什么是Openflow OpenFlow交换机将原来完全由交换机/路由器控制的报文转发过程转化为由OpenFlow交换机（OpenFlow Switch）和控制服务器（Controller）来共同完成，从而实现了快速数据包转发（数据面）和高水平路由决策（控制面）分离。控制器可以通过事先规定好的接口操作来控制OpenFlow交换机中的流表，从而达到控制数据转发的目的。

OpenFlow不能做的

OpenFlow不支持IPv6、MAC-in-MAC运营商骨干桥接、Q-in-Q虚拟局域网栈、服务质量、流量整形能力、容错和弹性等功能。

OpenFlow目前的阶段

1. OpenFlow与SDN目前还只是从实验室中成形并刚刚投产。OpenFlow尚不成熟，还未经过大规模的网络部署测试，因此其规模化、容错性及安全性都受到一定质疑。它恐怕需要在生产环境中运转数年之后才能真正得到广泛的肯定与信任。

2. OpenFlow与SDN目前还只是从实验室中成形并刚刚投产，据媒体报道，戴尔戴尔亚太区销售技术总监刘永道表示，SDN的市场才刚起步，预估需要3-5年才会进入成熟期。

3. 企业表示它们仍然需要传统的多功能交换机和路由器，可以根据MAC地址表里的数据决定转发。但那些支撑云环境的企业出于灵活性的考虑，愿意做一些尝试。

4. 目前OpenFlow还并不完善，尚存在许多问题待解决，而且涉及的面非常广。要想实现软件定义的互联网，还需要得到业界全方位的支持和努力才能梦想成真。

5. ISP们都在忙着从IPv4向IPv6过度，无暇顾及OpenFlow。

6. SDN到目前为止还没有准备好用于企业市场。”

Openflow的一些弱点

1. OpenFlow最困难的一部分是写入控制器软件，可靠的SDN控制器是一个具有挑战性的任务

2. SDN的杀手级应用很少

3. OpenFlow可以将对流量如何通过网络的控制权从交换机和路由器交还给网络拥有者或者应用。它要求用户负责精心制定路径策略，去发现可用带宽、减少堵塞，以及最优转发路径。这就牵涉到用户需要有足够的软件开发力量，才能完成相关的工作。目前，对于拥有强大技术团队的运营商和服务提供商来说，这基本不是问题。但对于一般企业来讲，还是有一定难度的。

4. OpenFlow如果能够拥有足够多的客户，那么它将从根本上改变网络行业，因为我们目

前所使用的控制协议(例如OSPF或者Spanning Tree或者DCB)将被软件控制器所取代。虽然这会促成硬件的商品化，但是软件控制器将成为网络行业中新的组成部分。软件的功能、特性和可靠性将是决定OpenFlow成功与否的关键所在。

设备商的态度 20xx年，SDN/OpenFLow无疑成为网络领域的热词，博科、思科、华为、戴尔、惠普、Juniper等一流的网络设备商，都开始是SDN布局，OpenFLow也获得了很多厂商的支持。

OpenFlow和SDN可能会让网络硬件进一步普通商品化，从而可能挤压思科与其他网络厂商的设备销售利润，降低专利软件的价值。

1. 思科虽然不推崇开放的OpenFlow，但也推出了开放网络环境(ONE)策略，全面而广泛的

支持网络可编程，同时思科还收购了BroadHop、Cariden等企业，可提供基础设施到控制器和应用的全线SDN产品。

2. 惠普不仅推出了完整的SDN/OpenFlow网络产品组合，包括交换机等基础设施，还有控

制平面操作和应用程序。为了推动SDN的普及和应用，惠普还推出了网络设备租赁计划，让企业可以更顺利的导入SDN架构。

3. 华为投入了大量人员精力研究OpenFlow、虚拟交换机等技术，不仅推出了SDN路由器/

控制器等产品。

4. Juniper把OpenFlow加入Junos SDK，，将SDN重心放在数据中心，不仅推出支持

OpenFlow协议的交换机和路由器，着手研发开源SDN控制器。

5. OpenFlow非常适合超大规模的数据中心解决方案，Google、Facebook、德国

电信、Yahoo和Verizon等都已经在开发OpenFlow应用，腾迅也非常感兴趣。

6. OpenFlow的参与者包括控制器的厂商还有交换机的厂商，控制器厂商现在主

要有Big Switch、NTT、NEC及Nicira

运营商的态度

运营商推崇“软硬件分离，可管可控”，SDN将在中国市场获得运营商的支持

企业客户的态度 虽然厂商很热衷，但SDN的市场才刚刚起步，还处于培育期，普及路还比较漫长?。

1. 企业用户对于SDN架构还很陌生。一方面可供参考的案例较少，另一方面部署SDN和OpenFlow仍需要企业IT部门机构有大量的技术和工程能力

2. OpenFlow可以将对流量如何通过网络的控制权从交换机和路由器交还给网络拥有者或者应用。它要求用户负责精心制定路径策略，去发现可用带宽、减少堵塞，以及最优转发路径。这就牵涉到用户需要有足够的软件开发力量，才能完成相关的工作。目前，对于拥有强大技术团队的运营商和服务提供商来说，这基本不是问题。但对于一般企业来讲，还是有一定难度的。OpenFlow最困难的一部分是写入控制器软件，每个人都热衷于此，但是这并不容易

3. SDN还有技术和标准问题亟待解决，在适配的可编程硬件、集中和分布控制、如何与原有网络兼容等技术方面，以及Openflow/SDN标准化方面，还存在不小的挑战。 4. 关键的SDN应用也较少，目前SDN应用推进的速度比较缓慢，杀手级应用还未形成，这无疑制约了SDN真正商用。例如戴尔亚太区销售技术总监刘永道表示，SDN市场还需3-5年成熟。SDN能够使网络更加灵活、更易于管理和可编程化。但很明显，需要从性能、可靠性、安全性、管理和运营成本的角度来考虑网络架构中的变化，这主要是增量变化，而不是变革性的变化。处于保护投资考虑和可靠性考虑，企业也不会对已有IT架构大动干戈。

5. 企业表示它们仍然需要传统的多功能交换机和路由器，可以根据MAC地址表里的数据决定转发。但那些支撑云环境的企业出于灵活性的考虑，愿意做一些尝试。

OpenFlow的未来

1. 目前还是SDN的发展初期。拥有强大IT资源和顶尖人才的企业(谷歌和Facebook等)正在利用SDN的优势。主流IT企业应该稍等一段时间，SDN应用程序和最佳做法将需要很多年才会出现。

2. SDN技术正在迅速发展，并且需要学习曲线。

3. SDN将会改变网络架构、编程和管理的方式。网络将会变得更具敏捷、灵活和节约成本。然而，像很多IT创新技术一样，SDN需要一些时间来发展。

4. SDN的兴起将引起软件与硬件之争，也会引起商用硬件和私有硬件之争。

5. OpenFlow有潜力成为“网络的安卓(Android)” - 一个开放的标准，将鼓励新SDN应用的开放市场，以满足每一个网络的需要和企业的压力。

6. 如果ISP们拿到了符合OpenFlow标准的硬件和软件产品，他们应该会很高兴的去部署

此类架构，但是在最近几年，这种可能性不大。

网络虚拟化的其他一些厂商 Nicira：专注于OpenFlow的神秘公司。

Big Switch：提供基于OpenFlow的网络虚拟化解决方案

Juniper Networks：支持OpenFlow Open vSwitch: 一个开源的虚拟switch ，它是一个软件switch能运行在Hypervisor里, 目前已是XenServer 6.0 的缺省switch。

ConteXtream：借鉴Grid的思想，通过DHT（Distributed Hash Table）在传统的网络之上建立一个虚拟的抽象的网络，解决云主机服务提供商们在网络灵活性，多租户和扩展性方面的挑战。

Embrane： 提供一种on-demand的虚拟化网络服务，比如服务的负载均衡，防火墙，VPN。 Xsigo: 提供基于Infiniband技术的数据中心全虚拟化方案。

NextIO：提供基于PCIe技术 的I/O虚拟化产品。

我们的机会

对于网管来说，OpenFlow将给他们带来一个开放的硬件和软件路由，交换，让他们拥有更全面的控制能力。可以借助SDN开发云基础机构的网管系统，或者在开发网管系统时同时支持OpenFlow和传统的Snmp。

第二篇：关于BP网络的优缺点总结

关于BP网络的优缺点总结 [转]

多层前向BP网络是目前应用最多的一种神经网络形式, 但它也不是非常完美的, 为了更好的理解应用神经网络进行问题求解, 这里对它的优缺点展开讨论:

多层前向BP网络的优点：

①网络实质上实现了一个从输入到输出的映射功能，而数学理论已证明它具有实现任何复杂非线性映射的功能。这使得它特别适合于求解内部机制复杂的问题；

②网络能通过学习带正确答案的实例集自动提取“合理的”求解规则，即具有自学习能力；

③网络具有一定的推广、概括能力。

多层前向BP网络的问题：

①BP算法的学习速度很慢，其原因主要有：

a、由于BP算法本质上为梯度下降法，而它所要优化的目标函数又非常复杂，因此，必然会出现“锯齿形现象”，这使得BP算法低效；

b、存在麻痹现象，由于优化的目标函数很复杂，它必然会在神经元输出接近0或1的情况下，出现一些平坦区，在这些区域内，权值误差改变很小，使训练过程几乎停顿； c、为了使网络执行BP算法，不能用传统的一维搜索法求每次迭代的步长，而必须把步长的更新规则预先赋予网络，这种方法将引起算法低效。

②网络训练失败的可能性较大，其原因有：

a、从数学角度看，BP算法为一种局部搜索的优化方法，但它要解决的问题为求解复杂非线性函数的全局极值，因此，算法很有可能陷入局部极值，使训练失败；

b、网络的逼近、推广能力同学习样本的典型性密切相关，而从问题中选取典型样本实例组成训练集是一个很困难的问题。

③难以解决应用问题的实例规模和网络规模间的矛盾。这涉及到网络容量的可能性与可行性的关系问题，即学习复杂性问题；

④网络结构的选择尚无一种统一而完整的理论指导，一般只能由经验选定。为此，有人称神经网络的结构选择为一种艺术。而网络的结构直接影响网络的逼近能力及推广性质。因此，应用中如何选择合适的网络结构是一个重要的问题；

⑤新加入的样本要影响已学习成功的网络，而且刻画每个输入样本的特征的数目也必须相同；

⑥ 网络的预测能力（也称泛化能力、推广能力）与训练能力（也称逼近能力、学习能力）的矛盾。一般情况下，训练能力差时，预测能力也差，并且一定程度上，随训 练能力地提高，预测能力也提高。但这种趋势有一个极限，当达到此极限时，随训练能力的提高，预测能力反而下降，即出现所谓“过拟合”现象。此时，网络学习 了过多的样本细节，而不能反映样本内含的规律。

**bp网络最大的缺点就是收敛慢，训练时间长，而且常常陷入局部极小点，经常算一个程序要算很久，而且还算不出结果，cpu被完全占用了，又不能做其他的事，简直就是一种折磨！

**神经网络现在就是拟合非常好，但预测却很差。这主要是因为神经网络是对局部的优化，因此其推广性受到制约，同时又对训练样本极为依赖。而支撑向量机由于其采用的是对多维空间的超平面的寻找，而使她的推广性非常优越。

**我觉得bp没有有些人说的那么糟糕,先将数据处理好,再对网络的不足做一些改进,结果还是不错的.我现在用bp做工业预测,我觉得效果还不错,不过个人认为数据的筛选与样本处理是很重要的.

**适合用的时候才能得到较好的预测结果，神经网络就是寻找规律性（尽管我们不知道是什么样的规律性），如果样本根本就没有规律可以，那么预测效果肯定很差。 **在工程应用领域中，应用BP网络的好坏最关键的仍然是输入特征选择和训练样本集的准备，若样本集代表性差、矛盾样本多、数据归一化存在问题，那 么，使用多复杂的综合算法、多精致的网络结构，建立起来的模型预测效果不会多好。若想取得实际有价值的应用效果，从最基础的数据整理工作做起吧，会少走弯 路的。