。

4. 組網模型

針對新型城域網，按照運營商本地網的規模大小，分為3類：

（1）小型城域網

通信云DC雙局址設置，DC局房距離一般小于50 kmo智能城域網一對核心設備分局址設置，通信云DC內邊緣網絡設備下掛多個服務器，有效節省局問光纖資源，核心設備兼做邊界出口網絡設各。

（2）中等規模的城域網，

通信云DC雙局址設置，實現分區域“覆蓋+負載”分擔;每局址設置成對智能城域網核心設備，核心設備兼做邊界出口網絡設備，即每個通信云DC擴展了一對核心設各。

（3）大型規模城域網，

通信云DC多局址規劃，并設置兩級核心設備，即每局址設置單臺智能城域網核心設備，同時設置一對一級核心設備用于轉發通信云DC問流量。每局址普通核心設備兼做邊界出口網絡設備，為減少局問傳輸資源需求以及規避DC局單點故障,DC外邊緣設備就近雙歸至兩個通信云DC的核心設各上。?

5. 組網業務模式

考慮到智能城域網多業務承載特性，基于智能城域網架構，設計了針對城域內SG回傳、家庭寬帶、專線和通信云4種主要業務的承載方案。

（1）5G回傳業務

對于5G回傳業務，智能城域網主要是將基站

流量接入SGC的用戶面功能(user plane funcrion,UPF)等核心網網元。在SG基站側，由基站接入設各接入城域網邊緣設備。

（2）家庭寬帶業務

對于家庭寬帶業務，智能城域網使用SR，接入邊緣設備至通信云邊緣設備采用SR轉發互聯網業務，在智能城域網內部，使用EVPN承載。

（3）專線業務

對于專線業務，在城域網內，二層點到點專線業務使用EVPN VPN承載，EVPN路由使用BGP EVPN地址族傳遞，邊緣匯聚設備及vRR作為路由反射器反射BGP EVPN路由。

（4）通訊云業務

對于通信云業務，通信云spine與智能城域網核心設各合設，通過邊緣設各接入通信云資源池，這里又根據邊緣設備是否支持SR/EVPN協議分成兩種情況。

a）如果邊緣設備不支持SR/EVPN，那么邊緣設備不起三層網關，僅做二層連接，通信云資源池網關設置為智能城域網核心設備的選播網關(anycast GW，邊緣設備通過MC-LAG技術提供服務器跨機箱鏈路聚合。

b）如果邊緣設備可以支持SR/EVPN，邊緣設備采用SR/EVPN，實現端到端的SR/EVPN業務承載。?

6. 結語

隨著5G時代的到來，云/網融合業務將會快普及，面向云服務的網絡重構已經迫在眉睫。通過引入支持云網深度融合的智能城域網，可以有效解決目前城域網絡的問題，并對未來網絡更好地提供低時延、高可靠、強算力等新型業務打下了良好的基礎。未來，隨著5G SA的發展和基于IPv6的分段路由(SRv6）等技術的進一步應用，網絡將繼續朝著協議簡化、功能增強、靈活控制、邊界擴展的方向發展，智能城域網將為支持運營商業務的升級演進起到重要的作用。

關于nfv網絡架構從本質上分為和nfv網絡架構演進分為三個階段的介紹到此就結束了，不知道你從中找到你需要的信息了嗎 ？如果你還想了解更多這方面的信息，記得收藏關注本站。