SDN 知识总结

把前面学到的知识串成一个完整的知识体系。

一、知识回顾

SDN 是什么

• 传统网络的困境：控制与转发紧耦合，各自为政
• SDN 核心思想：把控制权集中，设备只负责转发
• 三层架构：应用层 / 控制层 / 数据层
• 三大接口：南向（OpenFlow）、北向（REST API（Application Programming Interface，应用程序编程接口））、东西向（控制器间通信）

SDN 架构深入

• 控制层与数据层解耦的机制
• 控制器的职责：全网视图、路径计算、流表下发
• 常见控制器：Ryu、Floodlight、ONOS、OpenDaylight
• 三大接口的详细职责与协作

OpenFlow 协议详解

• 流表结构：匹配字段、优先级、计数器、动作集
• 多级流表：流水线式匹配（Goto-Table）
• 组表：All/Select/Indirect/Fast Failover 四种类型
• 计量表：限速、标记、QoS（Quality of Service，服务质量）（Quality of Service，服务质量）
• 控制器与交换机的消息交互

Mininet 实验

• WSL2 + Ubuntu 24.04 环境搭建
• Mininet 安装（含 pep8 兼容性修复）
• 基础拓扑实验：default / single-3 / linear-4
• 自定义 Python 拓扑（2 交换机 + 4 主机）
• tcpdump 抓包观察流量

网络入侵检测入门

• SDN 面临的安全威胁
• DDoS（Distributed Denial of Service，分布式拒绝服务）攻击分类（按目标、按特征）
• 三大检测方法：统计 / 机器学习 / 深度学习
• SDN + 入侵检测的结合方式

ML/AI + SDN 前沿

• ML（Machine Learning，机器学习）在 SDN 的三大应用：流量分类、异常检测、路由优化
• 传统方法 vs ML vs DL（Deep Learning，深度学习）全面对比
• Transformer 与 LLM（Large Language Model，大语言模型）在网络安全中的探索

二、思维导图

把 SDN 入门知识整理成一张完整的知识图谱：

SDN 入门知识体系
│
├── 1. 基础概念
│   ├── 传统网络的问题
│   ├── SDN 三层架构
│   │   ├── 应用层：网络应用（流量工程/安全/负载均衡）
│   │   ├── 控制层：SDN 控制器（全局视图/路径计算/流表下发）
│   │   └── 数据层：交换机/路由器（按流表转发）
│   └── 三大接口
│       ├── 南向：OpenFlow（控制器 → 交换机）
│       ├── 北向：REST API（应用 → 控制器）
│       └── 东西向：控制器之间通信
│
├── 2. OpenFlow 协议
│   ├── 流表
│   │   ├── 匹配字段（MAC/IP/端口/VLAN）
│   │   ├── 优先级 + 计数器
│   │   └── 动作集（output/drop/set-field）
│   ├── 多级流表（Goto-Table 流水线）
│   ├── 组表（广播/负载均衡/故障切换）
│   ├── 计量表（限速/QoS）
│   └── 消息类型
│       ├── 控制器→交换机：Flow-Mod, Packet-Out
│       ├── 交换机→控制器：Packet-In, Port-Status
│       └── 对称：Hello, Echo
│
├── 3. Mininet 实验
│   ├── 环境：WSL2 + Ubuntu 24.04
│   ├── 拓扑类型
│   │   ├── default（1 交换机 + 2 主机）
│   │   ├── single（1 交换机 + N 主机）
│   │   ├── linear（N 交换机串联）
│   │   └── 自定义 Python 拓扑
│   └── 工具
│       ├── pingall（连通性测试）
│       ├── iperf（带宽测试）
│       └── tcpdump（抓包分析）
│
├── 4. 安全与入侵检测
│   ├── SDN 安全威胁
│   │   ├── 控制器攻击
│   │   ├── 流表溢出
│   │   └── 欺骗/中间人攻击
│   ├── DDoS 攻击分类
│   └── 检测方法
│       ├── 统计方法：简单快速，但只能检测已知模式
│       ├── 机器学习：SVM（Support Vector Machine，支持向量机）/随机森林，需要特征工程
│       └── 深度学习：CNN（Convolutional Neural Network，卷积神经网络）/LSTM（Long Short-Term Memory，长短期记忆网络）/Transformer，自动特征学习
│
└── 5. ML + SDN 前沿
    ├── 流量分类：识别流量类型，实现 QoS
    ├── 异常检测：发现异常流量
    ├── 路由优化：强化学习/图神经网络
    └── 前沿趋势：Transformer、LLM 在网络中的应用

三、Mininet 实验巩固

再跑几个实验巩固手感：

3.1 星型拓扑

1

sudo mn --topo star,4 --test pingall

拓扑图：

        h1
        │
  h2 ───s1─── h3
        │
        h4

4 台主机都连在同 1 台交换机上，任何两台之间只需经过 1 跳。

3.2 树形拓扑

1

sudo mn --topo tree,depth=2,fanout=2 --test pingall

深度 2、分支因子 2 的树形拓扑，共 4 台主机 + 3 台交换机。

3.3 iperf 带宽对比

1
2
3

sudo mn --topo single,2
mininet> iperf
mininet> iperf h1 h3

对比单跳和多跳的带宽差异。

四、遗留问题清单

学习中可能还不太清楚的问题：

五、今日学习总结

本文是「SDN 入门学习笔记」系列的第8篇。

系列导航：上一篇 → ML/AI + SDN 前沿