CN105337861A - 一种基于能效优先和认知理论的路由方法 - Google Patents

Abstract

本发明一种基于能效优先和认知理论的路由方法，属于路由算法技术领域，本发明以最小化网络能耗，同时满足路由的约束进行建模，在保证满足请求带宽和网络稳定性的同时，选择对网络能耗增加影响最小的路径，建立优化模型；根据链路带宽利用率和链路负载的能耗函数设置能效路由的权重，通过认知理论进行链路权重的自学习和自适应，使得网络选择能耗最小的链路进行路由，提高网络的能效；利用本发明可以有效地减少云计算的能耗，提高网络能效。

Description

一种基于能效优先和认知理论的路由方法

技术领域

本发明是属于路由算法技术领域，具体涉及一种基于能效优先和认知理论的路由方法。

背景技术

云计算是一种按需即用、随需应变、快速部署、瞬时释放、价廉物美的服务模式，通过网络可以实现对共享计算资源池的可访问性、可定制性、可更改性、可付费性和可释放性，同时，在仅需最少的付费、管理和沟通的情况下，可实现对服务的快速获取、资源的瞬时释放和信息的触手可及；实现云计算的能耗管理，可以降低数据中心的开销，同时提高系统的稳定性和可靠性，减少碳排放量，对社会和网络的可持续发展具有一定的理论价值和实践意义；调查研究表明，全世界ICT部门二氧化碳的排放量占全球总排放量的2％，而ICT设备所消耗的电能占全球能源消耗8％左右，并且该趋势还在不断增长；随着云网络中IT(InformationTechnology，IT)设备的增加，数据中心规模也越来越大，云计算中的能耗问题已成为限制其规模和服务能力的瓶颈，限制着网络性能的进一步提高，是最具挑战性的研究课题之一。

网络的整体能耗主要是由网络的冗余部署决定的，而与网络中流量负载的大小无关；目前，对网络链路休眠的策略已展开了广泛研究，AntonioCianfrani等人提出了绿色OSPF算法，该算法主要通过源-目的节点的最小生成树来计算冗余的链路，并将该链路休眠，实验结果表明，60％以上的链路可以被关闭；Irani等人提出了休眠的工作机制，并提出了一种基于概率的能耗最小算法，为了进一步降低网络能耗，Irani等人还将休眠机制与速度缩放机制相结合，提出的简单算法；L.Chiaraviglio等人提出通过关闭连通性和QoS约束条件下对网络性能有影响的设备，能够减少25％处于激活状态的链路和节点数目，从而达到节能的目的；L.Wang等人在节约数据中心能耗方面提出了弹性树的概念，其基本思想是利用openflow/SDN提供的整网视图和流量灵活操控的优势，通过链路状态自适应迁移聚集少数流量的流至较少的链路交换和服务器节点，最终关闭没有流量通过的链路和交换机，以达到节省能耗的目的；Y.Kim等人提出了基于蚁群算法的自适应节能路由算法，利用蚁群的优化求解算法和流量中心参数设计了最小化能耗的启发式路由算法；E.Gelenbe，等人提出了有能耗感知的路由协议算法，该算法中包括自适应的Qos约束限制；R.Garroppo等人提出了与负载相关的线性链路能耗函数，并且定义在负载为零时，网络能耗也为零；A.Wierman等人提出了网络设备的能耗与速率的非线性模型，其中α为空闲能耗或者静态能耗，β和s为常数，与具体的设备有关；以上方法虽然能够降低网络的整体能耗，但是其性能还不够理想。

发明内容

针对现有技术的不足，本发明提出一种基于能效优先和认知理论的路由方法，以达到最小化网络能耗的同时满足路由的约束进行建模，保证满足请求带宽和网络稳定性的同时，减小网络能耗的目的。

一种基于能效优先和认知理论的路由方法，包括以下步骤：

步骤1、初始化网络参数；输入网络拓扑信息，设置初始链路容量矩阵及初始链路权重矩阵；

步骤2、随机生成源-目的节点对和流量需求，并将业务流量需求从大到小进行排序，求带宽在[10∶15×请求次数]之间均匀分布；

步骤3、根据流量需求、链路容量矩阵及链路能耗，获得新的链路权重矩阵；

步骤4、采用Dijkstra算法获得网络拓扑中的能耗最小的路径；

步骤5、判断所获能耗最小的路径是否满足约束条件，若是，则执行步骤6；否则，故障次数加1，方法结束；

所述的约束条件包括：流约束条件、多商品流模型的约束条件、网络的链路负载约束条件和所选的路径必须为源目的节点之间的最短路径；

步骤6、判断所获的能耗最小的路径的剩余带宽是否满足请求的带宽的需求，若是，则执行步骤7，否则，执行步骤9；

步骤7、将能耗最小的路径的链路权重设置为无穷大进行重路由，获得新的路由路径；

步骤8、判断新的路由路径的剩余带宽是否满足请求的带宽的需求，若是，则重路由成功，转到步骤9，否则，进行下一次请求处理并返回执行步骤4；

步骤9、根据得到的路径路由，更新网络链路负载，获得网络能耗、休眠的链路数，并保存数据；

步骤10、判断请求是否结束，若是，则所有请求结束，否则，返回步骤3。

步骤1所述的输入网络拓扑信息，设置初始链路容量矩阵及初始链路权重矩阵，具体为：构建网络拓扑模型为G＝{V，E，W}，其中，V表示拓扑中所有节点集合，节点个数为N，E表示拓扑中所有链路的集合；初始链路容量设为C_ij；W表示链路权重集合，各个链路权重设为无穷大。

步骤4所述的采用Dijkstra算法获得网络拓扑中的能耗最小的路径，具体公式如下：

$Mininize{\mathrm{\η}}_{BE}=\underset{(i,j)\∈E}{\Σ}E\left(x_{ij}\right)/\underset{(i,j)\∈E}{\Σ}{x}_{ij}---\left(1\right)$

其中，Mininize表示“最小”；η_BE表示能耗，B表示比特；E表示拓扑中所有链路的集合，E(x_ij)表示链路能耗函数，x_ij表示从节点i到节点j的链路容量。

本发明优点：

本发明提出一种基于能效优先和认知理论的路由方法，以最小化网络能耗，同时满足路由的约束进行建模，在保证满足请求带宽和网络稳定性的同时，选择对网络能耗增加影响最小的路径，建立优化模型；根据链路带宽利用率和链路负载的能耗函数设置能效路由的权重，通过认知理论进行链路权重的自学习和自适应，使得网络选择能耗最小的链路进行路由，提高网络的能效；利用本发明可以有效地减少云计算的能耗，提高网络能效。

附图说明

图1为本发明一种基于能效优先和认知理论的路由算法流程图；

图2为本发明一种实施例的网络拓扑图；

图3为本发明一种实施例的不同alpha条件下网络休眠链路个数示意图；

图4为本发明一种实施例的不同alpha条件下网络总能耗示意图；

图5为不同路由算法的网络激活链路个数示意图；

图6为不同路由算法中链路状态分布示意图；

图7为不同路由算法的激活链路的平均利用率示意图；

图8为不同路由算法的网络总能耗示意图；

图9为不同路由算法的网络的比特能耗示意图；

图10为不同路由算法的网络的请求故障次数示意图。

具体实施方式

下面结合附图对本发明一种实施例做进一步说明。

一种基于能效优先和认知理论的路由方法，方法流程图如图1所示，包括以下步骤：

步骤1、初始化网络参数；输入网络拓扑信息，设置初始链路容量矩阵及初始链路权重矩阵；

本发明实施例中，网络拓扑结构为COST266，如图2所示，网络拓扑模型为G＝{V，E，W}，其中V＝{1，2，…，28}为拓扑中所有节点集合，节点个数N＝28，E为拓扑中所有链路的集合，矩阵E是一个28行28列的矩阵，链路i→j用E_i，j＝1表示，否则记为0，其中i，j∈V，共有82条单向链路，并将其赋值给L，表示可能建立的LSP请求的所有进出节点对；初始链路容量为C_ij＝800Gb/s；W为链路权重集合，各个链路权重ω_i，j＝∞；

步骤2、随机生成源-目的节点对和流量需求，并将业务流量需求从大到小进行排序，求带宽在[10∶15×请求次数]之间均匀分布；

本发明实施例中，随机生成源-目的节点对及流量需求，源-目的节点对用k＝(s，d)表示，多个节点对形成集合K，则k∈K，s和d分别表示业务量的入口和出口节点，节点对的请求用集合r(k，b)表示，b表示(s，d)间业务量需求的带宽，流量需求为t，且为请求次数，且每次请求的流量需求逐渐增大，请求带宽b在[10∶15×请求次数]之间均匀分布。

步骤3、根据流量需求、链路容量矩阵及链路能耗，获得新的链路权重矩阵；

本发明实施例中，链路能耗函数E(x_ij)表示为：

$E\left(x_{ij}\right)=\left\{\begin{array}{cc}0& if{x}_{ij}=0\\ {\mathrm{\&beta;C}}_{ij}+(1-\mathrm{\&beta;})(x_{ij}^2/C_{ij})& if0<x_{ij}\&le;C_{ij}\end{array}\right.---\left(2\right)$

其中，C_ij为链路容量，通过以下方式计算得到：根据流量矩阵，采用最短路径方法路由流量矩阵，每条边的容量设为该边的最大链路负载值，则链路容量C_ij取值为所有边的最大链路负载值，β为基本能耗比例系数；

链路带宽利用率U_ij为：

U_ij＝[1-(R_ij-b)/C_ij]×100％(3)

其中，b表示(s，d)间业务量需求的带宽，R_ij表示链路的剩余带宽，R_ij是正实数集；

权重w_l更新函数为：

$w_l=\left\{\begin{array}{cc}{w}_l\frac{1}{\sqrt{U_{ij}}}& \begin{array}{cc}if& E_{i,j}=0\end{array}\\ w_l(1-\frac{C_{i,j}}{{\mathrm{\&xi;E}}_{i,j}\left(t_k\right)})& otherwise\end{array}\right.---\left(4\right)$

其中，t_k为节点对k上的流量需求，E_i，j(t_k)为路径ij上源目的对k的流量需求t_k的能耗值，ξ∈R⁺为链路权重调整因子，当能耗值E_i，j不为0时，链路权重更新函数与能耗值和链路容量有关，如果所选择的链路能耗值过大，则需要重新调整链路权重值，在下次选路时，选择能耗更低的路径进行路由，从而保证每次通过的路径能耗最小。

步骤4、采用Dijkstra算法获得网络拓扑中的能耗最小的路径；

本发明实施例中，式(1)是以最小化网络比特能耗为优化目标的优化模型：

$Mininize{\mathrm{\&eta;}}_{BE}=\underset{(i,j)\&Element;E}{\&Sigma;}E\left(x_{ij}\right)/\underset{(i,j)\&Element;E}{\&Sigma;}{x}_{ij}---\left(1\right)$

其中，Mininize表示“最小”；η_BE表示能耗，B表示比特；E表示拓扑中所有链路的集合，E(x_ij)表示链路能耗函数，x_ij表示从节点i到节点j的链路容量；

步骤5、判断所获能耗最小的路径是否满足约束条件，若是，则执行步骤6；否则，故障次数Block加1，方法结束；

本发明实施例中，约束条件为：

$\underset{(i,s,d)\&Element;N^3}{\&Sigma;}{f}_{ij}^{sd}-\underset{(i,s,d)\&Element;N^3}{\&Sigma;}{f}_{ij}^{sd}=\left\{\begin{array}{cc}{r}_{sd}& \&ForAll;(s,d)\&Element;N^2,j=s\\ -r_{sd}& \&ForAll;(s,d)\&Element;N^2,j=d\\ 0& \&ForAll;(s,d)\&Element;N^2.j\&NotEqual;s,d\end{array}\right.---\left(5\right)$

$\begin{array}{cc}{t}_k=\underset{s}{\&Sigma;}\underset{d}{\&Sigma;}{f}_{ij}^{sd}{\mathrm{\&delta;}}_{pl}& \&ForAll;k\&Element;K,(s,d)\&Element;k\end{array}---\left(6\right)$

$\begin{array}{cc}\underset{k\&Element;K}{\&Sigma;}\underset{p\&Element;P_K}{\&Sigma;}{x}_p{t}_k{\mathrm{\&delta;}}_{pl}\&le;{\mathrm{\&alpha;C}}_{ij}{y}_l{\mathrm{\&delta;}}_{pl},& \&ForAll;l\&Element;L\mathrm{\&alpha;}\&Element;(0,1)\end{array}---\left(7\right)$

$\left\{\begin{array}{cc}\underset{p\&Element;P_k}{\&Sigma;}\underset{l\&Element;L}{\&Sigma;}{w}_l{x}_p{\mathrm{\&delta;}}_{pl}\&le;\underset{l\&Element;L}{\&Sigma;}{w}_l{\mathrm{\&delta;}}_{ql}& \&ForAll;q\&Element;P_k,k\&Element;K\\ w_l\&Element;R^{+}& \&ForAll;l\&Element;L\end{array}\right.---\left(8\right)$

其中，

式(5)为经典的流约束条件，保证路由中的流量守恒，表示源节点s到目的节点d的经过链路l_ij(i，j)对的流量，r_sd表示源节点s到目的节点d的经过链路的请求宽带量，源节点通过一条链路发送流量，并且不接收任何流量，而目的节点只从其他节点接收流量，不能向邻近节点发送流量，中间节点进出流量守恒；

式(6)为多商品流模型的约束条件，其中：

${\mathrm{\&delta;}}_{pl}=\left\{\begin{array}{cc}1& fipuselinkl\\ 0& otherwise\end{array}\right.---\left(9\right)$

如果某条路径通过链路l_ij，则δ_pl＝1，否则，δ_pl为0，t_k为k，k∈K上的流量需求，K为源-目的节点对集合；

式(7)网络的链路负载需要满足如下公式：

$\begin{array}{cc}\underset{k\&Element;K}{\&Sigma;}\underset{p\&Element;P_K}{\&Sigma;}{x}_p{t}_k{\mathrm{\&delta;}}_{pl}\&le;{\mathrm{\&alpha;C}}_{ij}{y}_l{\mathrm{\&delta;}}_{pl},& \&ForAll;l\&Element;L,\mathrm{\&alpha;}\&Element;(0,1)\end{array}---\left(10\right)$

$\begin{array}{cc}\underset{p\&Element;P_k}{\&Sigma;}{x}_p=1& \&ForAll;k\&Element;K\end{array}$

$x_p=\left\{\begin{array}{cc}1& ifpisshortestpath\\ 0& otherwise\end{array}\right.---\left(11\right)$

$y_l=\left\{\begin{array}{cc}1& iflinklisactive\\ 0& otherwise\end{array}\right.---\left(12\right)$

其中，x_p为1表示所选的路径是最短路径，否则不是最短路径；为了保证网络的QoS，设置了链路最高利用率的门限值α，α∈(0，1)，通过链路的总流量t_k不应超过链路容量C_ij，当α＝0.8时，则链路l_ij的总流量必须小于链路容量的80％；y_l＝1表示链路处于激活状态，y_l＝0则表示链路被关闭，处于休眠状态；

约束条件(8)表示所选的路径必须为源目的节点之间的最短路径。

步骤6、判断所获的能耗最小的路径的剩余带宽是否满足请求的带宽的需求，若是，则执行步骤7，否则，执行步骤9；

步骤7、将能耗最小的路径的链路权重设置为无穷大进行重路由，获得新的路由路径；

步骤8、判断新的路由路径的剩余带宽是否满足请求的带宽的需求，若是，则重路由成功，转到步骤9，否则，进行下一次请求处理并返回执行步骤4；

本发明实施例中，利用修改后的链路权重进行重路由，获得新的路由路径，返回执行步骤4后重新判断新的路由路径的剩余带宽是否满足要求，满足则重路由成功，转到步骤7，不满足则路由失败，进行下一次请求r(k，b，t)处理，转到步骤4；

步骤9、根据得到的路径路由，更新网络链路负载，获得网络能耗、休眠的链路数，并保存数据；

步骤10、判断请求是否结束，若是，则所有请求结束，否则，返回步骤3。

图3为本发明的不同Alpha条件下的网络休眠链路个数，Alpha从60％到90％之间均匀变化，由图可见，在低业务请求时，休眠的链路数基本相同，随着流量平均需求的增加，网络中链路休眠的个数逐渐少；而网络休眠的链路数随着Alpha值的增大而增加，这是因为Alpha越大，允许链路通过的业务请求带宽就越大，从而产生流汇聚，导致某些链路利用率低的链路被关闭。

图4为本发明的不同alpha条件下的网络总能耗，Alpha从60％到90％之间均匀变化，由图可见，随着流量平均需求的增加，网络的总能耗也不断增加，并且Alpha＝60％时的网络总能耗最大，而Alpha＝90％时网络的总能耗最小，这是因为链路利用率的最高门限值越大，休眠的链路数越多，从而使得网络的能耗降低。

图5为本发明的不同路由算法下的网络激活链路个数，Alpha参数固定为90％，可以明显看出，ECRA路由算法中处于激活状态的链路条数最少，同时，随着流量平均需求的增加，ECRA路由算法开启的链路个数逐渐增多。其中，在负载较低时最高可以开启大约60％的链路，在负载较高时开启大约70％的链路。对比算法中MaxCompatibility算法的关闭链路个数效果最好，其次是GreenOSPF算法。

图6为本发明的不同路由算法下的链路状态分布情况，Alpha参数固定为90％，可以看出，ECRA算法关闭链路条数在30～38条左右，明显优于MaxCompatibility算法和GreenOSPF算法。其激活状态的链路条数小于对比算法，可以更好的实现节能。

图7为本发明的不同路由算法下的激活链路的平均利用率，Alpha参数固定为90％，可以看出，随着流量平均需求的增加，三种路由算法的平均链路利用率都是不断增加的。由于ECRA的关闭的链路较多，即开启的链路较少，因此该路由算法的平均链路利用率最高。

图8为本发明的不同路由算法下的网络总能耗情况，Alpha参数固定为90％，可以看出，随着流量平均需求的增加，网络的总能耗也不断增加，其中，GreenOSPF算法的网路能耗值最高，MaxCompatibility算法的网络能耗次之，而ECRA算法的网络能耗值明显低于对比算法，在低流量请求时尤为明显。

图9为本发明的不同路由算法下的网络比特能耗，Alpha参数固定为90％，可以看出，随着流量平均需求的增加，网络的比特能耗不断减少，其中，GreenOSPF算法和MaxCompatibility算法的能耗都明显高于ECRA算法，并且在流量负载较低时更为明显，而ECRA路由算法的网络的比特能耗值最低。因此，ECRA路由算法有更高的网络能效。

图10为本发明的不同路由算法下的网络的请求故障次数，可以明显地看出，尽管流量平均需求值在不断增加，ECRA算法的请求故障次数始终保持为零，而GreenOSPF算法在流量平均需求增加到100Gb/s时，请求故障次数逐渐增大，而MaxCompatibility算法请求故障次数在流量请求开始就出现，并且随着流量平均需求的增加而增大，最高可达13次，进一步说明了本发明ECRA算法的优越性。

Claims (3)

1.一种基于能效优先和认知理论的路由方法，其特征在于，包括以下步骤：

步骤1、初始化网络参数；输入网络拓扑信息，设置初始链路容量矩阵及初始链路权重矩阵；

步骤2、随机生成源-目的节点对和流量需求，并将业务流量需求从大到小进行排序，求带宽在[10:15×请求次数]之间均匀分布；

步骤3、根据流量需求、链路容量矩阵及链路能耗，获得新的链路权重矩阵；

步骤4、采用Dijkstra算法获得网络拓扑中的能耗最小的路径；

步骤5、判断所获能耗最小的路径是否满足约束条件，若是，则执行步骤6；否则，故障次数加1，方法结束；

所述的约束条件包括：流约束条件、多商品流模型的约束条件、网络的链路负载约束条件和所选的路径必须为源目的节点之间的最短路径；

步骤6、判断所获的能耗最小的路径的剩余带宽是否满足请求的带宽的需求，若是，则执行步骤7，否则，执行步骤9；

步骤7、将能耗最小的路径的链路权重设置为无穷大进行重路由，获得新的路由路径；

步骤8、判断新的路由路径的剩余带宽是否满足请求的带宽的需求，若是，则重路由成功，转到步骤9，否则，进行下一次请求处理并返回执行步骤4；

步骤9、根据得到的路径路由，更新网络链路负载，获得网络能耗、休眠的链路数，并保存数据；

步骤10、判断请求是否结束，若是，则所有请求结束，否则，返回步骤3。

2.根据权利要求1所述的基于能效优先和认知理论的路由方法，其特征在于，步骤1所述的输入网络拓扑信息，设置初始链路容量矩阵及初始链路权重矩阵，具体为：构建网络拓扑模型为G＝{V,E,W}，其中，V表示拓扑中所有节点集合，节点个数为N，E表示拓扑中所有链路的集合；初始链路容量设为C_ij；W表示链路权重集合，各个链路权重设为无穷大。

3.根据权利要求1所述的基于能效优先和认知理论的路由方法，其特征在于，步骤4所述的采用Dijkstra算法获得网络拓扑中的能耗最小的路径，具体公式如下：

$\begin{array}{cc}Mininize& {\mathrm{\&eta;}}_{BE}=\underset{\left(i,j\right)\&Element;E}{\&Sigma;}E\left(x_{ij}\right)/\underset{\left(i,j\right)\&Element;E}{\&Sigma;}{x}_{ij}\end{array}---\left(1\right)$

其中，Mininize表示“最小”；η_BE表示能耗，B表示比特；E表示拓扑中所有链路的集合，E(x_ij)表示链路能耗函数，x_ij表示从节点i到节点j的链路容量。