综述：软件定义网络中机器学习与人工智能技术融合的综述

《Neural Networks》：A Survey of the Integration between Machine Learning and Artificial Intelligence Techniques in Software-Defined Networking

　　阿里尔·卢科夫斯基|格热戈日·帕皮尔|罗伯特·沃伊奇克|耶日·多姆扎尔•对软件定义网络中人工智能整合的全面综述。•对2015年至2025年间发表的400多项SDN-AI研究的系统分类。•建立将人工智能技术与SDN应用领域相连接的映射框架。•识别智能网络中的研究趋势及现有挑战。•探讨SDN向更自主的6G系统发展的未来方向。引言近年来，电信网络技术发展迅速。这一变革源于对日益增长的带宽、移动性以及服务自动化需求的满足需求。现代网络的复杂性、规模和动态性不断提升，主要得益于物联网、5G网络、卫星系统以及资源虚拟化和基于云的服务的发展。因此，传统的网络管理方法变得越来越困难且成本高昂。这就需要新的网络设计和管理理念，以确保网络的灵活性、可扩展性以及流程的智能自动化。为应对这些挑战，软件定义网络作为一种灵活且可编程的架构应运而生。SDN是一种用于设计和管理计算机网络的现代理念，其核心原则是将控制平面与数据平面逻辑上分开。通过采用带有集中式控制器（能够提供网络状态全局视图的软件）的SDN架构，大大降低了传统分布式网络管理所带来的复杂性和难度（Kreutz, Ramos, Verissimo, Rothenberg, Azodolmolky, Uhlig, 2015, Nunes, Mendonca, Nguyen, Obraczka, Turletti, 2014）。现代SDN理念源自对OpenFlow和可编程网络控制的研究，这类技术为远程配置网络设备中的转发行为提供了标准化接口（McKeown et al., 2008）。在开放网络基金会等机构的推动下，该技术逐步实现标准化并得到产业界应用，从而为可扩展且可编程的网络基础设施奠定了基础（开放网络基金会，2012）。在相关文献中，关于SDN架构存在多种定义。其中一种被广泛接受的定义认为，SDN架构由四个基本要素构成（Espinel Sarmiento, Lebre, Nussbaum, Chari, 2021, Kreutz, Ramos, Verissimo, Rothenberg, Azodolmolky, Uhlig, 2015, Nunes, Mendonca, Nguyen, Obraczka, Turletti, 2014）：1. 控制平面与数据平面的分离——控制器负责决策逻辑，而其他网络设备则充当简单的数据包转发器。2. 基于流的转发——流量管理在流层面而非单个数据包层面进行，从而实现更精细的控制和优化。3. 集中式控制逻辑——控制器拥有网络的全局视图，便于管理和策略优化。4. 通过软件实现网络可编程性——标准化的API（北向和南向）使得外部应用程序能够动态修改网络行为。SDN结构可表现为三层架构（Espinel Sarmiento, Lebre, Nussbaum, Chari, 2021, Kreutz, Ramos, Verissimo, Rothenberg, Azodolmolky, Uhlig, 2015）：•数据平面——根据控制器设定的规则转发数据包的网络设备（交换机、路由器）。•控制平面——负责管理流量及整体网络行为的控制器软件（如ONOS、OpenDaylight）。•应用平面——利用北向API来实现业务逻辑和管理功能的应用程序。控制器与数据平面之间的通信通过南向API实现，该接口通常采用OpenFlow协议；不过在实际应用中，NETCONF、gNMI或P4Runtime等替代方案也越来越多地被使用（Zheng et al., 2024）。图1展示了SDN的上述分层结构，阐明了应用平面、控制平面和数据平面之间的关系。通过集中网络控制并提供可编程接口，SDN降低了配置难度，使网络能够动态适应应用和用户需求，还能实现全局流量监控以检测异常，并通过灵活的带宽分配提升资源利用率（Kreutz, Ramos, Verissimo, Rothenberg, Azodolmolky, Uhlig, 2015, Nunes, Mendonca, Nguyen, Obraczka, Turletti, 2014）。此外，随着SDN的发展，它还成为了网络功能虚拟化、云计算/雾计算/边缘计算以及5G及后续技术等其他理念的基础。多项研究表明，SDN是现代网络基础设施的关键组成部分，涵盖运营商网络、数据中心、物联网系统以及5G/6G生态系统（Babayigit, Ulu, & Abubaker, Lee, Solat, Kim, Poor, 2024）。与SDN理念同步发展的还有机器学习和技术，在计算机网络领域的重要性日益凸显。它们擅长分析大量数据并识别模式，这正好符合网络流量分析在分类、负载预测和威胁检测等方面的需求（Boutaba, Salahuddin, Limam, Ayoubi, Shahriar, Estrada-Solano, Caicedo, 2018, Mestres, Rodriguez-Natal, Carner, Barlet-Ros, Alarcón, Solé, Muntés-Mulero, Meyer, Barkai, Hibbett, Estrada, Ma’ruf, Coras, Ermagan, Latapie, Cassar, Evans, Maino, Walrand, Cabellos, 2017）。SDN架构能够在控制机制之上或之外再添加一层智能网络管理功能（开放网络基金会，2012）。本文所阐述的SDN概念是基于开放网络基金会的观点，即作为一种基于应用平面、控制平面和数据平面分离的可编程架构；而认知元素则被视为叠加在该架构之上的智能管理层，相关研究旨在构建更加自主和自组织的网络（Mestres et al., 2017）。这一管理层能够借助遥测数据、上下文知识、模型以及控制策略，形成包含观察、分析、推理和行动的闭环，从而让网络行为能够根据运营商目标、环境条件以及用户需求进行动态调整（Arzo, Naiga, Granelli, Bassoli, Devetsikiotis, & Fitzek, Imran, Ghaffar, Alshahrani, Fayaz, Alghamdi, & Gwak）。在ETSI框架中，此类架构被称为认知网络管理，其特点是基于策略和模型驱动；它能从运营经验中学习，为运营商和自动化系统提供决策支持，还可生成建议和管理指令（ETSI，2026）。因此，本文中所使用的“认知架构”一词并非指SDN本身的新定义，而是指在SDN基础上增加的智能闭环管理层面，这一概念既符合开放网络基金会的架构理念，也与相关研究中提出的人工智能驱动网络的发展方向一致（Mestres et al., 2017）。除了传统的监督学习和无监督学习方法外，强化学习和联邦学习在SDN-AI研究中也发挥着越来越重要的作用。强化学习在序列控制问题、动态优化以及适应性决策方面具有独特优势，而联邦学习则在分布式、多领域以及注重隐私的环境中尤为重要，尤其是在边缘计算、物联网以及5G/6G网络中。尽管这些方法并非本文采用的分类体系的核心内容，但它们仍被视为SDN-AI集成未来发展的重要方向（Lee, Solat, Kim, Poor, 2024, Lim, Luong, Hoang, Jiao, Liang, Yang, Niyato, Miao, 2020, Luong, Hoang, Gong, Niyato, Wang, Liang, & Kim）。尽管关于SDN的综述文章数量不断增加，但现有研究往往只聚焦于这项技术的某些特定方面，如SDN架构、安全性、网络自动化、物联网、联邦学习，或是机器学习的特定应用。因此，仍需一个统一的视角，将不同网络领域、SDN应用场景以及基本的机器学习理念纳入统一的分类框架之中。本文正是为填补这一空白而撰写的，通过对SDN-AI集成进行跨领域分析，并借助分类体系梳理出机器学习技术、网络领域与SDN应用场景之间的关联。本文旨在对目前关于SDN与人工智能在各类网络领域整合的研究成果进行全面梳理和系统分类，研究领域包括物联网、边缘计算、云计算环境以及移动网络。虽然强化学习和联邦学习在构建智能自主网络的过程中日益重要，但在本综述中它们仍被视为新兴发展方向。由于监督学习、无监督学习以及混合方法在所分析的研究中形成了最为连贯且易于比较的文献体系，因此本文的分析范围有意限定在这三类方法上。这样的处理方式不仅能确保不同SDN领域中的方法得到清晰一致的分类，还能深入分析那些为更先进的方法论奠定基础的技术。相应地，本文也会简要介绍强化学习和联邦学习，指出它们作为未来重要研究方向的潜力。本文不仅旨在总结当前的技术发展现状，还要明确现有研究的主要趋势、存在的不足以及未来在基于机器学习理念的软件定义网络发展方面的方向。本文的撰写遵循了综述类研究常用的文献回顾方法，整个研究过程分为三个主要阶段：筛选相关文献、深入分析文献内容，以及对研究结果进行分类和整合。第一阶段是在Scopus、IEEE Xplore、ScienceDirect、SpringerLink和MDPI等主要学术数据库中，通过“软件定义网络”“人工智能”“机器学习”“深度学习”“物联网网络”和“网络自动化”等关键词组合搜索相关文献。分析范围涵盖2015年至2025年间发表的研究成果，既包括构成SDN架构基础的经典著作，也包括探讨人工智能技术与SDN整合的最新研究成果。第二阶段则是对选定的文章进行详细分析，重点关注其研究主题、所采用的研究方法，以及人工智能技术在SDN中的应用和作用，尤其重视那些在流量工程与管理、网络安全、资源分配以及网络运维自动化等领域提出解决方案的文献。第三阶段则是构建一个分类框架，该框架同时涵盖人工智能技术的类别和SDN应用的领域。基于这个框架，通过表格和图表展示人工智能技术与网络领域之间的关联，从而识别出当前研究的主流趋势以及文献中存在的不足之处。本文共分为七个部分，循序渐进地引导读者从理论基础入手，了解文献分析的结果，进而明确未来的研究方向。第一部分介绍了研究的背景、动机和主要目标，同时说明了所采用的研究方法，还阐述了SDN的基本概念以及人工智能技术在这一领域的应用前景。第二部分回顾了与SDN相关的现有综述和专题研究，区分了那些融入了人工智能技术的研究与未融入该技术的研究。第三部分探讨了SDN在各类通信网络中的应用，包括物联网、核心网络、云计算以及车联网。第四部分介绍了人工智能的基本技术，将其分为监督学习、无监督学习和混合方法，并分析了这些技术在基于SDN的环境中的应用情况。第五部分通过图表形式，展示了SDN在不同网络领域的应用与用于解决特定网络问题的人工智能技术之间的关联。第六部分对研究结果进行了分析，指出了当前的主要研究趋势，以及所分析文献中存在的不足和局限性。最后，第七部分总结了本文的核心结论，并提出了未来的研究方向，包括SDN-AI集成领域的新兴方向，如边缘智能和可解释人工智能。相关研究近年来，人们对SDN的兴趣显著提升，这从日益增多的相关综述文章中也可体现出来。本部分旨在系统整理与SDN相关的现有综述文献，尤其聚焦于本文所探讨的主题。本部分列出了两个表格：第一个表格汇总了那些未涉及人工智能技术的SDN综述文章，第二个表格则列举了明确探讨人工智能技术在SDN中应用的文献。SDN的应用自从SDN概念提出以来，这类网络经历了深刻的变革。最初，它们主要在数据中心中被开发和应用（Kreutz et al., 2015），但随着研究的深入，SDN也开始被应用于其他类型的网络中（Ahmad et al., 2020）。如今，几乎所有电信领域都能看到SDN的应用，从企业本地网络、数据中心和运营商基础设施，到基于物联网的解决方案，均有所涉及。人工智能在SDN中人工智能这一术语指的是一个广泛且跨学科的研究领域，其起源可追溯到艾伦·图灵1950年发表的那篇具有开创性的论文。在论文中，他提出了著名的问题：“机器能思考吗？”（Turing, 1950），由此提出了如今所称的图灵测试。“人工智能”这一术语最初是在1956年的达特茅斯夏季研究项目中被正式提出的（McCarthy等人，1955年）。在人工智能发展的早期几十年里，研究主要集中在符号人工智能领域。为清晰简洁地展示SDN在各类网络领域的应用与解决相应网络问题时所选用的合适人工智能技术之间的关系，我们制定了AI-SDN应用矩阵。该矩阵以可视化方式呈现了特定类型的网络（基于第3节内容）以及选定类别的网络问题中，各类人工智能技术（详见第4节）的出现频率。

讨论与未来研究方向
本节阐述了从文献综述中得出的主要结论，重点介绍了人工智能在SDN中的发展历程，以及现有解决方案中存在的挑战与不足。通过分析，可以确定未来的研究方向，并概括出现代电信网络持续发展的整体趋势。

结论
对已研究文献的分析表明，SDN范式已成为现代异构电信系统的基础，也是实现其自动化的关键手段。通过将控制平面与数据平面分离，引入额外的抽象层，SDN使得人工智能技术能够被整合到各种网络流程中，包括流量管理、安全保障以及资源分配等方面。由此，整个行业发生了范式转变，从传统的可配置模式转向了更为智能化的管理模式。

关于写作过程中生成式人工智能与人工智能辅助技术的声明
在撰写本手稿时，作者们使用了生成式人工智能工具来协助语言编辑和翻译工作。所有内容均由作者亲自审核确认，作者对整篇手稿负全责。

CRediT作者贡献说明
Ariel ?ukowski：写作——审阅与编辑，写作——初稿撰写，可视化，方法论，研究，概念设计。Grzegorz Papier：写作——审阅与编辑，研究。Robert Wójcik：写作——审阅与编辑，资源获取，资金筹措。Jerzy Dom?a?：写作——审阅与编辑，监督，项目管理，方法论，概念设计。

利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢
本研究部分或全部由波兰国家科学中心资助，资助编号为2024/53/B/ST7/01378。为确保文章的开放获取属性，作者已为基于本次投稿产生的所有作者接受稿版本申请了CC-BY公共版权许可。