SDN中基于生物启示的控制器负载均衡机制

针对SDN多域部署中存在子域控制器负载不均衡现象,基于生物领域物种遗传和种群迁徙的启示,依据交换机迁移,提出了SDN控制器负载均衡机制.首先综合网络中主要开销,应用生物遗传的思想,设计了最优迁移域选择算法,得到最优迁入/迁出域;同时类比种群迁徙现象,对交换机应用存活期和淘汰机制,设计了交换机竞争迁移算法,均衡了子域交换机数量.仿真结果表明,与现有算法相比,迁移域的选取过程得到优化,均衡子域控制开销,有效保证了控制器负载的均衡分布.     

基于软件定义网络的分层式控制器负载均衡机制

针对软件定义网络（SDN）多控制器负载均衡过程中控制器之间通信开销大以及控制器吞吐量低等问题,提出一种分层式控制器负载均衡机制。基于分层式架构,通过超级控制器与域控制器协作完成负载均衡,并采用预定义负载阈值以减少域控制器与超级控制器之间的消息交换开销;同时,该机制可以有效选择出过载最重的域控制器,并从该过载域控制器所控制的交换机中选取多个符合迁移标准的交换机,将其同时分别迁移到多个综合性能高的域控制器上,从而解决多控制器间负载不均衡问题。实验结果表明,与层次式SDN控制器协同负载均衡方案（COLBAS）以及用于控制器负载均衡的动态和自适应算法（DALB）相比,所提机制系统的消息数量降低了约79个百分点,且该系统的吞吐量分别比DALB、COLBAS分别提高了约8.57%、52.01%。所提机制能够有效降低通信开销,并提高系统吞吐量,有更好的负载均衡效果。     

基于改进引力搜索算法的交换机迁移策略

针对多控制器软件定义网络（SDN）中交换机迁移策略迁移代价衡量单一,不能适应交换机流量的变化的情况,提出基于改进引力搜索算法的交换机迁移策略（IGS-SMS）。在决策阶段,应用基于模糊满意度的多目标决策方法,优化目标根据隶属度大小竞争优先权;在计算阶段,通过改进引力搜索算法优化优先权高的目标函数。实验结果表明,IGS-SMS在实现负载均衡的同时,能保证传输时延与交换机重分配的指标;在实验中,当局部负载较重时,动态迁移算法（DSMA）和基于改进型拍卖交换机迁移机制（PASMM）不能缓解控制器过载,而IGS-SMS执行后无控制器过载,且负载均衡度小于DSMA和PASMM。     

SDN中基于迁移优化的控制器负载均衡策略*

针对SDN多控制器负载均衡过程中交换机迁移僵化和迁移冲突问题,本文对现有的交换机迁移模型实施优化,提出了一种阶段式控制器负载均衡策略。在阶段1,综合控制器的各类开销代价,基于遗传算法优化迁移目标,选取交换机迁入和迁出域;在阶段2,通过设定子域迁移度和交换机有效期,实现了多交换机的协调迁移。仿真结果表明,与现有的负载均衡策略相比,改善了迁移域的选取过程,优化了交换机到控制器的动态部署,控制器负载均衡率提升了约21%。     

遗传算法在蜜网动态负载均衡中的应用

针对蜜网动态负载均衡过程中产生的额外通信开销问题,首先分析了蜜网动态负载均衡的特点,建立了基于最小通信开销的动态负载均衡数学模型;然后设计和实现了一种利用遗传算法解决该问题的新方法。实验测试表明,与贪心算法相比,遗传算法可获得更小通信开销的负载分配方案,能进一步减少蜜网动态负载均衡中负载迁移次数,降低额外通信开销。     

基于自优化的SDN交换机动态迁移机制

为提高SDN控制器的使用效率以及多控制器之间的负载均衡度,对多控制器的部署问题进行了研究,并提出了一种交换机动态迁移机制.该动态迁移机制基于周期性运行的自优化的算法实现,按照控制器的部署情况,将网络划分成多个域,通过分析各域内相关参数,分别找出负载最高和最低的控制器节点,并根据控制器负载和交换机请求率快速选择出最佳的迁移交换机和迁移目的地.控制器的负载均衡度、交换机请求的处理时延和算法的复杂度是算法设计中所考虑的主要因素.该算法的优点在于通过局部的动态调整实现了对SDN控制层的灵活管理.仿真结果表明,基于自优化的交换机动态迁移方案能够有效提高多控制器间的负载均衡度,减小流请求的处理时延,同时将运算复杂度保持在一个相对合理的水平.     

SDN多控制器网络中基于交换机迁移的动态负载均衡策略

针对多控制器SDN网络环境下的负载均衡问题,论文提出了一种基于交换机迁移的动态负载均衡策略,共分为三个实施阶段:首先通过动态信息采集算法(DIA)收集各控制器间的负载信息,以决定需要实施交换机迁移算法的过载控制器;随后依据论文定义的迁移域及迁移交换机选取算法(MSS)决定迁移目标控制器以及需要迁移的交换机;最后依据交换机迁移协议完成交换机迁移,实现多控制器下的负载均衡.仿真实验结果表明负载均衡后SDN网络中交换机的吞吐率显著提升,且各控制器负载逐渐趋于均衡.     

一种基于三层结构模型的SDN负载均衡方案

交换机与控制器之间的静态映射关系会导致SDN控制平面负载不均衡。针对这一问题,提出一种基于三层结构模型的负载均衡方案SMLB。SMLB采用控制器管理层-控制器集群-数据层结构模式,通过迁移交换机来改变交换机与控制器之间的静态映射关系,从而均衡控制平面负载。同时,SMLB在选择需要迁移的交换机和空闲控制器时,综合考虑负载因素和距离因素。实验结果表明,SMLB可以有效均衡控制平面负载,降低网络延迟,提高控制平面可拓展性。     

基于最小通信开销的动态负载均衡策略

针对动态负载均衡过程产生额外通信开销的问题,建立了一种基于最小通信开销的数学模型。在此基础上,提出一种利用遗传算法解决该问题的新策略。该策略可减少负载迁移次数,降低动态负载均衡过程中的网络流量。仿真实验表明,该策略可获得比贪心策略具有更小通信开销的分配方案。     

SDN控制器部署和基于流的动态管理方案*

软件定义网络（Software Defined Networking, SDN）通过构建独立的控制平面,极大地降低了网络设备及管理的复杂性。但在大规模广域网部署中,这种逻辑集中的方法在性能和扩展性方面存在诸多限制。因此控制平面多控制器的部署是一个非常重要的任务,其可以通过配置有限的资源来满足多样化需求。这些需求包括延迟限制、容错能力和负载均衡。本文首先提出一种控制器部署方法,该方法用于在给定的网络拓扑中完成控制器位置的部署。其次针对该部署方法设计了两种算法：交换机迁移算法将过载控制器域内交换机迁移到未过载控制器管理域中去,实现控制器间负载均衡;控制器池伸缩容量算法（Controller pool Scalable Capacity Algorithm, CSCA）实现池内控制器数目的动态伸缩,提高网络资源利用率。最后,仿真结果表明,相较LG方法,该方案在完成部署任务的同时,能够减少系统管理开销。     

基于正交自适应鲸鱼优化的云计算任务调度

针对任务调度中存在的任务完成时间长、系统执行任务成本高且系统负载不均衡等问题,提出了一种基于正交自适应鲸鱼优化算法（OAWOA）的云计算任务调度方法。首先,将正交试验设计（OED）应用于种群初始化和全局搜索阶段,以提升和维持种群的多样性,避免算法过早陷入局部收敛状态;然后,利用自适应指数递减因子和双向搜索机制,来进一步加强算法的全局搜索能力;最后,对适应度函数进行优化,从而使算法实现多目标优化。通过仿真实验将所提的算法与鲸鱼优化算法（WOA）、粒子群优化（PSO）算法、蝙蝠算法（BA）以及其他两种改进的WOA进行比较。实验结果表明,在任务规模为50和500时所提算法都取得了更好的收敛效果,并且得到的系统执行任务的总时间和总成本均低于其他几种算法,同时负载均衡度仅低于BA。可见,所提算法在降低系统执行任务的总时间和总成本以及提高系统负载均衡方面均表现出了显著的优势。     

基于协同进化的约束多目标优化算法

针对约束多目标优化算法存在难以有效地兼顾收敛性和多样性的问题,提出一种基于协同进化的约束多目标优化算法.第一阶段,通过基于稳态演化的可行解搜索方式得到一个具有一定数量可行解的种群;第二阶段,将这个种群拆分为两个子种群,并通过双子种群协同进化的方式实现对收敛性和多样性的兼顾;最后采用标准约束多目标优化问题CF1～CF7、...     

基于改进遗传算法的SDN多控制器负载均衡机制研究

为解决软件定义网络中多控制器负载失衡问题,提出了一种基于非合作博弈降载的主控制器重选模型。首先,利用动态阈值来判别过载控制器;其次,采用基于优先权的迁移交换机决策机制;最后,构建以控制器集群的负载均衡度、平均总时延和交换机迁移成本作为效用函数的优化模型,采用改进的遗传算法求解,加入相似算子提高寻求全局最优解的速度及准确度。实验结果表明,该机制有效地均衡了控制平面的负载并优化了网络性能。     

教与同伴学习粒子群算法求解多目标柔性作业车间调度问题

针对多目标柔性作业车间调度问题,提出了带Pareto非支配解集的教与同伴学习粒子群算法。首先,以工件的最大完工时间、最大机器负荷和所有机器总负荷为优化目标建立了多目标柔性作业车间调度模型。然后,该算法结合多目标Pareto方法和教与同伴学习粒子群算法,采用快速非支配排序算法产生初始Pareto非支配解集,用提取Pareto支配层程序更新Pareto非支配解集,同时采用混合分派规则产生初始种群,采用开口向上抛物线递减的惯性权重选择策略提高算法的收敛速度。最后,对3个Benchmark算例进行仿真实验。理论分析和仿真表明,与带向导性局部搜索的多目标进化算法(MOEA-GLS)和带局部搜索的控制遗传算法(AL-CGA)相比,对于相同的测试实例,该算法能产生更多更好的Pareto非支配解;在计算时间方面,该算法要小于带向导性局部搜索的多目标进化算法。实验结果表明该算法可以有效解决多目标柔性作业车间调度问题。     

基于多策略融合的混合多目标蝗虫优化算法

为提高蝗虫优化算法（GOA）求解多目标问题的性能,提出一种基于多策略融合的混合多目标蝗虫优化算法（HMOGOA）。首先,利用Halton序列建立初始种群,保证种群在初始阶段具有均匀分布和较高多样性;然后,通过差分变异算子引导种群变异,促进种群向优势个体移动同时进行更大范围寻优;最后,利用自适应权重因子根据种群优化情况动态调整算法全局搜索和局部寻优能力,提高优化效率及解集质量。选取7个典型函数进行实验测试,并将HMOGOA与多目标蝗虫优化、多目标粒子群（MOPSO）、基于分解的多目标进化（MOEA/D）及非支配排序遗传算法（NSGA Ⅱ）对比分析。实验结果表明,该算法避免了其他四种算法的局部最优问题,明显提高了解集分布均匀性和分布广度,具有更好的收敛精度和稳定性。     

多蚁群算法的网络负载动态均衡方法

针对网络资源管理中的负载均衡与优化问题,提出一种多蚁群网络负载动态均衡方法,采用网络流量工程理论中拥塞控制机制实现信息素随网络流量动态释放与更新。算法通过蚁群间信息素的动态相互作用（蚁群内信息素相互增强,蚁群间信息素相互削弱）,将代表网络负载的蚂蚁合理分配到可用路径,避免蚂蚁集中到特定路径而造成网络拥塞。实验结果表明,通过路径信息素控制能够实现网络负载均衡,有效提高网络在路径延时、平均带宽利用率和平均丢包率方面的性能。     

基于自适应反向学习的多目标分布估计算法

针对基于规则模型的多目标分布估计算法全局收敛性较弱的缺陷,提出了一种基于自适应反向学习(OBL)的多目标分布估计算法.该算法根据函数变化率的大小来决定是否进行OBL:当函数变化率较小时,算法可能陷入局部最优,所以进行OBL以提高当前种群中个体的多样性;当函数变化率较大时,运行基于规则模型的多目标分布估计算法.所提算法通...