CN117221251A - 面向软件定义算力网络的算力感知及路由方法、架构 - Google Patents
面向软件定义算力网络的算力感知及路由方法、架构 Download PDFInfo
- Publication number
- CN117221251A CN117221251A CN202311199333.7A CN202311199333A CN117221251A CN 117221251 A CN117221251 A CN 117221251A CN 202311199333 A CN202311199333 A CN 202311199333A CN 117221251 A CN117221251 A CN 117221251A
- Authority
- CN
- China
- Prior art keywords
- computing
- network
- resources
- resource
- link
- 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
- 238000000034 method Methods 0.000 title claims description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000008447 perception Effects 0.000 claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 15
- 230000009471 action Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明属于计算机网络和云计算技术领域，涉及一种全网算力资源感知及路由架构。面向软件定义算力网络的算力感知及路由架构，包括：由Kubernetes集群和软件定义交换机及其连接链路组成的算力资源端；负责感知计算资源的计算资源感知单元；负责感知网络资源的网络资源感知单元；负责对计算资源和网络资源进行处理，并形成统一的算力资源表示形式的算力资源处理单元；基于算力资源数据进行路由计算，得到最优计算路径的算力路由计算单元；根据最优计算路径安装流表，进行算力资源调度，完成算力请求的算力路由部署单元。本发明在计算感知和网络感知的基础上进行算力路由，打破传统路由基于单一网络资源进行路由的局面，统筹兼顾网络与计算，更好地为应用服务。
Description
技术领域
本发明属于计算机网络和云计算技术领域，涉及一种全网算力资源感知及路由方法、算力网络架构。
背景技术
现有的简单、易于接入互联网的设计原则为其发展带来了便利，但在面对海量数据传输需求和大规模业务应用环境时暴露出了固有的缺陷。例如，在传统的网络架构中，为了满足特定的应用需求，通常需要包含大量的硬件设备。而传统网络是基于开放环境而设计，设备由多方管控，且任何一方都难以对整个网络进行有效管控，所以大多采用分布式管控策略。然而，一个值得注意的问题是，不同厂家生产的网络设备通常需要不同的调试和配置方式，用于管理设备的命令行调试接口也不同。随着移动设备数量的增加和技术的进步，网络服务变得愈加复杂，对互联网架构的要求要来越高。而由于网络的静态特性，设计和管理现有的网络体系架构变得非常困难。控制层和数据层紧密耦合，对网络管理员而言，手工配置网络和对网络设备应用访问控制是一项繁琐、复杂且极易出错的工作。管理和部署网络是一项繁琐的工作，对管理员而言是一个巨大的挑战。将传统网络中进行数据转发的数据层和数据控制的管理层抽象分离，形成一种全新的三层网络架构：软件定义网络(software defined networking,SDN)。SDN采用集中式的网络架构，通过将控制和数据功能解耦来实现上述操作。该架构使得集中式管控策略具备一定的可能性，从而提升像数据中心这类全局管控网络的网络性能。SDN是一种以集中的逻辑实体实现对整个网络进行管理和控制的新技术。SDN提高了网络性能，并避免了现有网络架构的缺陷。
边缘计算技术的兴起在一定程度上缓解了海量数据上传至云数据中心导致的带宽紧缺、网络拥塞和时延过长的问题，但也使得计算资源呈现泛在部署的趋势。而当前计算和网络分离的体系，极易导致算力孤岛效应，很容易出现某一处算力节点长时间处于过载状态，而其他算力节点处于空闲状态，导致计算资源无法得到充分的利用。算力网络是一种计算与网络深度融合的新型网络架构。算力感知和算力路由是算力网络中的两个关键技术难点。感知泛在的计算资源，并通过网络进行连接，能够实现全网范围内的计算资源的调用。设计算力路由算法，则可以将算力应用调度到最优的算力节点。
发明内容
本发明的目的是：为实现算力网络中计算资源和网络资源的感知，并对全网算力资源进行高效调用，提供一种面向软件定义算力网络的算力感知及路由方法、架构。
本发明的一个技术方案是：面向软件定义算力网络的算力感知方法，用于对由Kubernetes集群和软件定义交换机及其连接组成的算力资源进行感知，包括以下步骤：
S1.算力感知；
S1.1感知计算资源；
周期性采集Kubernetes集群中CPU、GPU等的运算资源、存储资源和内存资源；运算资源、存储资源和内存资源构成计算资源；
S1.2感知网络资源；
构建路由节点与计算节点之间的拓扑连接关系，周期性地感知网络拓扑中的端到端传输时延dlink、链路可用带宽bwalink以及丢包率llink；传输时延dlink、链路可用带宽bwalink以及丢包率llink是衡量网络资源的三个重要指标；
S1.3计算资源与网络资源共同构成算力资源。
进一步的，所述S1.1中，通过访问Metrics-Server暴露给API-Server的接口，周期性地从kubelet的Summary API采集运算资源、存储资源和内存资源数据。
进一步的，所述1.2中，软件定义网络控制器在每个端口周期性地发送Port-Stats-Reque st消息到指定交换机，并从交换机地Port-Stats-Reply消息中获取发送字节数bt1和接收地字节数bt2和端口生存时间，即发送和接收数据的时间差Δt，计算出瞬时吞吐量
链路可用带宽bwalink被表示为链路容量caplink和瞬时吞吐量bwulink的差，即：bwalink＝caplink-bwulink；
链路瞬时丢包率llink表示为：
传输时延dlink的计算遵循LLDP和OpenFlow协议；软件定义网络控制器c0发送LLDP消息，消息经过路径c0-si-sj-c0，其中：si，sj表示通过链路(si，sj)连接的交换机；LLDP消息发送和接收之间的时间差为消息从c0到端口si所花费的时间估计为c0发送到si的OpenFlow echo_request和echo_reply消息的传输和接收经过的时间的一半；利用同样方法估计消息从sj到c0所经过的时间；因此，链路(si，sj)的传输时延dlink表示为：
本发明的第二个技术方案是：面向软件定义算力网络的算力路由方法，它在如上所述的算力感知方法的基础上，还包括以下步骤：
S2.算力资源处理；
S2.1对计算资源进行数据清洗，去除不合理数据，并将运算资源、存储资源和内存资源表示为三元组C(c，s，m)，其中：c表示剩余可用运算资源，s表示剩余可用存储资源，m表示剩余可用内存资源；
S2.2对网络资源进行归一化处理，设定统一衡量标准，并表示为三元组；
考虑到不同类型网络资源指标单位不同，使用Min-Max技术将传输时延、链路可用带宽和丢包率归一化到区间[a，b]，其中，xi表示待归一化值(dlink，bwalink，llink)， 表示归一化结果，X为归一化所用值的集合，即：
进一步表示为三元组
S2.3算力资源统一表示；
假设Si表示软件定义网络交换机，且每个软件定义网络交换机上至多关联一个Kubernetes集群，用矩阵形式统一表示算力资源，即
其中，Mij表示如下含义：
Cij为Si上的计算资源，Nij为交换机Si-Sj之间的网络资源；
S3.算力路由计算；
S3.1收到算力请求后，根据当前算力资源分布情况，计算满足当前请求的计算节点；
设当前的计算节点，即算力请求端发起的算力请求大小为Ct(ct，st，mt)，且该计算节点与路由节点St关联；根据算力请求进行节点匹配，要求匹配计算节点满足C＝{Ci(ci，si，mi)，(ci≥c，si≥s，mi≥m)}，且该节点与路由节点Si满足条件的计算节点存储在集合Φ＝{Ci，i≤m}，则与集合Φ内节点直接连接的路由节点可表示为S＝{Si}，则Ct-Ci之间的路径集合即St-Si之间的路径集合，表示为P＝{pi}，对任意pi，有pi＝St，…，Sk，…，Si；
S3.2分别计算出从算力请求端Ct到计算节点，即算力卸载端Ci之间的路径，并找出(St，Si)之间的最优路径集P′＝{p′i}，对任意p′i满足p′i是St-Si之间的最优路径；
S4.找出最优路径集P′中奖励值最大的一条路径，并将该路径定义为最优计算路径，并按其路径完成算力调度。
进一步的，所述S3.2中，状态空间中的每个状态对应数据平面上的一个软件定义网络交换机，从一个状态到另一个状态的转换对应连接两个对应软件定义网络交换机的链路；动作空间/>对应于在状态空间的状态上执行的所有动作的集合，当前动作集合的大小取决于当前状态的邻接交换机个数；奖励函数/>与当前状态到下一状态的网络资源相关，定义为：
其中：β1，β2，β3为可调参数，代表三种类型指标的权重；值越大，表明当前网络资源越充足；
计算最优路径集合P′的算法步骤如下：
S3.2.1从集合S中选择节点Si，该节点即目标状态；
S3.2.2初始化Q表：
S3.2.3开始状态为St；
S3.2.4使用ε-greedy策略选择当前状态下的动作/>
S3.2.5获取该动作下的奖励并更新状态为/>
S3.2.6当前状态是否为目标状态，若是，则进入下一步，若不是，则返回上一步；
S3.2.7找出St-Si之间奖励值最大的路径，将该路径保存在路径集P′中；
S3.2.8若集合S内所有节点都以选择完毕，则进入下一步，否则返回第一步直至所有节点完全遍历；
S3.2.9.输出计算得到的最优路径集P′，路径计算结束。
本发明的第三个技术方案是：面向软件定义算力网络的算力感知及路由架构，用于实现如上所述的方法，包括：
算力资源端；所述算力资源端位于数据平面上，由Kubernetes集群和软件定义交换机及其连接链路组成；所述算力资源端为算力网络提供计算资源和网络资源，既作为算力请求端发起算力请求，又作为算力卸载端满足算力请求；
计算资源感知单元；所述计算资源感知单元位于数据平面边缘，负责感知计算资源，即Kubernetes集群中的运算资源、存储资源、内存资源；
网络资源感知单元；所述网络资源感知单元位于控制平面内，具备拓扑发现功能，并负责感知网络资源，即网络中的传输时延、链路可用带宽和丢包率；
算力资源处理单元；所述算力资源处理单元位于管理平面上，负责对计算资源和网络资源进行处理，并形成统一的算力资源表示形式；
算力路由计算单元；所述算力路由计算单元位于知识平面，基于算力资源数据进行路由计算，得到最优计算路径；
算力路由部署单元；所述算力路由部署单元根据所述算力路由计算单元发送的最优计算路径安装流表，进行算力资源调度，完成算力请求。
有益效果：
(1)本发明能够对网络中的网络资源和算力资源进行感知，可以精准实时掌握网络链路状态和计算资源分布的变化。
(2)本发明首次提出使用三元组来表示计算资源和网络资源，并将计算资源和网络资源统一表示为算力资源，并首次提出用矩阵来表示算力资源的新建模方式，改变以往矩阵形式只能单一表示网络资源的情况，为算力路由奠定基础。
(3)本发明提供一种基于Q-Learning算法的算力路由算法，有效地将计算与网络协同管理，缓解计算资源分布不均衡的问题，提高算网资源利用率的同时还有效提升用户体验。
(4)本发明提出一种面向软件定义算力网络的算力感知及路由架构，在软件定义网络三层平面的基础上增加知识平面，为架构赋智能，适应网络架构发展新趋势，运用强化学习相关技术，根据算力资源数据进行分析计算，找出最优计算路径，实现智能路由。
(5)本发明在计算感知和网络感知的基础上进行算力路由，打破传统路由基于单一网络资源进行路由的局面，统筹兼顾网络与计算，更好地为应用服务。
附图说明
图1为本发明实施例1中算力感知方法的流程图；
图2为本发明实施例2中算力资源处理的流程图；
图3为本发明实施例2中算力路由计算的流程图；
图4为本发明实施例3中最优路径求解的流程图；
图5为本发明实施例4中算力感知及路由架构的示意图。
具体实施方式
实施例1：参见附图1，面向软件定义算力网络的算力感知方法，用于对由Kubernetes集群和软件定义交换机及其连接组成的算力资源进行感知，包括以下步骤：
S1.算力感知；
S1.1感知计算资源；
周期性采集Kubernetes集群中CPU、GPU的运算资源、存储资源和内存资源；运算资源、存储资源和内存资源构成计算资源；本例中，通过访问Metrics-Server暴露给API-Server的接口，周期性地从kubelet的Summary API采集运算资源、存储资源和内存资源数据；
S1.2感知网络资源；
构建路由节点与计算节点之间的拓扑连接关系，周期性地感知网络拓扑中的端到端传输时延dlink、链路可用带宽bwalink以及丢包率flink；传输时延dlink、链路可用带宽bwalink以及丢包率llink是衡量网络资源的三个重要指标；本例中：
软件定义网络控制器在每个端口周期性地发送Port-Stats-Request消息到指定交换机，并从交换机地Port-Stats-Reply消息中获取发送字节数bt1和接收地字节数bt2和端口生存时间，即发送和接收数据的时间差Δt，计算出瞬时吞吐量
链路可用带宽bwalink被表示为链路容量caplink和瞬时吞吐量bwulink的差，即：bwalink＝caplink-bwulink；
链路瞬时丢包率llink表示为：
传输时延dlink的计算遵循LLDP和OpenFlow协议；软件定义网络控制器c0发送LLDP消息，消息经过路径c0-si-sj-c0，其中：si，sj表示通过链路(si，sj)连接的交换机；LLDP消息发送和接收之间的时间差为消息从c0到端口si所花费的时间估计为c0发送到si的OpenFlow echo_request和echo_reply消息的传输和接收经过的时间的一半；利用同样方法估计消息从sj到c0所经过的时间；因此，链路(si，sj)的传输时延dlink表示为：
S1.3计算资源与网络资源共同构成算力资源。
实施例2，面向软件定义算力网络的算力路由方法，它包括如实施例1所述的算力感知方法，还包括以下步骤：
参见附图2，S2.算力资源处理；
S2.1对计算资源进行数据清洗，去除不合理数据，并将运算资源、存储资源和内存资源表示为三元组C(c，s，m)，其中：c表示CPU/GPU剩余可用空闲资源，s表示剩余可用存储资源，m表示剩余可用内存资源；
S2.2对网络资源进行归一化处理，设定统一衡量标准，并表示为三元组；
考虑到不同类型网络资源指标单位不同，使用Min-Max技术将传输时延、链路可用带宽和丢包率归一化到区间[a，b]，其中，xi表示待归一化值(dlink，bwalink，llink)， 表示归一化结果，X为归一化所用值的集合，即：
进一步表示为三元组
S2.3算力资源统一表示；
假设Si表示软件定义网络交换机，且每个软件定义网络交换机上至多关联一个Kubernetes集群，则算力资源统一表示如下表所示，即
| 节点 | S1 | S2 | … | Sm |
| S1 | C11 | N12 | … | N1m |
| S2 | N21 | C22 | … | N2m |
| … | … | … | … | … |
| Sm | Nm1 | Nm2 | … | Cmm |
进一步的，用矩阵形式统一表示算力资源，即
其中，Mij表示如下含义：
Cij为Si上的计算资源，Nij为交换机Si-Sj之间的网络资源；
参见附图3，S3.算力路由计算；
S3.1收到算力请求后，根据当前算力资源分布情况，计算满足当前请求的计算节点；
设当前的计算节点，即算力请求端发起的算力请求大小为Ct(ct，st，mt)，且该节点与路由节点St关联；根据算力请求进行节点匹配，要求匹配计算节点满足C＝{Ci(ci，si，mi)，(ci≥c，si≥s，mi≥m)}，且该节点与路由节点Si满足条件的计算节点存储在集合Φ＝{Ci，i≤m}，则与集合Φ内节点直接连接的路由节点可表示为S＝{Si}，则Ct-Ci之间的路径集合即St-Si之间的路径集合，表示为P＝{pi}，对任意pi，有pi＝St，…，Sk，…，Si；
S3.2分别计算出从算力请求端Ct到计算节点，即算力卸载端Ci之间的路径，并找出(St，Si)之间的最优路径集P′＝{p′i}，对任意p′i满足p′i是St-Si之间的最优路径；
S4.找出最优路径集P′中奖励值最大的一条路径，并将该路径定义为最优计算路径，并按其路径完成算力调度。
实施例3，在实施例2的基础上，进一步的：所述S3.2中，使用Q-routing算法计算出最优路径集合。
强化学习状态空间中的每个状态对应数据平面上的一个软件定义网络交换机，从一个状态到另一个状态的转换对应连接两个对应软件定义网络交换机的链路；动作空间对应于在状态空间的状态上执行的所有动作的集合，当前动作集合的大小取决于当前状态的邻接交换机个数；奖励函数/>与当前状态到下一状态的网络资源相关，定义为：
其中：β1，β2，β3为可调参数，代表三种类型指标的权重；值越大，表明当前网络资源越充足；
参见附图4，计算最优路径集合P′的算法步骤如下：
S3.2.1从集合S中选择节点Si，该节点即目标状态；
S3.2.2初始化Q表：
S3.2.3开始状态为St；
S3.2.4使用ε-greedy策略选择当前状态下的动作/>
S3.2.5获取该动作下的奖励并更新状态为/>
S3.2.6当前状态是否为目标状态，若是，则进入下一步，若不是，则返回上一步；
S3.2.7找出St-Si之间奖励值最大的路径，将该路径保存在路径集P′中；
S3.2.8若集合S内所有节点都以选择完毕，则进入下一步，否则返回第一步直至所有节点完全遍历；
S3.2.9.输出计算得到的最优路径集，路径计算结束。
实施例4，参见附图5，面向软件定义算力网络的算力感知及路由架构，用于实现如实施例1-3任一项所述的方法，包括：
算力资源端1；所述算力资源端1位于数据平面上，由Kubernetes集群和软件定义交换机及其连接链路组成；所述算力资源端为算力网络提供计算资源和网络资源，既作为算力请求端发起算力请求，又作为算力卸载端满足算力请求；
计算资源感知单元2；所述计算资源感知单元2位于数据平面边缘，负责感知计算资源，即Kubernetes集群中的运算资源、存储资源、内存资源；
网络资源感知单元3；所述网络资源感知单元3位于控制平面内，具备拓扑发现功能，并负责感知网络资源，即网络中的传输时延、链路可用带宽和丢包率；
算力资源处理单元4；所述算力资源处理单元4位于管理平面上，负责对计算资源和网络资源进行处理，并形成统一的算力资源表示形式；
算力路由计算单元5；所述算力路由计算单元5位于知识平面，基于算力资源数据进行路由计算，得到最优计算路径；
算力路由部署单元6；所述算力路由部署单元6根据所述算力路由计算单元5发送的最优计算路径安装流表，进行算力资源调度，完成算力请求。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (7)
1.面向软件定义算力网络的算力感知方法，用于对由Kubemetes集群和软件定义交换机及其连接组成的算力资源进行感知，其特征在于，包括以下步骤：
S1.算力感知；
S1.1感知计算资源；
周期性采集Kubemetes集群中CPU、GPU的运算资源、存储资源和内存资源；运算资源、存储资源和内存资源构成计算资源；
S1.2感知网络资源；
构建路由节点与计算节点之间的拓扑连接关系，周期性地感知网络拓扑中的端到端传输时延dlink、链路可用带宽bwalink以及丢包率llink；传输时延dlink、链路可用带宽bwalink以及丢包率llink作为衡量网络资源的三个指标；
S1.3计算资源与网络资源共同构成算力资源。
2.如权利要求1所述的面向软件定义算力网络的算力感知方法，其特征在于，所述S1.1中，通过访问Metrics-Server暴露给API-Server的接口，周期性地从kubelet的SummaryAPI采集运算资源、存储资源和内存资源数据。
3.如权利要求1所述的面向软件定义算力网络的算力感知方法，其特征在于，所述1.2中，软件定义网络控制器在每个端口周期性地发送Port-Stats-Request消息到指定交换机，并从交换机地Port-Stats-Reply消息中获取发送字节数bt1和接收地字节数bt2和端口生存时间，即发送和接收数据的时间差Δt，计算出瞬时吞吐量
链路可用带宽bwalink被表示为链路容量caplink和瞬时吞吐量bwulink的差，即：bwalink＝caplink-bwulink；
链路瞬时丢包率llink表示为：
传输时延dlink的计算遵循LLDP和OpenFlow协议；软件定义网络控制器c0发送LLDP消息，消息经过路径c0-si-sj-c0，其中：si，sj表示通过链路(si，sj)连接的交换机；LLDP消息发送和接收之间的时间差为消息从c0到端口si所花费的时间估计为c0发送到si的0penFlowecho_request和echo_reply消息的传输和接收经过的时间的一半；利用同样方法估计消息从sj到c0所经过的时间；因此，链路(si，sj)的传输时延dlink表示为：
4.面向软件定义算力网络的算力路由方法，它包括如权利要求1-3任一项所述的算力感知方法，其特征在于，还包括以下步骤：
S2.算力资源处理；
S2.1对计算资源进行数据清洗，去除不合理数据，并将运算资源、存储资源和内存资源表示为三元组C(c，s，m)，其中：c表示CPU/GPU剩余可用空闲运算资源，s表示剩余可用存储资源，m表示剩余可用内存资源；
S2.2对网络资源进行归一化处理，设定统一衡量标准，并表示为三元组；
考虑到不同类型网络资源指标单位不同，使用Min-Max技术将传输时延、链路可用带宽和丢包率归一化到区间[a，b]，其中，xi表示待归一化值(dlink，bwalink，llink)，表示归一化结果，X为归一化所用值的集合，即：
进一步表示为三元组
S2.3算力资源统一表示；
假设Si表示软件定义网络交换机，且每个软件定义网络交换机上至多关联一个Kubernetes集群，用矩阵形式统一表示算力资源，即
其中，Mij表示如下含义：
Cij为Si上的计算资源，Nij为交换机Si-Sj之间的网络资源；
S3.算力路由计算；
S3.1收到算力请求后，根据当前算力资源分布情况，计算满足当前请求的计算节点；
设当前的计算节点，即算力请求端发起的算力请求大小为Ct(ct，st，mt)，且该节点与路由节点St关联；根据算力请求进行节点匹配，要求匹配计算节点满足C＝{Ci(ci，si，mi)，(ci≥c，si≥s，mi≥m)}，且该节点与路由节点Si满足条件的计算节点存储在集合Φ＝{Ci，i≤m}，则与集合Φ内节点直接连接的路由节点可表示为S＝{Si}，则Ct-Ci之间的路径集合即St-Si之间的路径集合，表示为P＝{pi}，对任意pi，有pi＝St，…，Sk，…，Si；
S3.2分别计算出从算力请求端Ct到计算节点，即算力卸载端Ci之间的路径，并找出(St，Si)之间的最优路径集P′＝{p′i}，对任意p′i满足p′i是St-Si之间的最优路径。
5.如权利要求4所述的面向软件定义算力网络的算力路由方法，其特征在于：所述S3.2中，状态空间中的每个状态对应数据平面上的一个软件定义网络交换机，从一个状态到另一个状态的转换对应连接两个对应软件定义网络交换机的链路；动作空间A对应于在状态空间的状态上执行的所有动作的集合，当前动作集合的大小取决于当前状态的邻接交换机个数；奖励函数/>与当前状态到下一状态的网络资源相关，定义为：
其中：β1，β2，β3为可调参数，代表三种类型指标的权重；值越大，表明当前网络资源越充足；
计算最优路径集合P′的算法步骤如下：
S3.2.1从集合S中选择节点Si，该节点即目标状态；
S3.2.2初始化Q表：
S3.2.3开始状态为St；
S3.2.4使用ε-greedy策略选择当前状态下的动作/>
S3.2.5获取该动作下的奖励并更新状态为/>
S3.2.6当前状态是否为目标状态，若是，则进入下一步，若不是，则返回上一步；
S3.2.7找出St-Si之间奖励值最大的路径，将该路径保存在路径集P′中；
S3.2.8若集合S内所有节点都已选择完毕，则进入下一步，否则返回第一步直至所有节点完全遍历；
S3.2.9.输出计算得到的最优路径集P′，路径计算结束。
6.如权利要求5所述的面向软件定义算力网络的算力路由方法，其特征在于：在步骤S3.2.9之后还包括：
S4.找出最优路径集P′中奖励值最大的一条路径，并将该路径定义为最优计算路径，并按其路径完成算力调度。
7.面向软件定义算力网络的算力感知及路由架构，用于实现如权利要求1-6任一项所述的方法，其特征在于，包括：
算力资源端(1)；所述算力资源端(1)位于数据平面上，由Kubernetes集群和软件定义交换机及其连接链路组成；所述算力资源端为算力网络提供计算资源和网络资源，既作为算力请求端发起算力请求，又作为算力卸载端满足算力请求；
计算资源感知单元(2)；所述计算资源感知单元(2)位于数据平面边缘，负责感知计算资源，即Kubernetes集群中的运算资源、存储资源、内存资源；
网络资源感知单元(3)；所述网络资源感知单元(3)位于控制平面内，具备拓扑发现功能，并负责感知网络资源，即网络中的传输时延、链路可用带宽和丢包率；
算力资源处理单元(4)；所述算力资源处理单元(4)位于管理平面上，负责对计算资源和网络资源进行处理，并形成统一的算力资源表示形式；
算力路由计算单元(5)；所述算力路由计算单元(5)位于知识平面，基于算力资源数据进行路由计算，得到最优计算路径；
算力路由部署单元(6)；所述算力路由部署单元(6)根据所述算力路由计算单元(5)发送的最优计算路径安装流表，进行算力资源调度，完成算力请求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311199333.7A CN117221251B (zh) | 2023-09-15 | 2023-09-15 | 面向软件定义算力网络的算力感知及路由方法、系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311199333.7A CN117221251B (zh) | 2023-09-15 | 2023-09-15 | 面向软件定义算力网络的算力感知及路由方法、系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117221251A true CN117221251A (zh) | 2023-12-12 |
| CN117221251B CN117221251B (zh) | 2024-07-12 |
Family
ID=89043866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311199333.7A Active CN117221251B (zh) | 2023-09-15 | 2023-09-15 | 面向软件定义算力网络的算力感知及路由方法、系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117221251B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118158092A (zh) * | 2024-05-11 | 2024-06-07 | 中移(苏州)软件技术有限公司 | 一种算力网络调度方法、装置及电子设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113079218A (zh) * | 2021-04-09 | 2021-07-06 | 网络通信与安全紫金山实验室 | 一种面向服务的算力网络系统、工作方法及存储介质 |
| CN114095579A (zh) * | 2020-08-04 | 2022-02-25 | 中国移动通信有限公司研究院 | 算力处理的网络系统、业务处理方法及设备 |
| CN114710437A (zh) * | 2022-06-07 | 2022-07-05 | 南京邮电大学 | 一种结合区块链的物联网边缘网络路由架构 |
| CN115002862A (zh) * | 2021-03-02 | 2022-09-02 | 中国移动通信有限公司研究院 | 算力处理的网络系统、业务处理方法及算力网元节点 |
| CN115118647A (zh) * | 2022-05-20 | 2022-09-27 | 北京邮电大学 | 算力网络中算力信息感知和通告系统及其方法 |
| CN116055570A (zh) * | 2022-12-29 | 2023-05-02 | 杭州东方通信软件技术有限公司 | 渐进式算力感知、算力请求和算力转发的方法和装置 |
| CN116389347A (zh) * | 2023-03-27 | 2023-07-04 | 浙江理工大学 | 一种基于强化学习的动态sdn路由优化算法 |
| CN116545911A (zh) * | 2023-05-31 | 2023-08-04 | 西安交通大学 | 基于kdn架构和多智能体强化学习的网络路由系统及方法 |
| WO2023169374A1 (zh) * | 2022-03-07 | 2023-09-14 | 中国移动通信有限公司研究院 | 一种路由方法及系统、节点 |
-
2023
- 2023-09-15 CN CN202311199333.7A patent/CN117221251B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114095579A (zh) * | 2020-08-04 | 2022-02-25 | 中国移动通信有限公司研究院 | 算力处理的网络系统、业务处理方法及设备 |
| CN115002862A (zh) * | 2021-03-02 | 2022-09-02 | 中国移动通信有限公司研究院 | 算力处理的网络系统、业务处理方法及算力网元节点 |
| CN113079218A (zh) * | 2021-04-09 | 2021-07-06 | 网络通信与安全紫金山实验室 | 一种面向服务的算力网络系统、工作方法及存储介质 |
| WO2023169374A1 (zh) * | 2022-03-07 | 2023-09-14 | 中国移动通信有限公司研究院 | 一种路由方法及系统、节点 |
| CN115118647A (zh) * | 2022-05-20 | 2022-09-27 | 北京邮电大学 | 算力网络中算力信息感知和通告系统及其方法 |
| CN114710437A (zh) * | 2022-06-07 | 2022-07-05 | 南京邮电大学 | 一种结合区块链的物联网边缘网络路由架构 |
| CN116055570A (zh) * | 2022-12-29 | 2023-05-02 | 杭州东方通信软件技术有限公司 | 渐进式算力感知、算力请求和算力转发的方法和装置 |
| CN116389347A (zh) * | 2023-03-27 | 2023-07-04 | 浙江理工大学 | 一种基于强化学习的动态sdn路由优化算法 |
| CN116545911A (zh) * | 2023-05-31 | 2023-08-04 | 西安交通大学 | 基于kdn架构和多智能体强化学习的网络路由系统及方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118158092A (zh) * | 2024-05-11 | 2024-06-07 | 中移(苏州)软件技术有限公司 | 一种算力网络调度方法、装置及电子设备 |
| CN118158092B (zh) * | 2024-05-11 | 2024-08-02 | 中移(苏州)软件技术有限公司 | 一种算力网络调度方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117221251B (zh) | 2024-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108600102B (zh) | 一种基于智慧协同网络的柔性数据传输系统 | |
| CN111861793B (zh) | 基于云边协同计算架构的配用电业务分配方法及装置 | |
| CN117221251B (zh) | 面向软件定义算力网络的算力感知及路由方法、系统 | |
| WO2019134197A1 (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 | |
| CN112650581A (zh) | 一种面向智能楼宇的云边协同任务调度方法 | |
| CN109462652A (zh) | 智能家居系统中基于哈希算法的终端网关负载分配方法 | |
| CN107135279A (zh) | 一种处理长连接建立请求的方法和装置 | |
| CN112003660A (zh) | 一种网内资源的量纲测量方法、算力调度方法及存储介质 | |
| CN113132490A (zh) | 一种基于强化学习的MQTT协议QoS机制选择方案 | |
| CN114531448A (zh) | 算力确定方法、装置及算力共享系统 | |
| CN115174404A (zh) | 一种基于sdn组网的多设备联邦学习系统 | |
| Al-Kasassbeh et al. | Analysis of mobile agents in network fault management | |
| Wang et al. | SDN controller network load balancing approach for cloud computing data center | |
| CN116455817A (zh) | 一种软件定义云网融合架构及路由实现方法 | |
| Kim et al. | Relay nodes selection using reinforcement learning | |
| Luo et al. | Hierarchical Collaboration Dynamic Resource Scheduling for Edge-Enabled Industrial IoT | |
| Yang et al. | Dynamic load balancing of multiple controller based on intelligent collaboration in sdn | |
| Zeng et al. | Energy-efficient device activation, rule installation and data transmission in software defined DCNs | |
| Zhang et al. | Towards stable flow scheduling in data centers | |
| TWI473018B (zh) | 網路伺服器系統及其更新韌體的方法 | |
| CN108011838B (zh) | 基于响应时间的sdn多控制器负载均衡方法 | |
| CN110764922A (zh) | 一种数据的处理方法、单板和计算机存储介质 | |
| Zhao et al. | Cost_EACP: Cost-effective adaptive controller provisioning in software defined DCNs | |
| King et al. | Growth conditions for the global stability of high-speed communication networks with a single congested link | |
| Kumar et al. | Optimized load balancing technique for software defined network |
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 |