CN105323166A - 一种面向云计算的基于网络能效优先的路由方法 - Google Patents
一种面向云计算的基于网络能效优先的路由方法 Download PDFInfo
- Publication number
- CN105323166A CN105323166A CN201510788956.7A CN201510788956A CN105323166A CN 105323166 A CN105323166 A CN 105323166A CN 201510788956 A CN201510788956 A CN 201510788956A CN 105323166 A CN105323166 A CN 105323166A
- Authority
- CN
- China
- Prior art keywords
- link
- network
- population
- dormancy
- energy efficiency
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
- H04L45/124—Shortest path evaluation using a combination of metrics
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/02—Topology update or discovery
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/14—Routing performance; Theoretical aspects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一种面向云计算的基于网络能效优先的路由方法,该方法包括:确定网络能效优化目标,建立网络能效优化目标函数及其应服从的约束条件;根据网络能效优化目标,首先为路由请求安排初始路径;然后在初始路径的基础上,先将链路利用率为零的链路进行休眠,然后再逐个对剩余链路尝试休眠后,最后基于流重定向来重新路由,得到符合网络能效优化目标的路由。本发明在保证QoS的基础上,优先提高网络能效,综合考虑了网络架构、网络业务需求、网络性能及网络能效。本发明不仅能满足最高利用率门限、路由占用的链路数目等约束条件,而且耗能少,利用率高,能够有效地降低互联网公司的运营成本,对网络的规划管理具有重要的意义。
Description
技术领域
本发明属于网络能效优化领域,具体涉及一种面向云计算的基于网络能效优先的路由方法。
背景技术
云计算能耗问题逐渐成为制约云计算发展的重要因素,如何降低网络能耗,同时提高网络的整体能效是现在研究的热点。研究发现,现行网络中20%的链路承载着80%的流量负载,这说明大部分网络的设计都是不合理的,没能实现负载均衡。另外,大部分网络都是采用冗余设计来满足突发流量、链路拥塞等网络突发问题,但是突发问题发生的概率小,却因此浪费了大量的资源,且大部分的网络节能算法都是单纯为了节能而设计的,没有考虑休眠链路后网络的性能是否会降低。
发明内容
针对现有技术存在的不足,本发明提供一种面向云计算的基于网络能效优先的路由方法。
本发明的技术方案:
一种面向云计算的基于网络能效优先的路由方法,包括如下步骤:
步骤1:确定网络能效优化目标,建立网络能效优化目标函数及其应服从的约束条件;
步骤1.1:网络能效优化目标为:最小化网络比特能耗BE和网络开启链路数NA;
根据网络能效优化目标建立由式(1)所示的网络能效优化目标函数;
所述网络能效优化目标函数为:
Minimizef(x)=[f1(x),f2(x)](1)
其中
其中E为拓扑中所有链路的集合;L为链路集合中链路的个数;xij表示链路(i,j)的流量负载,为所有源节点s到目的节点d经过该链路的业务量请求之和;表示网络总能耗;表示网络总流量;F(xij)为链路(i,j)的能耗函数,由式(4)表示;η为二进制变量,由式(5)表示:
其中,β为能耗与流量的线性比值;δ为基本能耗的比例系数;β·δ·Cij为链路(i,j)的基本能耗;
步骤1.2:建立网络能效优化目标函数应服从的约束条件;
1)路由约束,由式(6)表示,保证路由中的流量守恒:
即源节点s通过一条出链路发送流量,并且不接受任何流量;目的节点d只从其他节点接收流量,而不能往邻近节点发送流量;而中间节点的流量进出守恒;
2)链路的最高利用率不得超过门限值α:
xij≤αCij,0<α<1,(i,j)∈E(7)
其中α为链路利用率的最高门限值;
3)路由的最大延迟约束,即路由占用的链路数目不得超过门限值maxhop,即单次路由最大跳数;假设流量经过一条链路的延迟为一固定值,那么,对于路由的最大延迟限制可以转换为一个s到d的请求路径所占用的链路个数的门限值,因此有约束条件:
其中为二进制0-1变量,当源s到目的d的路径包含链路(i,j)时,取1,否则取0,如式(9)所示,
其中Psd表示源s到目的d的路径上的链路集合;
前述xij计算方法由式(10)表示:
其中SD表示源s到目的d的请求业务量;
步骤2:根据网络能效优化目标,首先为路由请求安排初始路径;然后在初始路径的基础上,先将链路利用率为零的链路进行休眠,然后再逐个对剩余链路尝试休眠后,最后基于流重定向来重新路由,得到符合网络能效优化目标的路由;
步骤2.1:采用NSGA-II算法进行初始路由,为所有OD对间的请求业务量产生路径安排;
步骤2.2:在步骤2.1安排的初始路径的基础上,先将链路利用率为零的链路进行休眠,然后再根据链路利用率从小到大依次对剩余链路尝试进行休眠,并在休眠链路后随即进行基于流重定向的重新路由,得到符合网络能效优化目标的路由;
根据所述的面向云计算的基于网络能效优先的路由方法,所述步骤2.1按如下步骤进行:
步骤2.1.1:初始化网络状态、路由参数;
包括导入网络节点数n,网络拓扑矩阵即链路矩阵Link、流量矩阵TM、链路容量C、链路最高利用率门限α和单次路由最大跳数maxhop;链路负载矩阵x中元素初始化为0;
步骤2.1.2:分析路由请求,将请求按业务量从大到小排序并生成请求队列R;
步骤2.1.3:如果R非空,按照步骤2.1.2中所述的顺序从队列R中依次逐个取出请求,并确定所取出的请求的源节点s、目的节点d和业务量;如果R为空,则转至步骤2.1.2;
步骤2.1.4:初始化种群大小pop,最大迭代次数maxgen;
步骤2.1.5:利用随机深度优先搜索DFS算法,产生初始种群D;
步骤2.1.6:根据优化目标函数计算种群D中每一个个体的能效优化目标函数值,其中对于不满足约束2)或约束3)的个体,将其能效优化目标函数值均置为Inf;
步骤2.1.7:利用非支配排序为种群D中的个体进行非劣性分层与排序;
步骤2.1.8:利用竞争选择策略从种群D中选择出父种群P;
步骤2.1.9:通过对父种群P进行交叉、变异和修复操作,得到子种群Q,并计算子种群Q中每个个体的能效优化目标函数值;
步骤2.1.10:重新组合种群D、子种群Q得到种群S,即S=D∪Q;
步骤2.1.11:利用非支配排序对种群S中个体进行非劣性分层与排序;
步骤2.1.12:根据精英保留策略,选择种群S中的前pop个个体构成新的种群,用该新的种群更新原始种群D,实现原始种群D的一次进化,并将更新后的种群D作为下次进化的原始种群,转至步骤2.1.8;
步骤2.1.13:重复执行步骤2.1.8至步骤2.1.12maxgen次,种群D经过maxgen次迭代进化后,从中选择出目标函数值最优的个体,若该个体的目标函数值不为Inf,则路由成功,转到步骤2.1.14;否则,路由失败,转到步骤2.1.15;
步骤2.1.14:将该个体作为满足约束的源节点s到目的节点d的最优路径,用该个体的请求业务量更新链路负载矩阵x,并将当前取出的该请求从队列R中删除,然后转到步骤2.1.3;
步骤2.1.15:请求阻塞数加1,并将当前取出的该请求从队列R中删除,然后转到步骤2.1.3。
步骤2.1.16:重复执行步骤2.1.3至步骤2.1.15,直至R为空,完成所有OD对间的请求业务量的路径安排。
根据所述的面向云计算的基于网络能效优先的路由方法,所述步骤2.2按如下步骤进行:
步骤2.2.1:将链路矩阵Link中链路利用率为0的链路置于休眠状态,得到新的链路矩阵Link_1;
步骤2.2.2:根据链路利用率从小到大将链路矩阵Link_1中的链路进行排序,生成候选休眠链路队列I;
步骤2.2.3:如果I非空,则按照步骤2.2.2中所述的顺序从队列I中依次逐个取出候选休眠链路,执行步骤2.2.4;如果I为空,用链路矩阵Link_1更新链路矩阵Link,转至步骤2.1.2;
步骤2.2.4:确定当前取出的候选休眠链路的起终节点,将该链路置于休眠状态,得到链路矩阵Link_2;
步骤2.2.5:计算出链路矩阵Link_2对应的可达矩阵,并根据该可达矩阵判断此时的网络拓扑是否强连通,如果仍维持强连通性,则确定所有经过该链路的OD流请求的源节点、目的节点和请求业务量,执行步骤2.2.6;否则,将当前取出的候选休眠链路从I中删除,转至步骤2.2.3,取出下一个候选休眠链路;
步骤2.2.6:根据请求业务量从大到小将通过该链路的所有OD流进行排序,生成待重定向OD流队列W,并设置临时链路负载矩阵x1=x,将x1中对应W中所有OD对占用链路上的流量值减去通过该链路的相应OD对间的请求业务量;
步骤2.2.7:判断W是否非空,是,则按照步骤2.2.6中所述的顺序从队列W中依次逐个取出待重定向OD流,并执行步骤2.2.8;否,则转到步骤2.2.12;
步骤2.2.8:确定当前取出的待重定向OD流的源节点s、目的节点d和请求业务量;
步骤2.2.9:用链路矩阵Link_2更新链路矩阵Link,按照步骤2.1.2至步骤2.1.13的方法重新路由;
步骤2.2.10:如果路由成功,用通过该链路的相应OD对间的请求业务量更新临时链路负载矩阵x1,并将当前该重定向OD流从队列W中删除,转到步骤2.2.7,取出下一个待重定向OD流;如果路由失败,则链路休眠失败,将当前候选休眠链路从I中删除,转到步骤2.2.3,取出下一个候选休眠链路;
步骤2.2.11:重复执行步骤2.2.7至步骤2.2.10,直至W为空,则待重定向OD流队列W中的所有OD流重定向均成功,表明当前候选休眠链路休眠成功;
步骤2.2.12:更新链路负载矩阵x=x1,并将Link_1中的该链路休眠,并将当前候选休眠链路从I中删除,转到步骤2.2.3,取出下一个候选休眠链路;
步骤2.2.13:重复执行步骤2.2.3至2.2.12,直至I为空,用链路矩阵Link_1更新链路矩阵Link,得到符合网络能效优化目标的路由。
本发明有益效果:本发明对适用于不同规模的云计算网络的能效路由策略问题进行了研究。在保证QoS的基础上,优先提高网络能效,综合考虑了网络架构、网络业务需求、网络性能及网络能效。本发明不仅能满足最高利用率门限、路由占用的链路数目等约束条件,而且耗能少,利用率高,能够有效地降低互联网公司的运营成本,对网络的规划管理具有重要的意义。
附图说明
图1为本发明一种实施方式的面向云计算的基于网络能效优先的路由方法流程图;
图2为本发明一种实施方式的采用NSGA-II算法初始路由过程流程图;
图3为本发明一种实施方式的链路休眠与基于流重定向的重新路由过程流程图;
图4为本发明一种实施方式的染色体编码示意图;
图5(a)和图5(b)为本发明一种实施方式的种群经过初始化可能存在的两条染色体示意图;
图6为本发明一种实施方式两条染色体P1和P2交叉后得到新染色体P’1和P’2示意图;
图7为本发明一种实施方式染色体P3经过变异操作得到新染色体P3'示意图;
图8为本发明一种实施方式修复染色体P3'中的路径环得到无环的染色体P3”示意图;
图9(a)为本发明一种实施方式COST239网络拓扑图;(b)本发明一种实施方式NSFNET网络拓扑图;(c)本发明一种实施方式ItalyNET网络拓扑图;
图10为本发明一种实施方式面向云计算的基于网络能效优先的路由方法在不同约束下网络总能耗与平均业务量的关系图;
图11为本发明一种实施方式面向云计算的基于网络能效优先的路由方法在不同约束下网络比特能耗与平均业务量的关系图;
图12为本发明一种实施方式面向云计算的基于网络能效优先的路由方法在不同约束下请求阻塞数与平均业务量的关系图;
图13为本发明一种实施方式面向云计算的基于网络能效优先的路由方法在不同约束下休眠链路数与平均业务量的关系图;
图14为本发明一种实施方式面向云计算的基于网络能效优先的路由方法在不同约束下平均链路利用率与平均业务量的关系图;
图15(a)为本发明一种实施方式面向云计算的基于网络能效优先的路由方法应用于三种不同网络拓扑的比特能耗与平均业务量的关系图;(b)本发明一种实施方式面向云计算的基于网络能效优先的路由方法应用于三种不同网络拓扑的总能耗与平均业务量的关系图;
图16(a)为本发明一种实施方式面向云计算的基于网络能效优先的路由方法应用于三种不同网络拓扑的激活链路数与平均业务量关系对比图;(b)本发明一种实施方式面向云计算的基于网络能效优先的路由方法应用于三种不同网络拓扑的开启链路数与平均业务量关系对比图;
图17为本发明一种实施方式面向云计算的基于网络能效优先的路由方法应用于三种不同网络拓扑的激活链路数与平均业务量关系对比图;
图18(a)为本发明一种实施方式三种不同路由算法应用于COST239拓扑中得到的网络比特能耗与平均业务量关系对比图;(b)为本发明一种实施方式三种不同路由算法应用于COST239拓扑中得到的网络总能耗与平均业务量关系对比图;
图19为本发明一种实施方式三种不同路由算法应用于COST239拓扑中得到的平均链路利用率与平均业务量关系对比图;
图20(a)为本发明一种实施方式将面向云计算的基于网络能效优先的路由方法与GreenOSPF算法应用于COST239拓扑得到的网络比特能耗与平均业务量关系对比图;(b)为本发明一种实施方式将面向云计算的基于网络能效优先的路由方法与GreenOSPF算法应用于COST239拓扑得到的网络总能耗与平均业务量关系对比图;
图21(a)为本发明一种实施方式将面向云计算的基于网络能效优先的路由方法与GreenOSPF算法应用于COST239拓扑得到的休眠链路数与平均业务量关系对比图;(b)为本发明一种实施方式将面向云计算的基于网络能效优先的路由方法与GreenOSPF算法应用于COST239拓扑得到的开启链路数与平均业务量关系对比图;
图22为本发明一种实施方式将面向云计算的基于网络能效优先的路由方法与GreenOSPF算法应用于COST239拓扑得到的平均链路利用率与平均业务量关系对比图。
具体实施方式
下面结合附图对本发明的一种实施方式作详细说明。
本实施方式中的面向云计算的基于网络能效优先的路由方法,如图1所示,包括如下步骤:
步骤1:确定网络能效优化目标,建立网络能效优化目标函数及其应服从的约束条件;
步骤1.1:网络能效优化目标为:最小化网络比特能耗BE和网络开启链路数即最大化网络休眠链路数,根据网络能效优化目标建立由式(1)所示的网络能效优化目标函数。
由于在拓扑固定情况下,网络总链路数也固定,因此最小化网络开启链路数等价于最大化网络休眠链路数。
使用图论来表示的网络拓扑模型G={V,E},其中V为网络拓扑中所有节点集合,节点个数为N,E为拓扑中所有链路的集合,L表示链路集合中链路的个数,链路(i,j)的容量为Cij;
为了分析网络的能耗,设置链路的能耗函数F(xij),通过该能耗函数可以由某条链路上的流量负载计算该链路的功耗。其中能耗函数不仅要考虑和流量负载的关系,还要考虑跟链路的使用状态的关系。因此能耗函数可以设置为当链路负载为零时,链路能耗为零,当链路负载不为零时链路能耗等于基本能耗与流量能耗之和。其中基本能耗是链路开启就存在的固定能耗,该能耗值是个常数;能耗函数的流量能耗定义为链路流量负载的二次函数。
所述网络能效优化目标函数为:
Minimizef(x)=[f1(x),f2(x)](1)
其中
其中E为拓扑中所有链路的集合;L为链路集合中链路的个数;xij表示链路(i,j)的流量负载,为所有源节点s到目的节点d经过该链路的业务量请求之和;表示网络总能耗;表示网络总流量;
如式(2)所示,根据网络的功耗和网络中流量衡量网络的能效,定义网络比特能耗BE为网络总能耗与网络总流量的比值,表示成功传输的每Gbit信息量所消耗的焦耳能量,单位为J/Gbit。BE越小表示网络能效越高。
F(xij)为链路(i,j)的能耗函数,由式(4)表示;η为二进制变量,由式(5)表示:
其中,β为能耗与流量的线性比值;δ为基本能耗的比例系数;β·δ·Cij为链路(i,j)的基本能耗;
从公式(4)中的链路流量负载能耗函数的模型可以看出,单位流量能耗不仅与链路容量有关还与δ的取值有关。在容量一定的情况下,当δ=1时,链路能耗函数是一个开关函数,即为能效网络的休眠机制;当δ=0时,链路能耗函数是一个理想的速率自适应的模型,链路不存在固定能耗,只与流量负载值有关。
步骤1.2:建立网络能效优化目标函数应服从的约束条件;
1)路由约束,由式(6)表示,保证路由中的流量守恒:
即源节点s通过一条出链路发送流量,并且不接受任何流量;目的节点d只从其他节点接收流量,而不能往邻近节点发送流量;而中间节点的流量进出守恒;
2)链路的最高利用率不得超过门限值α:
xij≤αCij,0<α<1,(i,j)∈E(7)
其中α为链路利用率的最高门限值;
3)路由的最大延迟约束,即路由占用的链路数目不得超过门限值maxhop,即单次路由最大跳数;假设流量经过一条链路的延迟为一固定值,那么,对于路由的最大延迟限制可以转换为一个源节点s到目的节点d的请求路径所占用的链路个数的门限值,因此有约束条件:
其中为二进制0-1变量,当源节点s到目的节点d的路径包含链路(i,j)时,取1,否则取0,如式(9)所示,
其中psd表示源节点s到目的节点d的路径上的链路集合;
前述xij计算方法由式(10)表示:
其中SD表示源节点s到目的节点d的请求业务量;
步骤2:根据网络能效优化目标,首先为路由请求安排初始路径;然后在初始路径的基础上,先将链路利用率为零的链路进行休眠;接下来再逐个对剩余链路尝试进行休眠,最终得到符合网络能效优化目标的路由;
本实施方式中首先利用经典非支配排序遗传算法NSGA-II进行多目标能效优先路由,为所有OD对间的业务量请求产生路径安排;然后在完成所有路由的基础上,先将链路利用率为零的链路进行休眠,然后根据链路利用率从小到大依次对剩余链路尝试进行休眠。链路能进入休眠状态必须满足的条件包括:①链路休眠后仍能维持网络拓扑的强连通性,②链路上的所有OD流请求均可以通过重定向进而汇聚到其他开启链路上。
步骤2.1:根据网络能效优化目标,采用NSGA-II算法进行初始路由,为所有OD对间的请求业务量产生初始路径安排,具体过程如图2所示。
将NSGA-II算法应用到源目的寻路过程,需要先明确种群中的染色体定义。染色体也就是源节点s到目的节点d路由的解决方案。因此染色体就是包含单一路径上所有节点的向量。染色体编码如图4所示:其中ni∈V且ni≠s,ni≠d。举例说明,参考图9(a)所示的COST239网络拓扑图,假设源节点s为1,目的节点d为9,那么源目的节点间存在一些可行的路径。图5(a)和图5(b)中展示了种群中经过初始化可能存在的两条染色体。
步骤2.1.1:初始化网络状态、路由参数;
包括导入网络节点数n,网络拓扑矩阵即链路矩阵Link、流量矩阵TM、链路容量C、链路最高利用率门限α和单次路由最大跳数maxhop;链路负载矩阵x中元素初始化为0;
步骤2.1.2:分析路由请求,将请求按业务量从大到小排序并生成请求队列R;
步骤2.1.3:如果R非空,按照步骤2.1.2中所述的顺序从队列R中依次逐个取出请求,并确定所取出的请求的源节点s、目的节点d和业务量;如果R为空,则转至步骤2.1.2;
步骤2.1.4:初始化种群大小pop,最大迭代次数maxgen;
步骤2.1.5:利用随机深度优先搜索DFS算法,产生初始种群D;
通常根据问题的范围、约束来随机初始化在初始种群中的染色体。可以利用图搜索算法包括广度优先搜索(BFS)或深度优先搜索(DFS)进行种群初始化。本实施方式采用随机深度优先搜索算法进行种群初始化。
步骤2.1.6:根据优化目标函数计算种群D中每一个个体的能效优化目标函数值,其中对于不满足约束2)或约束3)的个体,将其能效优化目标函数值均置为Inf;
步骤2.1.7:利用非支配排序为种群D中的个体进行非劣性分层与排序;
本实施方式对初始种群基于非支配进行排序,也就是基于非支配将种群中个体放入每一层。第一层完全是当前种群中非支配个体的集合,第二层中的个体只被第一层中的个体所支配,以此类推,每个种群中属于相同层的个体都会被分配一个相同的层号,也就是第一层中的每个个体被分配得到的层号为1,第二层中的每个个体被分配得到的层号为2,等等。如果一个个体的能效优化目标函数值不差于另一个个体的能效优化目标函数值,且至少其中一个个体的能效优化目标函数值优于另一个个体的,那么这个个体支配另一个个体。快速排序算法描述如下。
对于种群中的每个个体p执行如下操作:
1)初始化Sp=φ。Sp集合将会包括种群中被个体p支配的所有个体。
2)初始化np=0。np代表种群中支配个体p的个体数量。
3)对种群中每个个体q:如果个体p支配q,那么将个体q添加进集合Sp,即Sp=Sp∪{q};否则如果个体q支配p,那么使得个体p的被支配计数器自增1,即np=np+1。
4)如果np=0,也就是说种群中没有可以支配个体p的个体,那么个体p属于第一层;设置个体p的层号即rank值为1,即prank=1。添加个体p来更新rank为1的个体集合,即F1=F1∪{p}。
对于非空的第i层执行如下操作:
(1)Q=φ,集合Q用于存放属于第i+1层的个体。
(2)对于层Fi中的个体p:对于集合Sp中每个个体q,nq=nq-1,个体q中的被支配的个体数目自减1;如果nq=0,那么表示剩下的个体中没有可以支配个体q的,因此设置qrank=i+1。将个体q添加进集合Q来更新Q,即Q=Q∪q;
(3)当前集合Q是下一层,因此Fi=Q。
步骤2.1.8:利用竞争选择策略从种群D中选择出父种群P;
本实施方式采用竞争选择策略从种群D中选择出用来产生后代的父种群P。涉及到两个参数:父种群大小以及竞争选择大小;父种群的大小通常设置为原始种群D大小的1/2;由于竞争选择依据包括层号和拥挤距离,故竞争选择的大小选择为2。
具体选择的步骤是从种群中随机选择两个个体,首先比较两个个体的rank值,选择rank值较小的个体进入父种群P;若两个个体位于同层,即rank值相等,那么比较二者的拥挤距离(crowdingdistance),选择拥挤距离较大的个体进入父种群P,拥挤距离用来度量个体与其周围个体的差异性,拥挤距离越大越可能为种群带来多样性。
步骤2.1.9:通过对父种群P进行交叉、变异和修复操作,得到子种群Q,并计算子种群Q中每个个体的能效优化目标函数值;
遗传操作包括交叉函数和变异函数。交叉和变异操作用于从现有的染色体中产生新的染色体,使得遗传算法能够在下一代的搜索空间中产生新的解决方案。根据经验和算法中的决策变量数,本实施方式中交叉概率和变异概率分别设置为0.9和0.1。
交叉函数的思想是在两条染色体间进行信息交换,在两个染色体的交叉点上交换两条染色体。通过这样做,能够探索新的路径,并在此过程中有希望能找到更好的路径。常用的交叉方案有基于节点交叉NBX(NodeBasedCrossover)和部分映射交叉PMX(PartiallyMappedCrossover),本实施方式中采用的是NBX,故重点介绍NBX的过程。
NBX交叉方案是单点交叉的改进。工作形式如下:首先从父种群中随机选择两条染色体,然后随机生成一个0-1间随机数,将其与交叉概率比较,若随机数小于交叉概率,则进行交叉,否则,放弃交叉。接着,寻找两条染色体中除首尾节点(即源目的节点)外相同的节点集合,若集合为空,表明两条染色体中无可交叉点,放弃交叉,否则,从集合中随机选择1个节点作为两条染色体的交叉点(CrossoverPoint)。确定交叉点后,保留两条染色体的源节点到交叉点部分,交换两条染色体交叉点后的部分,如图6所示两条染色体P1和P2交叉后得到新染色体P’1和P’2。由此,通过交叉操作可能得到两条新的染色体。
变异函数的工作形式如下:首先,随机选择一条染色体,然后随机生成一个0-1间随机数,与变异概率比较,若随机数小于变异概率,则进行变异,否则,放弃变异。若进行变异,需要选择染色体中的变异点位置,可以是将染色体中心节点确定作为变异点位置,也可以是随机选择染色体中的节点(不包括源目的节点)作为变异点位置。本实施方式选择随机产生变异点。选择出变异点后,保留源节点到变异点的染色体,重新随机DFS生成变异点之后的节点到目的节点间的路径,如图7所示,染色体P3变异后得到新染色体P3'。由此,新得到的染色体作为变异之后的染色体。
染色体经过上述的交叉和变异操作后,有可能产生路径环,也就是染色体中存在相同的节点。为了解决这个问题,本实施方式采用执行修复函数作为对策。修复函数找到并消除路径中的环。通过沿着染色体执行搜索找到重复节点从而修复染色体中出现的环。如在图7的染色体变异过程中,得到的新染色体P3'中存在路径环,即节点3重复出现。那么通过修复操作,如图8所示,找到并消除P3'中的重复节点3,得到无环的染色体P3”。
步骤2.1.10:重新组合原始种群D、子种群Q得到种群S,即S=D∪Q;且种群S的大小必然远大于下次进化需要的原始种群D大小pop;
步骤2.1.11:利用非支配排序对种群S中个体进行非劣性分层与排序;
步骤2.1.12:根据精英保留策略,选择种群S中的前pop个个体构成新的与原始种群大小一致的种群,用该新种群更新原始种群D,实现原始种群D的一次进化,并将更新后的种群D作为下次进化的原始种群,转至步骤2.1.8;
根据精英保留策略,从新种群S中依次选择第1,2,3等层的全部染色体加入到新种群D',直到若继续加入下一层的全部染色体后新种群D'大小超过pop,停止加入下一层的全部染色体。此时的种群大小若小于pop,则从下一层的染色体中根据拥挤距离选择出剩余数目的染色体加入D'。由此,通过基于非支配的排序,保留下性能较好的染色体进入下一次进化过程,D=D'。
步骤2.1.13:重复执行步骤2.1.8至步骤2.1.12maxgen次,使种群D经过maxgen次迭代进化后,从中选择出能效优化目标函数值最优的个体,若该个体的能效优化目标函数值不为Inf,则路由成功,转到步骤2.1.14;否则,路由失败,转到步骤2.1.15;
步骤2.1.14:将该个体作为满足约束的源节点s到目的节点d的最优路径,用该个体的请求业务量更新链路负载矩阵x,并将当前取出的该请求从队列R中删除,然后转到步骤2.1.3;
步骤2.1.15:请求阻塞数加1,并将当前取出的该请求从队列R中删除,然后转到步骤2.1.3。
步骤2.2:在步骤2.1的初始路由基础上,根据网络能效目标,先将链路利用率为零的链路进行休眠,然后再根据链路利用率从小到大依次对剩余链路尝试进行休眠,并在休眠链路后随即进行基于流重定向的重新路由,得到符合网络能效优化目标的路由;具体过程如图3所示。
链路休眠的主要思想是在完成路径安排的基础上,首先将链路利用率为零的链路置为休眠状态,然后根据链路利用率从小到大将剩余链路进行排序,依次选择链路作为候选休眠链路,如果链路休眠后仍能维持全网强连通性且通过该链路的所有OD流均可以通过重定向汇聚到其他开启链路上,那么被选择的链路最终可以进入休眠状态,否则继续选择下一条链路作为候选休眠链路,直到遍历完所有链路。
步骤2.2.1:将链路矩阵Link中链路利用率为0的链路置于休眠状态,得到新的链路矩阵Link_1;
步骤2.2.2:根据链路利用率从小到大将链路矩阵Link_1中的链路进行排序,生成候选休眠链路队列I;
步骤2.2.3:如果I非空,则按照步骤2.2.2中所述的顺序从队列I中依次逐个取出候选休眠链路,执行步骤2.2.4;如果I为空,用链路矩阵Link_1更新链路矩阵Link,转至步骤2.1.2;
步骤2.2.4:确定当前取出的候选休眠链路的起终节点,将该链路置于休眠状态,得到链路矩阵Link_2,执行步骤2.2.5;
步骤2.2.5:计算出链路矩阵Link_2对应的可达矩阵,并根据该可达矩阵判断此时的网络拓扑是否强连通,如果仍维持强连通性,则确定所有经过该链路的OD流请求的源节点、目的节点和请求业务量,执行步骤2.2.6;否则,将当前取出的候选休眠链路从I中删除,转至步骤2.2.3,取出下一个候选休眠链路;
对于一个有向图,忽略所有有向边的方向性而得到对应的一个无向图,如果该无向图是连通的,即其中任意两个节点有通路相连,则称原有向图是弱连通的;如果在原有向图中任意两点间至少有一节点至另一节点的通路存在,则称该有向图是单向连通的;而如果原图任意两节点间的一节点至另一节点的通路均存在,即有双向通路,则称该有向图是强连通的。
本实施方式针对的是可以看成是有向图的网络拓扑,进行链路休眠时必须检查图的强连通性,只有不影响强连通性的链路才能进一步考虑是否能被休眠。本实施方式采用矩阵判别法来检查有向图是否具有强连通性。即根据有向图G的邻接矩阵A计算得到其可达矩阵R,利用可达矩阵来判断强连通性。可达矩阵的定义如下:
设n阶简单有向图G=<V,E>,V={v1,v2,...,vn}为顶点集合,E为有向边集合,定义一个n×n矩阵R=[rij],令 则称矩阵R为图G的可达矩阵。可达矩阵表明了图中任意两个节点间是否至少存在一条通路。
给定n阶布尔矩阵A=[aij],B=[bij],定义矩阵的合成运算“ο”和取大运算如下:
(1)
(2)
(3)
(4)A(n)=A(n-1)οA
以上各式中∨和∧分别表示元素的取大、取小运算。
设A为简单有向图G=<V,E>的邻接矩阵,可达矩阵的常用求法为:
那么图G=<V,E>为强连通的充分必要条件是可达矩阵P除对角线元素外的所有元素全为1。
本实施方式中有向图的邻接矩阵等价于链路矩阵Link,计算有向图的可达矩阵并利用其来判断有向图是否具有强连通性的函数记为CheckConnectivity(),具有强连通性则返回1,否则返回0,伪代码如表1所示:
表1CheckConnectivity函数伪代码
步骤2.2.6:根据请求业务量从大到小将通过该链路的所有OD流进行排序,生成待重定向OD流队列W,并设置临时链路负载矩阵x1=x,将x1中对应W中所有OD对占用链路上的流量值减去通过该链路的相应OD对间的请求业务量;
步骤2.2.7:如果W非空,按照步骤2.2.6中所述的顺序从队列W中依次逐个取出待重定向OD流,执行步骤2.2.8;如果W为空,则转到步骤2.2.12;
步骤2.2.8:确定当前取出的待重定向OD流的源节点s、目的节点d和请求业务量;
步骤2.2.9:用链路矩阵Link_2更新链路矩阵Link,按照步骤2.1.2至步骤2.1.13的方法重新路由;
步骤2.2.10:如果路由成功,用通过该链路的相应OD对间的请求业务量更新临时链路负载矩阵x1,并将当前该待重定向OD流从队列W中删除,转到步骤2.2.7,取出下一个待重定向OD流;如果路由失败,则链路休眠失败,将当前候选休眠链路从I中删除,转到步骤2.2.3,取出下一个候选休眠链路;
步骤2.2.11:重复执行步骤2.2.7至步骤2.2.10,直至W为空,则待重定向OD流队列W中的所有OD流重定向均成功,表明当前候选休眠链路休眠成功;
步骤2.2.12:更新链路负载矩阵x=x1,并将Link_1中与当前候选休眠链路对应的链路休眠,并将当前候选休眠链路从I中删除,转到步骤2.2.3,取出下一个候选休眠链路;
步骤2.2.13:重复执行步骤2.2.3至2.2.12,直至I为空,用链路矩阵Link_1更新链路矩阵Link,转至步骤2.1.2;
对本实施方式的面向云计算的基于网络能效优先的路由方法进行仿真实验:
为了验证本实施方式的面向云计算的基于网络能效优先的路由方法的有效性,采用了COST239、NSFNET和ItalyNET三种不同规模的云计算网络拓扑进行仿真实验,分别如图9(a)、图9(b)和图9(c)所示。表2中列出网络的节点数、链路数、数据中心数及平均节点度。
仿真实验使用的流量数据为合成的流量矩阵,包括2种流量数据:其中第1种流量数据中包括不同均值的流量矩阵,其平均业务量请求值从10Gb/s到100Gb/s不等,流量请求的最小粒度为10Gb/s,最大业务请求不超过190Gb/s;第2种流量数据包括不同均值的流量矩阵,其平均业务量请求值从5Gb/s到50Gb/s不等,流量请求的最小粒度为5Gb/s,最大业务请求不超过90Gb/s。流量矩阵中的流量请求服从均匀分布。网络拓扑中链路的初始带宽C设置为40*32=1280Gb/s,链路功耗与链路容量的比值参数设置为25。NSGA-II算法中,种群大小pop=100,最大迭代次数maxgen=50。在拓扑对比仿真实验中,对于各个拓扑,设置最大迭代次数maxgen=30。
表2网络拓扑参数
网络名称 | 节点数 | 链路数 | 数据中心数 | 平均节点度 |
COST239 | 11 | 52 | 2 | 4.7273 |
NSFNET | 14 | 42 | 4 | 3 |
ItalyNET | 21 | 70 | 6 | 3.3 |
对基础网络来说,将会有大量的流量集中在数据中心之间(Inter-Datacenter)和数据中心与用户之间(User-Datacenter)。前者的诱因主耍是各个数据中心之间需要大量的信息同步,容灾备份和统一计算;后者的主要原因则是人们需要越来越多部署在数据中心的云服务。
1.通过参数变化验证本实施方式的面向云计算的基于网络能效优先的路由方法的有效性
采用COST239网络和第1种流量数据进行仿真,主要考虑了链路利用率的最高门限α参和路由最大延迟maxhop参数对网络性能和网络能效效果的影响,其中α有80%和95%两种情况,maxhop包括有最大跳数约束maxhop=6和无最大跳数约束maxhop=Inf两种情况。
从图10可以看出,在不同约束条件下,随着平均业务量请求的增加,网络的总能耗均不断增加。从图11中可以看出,在不同约束条件下,随着平均业务量请求的增加,网络的比特能耗呈不断减少趋势。综合两图可看出,在较低流量负载情况下,随着平均业务量请求增加,网络的比特能耗减少得更为明显。同时,可以发现链路利用率门限变化和有无最大跳数约束对网络总能耗与比特能效的影响不明显。
图12和图13分别为不同约束情况下,请求阻塞数、休眠链路数随平均业务量请求增加的变化情况。图12表明,在不同约束情况下,尽管平均业务量请求不断增加,本实施方式的面向云计算的基于网络能效优先的路由方法仍可以成功完成所有的请求,请求阻塞数始终保持为零。图13为随平均业务量请求的增加,不同约束情况下本实施方式的面向云计算的基于网络能效优先的路由方法得到的网络链路空闲情况。在链路空闲时,链路功耗为零,链路可被置为休眠状态。从图12和图13中可以看出,在不同约束条件下,随着流量平均需求的增加,网络中链路休眠的个数呈渐少趋势。且链路利用率门限为95%时的网络休眠链路数基本上多于链路利用率为80%时的休眠链路数。综合图12和图13,可以看出本实施方式的面向云计算的基于网络能效优先的路由方法即使在高业务量请求时,无请求被阻塞,且仍有部分链路被休眠,算法性能仍保持较好。
图14展示的是不同约束情况下,统计的网络的平均链路利用率。从图14中,首先可以看出,随着平均业务量请求的不断增加,网络开启链路的平均链路利用率也呈增加趋势。且链路利用率门限为95%时的平均链路利用率基本上均高于链路利用率门限为80%时的平均链路利用率,且这种情况在平均业务量请求较大时更为明显。
2拓扑比较
采用COST239、NSFNET和ItalyNET三种不同规模网络的第2种流量数据分别进行仿真。由于三种拓扑的节点数不同,因此分别设置COST239、NSFNET、ItalyNET三种拓扑的maxhop为6、8、8,固定链路利用率门限α=95%。本部分仿真实验主要考虑了在固定约束条件下,本实施方式的面向云计算的基于网络能效优先的路由方法在3种不同规模网络上得到的总能耗与比特能耗、平均链路利用率和请求的总跳数,通过分析这4个指标来验证本实施方式的面向云计算的基于网络能效优先的路由方法在不同规模网络拓扑上的适用性。
图15(a)展示的是随平均业务量请求的增加,比特能耗的变化情况。可以看出,对于三种不同规模的网络来说,随着平均业务量请求的增加,网络的比特能耗均呈减少趋势。图15(b)表明,随着平均业务量请求的增加,3种不同规模网络的总能耗均呈增加趋势;显然,ItalyNET的总能耗大于NSFNET和COST239的,NSFNET的总能耗大于COST239的,即在平均业务量请求相同的前提下,网络规模越大,网络的总能耗越大。
图16(a)和图16(b)分别为不同规模网络的休眠链路、激活链路数。可以看出,随着平均业务量请求的增加,对于NSFNET和ItalyNET网络来说,网络的休眠链路数呈减少趋势,激活链路数呈增加趋势;对于COST239网络来说,由于平均业务量请求维持在较低水平,其休眠与激活链路数存在一定波动。
图17为不同规模网络的平均链路利用率随平均业务量请求不断增加的变化情况。可以看出,随着平均业务量请求的不断增加,3种不同规模网络的链路平均利用率均呈不断增加的趋势。
3.对比分析
分别将本实施方式的面向云计算的基于网络能效优先的路由方法与经典路由算法OSPF、休眠算法EAR和CreenOSPF算法进行性能比较。其中CreenOSPF算法是将OSPF路由算法与EAR休眠算法结合而得到的。在对比分析中各个算法均使用相同的流量矩阵数据、链路功耗模型以及网络能效模型。
首先,为了验证本实施方式面向云计算的基于网络能效优先的路由方法中的步骤2.1所述的能效路由策略(图18、图19中以NSGA2表示),将其与OSPF路由算法、S-PSO-EERA(图18、图19中以S-PSO表示)路由算法进行比较。仿真结果如图18(a)和图18(b)所示。
图18(a)为不同路由算法得到的网络比特能耗随着平均流量需求不断增加的变化情况。从图中的仿真结果中可以看出,随着流量平均需求的增加,不同路由算法得到的网络比特能耗均不断减少。其中,OSPF路由算法的网络比特能耗值最高,在低业务量请求时,S-PSO-EERA算法的比特能耗值略高于步骤2.1所述的能效路由策略,在高业务量请求时,二者比特能耗值很接近。步骤2.1所述的能效路由策略的网络比特能耗值总小于OSPF经典路由算法,并且在低流量负载时更为明显。
图18(b)为不同路由算法得到的网络总能耗随着平均业务量请求不断增加的变化情况。可以看出,随着平均业务量请求不断增加,OSPF路由算法、S-PSO-EERA算法(基于S-PSO的能效路由策略)和步骤2.1所述的能效路由策略三种路由算法的总能耗均呈增加趋势。步骤2.1所述的能效路由策略的网络总能耗值总小于OSPF经典路由算法,且在低流量负载时更为明显。与经典路由算法OSPF对比,步骤2.1所述的能效路由策略作为一种基于NSGA-II的能效路由策略具有更好的能效性能,且在低流量负载时算法的能效优点更明显。
图19为三种路由算法的平均链路利用率随平均业务量请求增加的变化情况。从图中仿真结果可以明显看出,随着平均业务量请求的增加,OSPF路由算法、S-PSO-EERA算法和步骤2.1所述的能效路由策略三种路由算法的平均链路利用率均呈增加趋势。且S-PSO-EERA算法和步骤2.1所述的能效路由策略的平均链路利用率均高于OSPF路由算法,且在高流量负载时更为明显。OSPF路由算法中没有进行链路休眠,因此在相同流量矩阵的前提下,其链路平均利用率最低。S-PSO-EERA路由算法和步骤2.1所述的能效路由策略的最高平均链路利用率分别为60.84%、69.86%。而OSPF算法的最高平均链路利用率仅为26.96%。
将本实施方式面向云计算的基于网络能效优先的路由方法(图20、图21和图22中均以NSGA2-FR表示)与GreenOSPF算法进行对比。图20(a)为两种方法得到的网络比特能耗随平均流量需求不断增加的变化情况。可以看出,随着平均业务量请求的增加,两种算法得到的网络比特能耗均不断减少。其中,利用本实施方式面向云计算的基于网络能效优先的路由方法得到的比特能耗值总低于GreenOSPF,且在低业务量请求时更为明显。图20(b)为本实施方式面向云计算的基于网络能效优先的路由方法与GreenOSPF算法得到的网络总能耗随平均流量需求不断增加的变化情况。明显的,随着平均业务量请求不断增加,两种算法的总能耗均呈增加趋势。其中,本实施方式面向云计算的基于网络能效优先的路由方法的能耗值总低于GreenOSPF,且在低业务量请求时更为明显。
图21(a)和(b)分别比较的是在相同流量矩阵的情况下,本实施方式面向云计算的基于网络能效优先的路由方法与GreenOSPF算法的休眠、激活链路数。可以看出,随着平均业务量请求的增加,网络的休眠链路数均呈减少趋势,相应的,激活链路数呈增加趋势。且本实施方式面向云计算的基于网络能效优先的路由方法的休眠链路数总大于GreenOSPF,本实施方式面向云计算的基于网络能效优先的路由方法的休眠链路数最多达到36条,最少也有23条。
通过以上对本实施方式面向云计算的基于网络能效优先的路由方法与GreenOSPF算法两种算法的对比分析可以得出结论,本实施方式面向云计算的基于网络能效优先的路由方法,其路由策略和休眠策略具有更高的能效,更多的休眠链路,且在低流量负载时的性能优点更明显。
图22为相同流量矩阵的情况下,两种算法的平均链路利用率随平均业务量请求增加的变化情况。明显的,随着平均业务量请求的增加,两种算法的平均链路利用率均呈增加趋势。且本实施方式面向云计算的基于网络能效优先的路由方法的平均链路利用率总高于GreenOSPF算法,且本实施方式面向云计算的基于网络能效优先的路由方法的链路利用率最高达到了79.36%,GreenOSPF算法的最高链路利用率仅有38.03%。
Claims (6)
1.一种面向云计算的基于网络能效优先的路由方法,其特征在于:包括如下步骤:
步骤1:确定网络能效优化目标,建立网络能效优化目标函数及其应服从的约束条件;
步骤1.1:网络能效优化目标为:最小化网络比特能耗BE和网络开启链路数NA;
根据网络能效优化目标建立由式(1)所示的网络能效优化目标函数;
所述网络能效优化目标函数为:
Minimizef(x)=[f1(x),f2(x)](1)
其中
其中E为拓扑中所有链路的集合;L为链路集合中链路的个数;xij表示链路(i,j)的流量负载,为所有源节点s到目的节点d经过该链路的业务量请求之和;表示网络总能耗;表示网络总流量;F(xij)为链路(i,j)的能耗函数,由式(4)表示;η为二进制变量,由式(5)表示:
其中,β为能耗与流量的线性比值;δ为基本能耗的比例系数;β·δ·Cij为链路(i,j)的基本能耗;
步骤1.2:建立网络能效优化目标函数应服从的约束条件;
1)路由约束,由式(6)表示,保证路由中的流量守恒:
即源节点s通过一条出链路发送流量,并且不接受任何流量;目的节点d只从其他节点接收流量,而不能往邻近节点发送流量;而中间节点的流量进出守恒;
2)链路的最高利用率不得超过门限值α:
xij≤αCij,0<α<1,(i,j)∈E(7)
其中α为链路利用率的最高门限值;
3)路由的最大延迟约束,即路由占用的链路数目不得超过门限值maxhop,即单次路由的最大跳数;假设流量经过一条链路的延迟为一固定值,那么,对于路由的最大延迟限制可以转换为一个源节点s到目的节点d的请求路径所占用的链路个数的门限值,因此有约束条件:
其中为二进制0-1变量,当源节点s到目的节点d的路径包含链路(i,j)时,取1,否则取0,如式(9)所示,
其中psd表示源节点s到目的节点d的路径上的链路集合;
前述xij计算方法由式(10)表示:
其中SD表示源s到目的d的请求业务量;
步骤2:根据网络能效优化目标,首先为路由请求安排初始路径;然后在初始路径的基础上,先将链路利用率为零的链路进行休眠,接下来再逐个对剩余链路尝试进行休眠,最终得到符合网络能效优化目标的路由;
步骤2.1:采用NSGA-II算法进行初始路由,为所有OD对间的请求业务量产生初始路径安排;
步骤2.2:在步骤2.1安排的初始路径的基础上,先将链路利用率为零的链路进行休眠,然后再根据链路利用率从小到大依次对剩余链路尝试进行休眠,并在休眠链路后随即进行基于流重定向的重新路由,得到符合网络能效优化目标的路由。
2.根据权利要求1所述的面向云计算的基于网络能效优先的路由方法,其特征在于:所述门限值α取值为95%。
3.根据权利要求1所述的面向云计算的基于网络能效优先的路由方法,其特征在于:所述步骤2.2所述的剩余链路能进入休眠状态需满足的条件包括:①链路休眠后仍能维持网络拓扑的强连通性,②链路上的所有OD流请求均可以通过重定向进而汇聚到其他开启链路上。
4.根据权利要求1所述的面向云计算的基于网络能效优先的路由方法,其特征在于:所述步骤2.1按如下步骤进行:
步骤2.1.1:初始化网络状态、路由参数;
包括导入网络节点数n,网络拓扑矩阵即链路矩阵Link、流量矩阵TM、链路容量C、链路最高利用率门限α和单次路由最大跳数maxhop;链路负载矩阵x中元素初始化为0;
步骤2.1.2:分析路由请求,将请求按业务量从大到小排序并生成请求队列R;
步骤2.1.3:如果R非空,按照步骤2.1.2中所述的顺序从队列R中依次逐个取出请求,并确定所取出的请求的源节点s、目的节点d和业务量;如果R为空,则转至步骤2.1.2;
步骤2.1.4:初始化种群大小pop,最大迭代次数maxgen;
步骤2.1.5:利用随机深度优先搜索算法DFS,产生初始种群D;
步骤2.1.6:根据优化目标函数计算种群D中每一个个体的能效优化目标函数值,其中对于不满足约束2)或约束3)的个体,将其能效优化目标函数值均置为Inf;
步骤2.1.7:利用非支配排序为种群D中的个体进行非劣性分层与排序;
步骤2.1.8:利用竞争选择策略从种群D中选择出父种群P;
步骤2.1.9:通过对父种群P进行交叉、变异和修复操作,得到子种群Q,并计算子种群Q中每个个体的能效优化目标函数值;
步骤2.1.10:重新组合种群D、子种群Q得到种群S,即S=D∪Q;
步骤2.1.11:利用非支配排序对种群S中个体进行非劣性分层与排序;
步骤2.1.12:根据精英保留策略,选择种群S中的前pop个个体构成新的种群,用该新的种群更新原始种群D,实现原始种群D的一次进化,并将更新后的种群D作为下次进化的原始种群,转至步骤2.1.8;
步骤2.1.13:重复执行步骤2.1.8至步骤2.1.12maxgen次,种群D经过maxgen次迭代进化后,从中选择出能效优化目标函数值最优的个体,若该个体的能效优化目标函数值为Inf,路由失败,转到步骤2.1.15;否则,路由成功,转到步骤2.1.14;
步骤2.1.14:将该个体作为满足约束的源节点s到目的节点d的最优路径,用该个体的请求业务量更新链路负载矩阵x,并将当前取出的该请求从队列R中删除,然后转到步骤2.1.3;
步骤2.1.15:请求阻塞数加1,并将当前取出的该请求从队列R中删除,然后转到步骤2.1.3;
步骤2.1.16:重复执行步骤2.1.3至步骤2.1.15,直至R为空,完成所有OD对间的请求业务量的路径安排。
5.根据权利要求1所述的面向云计算的基于网络能效优先的路由方法,其特征在于:所述步骤2.2按如下步骤进行:
步骤2.2.1:将链路矩阵Link中链路利用率为0的链路置于休眠状态,得到新的链路矩阵Link_1;
步骤2.2.2:根据链路利用率从小到大将链路矩阵Link_1中的链路进行排序,生成候选休眠链路队列I;
步骤2.2.3:如果I非空,则按照步骤2.2.2中所述的顺序从队列I中依次逐个取出候选休眠链路,执行步骤2.2.4;如果I为空,用链路矩阵Link_1更新链路矩阵Link,转至步骤2.1.2;
步骤2.2.4:确定当前取出的候选休眠链路的起终节点,将该链路置于休眠状态,得到链路矩阵Link_2;
步骤2.2.5:计算出链路矩阵Link_2对应的可达矩阵,并根据该可达矩阵判断此时的网络拓扑是否强连通,如果仍维持强连通性,则确定所有经过该链路的OD流请求的源节点、目的节点和请求业务量,执行步骤2.2.6;否则,将当前取出的候选休眠链路从I中删除,转至步骤2.2.3,取出下一个候选休眠链路;
步骤2.2.6:根据请求业务量从大到小将通过该链路的所有OD流进行排序,生成待重定向OD流队列W,并设置临时链路负载矩阵x1=x,将x1中对应W中所有OD对占用链路上的流量值减去通过该链路的相应OD对间的请求业务量;
步骤2.2.7:判断W是否非空,否,则按照步骤2.2.6中所述的顺序从队列W中依次逐个取出待重定向OD流,并执行步骤2.2.8;是,则转到步骤2.2.12;
步骤2.2.8:确定当前取出的待重定向OD流的源节点s、目的节点d和请求业务量;
步骤2.2.9:用链路矩阵Link_2更新链路矩阵Link,按照步骤2.1.2至步骤2.1.13的方法重新路由;
步骤2.2.10:如果路由成功,用通过该链路的相应OD对间的请求业务量更新临时链路负载矩阵x1,并将当前该重定向OD流从队列W中删除,转到步骤2.2.7,取出下一个待重定向OD流;如果路由失败,则链路休眠失败,将当前候选休眠链路从I中删除,转到步骤2.2.3,取出下一个候选休眠链路;
步骤2.2.11:重复执行步骤2.2.7至步骤2.2.10,直至W为空,则待重定向OD流队列W中的所有OD流重定向均成功,表明当前候选休眠链路休眠成功;
步骤2.2.12:更新链路负载矩阵x=x1,并将Link_1中的该链路休眠,并将当前候选休眠链路从I中删除,转到步骤2.2.3,取出下一个候选休眠链路;
步骤2.2.13:重复执行步骤2.2.3至2.2.12,直至I为空,用链路矩阵Link_1更新链路矩阵Link,得到符合网络能效优化目标的路由。
6.根据权利要求4所述的面向云计算的基于网络能效优先的路由方法,其特征在于:所述交叉、变异操作中的交叉概率和变异概率分别设置为0.9和0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510788956.7A CN105323166B (zh) | 2015-11-17 | 2015-11-17 | 一种面向云计算的基于网络能效优先的路由方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510788956.7A CN105323166B (zh) | 2015-11-17 | 2015-11-17 | 一种面向云计算的基于网络能效优先的路由方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105323166A true CN105323166A (zh) | 2016-02-10 |
CN105323166B CN105323166B (zh) | 2018-05-29 |
Family
ID=55249789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510788956.7A Active CN105323166B (zh) | 2015-11-17 | 2015-11-17 | 一种面向云计算的基于网络能效优先的路由方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105323166B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106209618A (zh) * | 2016-07-27 | 2016-12-07 | 国网辽宁省电力有限公司 | 一种提高智能配用电能效的通信混合组网方法及系统 |
CN106230737A (zh) * | 2016-07-19 | 2016-12-14 | 国网辽宁省电力有限公司鞍山供电公司 | 一种状态感知的软件定义组网方法 |
CN106875320A (zh) * | 2017-02-10 | 2017-06-20 | 武汉理工大学 | 云环境下船舶航行数据的高效可视分析方法 |
CN107315642A (zh) * | 2017-06-22 | 2017-11-03 | 河南科技大学 | 一种绿色云服务提供中的最小能耗计算方法 |
CN107749819A (zh) * | 2017-09-14 | 2018-03-02 | 北京东土科技股份有限公司 | 一种栅格网络条件下的路由选择方法及装置 |
CN107770637A (zh) * | 2017-09-22 | 2018-03-06 | 广西师范大学 | 弹性光网络随机路由路径生成方法 |
CN108234228A (zh) * | 2016-12-15 | 2018-06-29 | 中国移动通信集团设计院有限公司 | 一种获取网络能效的方法、装置及系统 |
CN110784405A (zh) * | 2019-10-16 | 2020-02-11 | 电子科技大学 | 一种面向教学云计算网络的鲁棒能效路由方法 |
CN114500388A (zh) * | 2022-03-31 | 2022-05-13 | 北京智芯微电子科技有限公司 | 配用电路由负载均衡的方法、装置及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102325088A (zh) * | 2011-09-09 | 2012-01-18 | 北京航空航天大学 | 延迟和共用风险链路组约束下优化节点睡眠的路径保护 |
CN103888352B (zh) * | 2014-02-25 | 2016-11-02 | 电子科技大学 | 一种ip网络中的节能权重设计方法 |
CN104683239B (zh) * | 2015-03-09 | 2017-11-03 | 东北大学 | 一种面向互联网的节能型QoS路由方法 |
CN105049355A (zh) * | 2015-08-21 | 2015-11-11 | 中国联合网络通信集团有限公司 | 一种路由方法和装置 |
-
2015
- 2015-11-17 CN CN201510788956.7A patent/CN105323166B/zh active Active
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106230737B (zh) * | 2016-07-19 | 2019-03-15 | 国网辽宁省电力有限公司鞍山供电公司 | 一种状态感知的软件定义组网方法 |
CN106230737A (zh) * | 2016-07-19 | 2016-12-14 | 国网辽宁省电力有限公司鞍山供电公司 | 一种状态感知的软件定义组网方法 |
CN106209618A (zh) * | 2016-07-27 | 2016-12-07 | 国网辽宁省电力有限公司 | 一种提高智能配用电能效的通信混合组网方法及系统 |
CN108234228B (zh) * | 2016-12-15 | 2020-08-07 | 中国移动通信集团设计院有限公司 | 一种获取网络能效的方法、装置及系统 |
CN108234228A (zh) * | 2016-12-15 | 2018-06-29 | 中国移动通信集团设计院有限公司 | 一种获取网络能效的方法、装置及系统 |
CN106875320A (zh) * | 2017-02-10 | 2017-06-20 | 武汉理工大学 | 云环境下船舶航行数据的高效可视分析方法 |
CN106875320B (zh) * | 2017-02-10 | 2021-01-26 | 武汉理工大学 | 云环境下船舶航行数据的高效可视分析方法 |
CN107315642A (zh) * | 2017-06-22 | 2017-11-03 | 河南科技大学 | 一种绿色云服务提供中的最小能耗计算方法 |
CN107315642B (zh) * | 2017-06-22 | 2020-06-26 | 河南科技大学 | 一种绿色云服务提供中的最小能耗计算方法 |
CN107749819B (zh) * | 2017-09-14 | 2020-07-21 | 北京东土科技股份有限公司 | 一种栅格网络条件下的路由选择方法及装置 |
CN107749819A (zh) * | 2017-09-14 | 2018-03-02 | 北京东土科技股份有限公司 | 一种栅格网络条件下的路由选择方法及装置 |
CN107770637A (zh) * | 2017-09-22 | 2018-03-06 | 广西师范大学 | 弹性光网络随机路由路径生成方法 |
CN110784405A (zh) * | 2019-10-16 | 2020-02-11 | 电子科技大学 | 一种面向教学云计算网络的鲁棒能效路由方法 |
CN110784405B (zh) * | 2019-10-16 | 2021-11-02 | 电子科技大学 | 一种面向教学云计算网络的鲁棒能效路由方法 |
CN114500388A (zh) * | 2022-03-31 | 2022-05-13 | 北京智芯微电子科技有限公司 | 配用电路由负载均衡的方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105323166B (zh) | 2018-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105323166A (zh) | 一种面向云计算的基于网络能效优先的路由方法 | |
CN111445111B (zh) | 一种基于边缘协同的电力物联网任务分配方法 | |
CN104036324B (zh) | 一种基于遗传算法的通信网络容量可靠性最优设计方法 | |
CN101777990B (zh) | 多目标免疫优化组播路由路径选择方法 | |
CN110493131A (zh) | 一种sdn架构下的空间信息网络路由策略的设计方法 | |
CN111416359B (zh) | 一种考虑加权潮流熵的配电网络重构方法 | |
CN108174394A (zh) | 一种5g网络切片的编排算法 | |
CN105515987B (zh) | 一种基于sdn架构面向虚拟光网络的映射方法 | |
CN105809279A (zh) | 一种基于多目标量子混合蛙跳算法的水资源优化调度方法 | |
CN106484512B (zh) | 计算单元的调度方法 | |
CN112995289B (zh) | 一种基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法 | |
CN106209618A (zh) | 一种提高智能配用电能效的通信混合组网方法及系统 | |
CN107318058B (zh) | 基于成本最优和负载均衡的配电通信网中onu部署方法 | |
CN108076158A (zh) | 基于朴素贝叶斯分类器的最小负载路由选择方法及系统 | |
CN101616074B (zh) | 基于量子进化的组播路由优化方法 | |
CN107276664A (zh) | 基于门限式负载的混合虚网映射方法 | |
CN115242295A (zh) | 一种卫星网络sdn多控制器部署方法及系统 | |
CN108809860A (zh) | 基于业务可靠性的网络节点资源分配方法 | |
CN113472671A (zh) | 组播路由的确定方法、装置和计算机可读存储介质 | |
CN117151482A (zh) | 一种基于多目标优化的应急物资调度和路径规划方法 | |
CN113285832B (zh) | 基于nsga-ii的电力多模态网络资源优化分配方法 | |
CN116634504A (zh) | 基于改进nsga-ii算法的无人机组网拓扑关系与带宽分配优化策略 | |
CN101741749A (zh) | 基于免疫克隆的多目标组播路由优化方法 | |
Perepelkin et al. | Research of Multipath Routing and Load Balancing Processes in Software Defined Networks Based on Bird Migration Algorithm | |
CN105976052A (zh) | 基于改进量子粒子群算法的多区域经济调度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |