CN114338537A - 基于预测的sdn负载均衡双重权重交换机迁移方法及系统 - Google Patents
基于预测的sdn负载均衡双重权重交换机迁移方法及系统 Download PDFInfo
- Publication number
- CN114338537A CN114338537A CN202111639476.6A CN202111639476A CN114338537A CN 114338537 A CN114338537 A CN 114338537A CN 202111639476 A CN202111639476 A CN 202111639476A CN 114338537 A CN114338537 A CN 114338537A
- Authority
- CN
- China
- Prior art keywords
- load
- controller
- switch
- component
- prediction
- 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
- 238000013508 migration Methods 0.000 title claims abstract description 91
- 230000005012 migration Effects 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000000737 periodic effect Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000007717 exclusion Effects 0.000 claims description 7
- 230000009977 dual effect Effects 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开一种基于预测的SDN负载均衡双重权重交换机迁移方法及系统,每个控制器上均运行有负载平衡模块,负载平衡模块包括流量收集组件、流量预测组件、负载通知组件、平衡决策组件和交换机迁移组件,流量收集组件实时监控控制器负载信息;流量预测组件预测未来的负载数据;负载通知组件通过负载通知法进行周期性的负载通知,平衡决策组件确定需要进行交换机迁移的控制器;交换机迁移组件防止多个交换机选择同一个目标控制器。本发明能快速平衡控制器的负载并能减少交换机的迁移次数,有效解决SDN环境中控制平面的负载均衡问题。
Description
技术领域
本发明属于SDN负载均衡技术,具体涉及一种基于预测的SDN负载均衡双重权重交换机迁移方法及系统。
背景技术
传统IP网络有着广泛的应用,但它们异常复杂,难以管理。很难根据预定义的策略配置网络、工作以及重新配置网络以响应故障、负载和更改。软件定义网络体系结构(如图1)被认为是未来互联网最有前途的体系结构之一。它具有转发控制分离、集中管理和开放接口三大特点,对传统网络产生了重大影响。它是对传统网络架构的重构,在未来网络转型中扮演着重要角色。SDN更改当前网络的控制逻辑(控制平面),以分离转发流量的底层路由器和交换机(数据平面),从而打破垂直集成。此外,由于控制平面和数据平面的分离,网络交换机被视为简单的转发设备。控制逻辑在逻辑集中的控制器(或网络操作系统)中实现,从而简化策略执行和网络配置等操作。
由于网络的快速发展和网络规模的不断扩大,单一的集中式控制器已不能满足当前的网络状态,并导致潜在的可扩展性和可靠性问题。因此,一些研究者使用多控制器部署来避免这个瓶颈。然而,这些解决方案的一个关键限制是,当静态配置交换机和控制器之间的映射时,控制器很难解决控制器之间的负载问题。这种限制可能导致网络性能下降;因此,解决这一问题至关重要。在OpenFlow V1.3中,首次提出了从功能上解决控制器负载平衡和故障切换问题。SDN控制器有三个角色:主、相等和从。它们的角色可以随时更改,但只有处于主状态的控制器才能管理和配置交换机。它使动态交换机迁移成为平衡多个控制器之间负载的一种简单有效的方法。
在当前的方法中,主要存在两个问题,其一,过载控制器总是被定义为超过负载阈值的最大负载控制器,这种方法不能有效地保证控制器负载接近处理能力瓶颈的准确性。这总是导致频繁的交换机迁移,可能会中断正在进行的通信;其二,现有的方案主要是当控制器过载的时候被动触发交换机迁移操作,但是控制器过载的时候进行交换机迁移操作会大大的增加迁移时间,所以在交换机迁移是必要的前提下,越早的进行交换机迁移操作将能大大的降低迁移的时间。现有的方案都不能很好的解决这两个问题。
因此,如何提前感知控制器超过负载,并及时有效的进行交换机迁移,从而保证网络的正常使用,成为当下研究要解决的问题。
发明内容
发明目的:本发明的目的在于解决现有技术中存在的不足,提供一种基于预测的SDN负载均衡双重权重交换机迁移方法及系统,能够解决SDN网络中控制器平面的负载均衡问题。
技术方案:本发明的一种基于预测的SDN负载均衡双重权重交换机迁移方法,依次包括以下步骤:
步骤(1)、SDN网络G中有控制器集合C={C1,C2,…,CN}和交换机集合S={S1,S2,…,SK},N为控制器数量且这些控制器管理N个网络域,K为交换机数量;
在各控制器上运行流量收集组件,通过流量收集组件实时监控控制器负载信息,此处负载信息是指所有交换机发送Packet_IN消息到达控制器的到达率,记为流量收集矩阵TCM;
步骤(2)、在各控制器上运行流量预测组件,流量预测组件通过上述所得负载信息来预测未来的负载数据;
步骤(3)、负载通知组件根据上述预测的负载数据,基于负载通知算法进行周期性的负载通知,减少因负载通知导致的资源消耗;
步骤(4)、平衡决策组件接收负载预测组件所得预测负载数据,然后使用相应策略确定控制器是否过载,并根据双重权重的交换机迁移法选择出需要迁移的交换机或者交换机组进行迁移,同时需要选择出合理的目标控制器来接受迁移的交换机;
步骤(5)、交换机迁移组件使用互斥操作来解决当多个交换机选择同一个目标控制器而发生冲突问题。
也就是说,上述流量收集组件实时从控制器域中统计交换机接收的Packet_IN消息的数,并将数据发送到流量预测组件。流量预测组件使用历史数据预测下一阶段控制器域中交换机的负载,并将结果传输到下一个组件。当控制器在下一阶段满足负载通知条件,触发负载通知组件将控制器的负载信息发送给其他控制器;否则,不执行任何操作。然后,平衡决策组件将控制器划分为一组过载控制器和一组非过载控制器,并使用本发明提出的双重权重交换机迁移算法找到需要迁移的交换机,选择合适的目标控制器来接受迁移的交换机集合,目标控制器决定是否接受这些交换机,如果接收,则这些交换机将迁移到其目标控制器;完成迁移后,源控制器和目标控制器更新其负载信息,并通过负载通知组件将其报告给其他控制器。
CPU是SDN网络中控制器吞吐量的关键,由于CPU处理每条Packet_IN消息所花费的时间大致相同,因此CPU的负载与Packet_IN消息的到达率大致成正比;因此本发明采用Packet_IN消息的到达率作为控制器的负载,以秒为单位,统计每个交换机的消息到达率,通过处理得到流量矩阵并将数据传输给流量预测组件,本发明还默认所有控制器具有相同的处理能力,每个网络域中的网络流量和控制器的负载均会变化。
进一步地,所述步骤(2)中流量预测组件基于神经网络来预测负载数据(也就是SDN网络流量),具体方法如下:
步骤(2.1)、在流量预测矩阵TCM′中,M表示控制器管理的交换机的最大数量,W表示滑动窗口的大小;Xij表示控制器域中的第i个交换机在[j,j+Δt]时间内的流量,即交换机发送Packet_IN消息到达控制器的数量;
步骤(2.2)、使用LSTM-RNN模型的流量矩阵TM预测包括两个阶段:训练和预测阶段,在训练阶段,通过在输入层训练数据并动态调整神经网络的参数,并实现输入集的预期输入值,并监督神经网络从数据中学习;
步骤(2.3)、设置学习窗口大小为W;
在训练阶段,递归神经网络采用向量(Xt-W Xt-W+1,…,Xt-1)作为W时间步长的输入,并使用标签Xt来计算损失,然后使用时间反向传播法BPTT来更新模型权重;Xt-W表示某一个交换机在t时间的流量例如,现在时刻为t,则前W个时间段内的流量为t-W;
在预测阶段,为估计时刻t+1的流量矩阵TM,向RNN模型输入W向量(Xt-W+1,Xt-W+2,…,Xt),并将Xt+1作为最后一个时间的输出。
进一步地,所述步骤(3)中负载通知法周期性通知预测负载数据的具体内容为:
基于流量预测组件所得预测负载数据,设置负载通知区间section=(Maximum-current)*θ,
其中,Maximum表示控制器处理能力的最大值,current表示控制器的当前负载,θ为负载通知区间系数;
当预测值在区间[current-section,current+section]则不进行负载通知,否则触发负载通知。
通过本发明的具有抑制性的负载通知法能够将主动的实时通知改为被动的通知,进而减少因为现有技术中的负载通知带来的资源消耗。
进一步地,所述步骤(4)的具体过程为;
步骤(4.1)、先设定相应阈值来确定控制器是否过载
获得Packet_IN消息到达与Packet_OUT消息的到达时间的图像关系,然后通过二阶导数找出拐点,即控制器的处理性能的瓶颈(控制器对交换机发送来的Packet_IN消息的处理速度能直接反应出控制器的处理能力);
步骤(4.2)、通过流量预测组件的预测负载数据,对流量预测矩阵TCM′的域内交换机负载值进行求和以获得控制器的负载预测值;然后将负载预测值与上述阈值进行比较;当某控制器负载超过合理的阈值时,该控制器主动与其它控制器进行通信并将负载信息通知其他控制器,并向满足要求的控制器发送交换机迁移操作请求;
步骤(4.3)、迁移的交换机选择,选择合适的交换机迁移能有效降低负载并减少交换机迁移的次数;对每个交换机均设置双重权重,通过选择权重最大的一个或多个交换机进行迁移,定义的权重公式为:
其中,Xit表示在时间[t,t+Δt]内由第i个交换机发送的Packet_IN消息的数量,Xt+1表示在时间[t,t+Δt+1]内由第i个交换机发送的Packet_IN消息的数量,w1和w2是权重系数,且w1+w2=1;
步骤(4.4)、目标控制器选择:由于交换机和控制器之间是多对多的关系,为保证迁移后不会导致目标控制器超过负载,定义如下约束:
TMaximum表示目标控制器的最大处理能力,TPrediction表示目标控制器的预测负载,Threshold表示控制器处理能力的阈值;Xit+1表示需要迁移的交换机的预测负载;此处默认迁移交换机的负载需要小于目标控制器的处理能力的10%。
由于两个或多个控制器可能会向同一个目标控制器发送负载平衡操作,进而导致迁移冲突或目标控制器过载,所述步骤(5)通过互斥操作来为避免该问题的出现,具体过程为:当源控制器向目标控制器发送交换机迁移请求时,如果目标控制器同意接受该请求,源控制器将立即完成交换机迁移操作并主动触发负载通知策略更新控制器的负载信息;在进行交换机迁移操作的时间内,该目标控制器不能再接受别的源控制器的发送来迁移请求,直到完成迁移操作后才接受新的控制器的迁移请求。
本发明还公开一种用于实现基于预测的SDN负载均衡双重权重交换机迁移方法的系统,包括若干控制器(即SDN控制器)和若干交换机,交换机与控制器之间为多对多的连接关系,即每个控制器均管理多个交换机,且每个交换机被多个控制器进行管理,且同时只能有一个主控制器来处理交换机发送的信息;每个控制器中均运行有负载均衡模块,负载均衡模块包括流量收集组件、流量预测组件、负载通知组件、平衡决策组件和交换机迁移组件,流量收集组件实时监控控制器负载信息;流量预测组件使用来自流量收集组件的数据来预测未来的负载数据;负载通知组件根据流量预测组件的预测负载数据,通过负载通知法来周期性进行负载通知,平衡决策组件将从负载预测组件接收数据,然后使用双重权重的交换机迁移法来确定需要进行交换机迁移的控制器;交换机迁移组件采用互斥操作防止多个交换机选择同一个目标控制器。
有益效果:本发明在SDN体系结构上针对分布式控制器的负载问题提出一种解决负载平衡的方法,从而平衡控制器之间的负载情况同时采用交换机迁移法解决频繁的交换机迁移问题。
与现有技术相比,本发明的有点具体如下:
(1)本发明采用深度学习方法,根据控制器的历史负载数据预测未来的负载数据,提起知道控制器高负载出现的时间,更早的发现高负载的出现时间可以更早的进行交换机迁移,从而减少迁移所花费的时间;
(2)本发明采用触发式的控制器通信策略,以减少控制器周期性的负载通知所需要的额外处理和通信开销;
(3)本发明能够通过Java编程语言设计的客户端/服务器模式(C/S模式)来模拟交换机和控制器的通信,方便数据集的获取,解决深度学习训练需要大量数据的问题;
(4)本发明考虑未来交换机负载情况,使用双重权重的交换机迁移方法,避免了频繁的交换机迁移。
附图说明
图1为本发明中SDN体系架构图;
图2为本发明中网络模型图;
图3为本发明中系统架构图;
图4为本发明整体流程图;
图5为本发明流量收集组件具体流程图;
图6为本发明流量预测组件具体流程图;
图7为本发明负载通知组件具体流程图;
图8为本发明平衡决策组件具体流程图;
图9为本发明交换机迁移组件具体流程图;
图10为本发明中控制器流量随时间变化图;
图11为本发明中控制器流量标准差随时间变化图。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
如图2和图3所示,本实施的实现基于预测的SDN负载均衡双重权重交换机迁移方法的系统,包括若干控制器(即SDN控制器)和若干交换机,交换机与控制器之间为多对多的连接关系,即每个控制器均管理多个交换机,且每个交换机被多个控制器进行管理,且同时只能有一个主控制器来处理交换机发送的信息;每个控制器中均运行有负载均衡模块,负载均衡模块包括流量收集组件、流量预测组件、负载通知组件、平衡决策组件和交换机迁移组件,流量收集组件实时监控控制器负载信息;流量预测组件使用来自流量收集组件的数据来预测未来的负载数据;负载通知组件根据流量预测组件的预测负载数据,通过负载通知法来周期性进行负载通知,平衡决策组件将从负载预测组件接收数据,然后使用双重权重的交换机迁移法来确定需要进行交换机迁移的控制器;交换机迁移组件采用互斥操作防止多个交换机选择同一个目标控制器。
例如,本实施例中控制平面共有N个控制器,形成N个网络域,数据平面中,控制器C1管理交换机S1至S5,C2管理交换机S6至S8,CN管理交换机SK-1至SK。
如图4所示,本实施例的基于预测的SDN负载均衡双重权重交换机迁移方法,依次包括以下步骤:
步骤(1)、SDN网络G中有控制器集合C={C1,C2,…,CN}和交换机集合S={S1,S2,…,SK},N为控制器数量且这些控制器管理N个网络域,K为交换机数量;
如图5所示,在各控制器上运行流量收集组件,通过流量收集组件实时监控控制器负载信息,这里负载信息是指所有交换机发送Packet_IN消息到达控制器的到达率,记为流量收集矩阵TCM;
步骤(2)、如图6所示,在各控制器上运行流量预测组件,流量预测组件通过上述所得负载信息来预测未来的负载数据;
步骤(2.1)、在流量预测矩阵TCM′中,M表示控制器管理的交换机的最大数量,W表示滑动窗口的大小;Xij表示控制器域中的第i个交换机在[j,j+Δt]时间内的流量,即交换机发送Packet_IN消息到达控制器的数量;
步骤(2.2)、使用LSTM-RNN模型的流量矩阵TM预测包括两个阶段:训练和预测阶段,在训练阶段,通过在输入层训练数据并动态调整神经网络的参数,并实现输入集的预期输入值,并监督神经网络从数据中学习;
步骤(2.3)、设置学习窗口大小为W;
在训练阶段,递归神经网络采用W向量(Xt-W Xt-W+1,…,Xt-1)作为W时间步长的输入,并使用标签Xt来计算损失,然后使用时间反向传播法BPTT来更新模型权重;
在预测阶段,为估计时刻t+1的流量矩阵TM,向RNN模型输入W向量(Xt-W+1,Xt-W+2,…,Xt),并将Xt+1作为最后一个时间的输出。
步骤(3)、如图7所示,负载通知组件根据上述预测的负载数据,基于负载通知算法进行周期性的负载通知,减少因负载通知导致的资源消耗,具体为:
基于流量预测组件所得预测负载数据,设置负载通知区间section=(Maximum-current)*θ,其中,Maximum表示控制器处理能力的最大值,current表示控制器的当前负载,θ为负载通知区间系数;当预测值在区间[current-section,current+section]则不进行负载通知,否则触发负载通知。
步骤(4)、如图8所示,平衡决策组件接收负载预测组件所得预测负载数据,然后使用相应策略确定控制器是否过载,并根据双重权重的交换机迁移法选择出需要迁移的交换机或者交换机组进行迁移,同时需要选择出合理的目标控制器来接受迁移的交换机。具体为:
步骤(4.1)、先设定相应阈值来确定控制器是否过载
获得Packet_IN消息到达与Packet_OUT消息的到达时间的图像关系,然后通过二阶导数找出拐点,即控制器的处理性能的瓶颈(控制器对交换机发送来的Packet_IN消息的处理速度能直接反应出控制器的处理能力);
步骤(4.2)、通过流量预测组件的预测负载数据,对流量预测矩阵TCM′的域内交换机负载值进行求和以获得控制器的负载预测值;然后将负载预测值与上述阈值进行比较;当某控制器负载超过合理的阈值时,该控制器主动与其它控制器进行通信并将负载信息通知其他控制器,并向满足要求的控制器发送交换机迁移操作请求;
步骤(4.3)、迁移的交换机选择,选择合适的交换机迁移能有效降低负载并减少交换机迁移的次数;对每个交换机均设置双重权重,通过选择权重最大的一个或多个交换机进行迁移,定义的权重公式为:
其中,Xit表示在时间[t,t+Δt]内由第i个交换机发送的Packet_IN消息的数量,Xt+1表示在时间[t,t+Δt+1]内由第i个交换机发送的Packet_IN消息的数量,w1和w2是权重系数,且w1+w2=1;
步骤(4.4)、目标控制器选择:由于交换机和控制器之间是多对多的关系,为保证迁移后不会导致目标控制器超过负载,定义如下约束:
TMaximum表示目标控制器的最大处理能力,TPrediction表示目标控制器的预测负载,Xit+1表示需要迁移的交换机的预测负载;此处默认迁移交换机的负载需要小于目标控制器的处理能力的10%。
步骤(5)、如图9所示,交换机迁移组件使用互斥操作来解决当多个交换机选择同一个目标控制器而发生冲突问题,即当源控制器向目标控制器发送交换机迁移请求时,如果目标控制器同意接受该请求,它将立即完成交换机迁移操作并主动触发负载通知策略更新控制器的负载信息。在进行交换机迁移操作的时间内,控制器不能再接受别的源控制器的发送来迁移请求,直到完成迁移操作后才可以接受新的控制器的迁移请求。
实施例:本实例中的SDN控制器采用Ryu V8.1.1,网络拓扑采用网络仿真器Mininet V2.2.1。
网络拓扑:通过Mininet创建一个包含30个交换机的网络拓扑,选择五台物理机器运行SDN控制器,并将30个交换机分成五组,由五个控制器管理。
实施过程:
1、通过控制交换机的流量,让其中的某些控制器与超过负载触发负载平衡操作。如图10(a)表示不触发负载平衡操作的各个控制器流量,图10(b)表示本发明下控制器的负载变化情况。
2、开始在100秒内增加C4和C5控制器的负载。C4和C5分别在115秒和140秒时超过控制器的处理能力,并继续过载。在图10(a)中无负载平衡的情况下,当C4和C5超过控制器的阈值时,响应时间将达到15ms以上,并且将过载。然而,如图10(b)所示,本发明采用了流量预测方案。当下一阶段预测负载超过阈值时,提前进行负载平衡操作,可以将C4和C5的负载转移到低负载的C1和C2。有效降低了C4和C5的负荷,响应时间大大缩短。同时,在图11中显示了控制器的标准差随时间的变化,可以看出,本发明中各控制器的负载逐渐平衡。
通过上述实施例可以看出,本发明使用基于预测的SDN负载均衡双重权重的交换机迁移方法,在每个控制器上均运行有负载平衡模块,每个负载平衡模块均包括流量收集组件、流量预测组件、负载通知组件、平衡决策组件、交换机迁移组件;本发明能有效平衡控制器之间的负载;并且本发明采用预测的方式能提前感知控制器超过负载的时间并提前进行交换机迁移操作,能有效减少交换机迁移所花费的时间,同时本发明采用双重权重的交换机迁移方法,能有效减少频繁的交换机迁移。
Claims (6)
1.一种基于预测的SDN负载均衡双重权重交换机迁移方法,其特征在于:依次包括以下步骤:
步骤(1)、SDN网络G中有控制器集合C={C1,C2,…,CN}和交换机集合S={S1,S2,…,SK},N为控制器数量,K为交换机数量;
在各控制器上运行流量收集组件,通过流量收集组件实时监控控制器负载信息,此处负载信息是指所有交换机发送Packet_IN消息到达控制器的到达率,记为流量收集矩阵TCM;
步骤(2)、在各控制器上运行流量预测组件,流量预测组件通过上述所得负载信息来预测未来的负载数据;
步骤(3)、负载通知组件根据上述预测的负载数据,基于负载通知法进行周期性的负载通知,减少因负载通知导致的资源消耗;
步骤(4)、平衡决策组件接收负载预测组件所得预测负载数据,然后使用相应策略确定控制器是否过载,并根据双重权重的交换机迁移法选择出需要迁移的交换机或者交换机组进行迁移,同时需要选择出合理的目标控制器来接受迁移的交换机;
步骤(5)、交换机迁移组件使用互斥操作来解决当多个交换机选择同一个目标控制器而发生冲突问题。
2.根据权利要求1所述的基于预测的SDN负载均衡双重权重交换机迁移方法,其特征在于:所述步骤(2)中流量预测组件基于神经网络来预测负载数据,具体方法如下:
步骤(2.1)、在流量预测矩阵TCM′中,M表示控制器管理的交换机的最大数量,W表示滑动窗口的大小;Xij表示控制器域中的第i个交换机在[j,j+Δt]时间内的流量,即交换机发送Packet_IN消息到达控制器的数量;
步骤(2.2)、使用LSTM-RNN模型的流量矩阵TM预测包括两个阶段:训练和预测阶段,在训练阶段,通过在输入层训练数据并动态调整神经网络的参数,并实现输入集的预期输入值,并监督神经网络从数据中学习;
步骤(2.3)、设置学习窗口大小为W;
在训练阶段,递归神经网络采用W向量(Xt-W Xt-W+1,…,Xt-1)作为W时间步长的输入,并使用标签Xt来计算损失,然后使用时间反向传播法BPTT来更新模型权重;Xt-W表示交换机在t时间的流量;
在预测阶段,为估计时刻t+1的流量矩阵TM,向RNN模型输入W向量(Xt-W+1,Xt-W+2,...,Xt),并将Xt+1作为最后一个时间的输出。
3.根据权利要求1所述的基于预测的SDN负载均衡双重权重交换机迁移方法,其特征在于:所述步骤(3)中负载通知法周期性通知预测负载数据的具体内容为:
基于流量预测组件所得预测负载数据,设置负载通知区间section=(Maximum-current)*θ,
其中,Maximum表示控制器处理能力的最大值,current表示控制器的当前负载,θ为负载通知区间系数;
当预测值在区间[current-section,current+section]则不进行负载通知,否则触发负载通知。
4.根据权利要求1所述的基于预测的SDN负载均衡双重权重交换机迁移方法,其特征在于:所述步骤(4)的具体过程为;
步骤(4.1)、先设定相应阈值来确定控制器是否过载
获得Packet_IN消息到达与Packet_OUT消息的到达时间的图像关系,然后通过二阶导数找出拐点,即控制器的处理性能的瓶颈;
步骤(4.2)、通过流量预测组件的预测负载数据,对流量预测矩阵TMC的域内交换机负载值进行求和以获得控制器的负载预测值;然后将负载预测值与上述阈值进行比较;当某控制器负载超过合理的阈值时,该控制器主动与其它控制器进行通信并将负载信息通知其他控制器,并向满足要求的控制器发送交换机迁移操作请求;
步骤(4.3)、迁移的交换机选择
对每个交换机均设置双重权重,通过选择权重最大的一个或多个交换机进行迁移,定义的权重公式为:
Sweight=w1*Xit+w2*Xit+1
其中,Xit表示在时间[t,t+Δt]内由第i个交换机发送的Packet_IN消息的数量,Xt+1表示在时间[t,t+Δt+1]内由第i个交换机发送的Packet_IN消息的数量,w1和w2是权重系数,且w1+w2=1;
步骤(4.4)、目标控制器选择:为保证在保证迁移后不会导致目标控制器超过负载,定义如下约束:
TMaximum表示目标控制器的最大处理能力,TPrediction表示目标控制器的预测负载,Xit+1表示需要迁移的交换机的预测负载;Threshold表示控制器处理能力的阈值。
5.根据权利要求1所述的基于预测的SDN负载均衡双重权重交换机迁移方法,其特征在于:所述步骤(5)的具体过程为:
当源控制器向目标控制器发送交换机迁移请求时,如果目标控制器同意接受该请求,源控制器将立即完成交换机迁移操作并主动触发负载通知策略更新控制器的负载信息;在进行交换机迁移操作的时间内,该目标控制器不能再接受别的源控制器的发送来迁移请求,直到完成迁移操作后才接受新的控制器的迁移请求。
6.一种用于实现权利要求1至5所述基于预测的SDN负载均衡双重权重交换机迁移方法的系统,其特征在于:包括若干SDN控制器和若干交换机,交换机与控制器之间为多对多的连接关系,即每个控制器均管理多个交换机,且每个交换机被多个控制器进行管理,且同时只能有一个主控制器来处理交换机发送的信息;
每个控制器中均运行有负载均衡模块,负载均衡模块包括流量收集组件、流量预测组件、负载通知组件、平衡决策组件和交换机迁移组件,流量收集组件实时监控控制器负载信息;流量预测组件使用来自流量收集组件的数据来预测未来的负载数据;负载通知组件根据流量预测组件的预测负载数据,通过负载通知法来周期性进行负载通知,平衡决策组件将从负载预测组件接收数据,然后使用双重权重的交换机迁移法来确定需要进行交换机迁移的控制器;交换机迁移组件采用互斥操作防止多个交换机选择同一个目标控制器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111639476.6A CN114338537B (zh) | 2021-12-29 | 2021-12-29 | 基于预测的sdn负载均衡双重权重交换机迁移方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111639476.6A CN114338537B (zh) | 2021-12-29 | 2021-12-29 | 基于预测的sdn负载均衡双重权重交换机迁移方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114338537A true CN114338537A (zh) | 2022-04-12 |
CN114338537B CN114338537B (zh) | 2024-01-19 |
Family
ID=81016513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111639476.6A Active CN114338537B (zh) | 2021-12-29 | 2021-12-29 | 基于预测的sdn负载均衡双重权重交换机迁移方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114338537B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104935460A (zh) * | 2015-05-05 | 2015-09-23 | 浙江大学 | 一种基于数据面流量预测的多控制器节能优化方法 |
CN105577729A (zh) * | 2014-10-17 | 2016-05-11 | 中兴通讯股份有限公司 | 负载均衡的方法及装置 |
CN107612771A (zh) * | 2017-09-07 | 2018-01-19 | 广东工业大学 | 一种基于动态迁移的sdn网络负载均衡方法 |
US20180176153A1 (en) * | 2016-12-15 | 2018-06-21 | NoFutzNetworks Inc. | Method of Load-Balanced Traffic Assignment Using a Centrally-Controlled Switch |
CN108650131A (zh) * | 2018-05-10 | 2018-10-12 | 合肥工业大学 | 用于sdn网络中多控制器部署的处理系统 |
CN110505154A (zh) * | 2019-07-26 | 2019-11-26 | 北京工业大学 | 一种基于改进的迪杰斯特拉算法的交换机迁移方法 |
CN111092821A (zh) * | 2018-10-24 | 2020-05-01 | 杨晨曦 | 一种基于动态迁移的sdn网络负载均衡方法 |
-
2021
- 2021-12-29 CN CN202111639476.6A patent/CN114338537B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105577729A (zh) * | 2014-10-17 | 2016-05-11 | 中兴通讯股份有限公司 | 负载均衡的方法及装置 |
CN104935460A (zh) * | 2015-05-05 | 2015-09-23 | 浙江大学 | 一种基于数据面流量预测的多控制器节能优化方法 |
US20180176153A1 (en) * | 2016-12-15 | 2018-06-21 | NoFutzNetworks Inc. | Method of Load-Balanced Traffic Assignment Using a Centrally-Controlled Switch |
CN107612771A (zh) * | 2017-09-07 | 2018-01-19 | 广东工业大学 | 一种基于动态迁移的sdn网络负载均衡方法 |
CN108650131A (zh) * | 2018-05-10 | 2018-10-12 | 合肥工业大学 | 用于sdn网络中多控制器部署的处理系统 |
CN111092821A (zh) * | 2018-10-24 | 2020-05-01 | 杨晨曦 | 一种基于动态迁移的sdn网络负载均衡方法 |
CN110505154A (zh) * | 2019-07-26 | 2019-11-26 | 北京工业大学 | 一种基于改进的迪杰斯特拉算法的交换机迁移方法 |
Non-Patent Citations (4)
Title |
---|
ABDERRAHIME FILALI;ET ALL: "Prediction-Based Switch Migration Scheduling for SDN Load Balancing", 《ICC 2019-2019 IEEE INTERNATIONALCONFERENCE ON COMMUNICATIONS》 * |
HONG ZHONG;JINPENG FAN;JIE CUI;YAN XU;LU LIU: "Accessing Profit of Prediction for SDN controllers load balancing", 《COMPUTER NETWORK》 * |
赵季红;罗金;郭爽乐;赵建龙;蔡田杰;: "SDN中基于PSVD的交换机迁移算法", 《光通信研究》, no. 04 * |
鲁庆河: "软件定义网络中多控制器负载均衡技术研究", 《中国优秀硕士学位论文全文数据库》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114338537B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109995583B (zh) | 一种延迟保证的nfv云平台动态扩缩容方法及系统 | |
CN111526070B (zh) | 一种基于预测的服务功能链故障检测方法 | |
CN108076158B (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 | |
EP3659305A1 (en) | Proactive link load balancing to maintain quality of link | |
US11757790B2 (en) | Method and server for adjusting allocation of computing resources to plurality of virtualized network functions (VNFs) | |
Jazayeri et al. | A latency-aware and energy-efficient computation offloading in mobile fog computing: a hidden Markov model-based approach | |
JP2018207241A (ja) | 管理装置、管理方法及び管理プログラム | |
Bouzidi et al. | Deep reinforcement learning application for network latency management in software defined networks | |
CN112162789A (zh) | 一种基于软件定义的边缘计算随机卸载决策方法及系统 | |
Mai et al. | In-network intelligence control: Toward a self-driving networking architecture | |
CN117938755B (zh) | 一种数据流量控制方法、网络交换子系统及智能计算平台 | |
CN114338537B (zh) | 基于预测的sdn负载均衡双重权重交换机迁移方法及系统 | |
Hongvanthong | Novel four-layered software defined 5g architecture for ai-based load balancing and qos provisioning | |
Nikbazm et al. | KSN: Modeling and simulation of knowledge using machine learning in NFV/SDN-based networks | |
Xia et al. | Learn to optimize: Adaptive VNF provisioning in mobile edge clouds | |
CN114205300B (zh) | 一种能够在流量信息不完整情况下保证coflow传输截止期限的流量调度方法 | |
Cui et al. | Resource-Efficient DNN Training and Inference for Heterogeneous Edge Intelligence in 6G | |
Wei et al. | SDN-based multi-controller optimization deployment strategy for satellite network | |
CN113015196B (zh) | 一种基于状态感知的网络切片故障愈合方法 | |
Chang et al. | Low-latency controller load balancing strategy and offloading decision generation algorithm based on lyapunov optimization in SDN mobile edge computing environment | |
Yang et al. | Dynamic load balancing of multiple controller based on intelligent collaboration in sdn | |
KR20230089509A (ko) | Bi-LSTM 기반 웹 애플리케이션 워크로드 예측 방법 및 장치 | |
Sharma et al. | Meta-reinforcement learning based resource management in software defined networks using bayesian network | |
CN108011838B (zh) | 基于响应时间的sdn多控制器负载均衡方法 | |
Mingshi et al. | Failure prediction based vnf migration mechanism for multimedia services in power grid substation monitoring |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |