CN115412506A - 一种数据中心网络中大象流识别及调度方法 - Google Patents

一种数据中心网络中大象流识别及调度方法 Download PDF

Info

Publication number
CN115412506A
CN115412506A CN202211079442.0A CN202211079442A CN115412506A CN 115412506 A CN115412506 A CN 115412506A CN 202211079442 A CN202211079442 A CN 202211079442A CN 115412506 A CN115412506 A CN 115412506A
Authority
CN
China
Prior art keywords
flow
elephant
time
scheduling
pheromone
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
Application number
CN202211079442.0A
Other languages
English (en)
Other versions
CN115412506B (zh
Inventor
王鹏
吴春明
张栋
林建洪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202211079442.0A priority Critical patent/CN115412506B/zh
Publication of CN115412506A publication Critical patent/CN115412506A/zh
Application granted granted Critical
Publication of CN115412506B publication Critical patent/CN115412506B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
    • H04L47/2483—Traffic characterised by specific attributes, e.g. priority or QoS involving identification of individual flows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/50—Queue scheduling
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提出一种数据中心网络中大象流识别及调度方法，采用带内网络遥测技术对数据平面网络状态信息进行收集，提出一种基于带内网络遥测的大象流检测方法以及基于蚁群算法的流量调度方法。第一步，当新的流到达边缘交换机时，计算队列长度累积速率，并判断是否超过设定的阈值，当未超过阈值时，执行等价多路径的调度方法进行调度转发。超过阈值时，判断为疑似大象流，采用C4.5决策树分类算法进一步判断所述流是否为真正大象流，未被判定为真正大象流的疑似大象流，仍旧执行等价多路径的调度方法进行调度转发。找出真正的大象流后，通过改进的蚁群算法，找出大象流调度的最优路径。

Description

一种数据中心网络中大象流识别及调度方法
技术领域
本发明涉及流量调度领域，尤其涉及一种数据中心网络中大象流识别及调度方法。
背景技术
数据中心网络中承载的业务种类繁，业务流的分布具有突发性和不均匀性，这就会导致数据中心网络中的带宽等资源无法按需分配，从而产生网络拥塞，降低网络性能。此外，用户对数据中心所提供的服务也有着较高的质量要求。解决这些问题就需要对网络流的调度方法进行一定的优化，通过对业务流进行合理的调度，一方面提高链路带宽的利用率，缓解网络拥塞，提高网络性能；另一方面为业务提供充足的带宽等网络资源的支持，从而满足用户对高服务质量的需求。
数据中心网络的流量通常被分为两种类型，即大象流和老鼠流。大象流传输字节数大，大速率，持续时间长，对带宽要求较高。老鼠流传属字节数较小，小速率，持续时间较短，对时延敏感。在实际的数据中心网络流量中，大象流数目不多(约10％)，却占用了80％的流量，老鼠流数目较多(约90％)，却仅占据了20％的流量。
传统的大流检测方法多采用抽样的方式，周期性的获取流信息，会导致检测延迟以及网络的开销大。传统的数据采集方式主要采用“拉模式”获取数据，即发送请求来获取设备上的数据，限制了可以监控的网络设备数量，且无法快速获取数据。当前数据中心网络广泛利用等价多路径路由(Equal-Cost Multi-Path Routing，ECMP)算法进行流量的调度。研究表明，ECMP算法可以有效的调度老鼠流，但是对于持续时间长，数据量大的大象流，ECMP可能会将多条大象流调度到同一链路上，造成数据流的碰撞和网络拥塞，使得网络负载不均衡。
发明内容
本发明的目的在于针对现有技术的不足，提供了一种数据中心网络中大象流识别及调度方法。
本发明的目的是通过以下技术方案来实现的：一种数据中心网络中大象流识别及调度方法，包括以下步骤：
步骤(1)：当数据中心网络中新的流到达边缘交换机时，计算所述流的队列长度累积速率，判断所述流的队列长度累积速率是否超过阈值；若所述流的队列长度累积速率超过阈值，则判断所述流是疑似大象流，反之判断所述流不是疑似大象流；当判断结果不是疑似大象流时，通过等价多路径的调度方法将所述流转发至目的主机，完成数据流的调度转发；
步骤(2)：当步骤(1)的判断结果是疑似大象流，采用C4.5决策树分类算法进一步判断所述流是否为真正大象流；当判断结果是真正大象流时，使用改进的蚂蚁算法获得最优路径，通过最优路径将所述流转发至目的主机，完成数据流的调度转发；当判断结果不是真正大象流时，通过等价多路径的调度方法将所述流转发至目的主机，完成数据流的调度转发。
进一步地，当数据中心网络中新的流到达边缘交换机时，通过带内网络遥测技术采集每个数据包到达边缘交换机时队列的长度和时间；并通过所述流的第1个数据包到达边缘交换机时队列的长度和时间以及第n个数据包到达边缘交换机时队列的长度和时间求得队列长度累积速率r；
所述队列长度累积速率r的计算公式为：
Figure BDA0003832321800000021
其中，L1、T1分别为所述流的第1个数据包到达边缘交换机时队列的长度和时间；Ln、Tn分别为所述流的第n个数据包到达边缘交换机时队列的长度和时间；n的取值范围根据用户实际的组网环境及业务需求而定；
所述流包括N个报头五元组一致的数据包，N>n；
判断所述流的队列长度累积速率r是否超过设定的阈值R；若所述流的队列长度累积速率r超过设定的阈值R，则判断所述流是疑似大象流；反之，判断所述流不是疑似大象流；当判断结果不是疑似大象流时，通过等价多路径的调度方法将所述流转发至目的主机，完成数据流的调度转发。
进一步地，所述采用C4.5决策树分类算法进一步判断所述流是否为真正大象流，具体包括以下子步骤：
(a1)解析已经被判断为真正大象流的流的每一个数据包得到每一个数据包的5个特征，作为样本的属性，形成一个决策树训练集；所述5个特征包括数据包到达时间间隔、端口利用率、端口丢包率、数据包在交换机的时延以及队列拥塞度；
(a2)使用c4.5决策树分类算法对样本训练集进行训练学习，通过计算信息增益率，选择最优的分裂属性，构建决策树模型；
(a3)通过步骤(a2)中生成的决策树模型对步骤(1)判断为疑似大象流的流进行进一步判断，判断所述流是否为真正大象流。
进一步地，所述改进的蚂蚁算法，具体包括以下子步骤：
(b1)初始化整个网络拓扑为一个无向图G＝(V，E)，其中V表示网络中交换机的集合，E代表网络的链路集合，令m＝0；
(b2)每个蚂蚁以信息素转移概率访问下一跳，直到所有蚂蚁到达目的主机；
(b3)根据蚂蚁产生的信息素，对路径上的信息素值进行全局更新；
(b4)判断迭代次数m是否大于等于迭代数M，如果大于等于则输出最优路径，否则m＝m+1，返回步骤(b2)。
进一步地，步骤(b2)中所述信息素转移概率表示为：
Figure BDA0003832321800000031
其中，
Figure BDA0003832321800000032
表示t时刻处于位置i的蚂蚁k选择位置j的概率，v表示处于位置i的蚂蚁可选的下一跳的集合；τij(t)表示t时刻位置i与位置j之间的信息素浓度，
Figure BDA0003832321800000033
表示t时刻位置i与位置j之间的第一启发函数，
Figure BDA0003832321800000034
表示t时刻处于位置i与位置j之间的第二启发函数；τin(t)表示t时刻位置i与位置n之间的信息素浓度，
Figure BDA0003832321800000035
表示t时刻位置i与位置n之间的第一启发函数，
Figure BDA0003832321800000036
表示t时刻位置i与位置n之间的第二启发函数；α为信息素浓度的权值，β为第一启发函数的权值，γ为第二启发函数的权值。
进一步地，所述第一启发函数
Figure BDA0003832321800000037
为：
Figure BDA0003832321800000038
其中，loadij(t)为t时刻位置i和位置j之间的链路负载；B为位置i和位置j之间的链路带宽；
所述第二启发函数
Figure BDA0003832321800000039
为：
Figure BDA00038323218000000310
其中，Costij(t)为t时刻位置i和位置j之间的传输代价；
Costij＝w1*delayij+w2*lossij+w3*FlowNumij；
其中，w1+w2+w3＝1；delayij表示位置i和位置j之间的链路延迟，lossij表示位置i和位置j之间的链路丢包率，FlowNumij表示位置i和位置j之间的链路正在传输的流的数量。
进一步地，步骤(b3)中所述全局更新的规则为：
τij(t+1)＝(1-ρ)*τij(t)+ρΔτij(t)；
其中，ρ为全局信息素挥发因子，取值范围为0～1；(1-ρ)则表示残留在路径上信息素因子；Δτij(t)表示t时刻位置i和位置j之间信息素的增量；
所述Δτij(t)的计算公式如下：
Δτij(t)＝∑Δτij k(t)；
其中，Δτij k(t)表示蚂蚁k在位置i和位置j之间释放的信息素；
Figure BDA0003832321800000041
其中，Q为蚂蚁释放信息素的总量，Lk为蚂蚁k经过的总长度。
本发明的有益效果是：一方面，本发明通过带内网络遥测技术对数据平面进行实时、高速的数据采集，进行大象流的识别，交换机设备可记录每个数据包的毫秒级信息，并主动向控制器上送采集数据，提高了大象流识别的实时性和准确性。另一方面，本发明对蚁群算法进行改进，寻找大象流调度的最优路径，提高链路带宽的利用率，提高网络负载均衡度，缓解网络拥塞。
附图说明
图1为一种数据中心网络中大象流识别及调度方法的整体流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加明白清楚，结合附图和实施例，对本发明进一步的详细说明，应当理解，此处所描述的具体实施例仅用以解释本发明，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，均在本发明保护范围。
本发明针对数据中心网络中等价多路径的调度方法(Equal-Cost MultipathRouting，ECMP)调度大象流易造成网络拥塞和负载不均衡等问题，提出了一种数据中心网络中大象流识别及调度方法。
实施例1
如图1所示，本发明提供了一种数据中心网络中大象流识别及调度方法，包括以下步骤：
步骤(1)：当数据中心网络中新的流到达边缘交换机时，计算所述流的队列长度累积速率，判断所述流的队列长度累积速率是否超过阈值；若所述流的队列长度累积速率超过阈值，则判断所述流是疑似大象流，反之判断所述流不是疑似大象流；当判断结果不是疑似大象流时，通过等价多路径的调度方法将所述流转发至目的主机，完成数据流的调度转发。
所述步骤(1)具体为：
当数据中心网络中新的流到达边缘交换机时，通过带内网络遥测(In-bandNetworkTelemetry，INT)技术采集每个数据包到达边缘交换机时队列的长度和时间；并通过所述流的第1个数据包到达边缘交换机时队列的长度和时间以及第10个数据包到达边缘交换机时队列的长度和时间求得队列长度累积速率r；
所述队列长度累积速率r的计算公式为：
Figure BDA0003832321800000051
其中，L1、T1分别为所述流的第1个数据包到达边缘交换机时队列的长度和时间；L10、T10分别为所述流的第10个数据包到达边缘交换机时队列的长度和时间；
所述流包括N个报头五元组一致的数据包，N>n；
本实施例中，n的取值为10；所述n的取值范围根据用户实际的组网环境及业务需求而定；一般来说，n的取值需参考链路状态，网络拥塞以及用户对服务质量的需求程度。链路状态较均衡，拥塞程度越小，用户对服务质量需求越低的情况下，n的取值可以越大。
判断所述流的队列长度累积速率r是否超过设定的阈值R；若所述流的队列长度累积速率r是否超过设定的阈值R，则判断所述流是疑似大象流反之判断所述流不是疑似大象流；当判断结果不是疑似大象流时，通过等价多路径的调度方法将所述流转发至目的主机，完成数据流的调度转发。
所述等价多路径的调度方法(ECMP)属于数据中心网络默认的路由调度算法。
对于报头五元组一致的数据包归为同一条流的数据包，所述报头五元组包括源IP、目的IP、源端口、目的端口和协议类型。边缘交换机可以连续的同时监视所有的单个流的数据包信息，并通过带内网络遥测技术采集数据包信息；单个流在边缘交换机处完成大象流的初步预判。
步骤(2)：当步骤(1)的判断结果是疑似大象流，采用C4.5决策树分类算法进一步判断所述流是否为真正大象流；当判断结果是真正大象流时，使用改进的蚂蚁算法获得最优路径，通过最优路径将所述流转发至目的主机，完成数据流的调度转发；当判断结果不是真正大象流时，通过等价多路径的调度方法将所述流转发至目的主机，完成数据流的调度转发。
所述采用C4.5决策树分类算法进一步判断所述流是否为真正大象流，具体包括以下子步骤：
(a1)解析已经被判断为真正大象流的流的每一个数据包得到每一个数据包的5个特征，作为样本的属性，形成一个决策树训练集；所述5个特征包括数据包到达时间间隔、端口利用率、端口丢包率、数据包在交换机的时延以及队列拥塞度；
(a2)使用c4.5决策树分类算法对样本训练集进行训练学习，通过计算信息增益率，选择最优的分裂属性，构建决策树模型；
(a3)通过步骤(a2)中生成的决策树模型对步骤(1)判断为疑似大象流的流进行进一步判断，判断所述流是否为真正大象流。
到达时间间隔、端口利用率、端口丢包率、数据包在交换机的时延以及队列拥塞度这5个特征是通过带内网络遥测技术采集的数据包信息获得。
所述改进的蚂蚁算法，具体包括以下子步骤：
(b1)初始化整个网络拓扑为一个无向图G＝(V，E)，其中V表示网络中交换机的集合，E代表网络的链路集合，令m＝0；
(b2)每个蚂蚁以信息素转移概率访问下一跳，直到所有蚂蚁到达目的主机；
(b3)根据蚂蚁产生的信息素，更新路径上的信息素值；
(b4)判断迭代次数m是否大于等于迭代数M，如果大于等于则输出最优路径，否则m＝m+1，返回步骤(b2)。
所述信息素转移概率表示为：
Figure BDA0003832321800000061
其中，
Figure BDA0003832321800000062
表示t时刻处于位置i的蚂蚁k选择位置j的概率，v表示处于位置i的蚂蚁可选的下一跳的集合；τij(t)表示t时刻位置i与位置j之间的信息素浓度，
Figure BDA0003832321800000063
表示t时刻位置i与位置j之间的第一启发函数，
Figure BDA0003832321800000064
表示t时刻处于位置i与位置j之间的第二启发函数；τin(t)表示t时刻位置i与位置n之间的信息素浓度，
Figure BDA0003832321800000065
表示t时刻位置i与位置n之间的第一启发函数，
Figure BDA0003832321800000066
表示t时刻位置i与位置n之间的第二启发函数；α为信息素浓度的权值，β为第一启发函数的权值，γ为第二启发函数的权值。
信息素浓度τij(t)的值越大，表示处于位置i的蚂蚁k选择位置j的概率越大；α、β、γ分别表示信息素浓度τij(t)、第一启发函数
Figure BDA0003832321800000067
第二启发函数
Figure BDA0003832321800000068
对处于位置i的蚂蚁k选择位置j的影响度。
所述第一启发函数
Figure BDA0003832321800000071
为：
Figure BDA0003832321800000072
其中，loadij(t)为t时刻位置i和位置j之间的链路负载；B为位置i和位置j之间的链路带宽；链路的负载loadij(t)越高，第一启发函数
Figure BDA0003832321800000073
的值越小，大象流选择所述链路的可能性越低；
所述第二启发函数
Figure BDA0003832321800000074
为：
Figure BDA0003832321800000075
其中，Costij(t)表示t时刻位置i和位置j之间的链路传输代价，传输代价越高，第二启发函数
Figure BDA0003832321800000076
的值越小，大象流选择所述链路的可能性越低。
传输代价考虑了链路的延迟、丢包值以及当前所述链路正在传输的流的数量情况。延迟，丢包值都可以通过带内网络遥测技术采集的数据中直接获得，链路正在传输的流的数量的值可以通过OpenFlow协议获得。
Costij＝w1*delayij+w2*lossij+w3*FlowNumij；
其中，w1+w2+w3＝1；delayij表示位置i和位置j之间的链路延迟，lossij表示位置i和位置j之间的链路丢包率，FlowNumij表示位置i和位置j之间的链路正在传输的流的数量。
步骤(b3)中所述全局更新的规则为：
τij(t+1)＝(1-ρ)*τij(t)+ρΔτij(t)；
其中，ρ为全局信息素挥发因子，取值范围为0～1；(1-ρ)则表示残留在路径上信息素因子；Δτij(t)表示位置i和位置j之间信息素的增量；
所述Δτij(t)的计算公式如下：
Δτij(t)＝∑Δτij k(t)；
其中，Δτij k(t)表示蚂蚁k在位置i和位置j之间释放的信息素量；
Figure BDA0003832321800000081
其中，Q为蚂蚁释放信息素的总量，Lk为蚂蚁k经过的总长度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (7)

1.一种数据中心网络中大象流识别及调度方法，其特征在于，包括以下步骤：
步骤(1)：当数据中心网络中新的流到达边缘交换机时，计算所述流的队列长度累积速率，判断所述流的队列长度累积速率是否超过阈值；若所述流的队列长度累积速率超过阈值，则判断所述流是疑似大象流，反之判断所述流不是疑似大象流；当判断结果不是疑似大象流时，通过等价多路径的调度方法将所述流转发至目的主机，完成数据流的调度转发；
步骤(2)：当步骤(1)的判断结果是疑似大象流，采用C4.5决策树分类算法进一步判断所述流是否为真正大象流；当判断结果是真正大象流时，使用改进的蚂蚁算法获得最优路径，通过最优路径将所述流转发至目的主机，完成数据流的调度转发；当判断结果不是真正大象流时，通过等价多路径的调度方法将所述流转发至目的主机，完成数据流的调度转发。
2.根据权利要求1所述的一种数据中心网络中大象流识别及调度方法，其特征在于，所述步骤(1)具体为：
当数据中心网络中新的流到达边缘交换机时，通过带内网络遥测技术采集每个数据包到达边缘交换机时队列的长度和时间；并通过所述流的第1个数据包到达边缘交换机时队列的长度和时间以及第n个数据包到达边缘交换机时队列的长度和时间求得队列长度累积速率r；
所述队列长度累积速率r的计算公式为：
Figure FDA0003832321790000011
其中，L1、T1分别为所述流的第1个数据包到达边缘交换机时队列的长度和时间；Ln、Tn分别为所述流的第n个数据包到达边缘交换机时队列的长度和时间；n的取值范围根据用户实际的组网环境及业务需求而定；
所述流包括N个报头五元组一致的数据包，N>n；
判断所述流的队列长度累积速率r是否超过设定的阈值R；若所述流的队列长度累积速率r超过设定的阈值R，则判断所述流是疑似大象流；反之，判断所述流不是疑似大象流；当判断结果不是疑似大象流时，通过等价多路径的调度方法将所述流转发至目的主机，完成数据流的调度转发。
3.根据权利要求1所述的一种数据中心网络中大象流识别及调度方法，其特征在于，所述采用C4.5决策树分类算法进一步判断所述流是否为真正大象流，具体包括以下子步骤：
(a1)解析已经被判断为真正大象流的流的每一个数据包得到每一个数据包的5个特征，作为样本的属性，形成一个决策树训练集；所述5个特征包括数据包到达时间间隔、端口利用率、端口丢包率、数据包在交换机的时延以及队列拥塞度；
(a2)使用c4.5决策树分类算法对样本训练集进行训练学习，通过计算信息增益率，选择最优的分裂属性，构建决策树模型；
(a3)通过步骤(a2)中生成的决策树模型对步骤(1)判断为疑似大象流的流进行进一步判断，判断所述流是否为真正大象流。
4.根据权利要求1所述的一种数据中心网络中大象流识别及调度方法，其特征在于，所述改进的蚂蚁算法，具体包括以下子步骤：
(b1)初始化整个网络拓扑为一个无向图G＝(V，E)，其中V表示网络中交换机的集合，E代表网络的链路集合，令m＝0；
(b2)每个蚂蚁以信息素转移概率访问下一跳，直到所有蚂蚁到达目的主机；
(b3)根据蚂蚁产生的信息素，对路径上的信息素值进行全局更新；
(b4)判断迭代次数m是否大于等于迭代数M，如果大于等于则输出最优路径，否则m＝m+1，返回步骤(b2)。
5.根据权利要求4所述的一种数据中心网络中大象流识别及调度方法，其特征在于，步骤(b2)中所述信息素转移概率表示为：
Figure FDA0003832321790000021
其中，
Figure FDA0003832321790000022
表示t时刻处于位置i的蚂蚁k选择位置j的概率，v表示处于位置i的蚂蚁可选的下一跳的集合；τij(t)表示t时刻位置i与位置j之间的信息素浓度，
Figure FDA0003832321790000023
表示t时刻位置i与位置j之间的第一启发函数，
Figure FDA0003832321790000024
表示t时刻处于位置i与位置j之间的第二启发函数；τin(t)表示t时刻位置i与位置n之间的信息素浓度，
Figure FDA0003832321790000025
表示t时刻位置i与位置n之间的第一启发函数，
Figure FDA0003832321790000026
表示t时刻位置i与位置n之间的第二启发函数；α为信息素浓度的权值，β为第一启发函数的权值，γ为第二启发函数的权值。
6.根据权利要求5所述的一种数据中心网络中大象流识别及调度方法，其特征在于，
所述第一启发函数
Figure FDA0003832321790000027
为：
Figure FDA0003832321790000028
其中，loadij(t)为t时刻位置i和位置j之间的链路负载；B为位置i和位置j之间的链路带宽；
所述第二启发函数
Figure FDA0003832321790000031
为：
Figure FDA0003832321790000032
其中，Costij(t)为t时刻位置i和位置j之间的传输代价；
Costij＝w1*delayij+w2*lossij+w3*FlowNumij；
其中，w1+w2+w3＝1；delayij表示位置i和位置j之间的链路延迟，lossij表示位置i和位置j之间的链路丢包率，FlowNumij表示位置i和位置j之间的链路正在传输的流的数量。
7.根据权利要求4所述的一种数据中心网络中大象流识别及调度方法，其特征在于，步骤(b3)中所述全局更新的规则为：
τij(t+1)＝(1-ρ)*τij(t)+ρΔτij(t)；
其中，ρ为全局信息素挥发因子，取值范围为0～1；(1-ρ)则表示残留在路径上信息素因子；Δτij(t)表示t时刻位置i和位置j之间信息素的增量；
所述Δτij(t)的计算公式如下：
Δτij(t)＝∑Δτij k(t)；
其中，Δτij k(t)表示蚂蚁k在位置i和位置j之间释放的信息素；
Figure FDA0003832321790000033
其中，Q为蚂蚁释放信息素的总量，Lk为蚂蚁k经过的总长度。
CN202211079442.0A 2022-09-05 2022-09-05 一种数据中心网络中大象流识别及调度方法 Active CN115412506B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211079442.0A CN115412506B (zh) 2022-09-05 2022-09-05 一种数据中心网络中大象流识别及调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211079442.0A CN115412506B (zh) 2022-09-05 2022-09-05 一种数据中心网络中大象流识别及调度方法

Publications (2)

Publication Number Publication Date
CN115412506A true CN115412506A (zh) 2022-11-29
CN115412506B CN115412506B (zh) 2024-02-13

Family

ID=84163686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211079442.0A Active CN115412506B (zh) 2022-09-05 2022-09-05 一种数据中心网络中大象流识别及调度方法

Country Status (1)

Country Link
CN (1) CN115412506B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106209669A (zh) * 2016-06-30 2016-12-07 中国人民解放军国防科学技术大学 面向sdn数据中心网络最大概率路径流调度方法及装置
CN106533970A (zh) * 2016-11-02 2017-03-22 重庆大学 面向云计算数据中心网络的差分流传输控制方法及装置
CN108512772A (zh) * 2018-03-09 2018-09-07 重庆邮电大学 基于服务质量的数据中心流量调度方法
CN108989133A (zh) * 2018-08-27 2018-12-11 山东大学 基于蚁群算法的网络探测优化方法
CN110311829A (zh) * 2019-05-24 2019-10-08 西安电子科技大学 一种基于机器学习加速的网络流量分类方法
CN110677324A (zh) * 2019-09-30 2020-01-10 华南理工大学 基于sFlow采样与控制器主动更新列表的大象流两级检测方法
CN110891019A (zh) * 2019-12-10 2020-03-17 重庆邮电大学 一种基于负载均衡的数据中心流量调度方法
CN111245722A (zh) * 2020-01-20 2020-06-05 重庆邮电大学 一种基于遗传算法的sdn数据中心网络流转发方法
CN113259263A (zh) * 2021-04-29 2021-08-13 中电积至(海南)信息技术有限公司 一种深度报文检测集群中的数据包调度方法
CN114567915A (zh) * 2022-01-25 2022-05-31 中科南京移动通信与计算创新研究院 基于改进等价多路由的最佳路径规划方法及系统
CN114615200A (zh) * 2022-03-14 2022-06-10 芯河半导体科技(无锡)有限公司 一种基于acl的大象流检测方法及装置
US20220231955A1 (en) * 2021-01-19 2022-07-21 Realtek Semiconductor Corporation Data flow classification device

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106209669A (zh) * 2016-06-30 2016-12-07 中国人民解放军国防科学技术大学 面向sdn数据中心网络最大概率路径流调度方法及装置
CN106533970A (zh) * 2016-11-02 2017-03-22 重庆大学 面向云计算数据中心网络的差分流传输控制方法及装置
CN108512772A (zh) * 2018-03-09 2018-09-07 重庆邮电大学 基于服务质量的数据中心流量调度方法
CN108989133A (zh) * 2018-08-27 2018-12-11 山东大学 基于蚁群算法的网络探测优化方法
CN110311829A (zh) * 2019-05-24 2019-10-08 西安电子科技大学 一种基于机器学习加速的网络流量分类方法
CN110677324A (zh) * 2019-09-30 2020-01-10 华南理工大学 基于sFlow采样与控制器主动更新列表的大象流两级检测方法
CN110891019A (zh) * 2019-12-10 2020-03-17 重庆邮电大学 一种基于负载均衡的数据中心流量调度方法
CN111245722A (zh) * 2020-01-20 2020-06-05 重庆邮电大学 一种基于遗传算法的sdn数据中心网络流转发方法
US20220231955A1 (en) * 2021-01-19 2022-07-21 Realtek Semiconductor Corporation Data flow classification device
CN113259263A (zh) * 2021-04-29 2021-08-13 中电积至(海南)信息技术有限公司 一种深度报文检测集群中的数据包调度方法
CN114567915A (zh) * 2022-01-25 2022-05-31 中科南京移动通信与计算创新研究院 基于改进等价多路由的最佳路径规划方法及系统
CN114615200A (zh) * 2022-03-14 2022-06-10 芯河半导体科技(无锡)有限公司 一种基于acl的大象流检测方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王昌平;蔡岳平;: "数据中心网络流量分类路由机制研究", 小型微型计算机系统, no. 11 *
王红运;束永安;: "数据中心网络中基于蚁群算法的动态多路径负载均衡", 计算机应用研究, no. 07 *
郭锋锋;: "改进的蚁群算法在SDN环境下数据的传输路径优化", 北京印刷学院学报, no. 09 *

Also Published As

Publication number Publication date
CN115412506B (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
CN109714275B (zh) 一种用于接入业务传输的sdn控制器及其控制方法
US6958998B2 (en) Traffic management in packet-based networks
CN109756421B (zh) 一种基于OpenFlow技术的拥塞控制系统及方法
CN108512772B (zh) 基于服务质量的数据中心流量调度方法
CN113347108B (zh) 一种基于q-学习的sdn负载均衡方法及系统
CN109479032A (zh) 网络设备中的拥塞避免
CN106559330B (zh) 一种基于sdn的动态路径规划方法
CN109547358B (zh) 一种时间敏感网络切片的构造方法
CN106357547A (zh) 一种基于流切片的软件定义网络拥塞控制算法
CN107070794A (zh) 一种低轨信息网络最优网络效益时延约束路由方法
CN107135158A (zh) 一种多路径传输中最优路径选择方法
CN111245722B (zh) 一种基于遗传算法的sdn数据中心网络流转发方法
CN110891019A (zh) 一种基于负载均衡的数据中心流量调度方法
CN105393597B (zh) 网络拥塞控制方法和控制器
CN117294643B (zh) 一种基于SDN架构的网络QoS保障路由方法
CN114448899A (zh) 一种均衡数据中心网络负载的方法
CN102076022A (zh) 无线传感器网络中支持实时传输的势能场路由方法及系统
Chan et al. An active queue management scheme based on a capture-recapture model
CN115412506B (zh) 一种数据中心网络中大象流识别及调度方法
Li et al. A data forwarding mechanism based on deep reinforcement learning for deterministic networks
CN116389375A (zh) 一种面向直播视频流的网络队列管理方法、设备及路由器
CN113259263B (zh) 一种深度报文检测集群中的数据包调度方法
CN115665207A (zh) 一种提升软件定义物联网中的数据传输速度的方法
Eshete et al. Approximate fairness through limited flow list
Shu et al. A Dynamic Multipath Load Balancing Algorithm Based on Particle Swarm Optimization in DCN

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