基于SDN的胖树数据中心网络多路径负载均衡算法研究

软件定义网络SDN(Software Defined Network)通过将网络设备的控制层与数据层分离解耦,能够实现网络的集中控制和流量的灵活转发,因此被广泛应用于数据中心等相关领域。在数据中心网络中,为了提高网络的带宽和吞吐量,多采用具有多路径特性的层次型网络拓扑结构,如胖树拓扑结构。然而传统路由算法对多路径的支持非常有限,无法充分利用网络剩余带宽。重点研究基于SDN的胖树数据中心网络多路径负载均衡算法。利用SDN网络集中控制的特点,获取多路径实时状态信息,计算各路径当前可用带宽,根据数据流的带宽需求选择最佳转发路径。实验结果表明,该算法无论在降低网络传播时延还是在提高网络吞吐量等方面都优于传统路由算法,能够实现胖树数据中心网络的多路径负载均衡。     

SDN数据中心网络基于流分类的负载均衡方案

随着数据中心内的数据流量不断增加,导致网络中部分链路负载过重。传统的ECMP机制由于没有考虑链路状态以及流量特征,因此不再适用数据中心网络。同时ECMP可能会将多条大流映射到同一条路径上,造成大流映射冲突,导致链路瓶颈问题。基于SDN（Software Defined Network）架构提出一种面向Fat-Tree拓扑的动态流量负载均衡机制（Load Balancing based on Flow Classification,LBFC）,同时考虑了链路状态信息与流量特征进行负载均衡。LBFC机制动态调整流分类阈值来判定大流和小流,采用不同的方式为大流和小流选择转发路径,以满足大流和小流不同的传输性能需求。仿真结果表明LBFC机制能够根据网络链路状态以及流量特征动态地判定大流和小流并实现负载均衡,与ECMP、GFF和DLB算法相比,LBFC机制提高了网络吞吐量以及链路利用率,降低了传输时延。     

基于软件定义网络的数据中心网络负载均衡算法研究

针对传统网络的分布式架构使得负载均衡技术难以满足低成本、高灵活性、自适应调整的要求,提出一种基于SDN的数据中心网络负载均衡算法。首先,根据路径当前负载状况和链路负载波动为路径设置了一个权重,并以此作为路径选择依据;其次,设置了一个负载均衡度用于衡量网络负载状况;最后,针对需要调度的流,进一步限定了其流量大小范围,保证了高效的流调度。仿真结果表明,与其他算法相比,所提算法能有效提高网络资源利用率并均衡全网负载。     

数据中心网络负载均衡问题研究

数据中心网络是现代网络和云计算的重要基础设施,实现数据中心网络负载均衡是保证网络吞吐并提高服务体验的关键环节.首先分析了数据中心网络与传统互联网之间的区别,总结其特点及特殊性在负载均衡方案设计方面的优势.然后从数据中心的复杂性和多样性角度分析其负载均衡方案设计所面临的挑战.将现有数据中心网络负载均衡方案根据不同的实现层次从网络层、传输层、应用层和综合方案4个角度进行分析,对比各个方案的优缺点,并从控制结构、负载均衡粒度、拥塞感知机制、负载均衡策略、可扩展性和部署难度几个方面进行综合评价.最后对现有数据中心网络负载均衡方案进行总结,并指出未来可能的研究方向.     

基于SDN的数据中心网络技术

对基于SDN的数据中心网路技术、SDN架构、转发和控制设备等进行了分析,为SDN在数据中心的落地提供技术依据.其中引入了解决大量数据多途径转发、虚拟机智能迁移的网络、网络流量进行智能规划等问题.     

基于SDN的高校数据中心网络设计

软件定义网络SDN（Software-Defined Network）,或称软件驱动网络SDN（Software Driven Networks）是目前数据中心建设的一个很重要的热点技术,它将网络的控制平面和数据平台相分离,为数据中心的网络控制提供了一种全新的解决方案。对SDN的架构进行了分析,对比了不同的SDN/Overlay覆盖技术实现方法,重点介绍了覆盖（Overlay）方案在控制平面的思路和overlay网络如何与传统网络互通的方法。最后探讨了SDN是未来数据中心的发展趋势。     

基于流调度选择的DCN动态负载均衡算法

针对数据中心网络(data center network,DCN)动态调度导致的负载不均衡问题,提出了基于流调度选择的动态负载均衡(dynamic load balancing based on flow scheduling selection,DLBFSS)算法。该算法首先计算拥塞链路上各条大流的等价最短路径,并删除不满足流带宽需求的路径;然后计算剩余路径的可用吞吐量,选择可用吞吐量最大的路径作为最优调度路径;最后根据大流的带宽和最优路径的负载定义调度的拥塞概率,将拥塞概率作为大流调度选择的依据。实验结果表明,与传统ECMP（equal-cost multi-path）路由和现有大流调度算法相比,DLBFSS能够减小网络时延,提高流的带宽利用率,保证了更好的负载均衡。     

数据中心网络中基于SDN的大象流负载均衡的研究

针对数据中心网络中大象流携带大量数据造成网络拥塞和负载不均衡的问题,提出基于SDN(software defined network)的大象流负载均衡(elephant flow load balancing ,EFLB)。当网络负载超过阈值时,控制器利用Openflow特性将检测到的大象流分裂为多个老鼠流,并根据收集的网络拓扑和链路状态动态地计算负载最小的下一跳交换机,确保负载均衡。实验结果表明,相比于等价多路径路算法(equal-cost mulit-path routing ,ECMP),EFLB机制提高网络吞吐量和链路利用率,更好地实现网络负载均衡。     

基于软件定义数据中心网络的节能路由算法

由于数据中心网络是云计算和下一代网络技术的平台和基础设施,日益增长的网络数据在满足用户需求的同时,也大幅增加了数据中心的能耗.许多针对数据中心网络的节能策略被提出,多数采用硬件与软件相结合的策略来完成节能模型的设计.为了进一步降低能耗,从网络负载均衡和节能路由设计的角度提出了一种新的节能路由算法,其基本思想是首先对负载均衡进行量化分析,然后提出带宽限定的负载均衡与节能相结合的节能路由算法,充分考虑到网络整体的可达性和可靠性.该算法为数据中心节能提供了一种新的视角.通过与传统的节能路由作比较,验证了该算法能够在保证较高网络可靠性的同时能耗较低.通过对实验数据的分析和解释得到了若干有益的结论,为进一步的研究工作奠定了基础.     

基于SDN技术构建数据中心虚拟网络

网络与计算系统的发展彼此影响并相互联系,促使计算虚拟化为如何更宽泛地考虑IT基础架构提供了一个样板。本文对网络虚拟化的必要性、传统网络技术的局限性以及软件定义网络技术特点做了分析,提出了基于SDN技术构建数据中心虚拟网络,阐述了方案的应用前景。     

面向SDN数据中心网络最大概率路径流量调度算法

随着数据中心网络规模的迅速增长,网络带宽利用率低下导致的网络拥塞问题日益突出,通过负载均衡提高数据中心网络链路带宽利用率和吞吐量成为了研究热点.如何结合流量特征、链路状态和应用需求进行流量的合理调度,是实现网络链路负载均衡的关键.针对数据中心突发性强、带宽占用率高的大象流调度问题,提出一种面向SDN数据中心网络最大概率路径流量调度算法,算法首先计算出满足待调度流带宽需求所有路径,然后计算流带宽与路径最小链路带宽之间的带宽比,结合所有路径的带宽比为每一条路径计算路径概率,最后利用概率机制选择路径.算法不仅考虑了流带宽需求和链路带宽使用情况,而且全局地考虑了流调度和链路带宽碎片问题.实验结果表明,最大概率路径调度算法能够有效地缓解网络拥塞,提高带宽利用率和吞吐量,减少网络延迟,从而提高数据中心的整体网络性能和服务质量.     

Overhead reduction scheme for SDN-based Data Center Networks

This paper proposes a framework on controller and switches to reduce overhead of controller-switch communication for SDN-based Data Center Networks (DCN). The proposal focuses on OpenFlow (OF), a well-known, sophisticated protocol for SDN, to reduce the number of control messages, consisting of both PACKET_IN and PACKET_OUT messages handled by the OF controller during rule installation on OF switches’ flow tables. The controller receives the first packet of a flow for forwarding path determination and selectively chooses switches for rule installation. Moreover, to ensure lower loads for the controller to handle, the proposed framework adds an out-of-band controller and avoids a hybrid architecture. Extensive simulation shows significant results on reduced controller workload. The performance provides a mutual trade-off by considerably improving rule matching rate in the presence of slightly enhanced number of flow entries, conserving resources on both OF controller and OF switches for SDN-based DCN operation. As a consequence, network latency is reduced while throughput is enhanced, which offers a great promise in the future deployment of DCN.     

基于SDN的胖树数据中心网络的多路径路由算法

近年来,具有多路径能力的胖树拓扑结构已经被应用在很多数据中心网络(DCNs)中,以提高网络带宽和容错性。但其使用的传统路由协议对多路径路由的支持是非常有限的,并没有充分利用胖树数据中心网络的多余的可用带宽。因此研究了基于SDN的胖树网络的多路径路由。首先提出一个属于线性规划范畴的问题并证明它的NP完全性;然后提出了一个利用软件定义网络架构优点的实用算法,其依赖于一个中心控制器来收集网络状态信息,以作出最优的路由转发决策;最后把算法实现为OpenFlow控制器的一个模块并进行仿真验证。实验结果表明,所提算法无论在提高吞吐量还是减小端到端时延方面都优于传统的基于拓扑感知启发式的多路径算法。     

基于流特征的数据中心非对称流负载均衡方法

数据中心边界广泛部署的地址转换技术产生的非对称流为负载均衡系统的设计带来了挑战.为了解决软件负载均衡系统不能充分发挥多核处理器和网卡硬件能力的问题,提出一种基于流特征的非对称流负载均衡方法.首先,分析网卡的数据包散列机制,提出数据包调度算法,将数据包调度至预期的CPU核;然后,基于会话报文序列的时间与空间特征,构建大象流识别算法;最后,基于识别结果,提出负载均衡方法.实验结果表明,非对称流负载均衡方法可以正确处理非对称流的负载均衡,平均吞吐率提升约14.5%.     

数据中心基于服务满足度的网络流避让方法

越来越多的行业开始利用云以降低成本提高生产力,支撑多样化的服务对数据中心的网络性能提出了更高的要求,如何高负载下优先保证各项服务的质量变得至关重要,云服务提供商同时也关注如何提高数据中心的网络资源利用率并降低能耗.结合上述问题,提出一种基于服务满足度对非服务网络流进行调度的方法.引入服务满足度这一概念,评估网络状态能否...     

数据中心网络流量调度的研究进展与趋势

近年来,流量调度已经发展成为网络领域的热点研究问题.该问题主要决定何时以及以多大速率传输网络中的每条数据流,其对网络性能和应用性能都具有十分重要的影响.然而,在托管着许多大规模互联网应用的数据中心中,流量调度问题正面临着流量矩阵多变、流量种类混杂、以及流量突发等与流量模型相关的挑战.此外,随着数据中心规模的不断壮大,流量调度问题还面临着网络带宽动态化、网络拥塞随机化、以及网络目标多样化等与网络模型相关的挑战.为了进一步提升对数据中心流量调度的关注和理解,推动流调度技术在实际应用中的不断发展,本文分别从调度目标、调度方式和调度对象这三个维度对数据中心网络流调度的相关研究工作进行了分析和对比,并概括出如下结论:现有研究主要以分布式、集中式或混合式的调度方式对数据中心内、数据中心间或数据中心与用户间的流进行高效地调度,从而达到带宽保障、时限保障、最小化流完成时间、最小化Coflow完成时间、公平性保证、最小化流传输成本等目标.本文最后还指出了四个数据中心流调度的未来发展方向,并相应提出尚未解决的研究问题.     

基于概率矩阵分解的不完整数据集特征选择方法

在机器学习理论与应用中,特征选择是降低高维数据特征维度的常用方法之一。传统的特征选择方法多数基于完整数据集,对实际应用中普遍存在缺失数据的情形研究较少。针对不完整数据中含有未被观察信息和存在异常值的特点,提出一种基于概率矩阵分解技术的鲁棒特征选择方法。使用基于分簇的概率矩阵分解模型对数据集中的缺失值进行近似估计,以有效测量相邻簇之间数据的相似性,缩小问题规模,同时降低填充误差。依据缺失数据值存在少量异常值的情形,利用基于l_2,1损失函数的方法进行特征选择,在此基础上给出不完整数据集的特征选择方法流程,并对其收敛性进行理论分析。该方法利用不完整数据集中的所有信息,有效应对不完整数据集中异常值带来的影响。实验结果表明,相比传统特征选择方法,该方法在合成数据集上选择更少的无关特征,可降低异常值带来的影响,在真实数据集上获得了较高的分类准确率,能够选择出更为准确的特征。     

VANET中流调度与路径选择联合优化的传输策略

由于车辆节点与路边设施的强大存储与计算能力、良好的无线通信能力以及不间断的能量供应，车载自组网（vehicular ad-hoc network，简称VANET）可检测车辆行驶环境的变化，评测危险路况并预警，如前方事故现场预警、交叉路口防碰撞预警等，预估司机的反应时间，为安全驾驶及驾驶体验提供技术支持.但VANET中，数据传输面临无线信道质量不稳定、网络拓扑瞬息万变、无线链路寿命短、带宽受限、通信负载量大等多重挑战.因此，如何将数据及时而可靠地传输到"城市大脑"，已成为一个研究热点.考虑存储成本、丢包惩罚与传输奖励，首先提出了面向VANET的混合流调度策略，为不同优先级的数据流分配传输资源；结合链路状况，接着提出了VANET中混合流调度与路径选择联合优化的数据传输策略，满足了强实时数据流对传输时延的需求，同时提高了弱实时数据流的传输可靠性.大量的仿真实验与性能分析表明，这些策略能够为VANET中数据传输提供QoS保障.     

一种基于SVM后验概率的网络流量识别方法

为解决网络样本标注的难题,实现多种网络流量环境中的主动学习,提出一种基于支持向量机后验概率的网络流量识别方法。结合支持向量机输出和Sigmoid函数拟合样本所属类别后验概率,用其中较大的2类概率信息熵值衡量样本影响分,借助支持向量机和不确定性采样策略实现主动学习过程,形成流量识别模型。实验结果表明,该方法能取得较好的识别效果。