nfv网络架构从本质上分为（nfv网络架构演进分为三个阶段）

今天给各位分享nfv网络架构从本质上分为的知识，其中也会对nfv网络架构演进分为三个阶段进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！

本文目录一览：

• 1、移动网络与联通构造原理
• 2、一文看懂四种基本的神经网络架构
• 3、SDN和NFV本质上是一个概念，都是关于网络功能的虚拟化的描述。对还是错
• 4、软件定义网络，网络虚拟化和网络功能虚拟化的区别
• 5、TCP/IP网络架构
• 6、智能城域网采用哪些性能采集

移动网络与联通构造原理

移动网络和联通网络构造原理都属于移动通信网络体系架构：网络架构，该架构可分为三大模块：网络部署场景、接入网和核心网。

具体的构造原理和试验如下：

3.1.1中国移动黑龙江公司网络部署场景设计方案

1.室外借助分布式天线（distributedantennasystem，DAS）和大规模MIMO（multipleinputmulti-pleoutput）配备基站，天线元件分散放置在小区，且通过光纤与基站连接。移动事物（如终端）部署Mo-bileFemtocell，可以动态地改变其到运营商核心网络的连接。同时，部署虚拟蜂窝作为宏蜂窝的补充，提升了室外覆盖率。

2.室内用户需要与安装在室外建筑的大型天线阵列的室内AP进行通信，这样就可以利用多种适用于短距离通信的技术实现高速率传输，比如60GHz毫米波通信，可以解决频谱稀缺问题。

3.1.2 中国移动黑龙江公司接入网设计方案

5G通信网络接入网部署中，***用新型的分布式基站进行组网把宏基站的部分载波通过标准的CPRI接口拉远实现分布式组网，也就是将传统基站的基带处理部分（BBU）和射频收发信机部分（RRU）设计成单独的模块。分布式基站不仅带来快速、便捷的网络部署，而且有利于大幅降低运营商建网的成本。由于无线频谱***的高价格、高频通信技术的使用，使原有基站覆盖密度越来越大，因此必须对无线接入侧的网络做相应的调整，才能保证5G网络下的无线带宽及物联需求的应用。

CoP(CPRI over Packet)承载技术是承接5G通信网络接入网中的研究和部署重点。为满足业务需求和基站承载，需要建立一种新的承载技术架构来满足云通信的需求，现通过以下几点方案进行接入网部署：

在RRU增加的情况下使其满足免机房需要，新的CoP FO 设备能跟RRU供址部署，建立成一个新的前传网络（Fronthanl）,通过CoP FO 设备将RRU进行汇聚传给接入侧的A设备。该方式针对现有IP RAN设备基本无需改动，只需要在原有的设备中插入带有CRPI协议的新增板卡就可以工作。

对于Fronthanl接入侧的保护机制有CPRI接口和ETH接口；网络侧保护机制可以***用线性“1+1”保护或环网Wr***ing、Steering保护。

对于无线侧RRU的接入点模块FO是全室外模式，易部署、省机房，满足于大网络容量要求。

在组网类型上，优先选用环型拓扑结构，可以实现RRU任意的部署，实现接入设备A无源CWDM解决方案。

3.1.2 中国移动黑龙江公司核心网设计方案

1.现有核心网网元由传统平台向云平台演进

（1）RCS在互联网基地部署应用，IMS AS、CSCF/BGCF等网元进行技术试点；

（2）控制类网元（MME、PCRF）、数据类网元（HSS、HLR）、信令转接网元（DRA）等正在研究设计阶段，成熟后马上推动现网引入；

（3）媒体转发面网元（MGW/SBC）,根据SDN技术进行进行部署；

（4）2G、3G电路域相关网元正逐步融合、替换和退网，不再考虑运化升级。

构建以DC为中心的网络云化平台，部署基于云化架构的NFV（网络功能虚拟化），引入跨DC部署与无状态设计，并将传统核心网业务搬迁至此云化平台；

2.控制面网元功能重构

（1）业务处理节点：承接传统核心网GW/SBC等媒体接入处理类网元的功能；

（2）融合控制接节点：承接传统核心网MME/CSCF/HSS等管理控制类网元和HSS的等用户数据类网元的功能；

（3）业务能力节点：承接传统核心网应用服务AS/业务平台类网元的功能层次，同时支持提供网络能力开放和网络拓扑设置功能。

3.引入C/U分离，并利用MEC技术构建分布式网络，保障低时延业务应用。

4.引入SBA架构、网络切片Slicing、接入无关技术Access Agnostic，为各式各样差异化需求提供on demand服务，以支撑5G业务。

3.2 5G关键技术

3.2.1 CoP(CPRI over Packet)承载技术

CoP承载技术是集成前传承载和后传承载的中心枢纽模块，***用的是高效装载技术，其由于CRPI结构化和非结构化是的数据成帧灵活，便于整个网络调节，***用光承载，继承了原有波分承载的有点，也能进一步节省传输光缆。CPRI over Packet的NGFI承载方案，具体对比指标比较如下:

3.2.2 网络功能虚拟化（net-workfunctionvirtualization，NFV）

NFV（网络功能虚拟化）利用软硬件解耦及功能抽象，以虚拟化技术降低昂贵的设备成本费，根据业务需求进行自动部署、弹性伸缩、故障隔离等步骤，让运营商可通过此极速将承载各种网络功能的通用硬件与云计算虚拟化技术相结合，实现网元虚拟化和虚拟网络可编程，简化网络升级的步骤和降低购买新专用网络硬件的成本，把网络技术重点放到部署新的网络软件上。

3.2.3 基于OFDM优化的波形和多址接入

5G NR设计过程中最重要的一项决定，就是***用基于OFDM优化的波形和多址接入技术，因为OFDM 技术被当今的 4G LTE 和 Wi-Fi 系统广泛***用，因其可扩展至大带宽应用，而具有高频谱效率和较低的数据复杂性，因此能够很好地满足 5G 要求。 OFDM 技术家族可实现多种增强功能，例如通过加窗或滤波增强频率本地化、在不同用户与服务间提高多路传输效率，以及创建单载波 OFDM 波形，实现高能效上行链路传输。

不过OFDM体系也需要创新改造，才能满足5G的需求：

1. 通过子载波间隔扩展实现可扩展的OFDM参数配置；

2. 通过OFDM加窗提高多路传输效率。

3.2.4 灵活的框架设计

5G NR灵活的框架设计：

1. 可扩展的时间间隔（Scalable Tran***ission Time Interval (TTI)）

相比当前的 4G LTE网络，5G NR将使时延降低一个数量级。目前LTE网络中，TTI（时间间隔）固定在1 ms（毫秒）。为此，3GPP在4G演进的过程中提出一个降低时延的项目。尽管技术细节还不得而知，但这一项目的规划目标就是要将一次傅里叶变换的时延降低为目前的1/8（即从1.14ms降低至143µs（微秒）。

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

自包含集成子帧是另一项关键技术，对降低时延、向前兼容和其他一系列5G特性意义重大。通过把数据的传输（tran***ission）和确认（acknowledgement）包含在一个子帧内，时延可显著降低。

3. 先进的新型无线技术（Advanced wireless technologies）

5G必然是在充分利用现有技术的基础之上，充分创新才能实现的，而4G LTE正是目前最先进的移动网络平台，5G在演进的同时，LTE本身也还在不断进化（比如最近实现的千兆级4G+），5G不可避免地要利用目前用在4G LTE上的先进技术，如载波聚合，MIMO技术，非共享频谱的利用等等。

大规模MIMO：

MIMO（Multiple-Input Multiple-Output）技术是目前无线通信领域的一个重要创新研究项目，通过智能使用多根天线（设备端或基站端），发射或接受更多的信号空间流，能显著提高信道容量；而通过智能波束成型，将射频的能量集中在一个方向上，可以提高信号的覆盖范围。

毫米波：

全新 5G 技术正首次将频率大于 24 GHz 以上频段（通常称为毫米波）应用于移动宽带通信。大量可用的高频段频谱可提供极致数据传输速度和容量，这将重塑移动体验。但毫米波的利用并非易事，使用毫米波频段传输更容易造成路径受阻与损耗（信号衍射能力有限）。通常情况下，毫米波频段传输的信号甚至无法穿透墙体，此外，它还面临着波形和能量消耗等问题。

一文看懂四种基本的神经网络架构

原文链接：

更多干货就在我的个人博客 欢迎关注

刚刚入门神经网络，往往会对众多的神经网络架构感到困惑，神经网络看起来复杂多样，但是这么多架构无非也就是三类，前馈神经网络，循环网络，对称连接网络，本文将介绍四种常见的神经网络，分别是CNN，RNN，DBN，GAN。通过这四种基本的神经网络架构，我们来对神经网络进行一定的了解。

神经网络是机器学习中的一种模型，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

一般来说，神经网络的架构可以分为三类：

前馈神经网络：

这是实际应用中最常见的神经网络类型。第一层是输入，最后一层是输出。如果有多个隐藏层，我们称之为“深度”神经网络。他们计算出一系列改变样本相似性的变换。各层神经元的活动是前一层活动的非线性函数。

循环网络：

循环网络在他们的连接图中定向了循环，这意味着你可以按照箭头回到你开始的地方。他们可以有复杂的动态，使其很难训练。他们更具有生物真实性。

循环网络的目的使用来处理序列数据。在传统的神经网络模型中，是从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。但是这种普通的神经网络对于很多问题却无能无力。例如，你要预测句子的下一个单词是什么，一般需要用到前面的单词，因为一个句子中前后单词并不是独立的。

循环神经网路，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。

对称连接网络：

对称连接网络有点像循环网络，但是单元之间的连接是对称的（它们在两个方向上权重相同）。比起循环网络，对称连接网络更容易分析。这个网络中有更多的限制，因为它们遵守能量函数定律。没有隐藏单元的对称连接网络被称为“Hopfield 网络”。有隐藏单元的对称连接的网络被称为玻尔兹曼机。

其实之前的帖子讲过一些关于感知机的内容，这里再复述一下。

首先还是这张图

这是一个M-P神经元

一个神经元有n个输入，每一个输入对应一个权值w，神经元内会对输入与权重做乘法后求和，求和的结果与偏置做差，最终将结果放入激活函数中，由激活函数给出最后的输出，输出往往是二进制的，0 状态代表抑制，1 状态代表激活。

可以把感知机看作是 n 维实例空间中的超平面决策面，对于超平面一侧的样本，感知器输出 1，对于另一侧的实例输出 0，这个决策超平面方程是 w⋅x=0。 那些可以被某一个超平面分割的正反样例集合称为线性可分(linearly separable)样例集合，它们就可以使用图中的感知机表示。

与、或、非问题都是线性可分的问题，使用一个有两输入的感知机能容易地表示，而异或并不是一个线性可分的问题，所以使用单层感知机是不行的，这时候就要使用多层感知机来解决疑惑问题了。

如果我们要训练一个感知机，应该怎么办呢？

我们会从随机的权值开始，反复地应用这个感知机到每个训练样例，只要它误分类样例就修改感知机的权值。重复这个过程，直到感知机正确分类所有的样例。每一步根据感知机训练法则来修改权值，也就是修改与输入 xi 对应的权 wi，法则如下：

这里 t 是当前训练样例的目标输出，o 是感知机的输出，η 是一个正的常数称为学习速率。学习速率的作用是缓和每一步调整权的程度，它通常被设为一个小的数值（例如 0.1），而且有时会使其随着权调整次数的增加而衰减。

多层感知机，或者说是多层神经网络无非就是在输入层与输出层之间加了多个隐藏层而已，后续的CNN，DBN等神经网络只不过是将重新设计了每一层的类型。感知机可以说是神经网络的基础，后续更为复杂的神经网络都离不开最简单的感知机的模型，

谈到机器学习，我们往往还会跟上一个词语，叫做模式识别，但是真实环境中的模式识别往往会出现各种问题。比如：

图像分割：真实场景中总是掺杂着其它物体。很难判断哪些部分属于同一个对象。对象的某些部分可以隐藏在其他对象的后面。

物体光照：像素的强度被光照强烈影响。

图像变形：物体可以以各种非仿射方式变形。例如，手写也可以有一个大的圆圈或只是一个尖头。

情景支持：物体所属类别通常由它们的使用方式来定义。例如，椅子是为了让人们坐在上面而设计的，因此它们具有各种各样的物理形状。

卷积神经网络与普通神经网络的区别在于，卷积神经网络包含了一个由卷积层和子***样层构成的特征抽取器。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。在CNN的一个卷积层中，通常包含若干个特征平面(featureMap)，每个特征平面由一些矩形排列的的神经元组成，同一特征平面的神经元共享权值，这里共享的权值就是卷积核。卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值。共享权值（卷积核）带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。子***样也叫做池化（pooling），通常有均值子***样（mean pooling）和最大值子***样（max pooling）两种形式。子***样可以看作一种特殊的卷积过程。卷积和子***样大大简化了模型复杂度，减少了模型的参数。

卷积神经网络由三部分构成。第一部分是输入层。第二部分由n个卷积层和池化层的组合组成。第三部分由一个全连结的多层感知机分类器构成。

这里举AlexNet为例：

·输入：224×224大小的图片，3通道

·第一层卷积：11×11大小的卷积核96个，每个GPU上48个。

·第一层max-pooling：2×2的核。

·第二层卷积：5×5卷积核256个，每个GPU上128个。

·第二层max-pooling：2×2的核。

·第三层卷积：与上一层是全连接，3*3的卷积核384个。分到两个GPU上个192个。

·第四层卷积：3×3的卷积核384个，两个GPU各192个。该层与上一层连接没有经过pooling层。

·第五层卷积：3×3的卷积核256个，两个GPU上个128个。

·第五层max-pooling：2×2的核。

·第一层全连接：4096维，将第五层max-pooling的输出连接成为一个一维向量，作为该层的输入。

·第二层全连接：4096维

·Softmax层：输出为1000，输出的每一维都是图片属于该类别的概率。

卷积神经网络在模式识别领域有着重要应用，当然这里只是对卷积神经网络做了最简单的讲解，卷积神经网络中仍然有很多知识，比如局部感受野，权值共享，多卷积核等内容，后续有机会再进行讲解。

传统的神经网络对于很多问题难以处理，比如你要预测句子的下一个单词是什么，一般需要用到前面的单词，因为一个句子中前后单词并不是独立的。RNN之所以称为循环神经网路，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。理论上，RNN能够对任何长度的序列数据进行处理。

这是一个简单的RNN的结构，可以看到隐藏层自己是可以跟自己进行连接的。

那么RNN为什么隐藏层能够看到上一刻的隐藏层的输出呢，其实我们把这个网络展开来开就很清晰了。

从上面的公式我们可以看出，循环层和全连接层的区别就是循环层多了一个权重矩阵 W。

如果反复把式2带入到式1，我们将得到：

在讲DBN之前，我们需要对DBN的基本组成单位有一定的了解，那就是RBM，受限玻尔兹曼机。

首先什么是玻尔兹曼机？

[图片上传失败...(image-d36b31-1519636788074)]

如图所示为一个玻尔兹曼机，其蓝色节点为隐层，白色节点为输入层。

玻尔兹曼机和递归神经网络相比，区别体现在以下几点：

1、递归神经网络本质是学习一个函数，因此有输入和输出层的概念，而玻尔兹曼机的用处在于学习一组数据的“内在表示”，因此其没有输出层的概念。

2、递归神经网络各节点链接为有向环，而玻尔兹曼机各节点连接成无向完全图。

而受限玻尔兹曼机是什么呢？

最简单的来说就是加入了限制，这个限制就是将完全图变成了二分图。即由一个显层和一个隐层构成，显层与隐层的神经元之间为双向全连接。

h表示隐藏层，v表示显层

在RBM中，任意两个相连的神经元之间有一个权值w表示其连接强度，每个神经元自身有一个偏置系数b（对显层神经元）和c（对隐层神经元）来表示其自身权重。

具体的公式推导在这里就不展示了

DBN是一个概率生成模型，与传统的判别模型的神经网络相对，生成模型是建立一个观察数据和标签之间的联合分布，对P(Observation|Label)和 P(Label|Observation)都做了评估，而判别模型仅仅而已评估了后者，也就是P(Label|Observation)。

DBN由多个限制玻尔兹曼机（Restricted Boltzmann Machines）层组成，一个典型的神经网络类型如图所示。这些网络被“限制”为一个可视层和一个隐层，层间存在连接，但层内的单元间不存在连接。隐层单元被训练去捕捉在可视层表现出来的高阶数据的相关性。

生成对抗网络其实在之前的帖子中做过讲解，这里在说明一下。

生成对抗网络的目标在于生成，我们传统的网络结构往往都是判别模型，即判断一个样本的真实性。而生成模型能够根据所提供的样本生成类似的新样本，注意这些样本是由计算机学习而来的。

GAN一般由两个网络组成，生成模型网络，判别模型网络。

生成模型 G 捕捉样本数据的分布，用服从某一分布（均匀分布，高斯分布等）的噪声 z 生成一个类似真实训练数据的样本，追求效果是越像真实样本越好；判别模型 D 是一个二分类器，估计一个样本来自于训练数据（而非生成数据）的概率，如果样本来自于真实的训练数据，D 输出大概率，否则，D 输出小概率。

举个例子：生成网络 G 好比*** 制造团伙，专门制造*** ，判别网络 D 好比警察，专门检测使用的货币是真币还是*** ，G 的目标是想方设法生成和真币一样的货币，使得 D 判别不出来，D 的目标是想方设法检测出来 G 生成的*** 。

传统的判别网络：

生成对抗网络：

下面展示一个cDCGAN的例子（前面帖子中写过的）

生成网络

判别网络

最终结果，使用MNIST作为初始样本，通过学习后生成的数字，可以看到学习的效果还是不错的。

本文非常简单的介绍了四种神经网络的架构，CNN，RNN，DBN，GAN。当然也仅仅是简单的介绍，并没有深层次讲解其内涵。这四种神经网络的架构十分常见，应用也十分广泛。当然关于神经网络的知识，不可能几篇帖子就讲解完，这里知识讲解一些基础知识，帮助大家快速入（zhuang）门（bi）。后面的帖子将对深度自动编码器，Hopfield 网络长短期记忆网络（LSTM）进行讲解。

SDN和NFV本质上是一个概念，都是关于网络功能的虚拟化的描述。对还是错

SDN抽象地说就是让管理员从功能的角度来管理整个网络。NFV是网络功能虚拟化的英文缩写，它与SDN有着直接的关系但SDN与NFV两者之间并不互相依赖。NFV与传统的服务器虚拟化技术类似但关注的点是网络服务。

软件定义网络，网络虚拟化和网络功能虚拟化的区别

网络团队经常要处理铺天盖地的配置请求，这些配置请求可能需要数天或数周来处理，所幸的是，现在有几种方法可以帮助企业提高网络灵活性，主要包括网络虚拟化[注](NV)、网络功能虚拟化[注](NFV[注])和软件定义网络[注](SDN[注])。

这三种方法可能听起来有些混淆，但其实每种方法都是在试图解决网络移动性这个宏观问题的不同子集问题。在这篇文章中，我们将探讨NV、NFV和SDN的区别以及每种方法如何帮助我们实现可编程网络。

网络虚拟化

企业网络管理员很难满足不断变化的网络需求。企业需要一种方法来自动化网络，以提高IT对变化的响应率。在这个用例中，我们通常试图解决一个问题：如何跨不同逻辑域移动虚拟机？网络虚拟化其实是通过在流量层面逻辑地划分网络，以在现有网络中创建逻辑网段，这类似于硬盘驱动器的分区。

网络虚拟化是一种覆盖;也是一个隧道。NV并不是物理地连接网络中的两个域，NV是通过现有网络创建一个隧道来连接两个域。NV很有价值，因为管理员不再需要物理地连接每个新的域连接，特别是对于创建的虚拟机。这一点很有用，因为管理员不需要改变他们已经实现的工作。他们得到了一种新方式来虚拟化其基础设施，以及对现有基础设施进行更改。

NV在高性能x86平台上运行。这里的目标是让企业能够独立于现有基础设施来移动虚拟机，而不需要重新配置网络。Nicira(现在属于VMware)是销售NV设备的供应商。NV适合于所有使用虚拟机技术的企业。

网络功能虚拟化

NV提供了创建网络隧道的功能，并***用每个流服务的思维，下一个步骤是将服务放在隧道中。NFV主要虚拟化4-7层网络功能，例如防火墙或IDPS，甚至还包括负载均衡(应用交付控制器)。

如果管理员可以通过简单的点击来设置虚拟机，为什么他们不能以相同的方式打开防火墙或IDS/IPS呢?这正是NFV可以实现的功能。NFV使用针对不同网络组件的最佳做法作为基础措施和配置。如果你有一个特定的隧道，你可以添加防火墙或IDS/IPS到这个隧道。这方面很受欢迎的是来自PLUMgrid或Embrane等公司的防火墙或IDS/IPS。

NFV在高性能x86平台上运行，它允许用户在网络中选定的隧道上开启功能。这里的目标是，让人们为虚拟机或流量创建服务配置文件，并利用x86来在网络上构建抽象层，然后在这个特定逻辑环境中构建虚拟服务。在部署后，NFV能够在配置和培训方面节省大量数据。

NFV还减少了过度配置的需要：客户不需要购买大型防火墙或IDSIPS产品来处理整个网络，客户可以为有需要的特定隧道购买功能。这样可以减少初始资本支出，但其实运营收益才是真正的优势。NFV可以被看作是相当于Vmware，几台服务器运行很多虚拟服务器，通过点击配置系统。

客户了解NV和NFV之间的区别，但他们可能不希望从两家不同的供应商来获得它们。这也是为什么Vmware现在在VmwareNSX提供NV和NFV安全功能的原因。

软件定义网络

SDN利用“罐装”流程来配置网络。例如，当用户想要创建tap时，他们能够对网络进行编程，而不是使用设备来构建网络tap。

SDN通过从数据平面(发送数据包到特定目的地)分离控制平面(告诉网络什么去到哪里)使网络具有可编程性。它依赖于交换机来完成这一工作，该交换机可以利用行业标准控制协议(例如OpenFlow)通过SDN控制器来编程。

NV和NFV添加虚拟通道和功能到物理网络，而SDN则改变物理网络，这确实是配置和管理网络的新的外部驱动手段。SDN的用例可能涉及将大流量从1G端口转移到10G端口，或者聚合大量小流量到一个1G端口。SDN被部署在网络交换机上，而不是x86服务器。BigSwitch和Pica8都有SDN相关的产品。

所有这三种类型的技术都旨在解决移动性和灵活性。我们需要找到一种方式来编程网络，而现在有不同的方法可以实现：NV、NFV和SDN。

NV和NFV可以在现有的网络中运作，因为它们在服务器运行，并与发送到它们的流量进行交互;而SDN则需要一种新的网络架构，从而分离数据平面和控制平面。

TCP/IP网络架构

  TCP/IP网络架构也称为TCP/IP（Tran***ission Control Protocol/InternetProtocol，传输控制协议／网际协议）参考模型。

  它是目前全球互联网工作的基础，该架构将网络功能从上至下划分为：

  TCP/IP网络架构***用自顶而下的分层结构，每一层都需要下一层所提供的服务来满足自己的需求，本层协议生成的数据封装在下一层协议的数据中进行传输，因此各层间的协议有依赖关系。

  即最高层，提供面向用户的网络服务，负责应用程序之间的沟通，主要协议有简单邮件传输协议（***TP）、文件传输协议（FTP）、超文本传输协议（HTTP）、域名系统（DNS）、网络远程访问协议（Telnet）等。

  Socket支持多个应用程序间基本的消息传递功能，通过遵循应用层上的某一种或几种协议的规范，使应用程序完成用户需要的相应功能，这是本书网络应用程序开发的目的。

  位于第3层，完成多台主机间的通信，提供节点间的数据传送及应用程序间的通信服务，也称为“端到端”通信，通过在通信的实体间建立一条逻辑链路，屏蔽了IP层的路由选择和物理网络细节。

  传输层的功能主要是数据格式化、数据确认及丢失重传等。该层协议有传输控制协议（TCP）和用户数据报协议（UDP），提供不同的通信质量和需求的服务。

  位于第2层，也称为网络互联层或Internet层，由于该层最重要的协议是IP协议，所以也称为IP层。该层负责提供基本的数据封包传送功能，在它上面传输的数据单元叫IP数据报，或IP分组。

  网际层让每个IP数据报都能够到达目的主机，但是它不检查数据报是否被正确接收。

  网络层的本质是使用IP将各种不同的物理网络互联，组成一个传输IP数据报的虚拟网络，实现不同网络的互联功能，该层协议除了IP协议外，还有Internet控制报文协议（ICMP）和Internet组管理协议（IGMP）。

  该层位于协议架构的最底层，负责接收IP数据报并发送到其下的物理网络，或从网络上接收物理帧，抽取IP数据报转交给网际层。这里的物理网络指各种实际传输数据的局域网或广域网。

智能城域网***用哪些性能***集

近年来，云计算、物联网、人工智能等技术的蓬勃发展，全社会面向数字化的转型步伐不断加快，企业上云已成为必然趋势。电信运营商需要为众多企业和个人提供高效的上云连接能力。

同时运营商白身网络也面临着云化转型和重构的挑战。以数据中心为核心，基于软件定义网络(sofW are defined network, SDN)、网络功能虚拟化(neW ork function virtualization, NFV)的云化网络是通信网络演进的基本方向，未来的网络演进中，云与网的紧密性不断增强，不断深度融合。

1. 目前存在的问题

在云服务时代，运营商一方面要经营传统的语音、短信、专线等连接型业务，一方面要继续提供海量带宽去供给应用，此外还有新增的面向工业互联网、车联网等低时延或确定性时延的业务以及面向VR C virtual reality，虚拟现实)/ARC augmented reality，增强现实)、云游戏等需要大量算力的图像渲染业务。但是，目前运营商的城域网架构与这些业务的提供能力并不适应。

城域网结构复杂，

目前，运营商习惯一类业务***设一张承载网，已经建成由分组传送网（PTN）与无线接入网IP化（IPRAN）网元组成的移动承载网。由光线路终端（OLT）和宽带接入服务器（BRAS）组成的固网承载网。和dialup专线承载网和通信云数据中心网络（DC）等，各网络运行和管理相对独立，存在较大差异。

而业务快速开通是云网协同的重要特征，这在当前结构复杂的环境下难以实现。

网络建设和扩容成本过高

由于每张网都是端到端建设，网络设备之问存在着大量的背靠背连接，对需要多张网协同的业务，连接成本明显增加，而且还存在着接入层与核心汇聚层之问不同厂商设备解祸的难题，这种情况导致网络升级扩容会带来更多的成本提升。

网络缺乏智能性

在端到端的业务面前，通信云DC越来越成为业务的中心，但是多张网络的协同管理和控制一直没解决好，如果***用分区分域建设管控系统的话，又会增加控制架构的层级，降低控制的效率。

综上，建设一张能够提供云服务、满足云网融合要求的、高

效、低成本的智能城域网，已成为运营商面前的迫切任务。

2.智能城域网架构

从运营商网络面临的实际问题和未来云化业务的承载需求出发，这里***用国际通用标准(CSR和E***)，按照城域网范围内全业务统一承载的要求，业务层面通过控制器实现端到端拉通，并且***用与OTT C over the top)相同的网络架构和盒式设备模块化方式组网，以lOGE/100GE标准以太网接口为基本接口单元，提出了一种新型的智能城域网架构，如图所示



3.智能城域网特点

该架构的主要特点：

（1）简洁架构

借鉴通讯云DC的架构特点，以DC为核心，将城域网进行重构，在网络的核心汇聚层优先使用交换机组网，既提高了转发容量，又降低了转发协议要求，且多厂商之问的管理互通与解祸性良好，随着城域网业务的不断丰富，只需通过增加叶了(leaf)节点即可接入新的边缘网元，城域核心汇聚层只做横向扩展，结构长期保持稳定。

（2）融合承载

当前网络仅通过不同的接入层网元，即可实现对家庭宽带、SG移动承载、通信云等业务的综合承载，不需面向每一种业务端到端垂直建网，同时有效降低时延。

（3）自动高效

通过引入SR和E***业务，网络天然具备基于SDN的白动化和可编程能力，并且通过统一的业务编排系统打通通信云内外，可实现快速的业务开通和差异化的服务保障。在有低时延、广泛连接等业务需求。

（4）网络和业务分离

通过在城域引入数据中心架构，构建通信云***池承载各专业虚拟化网元，将网络和业务能力分离，网络通过SDN集中控制实现连接和承载，业务基于NFV方式的云化网元完成，保证业务的快速开发和灵活性。

综上所述，智能城域网本质上是***用以DC为中心、云网一体的思想，利用SR+E***等新型路由协议技术，重构城域网络。面向云化网元和用户的综合承载，***用“核心+边缘”转发架构与融合的核心设备，实现架构的统一，***用多种边缘设备，实现SG、家庭宽带、大客户、通信云网元的承载。构建智能城域网的目标是建设一张以通信云DC为中心的扁平化、统一承载的城域网网络。

4. 组网模型

针对新型城域网，按照运营商本地网的规模大小，分为3类：

（1）小型城域网

通信云DC双局址设置，DC局房距离一般小于50 kmo智能城域网一对核心设备分局址设置，通信云DC内边缘网络设备下挂多个服务器，有效节省局问光纤***，核心设备兼做边界出口网络设各。

（2）中等规模的城域网，

通信云DC双局址设置，实现分区域“覆盖+负载”分担;每局址设置成对智能城域网核心设备，核心设备兼做边界出口网络设备，即每个通信云DC扩展了一对核心设各。

（3）大型规模城域网，

通信云DC多局址规划，并设置两级核心设备，即每局址设置单台智能城域网核心设备，同时设置一对一级核心设备用于转发通信云DC问流量。每局址普通核心设备兼做边界出口网络设备，为减少局问传输***需求以及规避DC局单点故障,DC外边缘设备就近双归至两个通信云DC的核心设各上。

5. 组网业务模式

考虑到智能城域网多业务承载特性，基于智能城域网架构，设计了针对城域内SG回传、家庭宽带、专线和通信云4种主要业务的承载方案。

（1）5G回传业务

对于5G回传业务，智能城域网主要是将基站

流量接入SGC的用户面功能(user plane funcrion,UPF)等核心网网元。在SG基站侧，由基站接入设各接入城域网边缘设备。

（2）家庭宽带业务

对于家庭宽带业务，智能城域网使用SR，接入边缘设备至通信云边缘设备***用SR转发互联网业务，在智能城域网内部，使用E***承载。

（3）专线业务

对于专线业务，在城域网内，二层点到点专线业务使用E*** ***承载，E***路由使用BGP E***地址族传递，边缘汇聚设备及vRR作为路由反射器反射BGP E***路由。

（4）通讯云业务

对于通信云业务，通信云spine与智能城域网核心设各合设，通过边缘设各接入通信云***池，这里又根据边缘设备是否支持SR/E***协议分成两种情况。

a）如果边缘设备不支持SR/E***，那么边缘设备不起三层***，仅做二层连接，通信云***池***设置为智能城域网核心设备的选播***(anycast GW，边缘设备通过MC-LAG技术提供服务器跨机箱链路聚合。

b）如果边缘设备可以支持SR/E***，边缘设备***用SR/E***，实现端到端的SR/E***业务承载。

6. 结语

随着5G时代的到来，云/网融合业务将会快普及，面向云服务的网络重构已经迫在眉睫。通过引入支持云网深度融合的智能城域网，可以有效解决目前城域网络的问题，并对未来网络更好地提供低时延、高可靠、强算力等新型业务打下了良好的基础。未来，随着5G SA的发展和基于IPv6的分段路由(SRv6）等技术的进一步应用，网络将继续朝着协议简化、功能增强、灵活控制、边界扩展的方向发展，智能城域网将为支持运营商业务的升级演进起到重要的作用。

关于nfv网络架构从本质上分为和nfv网络架构演进分为三个阶段的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。