CN116208560B - 针对大象流的sdn数据中心网络负载均衡方法及系统 - Google Patents
针对大象流的sdn数据中心网络负载均衡方法及系统 Download PDFInfo
- Publication number
- CN116208560B CN116208560B CN202310225444.4A CN202310225444A CN116208560B CN 116208560 B CN116208560 B CN 116208560B CN 202310225444 A CN202310225444 A CN 202310225444A CN 116208560 B CN116208560 B CN 116208560B
- Authority
- CN
- China
- Prior art keywords
- network
- elephant flow
- elephant
- flow
- data center
- 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.)
- Active
Links
- 241000406668 Loxodonta cyclotis Species 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005070 sampling Methods 0.000 claims abstract description 55
- 230000006870 function Effects 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 20
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000002787 reinforcement Effects 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 239000000523 sample Substances 0.000 claims 3
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000013467 fragmentation Methods 0.000 abstract description 9
- 238000006062 fragmentation reaction Methods 0.000 abstract description 9
- 230000009471 action Effects 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
-
- 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
本发明提出了针对大象流的SDN数据中心网络负载均衡方法及系统,涉及网络技术领域,具体方案包括:实时探测感知SDN数据中心网络的拓扑结构,基于构建的网络拓扑图,检测链路的拥塞程度,根据拥塞程度动态调整采样周期;根据所述采样周期进行采样,通过两阶段双阈值的方法,对得到的样本进行大象流的识别;根据最小化丢包率、最大化吞吐量以及更高的路径选择概率设计奖励函数,为识别到的大象流实时计算最优路径,并重路由到最优路径;本发明能够为基于SDN技术下的数据中心网络提供一种智能动态的负载均衡方法,使得基于SDN技术下的数据中心流量拥塞以及网络延迟的问题得以缓解,同时解决带宽碎片化问题,提高网络的性能与带宽利用率。
Description
技术领域
本发明属于网络技术领域,尤其涉及针对大象流的SDN数据中心网络负载均衡方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
在实际的数据中心网络环境中,网络管理员在日常管理网络的时候,常常会遇到网络链路拥塞的情况,这是因为数据中心网络中大量的数据及流量充斥在链路上,并且由于不够智能和不够灵活的网络负载均衡策略,导致链路无法进行及时的疏通,从而造成严重的链路拥塞现象,这极大地降低了网络的性能以及用户的体验,严重时还可能造成局部或整个网络的瘫痪。
近年来,随着云计算、物联网以及移动互联网等技术的蓬勃兴起,应用与业务日益多元化,给核心网络带来巨大压力,传统互联网已经不堪重负。面对这一窘境,美国斯坦福大学Clean-Slate课题研究组提出的软件定义网络(Software Defined Network,SDN)引出一种新型的网络架构:将传统封闭的网络体系解耦为数据平面、控制平面和应用平面,在逻辑上实现了网络的集中控制与管理,大大地提升了网络的开放以及灵活性。
随着互联网的飞速发展,大量的数据被集中存入数据中心,使得全球范围内数据中心的数量越来越多,数据中心网络已经成为大数据技术和云计算基础设备的基石。软件定义网络技术与数据中心的进一步结合,大大提高了数据中心网络的灵活性与可靠性。同时由于其可编程的特性,降低了运营成本,提高了其商用价值。
在软件定义网络中,流量的转发依据是流表规则。当一条流到达交换机时,交换机会按照其内部存储的流表规则来对流进行转发工作。如果交换机没有查到相应的流表规则,则会向控制器发送packet_in消息来获取流表规则。当控制器制定出数据包的处理方法后,会通过packet_out消息将规则安装到相应的交换机,交换机再根据此规则对流进行转发。
随着数据中心的发展进入高峰期,其内部的数据也正在呈井喷式增长。大量的数据流量充斥在数据中心网络的链路之中,造成了严重的网络拥塞与延迟问题,控制器的负载也进一步加重,从而影响到整个网络的稳定,因此对路由进行优化是当前网络中的一个核心问题。在对实际的数据中心网络流量进行分析后发现:其内部流量有80%以上的流量携带数据量极小且持续时间短,而仅有10%左右的流量携带了大量信息并且持续时间较长;前者被称为小鼠流,后者则被称为大象流,而造成数据中心链路拥塞的主要原因是大象流,因为其携带数据量大,并且寿命很长;大象流占用信道资源,造成了网络拥塞以及高延迟等问题,使得网络无法满足用户的需求,同时造成了严重的网络负载不均衡问题。
发明内容
为克服上述现有技术的不足,本发明提供了针对大象流的SDN数据中心网络负载均衡方法及系统,使得基于SDN技术下的数据中心流量拥塞以及网络延迟的问题得以缓解,同时解决带宽碎片化问题,提高网络的性能与带宽利用率。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
本发明第一方面提供了针对大象流的SDN数据中心网络负载均衡系统;
针对大象流的SDN数据中心网络负载均衡系统,包括:
全网实时监控模块,被配置为:实时探测感知SDN数据中心网络的拓扑结构,基于构建的网络拓扑图,检测链路的拥塞程度,根据拥塞程度动态调整采样周期;
大象流检测模块,被配置为:根据所述采样周期进行采样,通过两阶段双阈值的方法,对得到的样本进行大象流的识别;
大象流重路由模块,被配置为:根据最小化丢包率、最大化吞吐量以及更高的路径选择概率设计奖励函数,为识别到的大象流实时计算最优路径,并重路由到最优路径。
进一步的,所述实时探测感知SDN数据中心网络的拓扑结构,具体为:
控制器获得交换机、端口以及MAC地址信息,根据链路及设备的链接情况生成网络拓扑图。
进一步的,所述拥塞程度为网络的总负载程度δload,具体公式为:
δload=μ*max(δi,j)+v*δavg(li,j∈R)
其中,R是网络,li,j是网络中的一条路径,δi,j是路径li,j的负载,max(δi,j)表示网络中负载最高的路径的负载程度,δavg表示网络的平均负载,μ和ν分别是权重,并且μ+ν=1。
进一步的,所述根据拥塞程度动态调整采样周期Ts,具体公式为:
Ts=-Tbase*log2δload
其中,Tbase表示基础采样周期,δload是拥塞程度。
进一步的,所述两阶段双阈值的方法,具体为:
第一阶段:交换机将持续时间高于第一阈值的流判定为疑似大象流,发送到控制器进行第二阶段检测;剩余的未被判定为疑似大象流的流均判定为小鼠流,直接对小鼠流按照无差别的等价多路径规则进行转发;
第二阶段:控制器对交换机发送的疑似大象流进行进一步检测,将速率超过第二阈值并且持续时间高于第一阈值的流判定为大象流。
进一步的,所述奖励函数,具体公式为:
Relephant=α*(1-Ploss)+β*T+γ*P
其中,Relephant表示奖励值,Ploss表示丢包率,T表示吞吐量,P表示路径选择概率;
所述路径选择概率P,具体公式为:
其中,Ni表示备选链路ei的选择权重,Bi表示备选链路ei的剩余带宽,frate表示大象流的传输速率,Pi表示备选链路ei的路径选择概率,k表示大象流所有备选链路的个数,Nj表示大象流任一条备选链路ej的选择权重;
所述丢包率,具体公式为:
其中,Ploss表示丢包率,表示链路(u,v)之间已发送的数据包数目,/>表示链路(u,v)之间已接受的数据包数目。
进一步的,所述为识别到的大象流实时计算最优路径,具体为:
基于所述奖励函数,通过深度强化学习,与环境进行不断地交互,学习到收益期望值最大的行为策略,作为最优路径。
本发明第二方面提供了针对大象流的SDN数据中心网络负载均衡方法。
针对大象流的SDN数据中心网络负载均衡方法,包括:
实时探测感知SDN数据中心网络的拓扑结构,基于构建的网络拓扑图,检测链路的拥塞程度,根据拥塞程度动态调整采样周期;
根据所述采样周期进行采样,通过两阶段双阈值的方法,对得到的样本进行大象流的识别;
根据最小化丢包率、最大化吞吐量以及更高的路径选择概率设计奖励函数,为识别到的大象流实时计算最优路径,并重路由到最优路径。
本发明第三方面提供了计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明第二方面所述的针对大象流的SDN数据中心网络负载均衡方法中的步骤。
本发明第四方面提供了电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第二方面所述的针对大象流的SDN数据中心网络负载均衡方法中的步骤。
以上一个或多个技术方案存在以下有益效果:
本发明的环境是数据中心网络,借助软件定义网络的架构,控制器可以获取全局视图并进行逻辑上的集中控制;在全局视图中,获取所有的链路以及节点的状态,计算出相应链路的拥塞程度,并根据拥塞程度来动态调整流的采样周期,从而达到节约资源,提高效率的目的。
本发明提出DTS大象流检测方法,首先在交换机中通过安装流规则的方式来使其进行第一阶段大象流检测,可以检测出疑似大象流并将其送往控制器,这样避免了使控制器检测所有流的,从而降低了控制器的负载;控制器中的第二阶段大象流检测器会继续根据双阈值检测方法来检测疑似大象流是否满足真实大象流标准,通过将流速率以及流持续时间与阈值进行对比,从而检测出疑似大象流中的真正大象流。
为了降低链路的拥塞程度,本发明使用改进的DQN算法来设计大象流的重路由策略,同时考虑链路带宽碎片化问题,使用基于概率的路径选择方法计算备选路径的选择概率,并将参数导入DQN中进行组合使用。DQN首先收集当前的网络状态以及流信息,其次根据改进后的奖励函数进行训练,最终可以实时地计算出最优路径并将大象流转发到最优路径来达到重路由的目的,从而缓解链路的拥塞保证资源利用率,提高了网络的整体性能。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为第一个实施例的系统总概图。
图2为第一个实施例的数据中心网络拓扑图示意图。
图3为第一个实施例的大象流检测流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
实施例一
本实施例公开了针对大象流的SDN数据中心网络负载均衡系统;
图1是针对大象流的SDN数据中心网络负载均衡系统的总概图,如图1所示,针对大象流的SDN数据中心网络负载均衡系统,包括:
全网实时监控模块1,被配置为:实时探测感知SDN数据中心网络的拓扑结构,基于构建的网络拓扑图,检测链路的拥塞程度,根据拥塞程度动态调整采样周期。
本实施例在设计负载均衡策略时,设计了全网实时监控模块,进而通过网络链路的负载程度动态设置采样周期,具体包括:
网络拓扑感知模块101,构建网络拓扑图。
SDN技术具有网络全局视图的优势,可以实时探测感知到网络的拓扑结构及设备情况。
具体的,SDN控制器通过packet_out消息将LLDP(Link Layer DiscoveryProtocol,链路层发现协议)的报文封装到OpenFlow协议中,并下发给所有与控制器相连的交换机;交换机收到控制器发来的包含LLDP报文的数据包之后,会将数据包源MAC地址修改为端口的MAC地址,随后由相应端口转发;当下一个与之相连的交换机收到此数据包后,会继续将其封装进入packet_in消息,最终传回控制器。
控制器通过对该数据包进行解析,获得交换机、端口以及MAC地址等信息,并根据链路及设备的链接情况生成网络拓扑图来支持下一步工作。
图2为基于软件定义网络的数据中心网络拓扑图示意图,采用胖树拓扑,从上往下分别是核心层、汇聚层以及接入层,设置每一层交换机的端口数k=4,即在胖树拓扑中每台交换机都有4个端口。
动态周期采样模块102,根据拥塞程度动态调整采样周期。
根据OpenFlow协议,控制器可以根据一个周期Ts,来定期向与之相连的所有交换机下发统计请求消息,从而获取流表、端口、流持续时间以及流速率等信息,以此来实时了解整个网络的状态以及流量的情况;但如果设置静态采样周期,则会使采样操作无法适应动态的网络环境,从而造成采样周期设置过短而造成控制器开销过大以及设置过长导致采样效率低下的问题,因此,在本实施例中采用动态采样周期的方法。
接收到网络拓扑感知模块101输出的网络信息,并利用控制器的网络拓扑图来根据公式计算整个网络的拥塞情况,当拥塞程度高时会缩短采样的周期,反之会增长采样周期;同时设置采样周期的最大值以及最小值,防止周期变得过长或过短,以此来降低控制器的负载以及链路资源的占用;计算好的采样周期及采样规则会实时的由控制器通过规则安装的方式安装至交换机,来指引交换机进行流采样工作,最终样本将会被传会控制器进行分析,具体为:
通过利用控制器的网络拓扑图来检测整体链路的拥塞程度,即网络的总负载程度δload,计算公式如下所示:
δload=μ*max(δi,j)+v*δavg(li,j∈R) (1)
其中,R是网络,li,j是网络中的一条路径,δi,j是路径li,j的负载,max(δi,j)表示网络中负载最高的路径的负载程度,δavg表示网络的平均负载,μ和ν分别是权重,并且μ+ν=1。
采样模块安装在控制器内部,具体的采样方法通过下发规则的方式被安装至交换机来进行采样操作;本实施例根据链路的拥塞程度来动态设置采样周期,从而达到动态、智能采样的目的。
采样周期Ts,具体公式为:
Ts=-Tbase*log2δload (2)
其中,Tbase表示基础采样周期,δload是拥塞程度。
从公式(2)中可以看到,拥塞程度及网络负载与采样周期成反比,当拥塞程度很高时,采样周期会变的很小,反之采样周期会很大。
本实施例还设置了采样周期最大值α以及采样周期最小值β,来防止采样周期过大或者过小,如公式(3)所示。
α≤Ts≤β (3)
通过动态智能地设置采样周期,既能够保证采样周期选取的合适性,同时也降低了控制器以及链路间的负载度,提高了网络的性能。
大象流检测模块2,被配置为:根据所述采样周期进行采样,通过两阶段双阈值的方法,对得到的样本进行大象流的识别。
为区分数据中心网络中的大象流与小鼠流,首先根据全网实时监控模块1计算的采样周期进行采样,再通过两阶段双阈值的方法来精确快速地区分象鼠流,图3为基于SDN技术的数据中心大象流检测的流程图,如图3所示,两阶段双阈值具体为:
第一阶段检测模块201
这一阶段将在交换机中进行,交换机根据安装好的规则模块来判断出疑似大象流并将其发往控制器进行第二阶段的判别;规则模块具体为:将流的持续时间高于设置阈值θd(s)的流判定为疑似大象流,发送到控制器进行第二阶段检测,而剩余的未被判定为疑似大象流的流均判定为小鼠流,直接对其按照无差别的等价多路径规则进行转发;这样便可将持续时间短且延迟敏感的小鼠流直接进行转发,避免延迟敏感的小鼠流失效问题,而不是一刀切地发送到控制器进行检测;既提高了检测的效率,同时又降低了控制器负载以及链路资源的开销,解决了不必要的资源浪费问题。
第二阶段检测模块202
交换机将第一阶段检测出的疑似大象流发送到控制器,在控制器中进行第二阶段检测,控制器检测模块将流速率超过θr(Mb/s)并且流持续时间高于θd(s)的流判定为大象流;疑似大象流与真实大象流的5元组(源/目的IP,源/目的端口,协议)将被记录在大象流流表中,同时记录判断情况与状态。
这里的检测阈值可以根据每个数据中心网络实际流量情况的不同,进行自行调节与设置;超过规定阈值的疑似大象流将被判定为真实大象流,而其余的则是小鼠流,继续使用无差别的等价多路径规则对小鼠流进行转发。
通过两个阶段的大象流检测过程,可以动态、精确地检测出数据中心网络链路中的大象流,同时还能最大限度的降低控制器与交换机之间链路的通信开销以及控制器的负载;真实大象流被发往应用平面负载均衡器中的重路由模块进行下一步操作。
大象流重路由模块3,被配置为:根据最小化丢包率、最大化吞吐量以及更高的路径选择概率设计奖励函数,为识别到的大象流实时计算最优路径,并重路由到最优路径。
基于软件定义网络技术的数据中心网络,提供一种针对链路拥塞问题的负载均衡方法,同时解决带宽碎片化问题,具体包括:
带宽碎片处理模块301,使用基于概率选择的方法来为备选路径分配不同的选择概率。
首先收集由控制器中的网络监控模块所提供的网络信息,包括拓扑信息、端口统计信息和流量统计信息等;随后使用基于概率的路径选择方法,将备选路径中剩余带宽与大象流传输速率差异最小的路径标记更高的概率值,提高其被选中作为转发重路由路径的概率。
具体的,将大象流fn的传输速率frate与备选链路ei的剩余带宽Bi的比值定义为此备选链路的选择权重Ni,如公式(4)所示。选择权重Ni越大,则意味着将大象流fh转发到此备选链路时所造成的带宽碎片化问题越少,造成的链路资源浪费也越少;再将此备选链路ei的选择权重Ni与大象流fn所有备选链路的选择权重进行比运算,得到此路径的选择概率Pi,如公式(5)所示,求出的链路选择概率用于进一步的组合使用。
其中,Ni表示备选链路ei的选择权重,Bi表示备选链路ei的剩余带宽,frate表示大象流的传输速率,Pi表示备选链路ei的路径选择概率,k表示大象流所有备选链路的个数,Nj表示大象流任一条备选链路ej的选择权重。
通过上述方式,传输速率与路径剩余带宽差异最小的备选路径将会被标记更高的概率值,从而提高其被选为重路由路径的概率,缓解带宽碎片化问题。
环境模块302,将控制器中网络监控模块所提供的网络信息与强化学习算法中的相关元素进行关系构建,包括流的吞吐量、传输速率以及丢包率等。
丢包率Ploss的计算方法如公式(7)所示:
其中,Ploss表示丢包率,表示链路(u,v)之间已发送的数据包数目,/>表示链路(u,v)之间已接受的数据包数目。
DQN重路由模块303,通过根据数据中心网络以及大象流的特征来改进DQN算法,使其更加适用于大象流的重路由工作。
根据数据中心网络以及大象流的特征,通过改进的深度强化学习DQN(Deep Q-Network)来设计针对大象流进行的重路由策略;本策略为基于软件定义网络的数据中心网络流量动态智能地生成最优路径,当携带数据量大且持续时间长的大象流被重路由至最优路径,链路拥塞问题将会得到缓解,从而达到负载均衡的效果,极大地降低了网络延迟同时提高网络的性能。
根据网络状态,设置深度强化学习的状态空间(state space)、动作空间(actionspace)和奖励函数(reward function)等信息,状态空间通过流表状态以及端口状态来共同表示;动作空间包含所有路径的集合,表示为选择相应的路径进行转发;当执行动作后,会根据奖励函数来计算相应的奖励值,奖励函数的构建针对大象流的目标,即最小化丢包率、最大化吞吐量以及更高的路径选择概率来设计,即转发后大象流的丢包率越低且吞吐量越大,则奖励会越高;反之,给予低的奖励,从而训练得到最优的转发路径;最终通过不断地交互与训练,通过动作值函数Q以及参数θ来获得所有路径对应的Q值,并选择一条具有最大Q值的路径作为动作,将公式a=argmaxaQ(st,a;θ)中求出的动作a作为流规则安装至交换机。
具体的,state表示状态,在设计状态空间时,考虑流表状态以及端口状态,这两个指标可以很好地反应当前的网络状态;action表示动作,动作空间含有网络中所有的路径的集合,并表示为选择哪一条路径进行转发。reward表示奖励,奖励函数的构建针对大象流的目标,即最小化丢包率和最大化吞吐量来设计,同时本系统将带宽碎片问题的处理方法引入奖励函数,从而提高链路利用率,奖励函数设计如公式(7)所示:
Relephamt=α*(1-Ploss)+β*T+γ*P (7)
其中,Relephant表示奖励值,Ploss表示丢包率,T表示吞吐量,P表示路径选择概率。
通过深度强化学习中的智能体与环境进行不断地交互,从而学习到能够使收益期望值最大的行为策略;根据公式(8)来选择具有最优Q值的动作,并将其作为流表规则输出到控制器的流表下发模块,通过规则安装的方式将相应动作安装至交换机上来控制对大象流的转发,状态转移公式如公式(9)所示。
selecta=argmaxaQ(st,a;θ) (8)
其中,st表示状态,a表示采取的动作,θ表示神经网络参数的权重和偏差集;Q(s,a)与分别是当前时刻和下一时刻的Q值,R(s,a)为当前时刻的奖励,N(s,a)为Node矩阵。
流表下发模块304,通过算法的路径选择,将最终采取的动作通过下发流表的方式安装至交换机。
数据平面的交换机根据控制器安装的规则,对相应的大象流进行重路由转发操作,从而达到负载均衡的目的。
通过对大象流动态、智能地进行重路由操作,同时将带宽碎片化问题引入大象流重路由操作的过程中,可以使大象流不断被智能地重路由到合理且拥塞程度低的链路上,这样不仅提高了大象流的吞吐量降低其丢包率,还大大提高了链路利用率,进一步地提高了网络的性能以及转发的效率,同时缓解了数据中心网络链路拥塞的问题。
实施例二
本实施例公开了针对大象流的SDN数据中心网络负载均衡方法;
针对大象流的SDN数据中心网络负载均衡方法,包括:
实时探测感知SDN数据中心网络的拓扑结构,基于构建的网络拓扑图,检测链路的拥塞程度,根据拥塞程度动态调整采样周期;
根据所述采样周期进行采样,通过两阶段双阈值的方法,对得到的样本进行大象流的识别;
根据最小化丢包率、最大化吞吐量以及更高的路径选择概率设计奖励函数,为识别到的大象流实时计算最优路径,并重路由到最优路径。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开实施例二所述的针对大象流的SDN数据中心网络负载均衡方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例二所述的针对大象流的SDN数据中心网络负载均衡方法中的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.针对大象流的SDN数据中心网络负载均衡系统,其特征在于,包括:
全网实时监控模块,被配置为:实时探测感知SDN数据中心网络的拓扑结构,基于构建的网络拓扑图,检测链路的拥塞程度,根据拥塞程度动态调整采样周期;
大象流检测模块,被配置为:根据所述采样周期进行采样,通过两阶段双阈值的方法,对得到的样本进行大象流的识别;
大象流重路由模块,被配置为:根据丢包率、吞吐量以及路径选择概率设计奖励函数,为识别到的大象流实时计算最优路径,并重路由到最优路径;
所述两阶段双阈值的方法,具体为:
第一阶段:交换机将持续时间高于第一阈值的流判定为疑似大象流,发送到控制器进行第二阶段检测;剩余的未被判定为疑似大象流的流均判定为小鼠流,直接对小鼠流按照无差别的等价多路径规则进行转发;
第二阶段:控制器对交换机发送的疑似大象流进行进一步检测,将速率超过第二阈值并且持续时间高于第一阈值的流判定为大象流;
所述奖励函数,具体公式为:
Relephant=α*(1-Ploss)+β*T+γ*P
其中,Relephant表示奖励值,Ploss表示丢包率,T表示吞吐量,P表示路径选择概率;
所述路径选择概率P,具体公式为:
其中,Ni表示备选链路ei的选择权重,Bi表示备选链路ei的剩余带宽,frate表示大象流的传输速率,Pi表示备选链路ei的路径选择概率,k表示大象流所有备选链路的个数,Nj表示大象流任一条备选链路ej的选择权重;
所述丢包率,具体公式为:
其中,Ploss表示丢包率,表示链路(u,v)之间已发送的数据包数目,/>表示链路(u,v)之间已接受的数据包数目;
所述为识别到的大象流实时计算最优路径,具体为:
基于所述奖励函数,通过深度强化学习,与环境进行不断地交互,学习到收益期望值最大的行为策略,作为最优路径。
2.如权利要求1所述的针对大象流的SDN数据中心网络负载均衡系统,其特征在于,所述实时探测感知SDN数据中心网络的拓扑结构,具体为:
控制器获得交换机、端口以及MAC地址信息,根据链路及设备的链接情况生成网络拓扑图。
3.如权利要求1所述的针对大象流的SDN数据中心网络负载均衡系统,其特征在于,所述拥塞程度为网络的总负载程度δload,具体公式为:
δload=μ*max(δi,j)+v*δavg(li,j∈R)
其中,R是网络,li,j是网络中的一条路径,δi,j是路径li,j的负载,max(δi,j)表示网络中负载最高的路径的负载程度,δavg表示网络的平均负载,μ和ν分别是权重,并且μ+ν=1。
4.如权利要求1所述的针对大象流的SDN数据中心网络负载均衡系统,其特征在于,所述根据拥塞程度动态调整采样周期Ts,具体公式为:
Ts=-Tbase*log2δload
其中,Tbase表示基础采样周期,δload是拥塞程度。
5.针对大象流的SDN数据中心网络负载均衡方法,其特征在于,包括:
实时探测感知SDN数据中心网络的拓扑结构,基于构建的网络拓扑图,检测链路的拥塞程度,根据拥塞程度动态调整采样周期;
根据所述采样周期进行采样,通过两阶段双阈值的方法,对得到的样本进行大象流的识别;
根据丢包率、吞吐量以及路径选择概率设计奖励函数,为识别到的大象流实时计算最优路径,并重路由到最优路径;
所述两阶段双阈值的方法,具体为:
第一阶段:交换机将持续时间高于第一阈值的流判定为疑似大象流,发送到控制器进行第二阶段检测;剩余的未被判定为疑似大象流的流均判定为小鼠流,直接对小鼠流按照无差别的等价多路径规则进行转发;
第二阶段:控制器对交换机发送的疑似大象流进行进一步检测,将速率超过第二阈值并且持续时间高于第一阈值的流判定为大象流;
所述奖励函数,具体公式为:
Relephant=α*(1-Ploss)+β*T+γ*P
其中,Relephant表示奖励值,Ploss表示丢包率,T表示吞吐量,P表示路径选择概率;
所述路径选择概率P,具体公式为:
其中,Ni表示备选链路ei的选择权重,Bi表示备选链路ei的剩余带宽,frate表示大象流的传输速率,Pi表示备选链路ei的路径选择概率,k表示大象流所有备选链路的个数,Nj表示大象流任一条备选链路ej的选择权重;
所述丢包率,具体公式为:
其中,Ploss表示丢包率,表示链路(u,v)之间已发送的数据包数目,/>表示链路(u,v)之间已接受的数据包数目;
所述为识别到的大象流实时计算最优路径,具体为:
基于所述奖励函数,通过深度强化学习,与环境进行不断地交互,学习到收益期望值最大的行为策略,作为最优路径。
6.一种电子设备,其特征是,包括:
存储器,用于非暂时性存储计算机可读指令;以及
处理器,用于运行所述计算机可读指令,
其中,所述计算机可读指令被所述处理器运行时,执行上述权利要求5所述的方法。
7.一种存储介质,其特征是,非暂时性地存储计算机可读指令,其中,当所述非暂时性计算机可读指令由计算机执行时,执行权利要求5所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310225444.4A CN116208560B (zh) | 2023-03-03 | 2023-03-03 | 针对大象流的sdn数据中心网络负载均衡方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310225444.4A CN116208560B (zh) | 2023-03-03 | 2023-03-03 | 针对大象流的sdn数据中心网络负载均衡方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116208560A CN116208560A (zh) | 2023-06-02 |
CN116208560B true CN116208560B (zh) | 2024-04-30 |
Family
ID=86514591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310225444.4A Active CN116208560B (zh) | 2023-03-03 | 2023-03-03 | 针对大象流的sdn数据中心网络负载均衡方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116208560B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108449269A (zh) * | 2018-04-12 | 2018-08-24 | 重庆邮电大学 | 基于sdn的数据中心网络负载均衡方法 |
CN109547340A (zh) * | 2018-12-28 | 2019-03-29 | 西安电子科技大学 | 基于重路由的sdn数据中心网络拥塞控制方法 |
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 |
CN111065105A (zh) * | 2019-12-30 | 2020-04-24 | 电子科技大学 | 一种面向无人机网络切片的分布式智能路由方法 |
CN113347102A (zh) * | 2021-05-20 | 2021-09-03 | 中国电子科技集团公司第七研究所 | 基于q-学习的sdn链路抗毁方法、存储介质及系统 |
CN115499365A (zh) * | 2022-07-29 | 2022-12-20 | 国网河南省电力公司信息通信公司 | 路由优化方法、装置、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10892992B2 (en) * | 2016-07-01 | 2021-01-12 | Hewlett Packard Enterprise Development Lp | Load balancing |
US11431609B2 (en) * | 2020-04-30 | 2022-08-30 | Hewlett Packard Enterprise Development Lp | Dynamic network service data routing based on measured network performance data |
-
2023
- 2023-03-03 CN CN202310225444.4A patent/CN116208560B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108449269A (zh) * | 2018-04-12 | 2018-08-24 | 重庆邮电大学 | 基于sdn的数据中心网络负载均衡方法 |
CN109547340A (zh) * | 2018-12-28 | 2019-03-29 | 西安电子科技大学 | 基于重路由的sdn数据中心网络拥塞控制方法 |
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 |
CN111065105A (zh) * | 2019-12-30 | 2020-04-24 | 电子科技大学 | 一种面向无人机网络切片的分布式智能路由方法 |
CN113347102A (zh) * | 2021-05-20 | 2021-09-03 | 中国电子科技集团公司第七研究所 | 基于q-学习的sdn链路抗毁方法、存储介质及系统 |
CN115499365A (zh) * | 2022-07-29 | 2022-12-20 | 国网河南省电力公司信息通信公司 | 路由优化方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
基于网络流量分析的未知恶意软件检测;李浩,马坤,陈贞翔,赵川;济南大学学报(自然科学版);20191130;第33卷(第6期);500-505 * |
Also Published As
Publication number | Publication date |
---|---|
CN116208560A (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107634911B (zh) | 一种信息中心网络中基于深度学习的自适应拥塞控制方法 | |
CN108259367B (zh) | 一种基于软件定义网络的服务感知的流策略定制方法 | |
CN105847151B (zh) | 一种面向软件定义网络的多约束QoS路由策略设计方法 | |
Ouhab et al. | Energy-efficient clustering and routing algorithm for large-scale SDN-based IoT monitoring | |
CN109547358B (zh) | 一种时间敏感网络切片的构造方法 | |
US20230362095A1 (en) | Method for intelligent traffic scheduling based on deep reinforcement learning | |
CN111988796A (zh) | 基于双模通信的台区信息采集业务带宽优化系统及方法 | |
CN110708736A (zh) | 一种基于能效中继选择的动态路由方法与系统 | |
CN101801036B (zh) | 网络流量管理方法及系统、普通节点 | |
CN111314223A (zh) | 一种ndn中基于路由接口排名的转发方法 | |
US20140047260A1 (en) | Network management system, network management computer and network management method | |
Yuan et al. | Congestion control for wireless sensor networks: A survey | |
CN109874162B (zh) | 高空高速移动节点自组网的混合式路由协议设计优化方法 | |
Yu et al. | A reinforcement learning aided decoupled RAN slicing framework for cellular V2X | |
CN116208560B (zh) | 针对大象流的sdn数据中心网络负载均衡方法及系统 | |
CN117560701A (zh) | 一种无线路由器的远程管理方法及系统 | |
US9009342B2 (en) | Network relay apparatus | |
CN110891027B (zh) | 基于队列调度的命名数据网络传输控制方法、装置和设备 | |
Lin et al. | ALPS: An adaptive link-state perception scheme for software-defined vehicular networks | |
CN106954268A (zh) | 一种sdn架构下接入网资源分配方法 | |
CN111478800A (zh) | 一种基于k-nn算法的dse优化方法及装置 | |
KR102277554B1 (ko) | 소프트웨어 정의 네트워크에서의 스위치 마이그레이션을 제공하는 컨트롤러 및 방법 | |
Kavitha et al. | Efficient and optimal routing using ant colony optimization mechanism for wireless sensor networks | |
Singha | Design of an effective Congestion Control Routing Protocol for Mobile-Ad-Hoc Network | |
KR20060106461A (ko) | 무선랜의 핸드오프 방법 |
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 |