将机器学习用到SDN中的综述：研究的问题和挑战
从流量分类、路由优化、服务质量（Qos）/体验质量（QoE）预测、资源管理和安全性的角度，回顾了机器学习算法如何应用于SDN领域。
相关知识
在SDN中应用机器学习是合适的原因：
- 图形处理单元GPU和张量处理单元TPU等技术为机器学习提供了很好的机会；
- 集中式SDN控制器具有全局网络视图，能够收集各种网络数据，便于机器学习算法的应用。
- 基于实时和历史网络数据，机器学习技术可以通过执行数据分析，网络优化和网络服务的自动提供来为SDN控制器提供智能化。
- SDN可编程性使机器学习算法生成的最优网络解决方案（如配置或资源分配）能够在网络上执行。
SDN网络架构：
机器学习概述：
机器学习通常包括两个阶段：训练阶段和决策阶段。在训练阶段，采用机器学习地方法，利用训练数据集学习系统模型；在决策阶段，系统可以通过训练模型得到每一个新输入的估计输出。
机器学习算法基本上分为四类：监督学习、无监督学习、半监督学习和强化学习。
文章结构：
第一二节：相关工作。
第三节：SDN背景知识。
第四节：介绍常用的ML算法
第五节：从流量分类、路由优化、服务质量（QoS）/体验质量(QoS)预测、资源管理和安全等方面对ML算法在SDN领域的应用进行了综述，并详细说明了机器学习在每一类中的应用。
第六节：讨论未来的研究方向：高质量的训练数据集、分布式多控制器平台、提高网络安全性、跨层网络优化和增量部署SDN。
第七节：软件定义其它。
第五部分：在sdn中使用机器学习
集中式SDN控制器具有全局网络视图，使网络易于控制和管理。机器学习技术通过执行数据分析、网络优化和自动提供网络服务，为SDN控制器带来智能。换句话说，学习能力使SDN控制器能够自主学习做出最优决策以适应网络环境。
A. 流量分类
流量分类是一种重要的网络功能，通过流量分类，网络运营商可以更有效地处理不同的业务，更有效地分配网络资源。广泛使用的流量分类技术包括基于端口的方法、深度分组检查(DPI)和机器学习。DPI将流量的有效负载与预定义的模式匹配，以确定流量所属的应用程序。模式由正则表达式定义。基于DPI的分类方法通常具有较高的分类精度。但是，它也有一些不足之处。基于ml的方法能够正确地识别加密的通信量，并比基于DPI的方法产生更低的计算成本.因此，基于ML的方法得到了广泛的研究。为了便于流量分类，首先收集大量的流量流，然后应用ML技术从采集到的流量流中提取信息。在SDN中，控制器具有全局网络视图，便于流量的收集和分析。已有许多研究从不同的角度对流量进行分类，如象流感知、应用感知和QoS感知流量分类。
1)象流感知交通分类：象流感知交通分类旨在识别大象流（大流）和老鼠流（小流）。在一个数据中心中，80%的流量是鼠标流。然而，大部分字节是在大象流中携带的。为了有效地控制数据中心的流量，有必要对象流进行识别。有一篇文献研究了混合数据中心网络中的交通流调度问题。首先，机器学习技术被用来在网络边缘进行象流感知的流量分类。然后，集中式SDN控制器可以利用分类结果实现高效的交通流优化算法。
2)应用感知流量分类：应用感知流量分类旨在识别流量流的应用。
3)QoS感知流量分类：基于QoS的流量分类是为了识别业务流的QoS类别。随着Internet上应用的指数增长，识别所有的应用程序变得困难和不切实际。然而，根据应用的QoS要求(例如延迟、抖动和丢失率)，可以将其划分为不同的QoS类别。
机器学习各算法的优缺点：
待续