CN107317767A - 基于反蚁群算法的网络快速流量优化方法 - Google Patents
基于反蚁群算法的网络快速流量优化方法 Download PDFInfo
- Publication number
- CN107317767A CN107317767A CN201710368631.2A CN201710368631A CN107317767A CN 107317767 A CN107317767 A CN 107317767A CN 201710368631 A CN201710368631 A CN 201710368631A CN 107317767 A CN107317767 A CN 107317767A
- Authority
- CN
- China
- Prior art keywords
- network
- link
- group algorithm
- flow
- ant group
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/12—Avoiding congestion; Recovering from congestion
- H04L47/125—Avoiding congestion; Recovering from congestion by balancing the load, e.g. traffic engineering
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明针对网络中链路上的流量分配问题,在引入收敛期望和收敛梯度的基础上提出了一种反蚁群算法实现流量均衡的方法。根据蚂蚁在链路上寻优时路径上信息素的变化情况判断网络链路的负载情况,当链路上信息素大时分配少的流量,反之,链路分配多的流量。实验结果表明,通过链路上信息素变化控制可以实现网络负载平衡,它可以有效地提高网络的利用率,减少网络时延,提高带宽利用率,降低丢包率。本发明在收敛期望和收敛梯度的基础上提出了一种蚁群算法解决网络负载动态平衡方法,既考虑了收敛速度又实现了网络中的负载均衡问题。仿真实验结果表明,该方法能够对网络链路上的流量进行判断,然后分配流量,达到了负载均衡,提高了网络效率。
Description
技术领域
本发明一般涉及计算机的网络流量管控领域,具体涉及基于反蚁群算法的网络快速流量优化方法。
背景技术
在当前实践工程的发展中,用户根据自己的需求不断地提出更高服务质量的要求。因此尽量减少结点间拥塞,努力提高资源利用率,为终端用户提供更高的QoS保证成为当前网络发展追求的主要目标。这些需求体现在业务层面不仅要求宽带接入网络而且还应提供更高的网络带宽,要求能够同时承载音频、视频、数据、互联网通信等业务,并能根据客户和应用的需求,提供差异化服务的能力。从目前网络技术的发展看,网络带宽的增长远高于处理器的增长速度和内存访问的增长速度,因此服务器端将成为网络传输中的一个瓶颈,通过高性能网络或局域网互联的服务器集群正成为实现高可伸缩的、高可用网络服务的有效结构。网络中的核心设备已经无法单独承受网络中数据流量和计算强度的日益增大的现状。因此如何对流量进行合理的优化控制正逐渐成为TE(Traffic Engineering)研究中热点。
生物启发机制越来越多的被应用到网络的研究之中。蚁群算法是模拟蚂蚁寻找食物智能路径选择的一种生物启发式优化方法。学者们尝试了不同的方法进行网络流量优化的研究。陆俊针对网络资源管理中的负载均衡与优化问题,将蚁群算法与网络流量工程相结合,提出一种多蚁群的网络负载动态均衡方法,实现了网络资源的优化。丁建立提出混合蚂蚁算法实现网络资源均衡方法,通过遗传算法和蚁群算法结合求得最优解。陈俊坚等提出在蚂蚁寻找路径时,放弃按概率的方式跳转节点的寻路方式,采用按信息素较少的路径跳转节点的寻路方式,解决了QoSR问题。
发明内容
针对网络中链路上的流量分配问题,在引入收敛期望和收敛梯度的基础上提出了一种基于反蚁群算法的网络快速流量优化方法。根据蚂蚁在链路上寻优时路径上信息素的变化情况判断网络链路的负载情况,当链路上信息素大时分配少的流量,反之,链路分配多的流量。实验结果表明,通过链路上信息素变化控制可以实现网络负载平衡,它可以有效的提高网络的利用率,减少网络时延,提高带宽利用率,降低丢包率。基于反蚁群算法的网络快速流量优化方法的具体技术方案如下。
(a)判断链路当前流量;
(b)在下一迭代中重新分配链路。
与现有技术相比,本发明具有如下优点和技术效果:
在收敛期望和收敛梯度的基础上提出了一种蚁群算法解决网络负载动态平衡方法,既考虑了收敛速度又实现了网络中的负载均衡问题。仿真实验结果表明,该方法能够对网络链路上的流量进行判断,然后分配流量,达到了负载均衡,提高了网络效率。
附图说明
图1为实施方式中基于反蚁群算法的网络快速流量优化算法流程图。
具体实施方式
以下结合附图对本发明的实施方式作进一步说明,但本发明的实施不限于此。
基于反蚁群算法的网络快速流量优化算法,如图1所示,主要包括以下步骤:
(a)判断链路当前流量;
(b)在下一迭代中重新分配链路。
步骤(a)中判断链路当前流量,若当前流量达到链路容量,则报警。
令G=(V,E)是一个有n个结点和m条边的连通无向图,V(G)是它的顶点集合,任一节点vi∈V,E(G)是边集E的链路集合,任一链路ei∈E,令n=|V|,N=|E|,Ci表示链路ei的容量,i={1,2,,,,N}。Li表示网络中链路ei的实际流量。图G的顶点vi有负载并且负载平衡算法的目标是决定平衡负载向量wl使得
一次迭代过程中链路上的蚂蚁数量为链路的当前流量。用Li表示链路ei的当前流量。M表示总蚂蚁数量,Mi表示链路上的蚂蚁数量,t表示迭代次数。
Mi=M·Pi (2)
Li=Mi/t (3)
一次迭代过程中链路所能承载的最大数据流量称为负载容量,用Ci表示。所以链路的容量称为链路的负载极限。流量Li不能超过链路的容量Ci,每条链路上的流量Li的范围为0-Ci。
Ci反映了条链路上的传输性能,它与链路的带宽,时延,丢包率等影响链路传输质量的因素有关,所以各条链路的容量是不一样。要随机的设定每条链路的Ci值,这样就可以与实际的网络链路情况结合起来,但Ci值一旦设定便不再更改。如果Li不小于链路容量Ci,则报警。
步骤b根据步骤a中的判断结果,在下一次迭代中重新分配链路,将未分配的流量分配到Li小于链路容量Ci的链路中去。
Claims (3)
1.基于反蚁群算法的网络快速流量优化方法,其特征在于,包括以下步骤:
判断链路当前流量;
在下一迭代中重新分配链路。
2.根据权利要求1所述的基于反蚁群算法的网络快速流量优化方法,其特征在于,步骤(a)中判断链路当前流量。
3.根据权利要求1所描述的基于反蚁群算法的网络快速流量优化方法,其特征在于:在步骤(b)中利用反蚁群算法在下一迭代中重新分配流量流向的链路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710368631.2A CN107317767A (zh) | 2017-05-23 | 2017-05-23 | 基于反蚁群算法的网络快速流量优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710368631.2A CN107317767A (zh) | 2017-05-23 | 2017-05-23 | 基于反蚁群算法的网络快速流量优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107317767A true CN107317767A (zh) | 2017-11-03 |
Family
ID=60181526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710368631.2A Pending CN107317767A (zh) | 2017-05-23 | 2017-05-23 | 基于反蚁群算法的网络快速流量优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107317767A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113852571A (zh) * | 2021-08-20 | 2021-12-28 | 阿里巴巴(中国)有限公司 | 分配流量的方法以及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105791117A (zh) * | 2016-03-21 | 2016-07-20 | 广东科学技术职业学院 | 一种基于蚁群算法快速求解QoSR的方法 |
CN106411770A (zh) * | 2016-09-08 | 2017-02-15 | 重庆邮电大学 | 一种基于sdn架构的数据中心网络节能路由算法 |
-
2017
- 2017-05-23 CN CN201710368631.2A patent/CN107317767A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105791117A (zh) * | 2016-03-21 | 2016-07-20 | 广东科学技术职业学院 | 一种基于蚁群算法快速求解QoSR的方法 |
CN106411770A (zh) * | 2016-09-08 | 2017-02-15 | 重庆邮电大学 | 一种基于sdn架构的数据中心网络节能路由算法 |
Non-Patent Citations (3)
Title |
---|
林娜等: ""基于蚁群算法的多路径QoS路由算法研究"", 《沈阳航空航天大学学报》 * |
王爱静等: ""双向反馈蚁群算法在网络负载均衡问题的研究"", 《计算机工程与应用》 * |
陆俊等: ""多蚁群算法的网络负载动态均衡方法"", 《计算机应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113852571A (zh) * | 2021-08-20 | 2021-12-28 | 阿里巴巴(中国)有限公司 | 分配流量的方法以及装置 |
CN113852571B (zh) * | 2021-08-20 | 2023-11-28 | 阿里巴巴(中国)有限公司 | 分配流量的方法以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Joint resource allocation for software-defined networking, caching, and computing | |
WO2023040022A1 (zh) | 一种在随机网络中基于算网协同的分布式计算卸载方法 | |
Liu | Intelligent routing based on deep reinforcement learning in software-defined data-center networks | |
Lai et al. | TSSM: Time-sharing switch migration to balance loads of distributed SDN controllers | |
CN113098789A (zh) | 一种基于sdn的数据中心网络多路径动态负载均衡方法 | |
CN113918240A (zh) | 任务卸载方法及装置 | |
Xiaolong et al. | MTSS: multi-path traffic scheduling mechanism based on SDN | |
Kang et al. | Application of adaptive load balancing algorithm based on minimum traffic in cloud computing architecture | |
CN108737268B (zh) | 软件定义工业物联网资源调度方法 | |
Ning et al. | Social-oriented resource management in cloud-based mobile networks | |
Zahedi et al. | EmcFIS: Evolutionary multi-criteria Fuzzy Inference System for virtual network function placement and routing | |
CN106105282B (zh) | 利用链路缓冲区状态进行流量工程的系统和方法 | |
CN107317767A (zh) | 基于反蚁群算法的网络快速流量优化方法 | |
Amiri et al. | Optimized controller placement for software defined wide area networks | |
CN115604311B (zh) | 一种面向服务网络的云端融合计算系统及自适应路由方法 | |
Chen et al. | Dynamic load balancing for software-defined data center networks | |
CN116319565A (zh) | 基于在网计算的负载均衡系统、方法、设备及存储介质 | |
CN113395183B (zh) | 网络仿真平台vlan互联的虚拟节点调度方法与系统 | |
Hoang et al. | New distributed constraint satisfaction algorithms for load balancing in edge computing: A feasibility study | |
Ke et al. | A priority-based multicast flow scheduling method for a collaborative edge storage datacenter network | |
CN113542121B (zh) | 基于退火方法的树形数据中心链路层负载均衡路由方法 | |
Yue et al. | Rule placement and switch migration-based scheme for controller load balancing in SDN | |
Jingwen et al. | A traffic scheduling scheme for data center networks based on sdn | |
Peizhe et al. | A Network Traffic Scheduling Strategy for Energy Storage Data Centers Based on SDN | |
Gurses et al. | Maximum utility peer selection for p2p streaming in wireless ad hoc networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171103 |