CN118041798A - 数据中心网络拥塞控制算法性能评估方法及装置 - Google Patents
数据中心网络拥塞控制算法性能评估方法及装置 Download PDFInfo
- Publication number
- CN118041798A CN118041798A CN202410374174.8A CN202410374174A CN118041798A CN 118041798 A CN118041798 A CN 118041798A CN 202410374174 A CN202410374174 A CN 202410374174A CN 118041798 A CN118041798 A CN 118041798A
- Authority
- CN
- China
- Prior art keywords
- mathematical model
- data center
- congestion control
- control algorithm
- random variable
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 105
- 238000011156 evaluation Methods 0.000 title claims abstract description 49
- 238000013178 mathematical model Methods 0.000 claims abstract description 89
- 238000004088 simulation Methods 0.000 claims abstract description 42
- 238000005070 sampling Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims description 72
- 238000005315 distribution function Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 13
- 238000002474 experimental method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000000295 complement effect Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000013499 data model Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008929 regeneration Effects 0.000 description 2
- 238000011069 regeneration method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
-
- 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
- H04L47/26—Flow control; Congestion control using explicit feedback to the source, e.g. choke packets
- H04L47/263—Rate modification at the source after receiving feedback
-
- 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
- H04L47/32—Flow control; Congestion control by discarding or delaying data units, e.g. packets or frames
-
- 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
- H04L47/33—Flow control; Congestion control using forward notification
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及算法评估技术领域，特别涉及一种数据中心网络拥塞控制算法性能评估方法及装置，其中，方法包括：建立数据中心网络中服务器的第一数学模型和数据中心网络中交换机的第二数学模型；设置网络拥塞事件采样的置信区间，根据第一数学模型和第二数学模型对数据中心网络的网络拥塞控制算法进行仿真，从而得到仿真器的仿真实验结果的置信区间，最终确定网络拥塞控制算法的性能评估结果。由此，解决了相关技术中利用网络仿真模拟器搭建的虚拟网络对拥塞控制算法进行性能评估的准确性较低等问题。
Description
技术领域
本发明涉及算法评估技术领域，特别涉及一种数据中心网络拥塞控制算法性能评估方法及装置。
背景技术
数据中心网络承载了大量应用和服务产生的流量，例如：搜索流量、机器学习流量、存储服务流量等。当过多的流量被注入到网络时，就产生了网络拥塞。由于严重的网络拥塞会大大影响应用的通信性能，研究人员提出了大量的拥塞控制算法，缓解数据中心网络承载过多网络流量时的网络拥塞情况。
相关技术中，利用网络仿真模拟器搭建虚拟网络，在虚拟网络中发送和接收不同种类流量对提出的拥塞控制算法进行评估，主要从流完成时间、吞吐量和排队长度等指标确定各个算法的优劣，但是此方法缺少理论支撑，实验结果的方差很大，实验结论不可信。
发明内容
本发明提供一种数据中心网络拥塞控制算法性能评估方法、装置、电子设备、存储介质及程序产品，以解决相关技术中利用网络仿真模拟器搭建的虚拟网络对拥塞控制算法进行性能评估的准确性较低等问题。
本发明第一方面实施例提供一种数据中心网络拥塞控制算法性能评估方法，包括以下步骤：建立数据中心网络中服务器的第一数学模型，其中，所述第一数学模型用于模拟流量发送与接收，以及根据收到的拥塞信号调整流量发送速率；建立数据中心网络中交换机的第二数学模型，其中，所述第二数学模型用于模拟流量转发，以及在发生拥塞时丢弃一个或多个数据包并发送拥塞信号；根据所述第一数学模型和所述第二数学模型对数据中心网络的网络拥塞控制算法进行仿真，并计算仿真器仿真实验结果的置信区间；根据所述仿真器仿真实验结果的置信区间确定所述网络拥塞控制算法的性能评估结果。
可选地，所述建立数据中心网络中服务器的第一数学模型：将流量到达的间隔时间建模成连续随机变量分布；将单次流量中包含的数据量建模成离散随机变量分布；将单次流量中最后一个数据包的大小建模成有界的连续随机变量分布；根据所述连续随机变量分布、所述离散随机变量分布和所述有界的连续随机变量分布生成所述第一数学模型。
可选地，所述第一数学模型还包括：时间的拥塞控制窗口和慢启动阈值、保存服务器发送的数据包的大小、发送时间和数据包是否被告知收到的状态。
可选地，所述建立数据中心网络中交换机的第二数学模型，包括：对所述交换机的随机性进行建模，得到随机性建模结果，其中，所述随机性建模结果包括当发生拥塞时，以预设概率丢弃刚收到的数据包；对所述交换机包含的状态进行建模，得到状态建模结果，所述状态建模结果包括：在时间内交换机收到数据包的数量、当前交换机的队列长度、每个交换机收到的数据包、保存到达时间和是否被告知收到的状态；根据所述交换机的随机性建模结果和状态建模结果生成所述第二数学模型。
可选地，所述计算所述仿真器仿真实验结果的置信区间，包括：获取流量到达的间隔时间的连续随机变量分布和单次流量中包含的数据量的离散随机变量分布；根据所述连续随机变量分布和所述离散随机变量分布计算相似性比例，根据所述相似性比例得到新的基于重要性采样的随机变量分布，并根据新的基于重要性采样的随机变量分布计算仿真实验结果的置信区间。
可选地，所述相似性比例的计算公式为：
其中，Un表示为第n个数据包流量达到的间隔时间，表示实验中所用流的到达间隔时间，fu表示为流量到达的间隔时间建模形成的连续随机变量分布函数，/>表示为使用交叉熵算法求解得到fu在重要性采样下的新随机变量分布函数，Vn表示为第n个流中包含的数据量，/>表示为实验中所用流的包含的数据量，fv表示为单次流量中包含的数据量建模的离散随机变量分布函数，/>表示为使用交叉熵算法求解得到fv在重要性采样下的新随机变量分布函数，G和/>是fu和/>的互补积累分布函数，/>表示为到达的年龄，其中，t表示时间，A(t)表示为直到时间t的所有到达事件数量。
本发明第二方面实施例提供一种数据中心网络拥塞控制算法性能评估装置，包括：第一建立模块，用于建立数据中心网络中服务器的第一数学模型，其中，所述第一数学模型用于模拟流量发送与接收，以及根据收到的拥塞信号调整流量发送速率；第二建立模块，用于建立数据中心网络中交换机的第二数学模型，其中，所述第二数学模型用于模拟流量转发，以及在发生拥塞时丢弃一个或多个数据包并发送拥塞信号；仿真计算模块，用于根据所述第一数学模型和所述第二数学模型对数据中心网络的网络拥塞控制算法进行仿真，并计算仿真器实验结果的置信区间；确定模块，用于根据仿真器仿真实验结果的置信区间确定所述网络拥塞控制算法的性能评估结果。
可选地，所述第一建立模块进一步用于：将流量到达的间隔时间建模成连续随机变量分布；将单次流量中包含的数据量建模成离散随机变量分布；将单次流量中最后一个数据包的大小建模成有界的连续随机变量分布；根据所述连续随机变量分布、所述离散随机变量分布和所述有界的连续随机变量分布生成所述第一数学模型。
可选地，所述第一数学模型还包括：时间的拥塞控制窗口和慢启动阈值、保存服务器发送的数据包的大小、发送时间和数据包是否被告知收到的状态。
可选地，所述第二建立模块进一步用于：对所述交换机的随机性进行建模，得到随机性建模结果，其中，所述随机性建模结果包括当发生拥塞时，以预设概率丢弃刚收到的数据包；对所述交换机包含的状态进行建模，得到状态建模结果，所述状态建模结果包括：在时间内交换机收到数据包的数量、当前交换机的队列长度、每个交换机收到的数据包、保存到达时间和是否被告知收到的状态；根据所述交换机的随机性建模结果和状态建模结果生成所述第二数学模型。
可选地，所述设置模块进一步用于：获取流量到达的间隔时间的连续随机变量分布和单次流量中包含的数据量的离散随机变量分布；根据所述连续随机变量分布和所述离散随机变量分布计算相似性比例，根据所述相似性比例得到新的基于重要性采样的随机变量分布，并根据新的基于重要性采样的随机变量分布计算仿真实验结果的置信区间。
可选地，所述相似性比例的计算公式为：
其中，Un表示为第n个数据包流量达到的间隔时间，表示实验中所用流的到达间隔时间，fu表示为流量到达的间隔时间建模形成的连续随机变量分布函数，/>表示为使用交叉熵算法求解得到fu在重要性采样下的新随机变量分布函数，Vn表示为第n个流中包含的数据量，/>表示为实验中所用流的包含的数据量，fv表示为单次流量中包含的数据量建模的离散随机变量分布函数，/>表示为使用交叉熵算法求解得到fv在重要性采样下的新随机变量分布函数，G和/>是fu和/>的互补积累分布函数，/>表示为到达的年龄，其中，t表示时间，A(t)表示为直到时间t的所有到达事件数量。
本发明第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的数据中心网络拥塞控制算法性能评估方法。
本发明第四方面实施例提供一种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，以用于实现如上述实施例所述的数据中心网络拥塞控制算法性能评估方法。
本发明第五方面实施例提供一种计算机程序产品，所述计算机程序被执行时，以用于实现如上述实施例的数据中心网络拥塞控制算法性能评估方法。
由此，本发明至少具有如下有益效果：
本发明实施例建立数据中心网络中服务器第一数学模型和数据中心网络中交换机第二数据模型，并设置网络拥塞事件采样的置信区间，利用第一数学模型和第二数学模型对数据中心网络的网络拥塞控制算法进行仿真，并计算仿真结果的置信度区间，基于置信度区间确定网络拥塞控制算法的性能评估结果，从而提升评估的准确性。
本发明附加的方面和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
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例提供的一种数据中心网络拥塞控制算法性能评估方法的流程图；
图2为根据本发明实施例提供的实验结果置信区间估计算法的示意图；
图3为根据本发明实施例的数据中心网络拥塞控制算法性能评估装置的方框图；
图4为根据本发明实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的数据中心网络拥塞控制算法性能评估方法、装置、电子设备、存储介质及程序产品。针对上述背景技术中提到的相关技术中利用网络仿真模拟器搭建的虚拟网络对拥塞控制算法进行性能评估的准确性较低的问题，本发明提供了一种数据中心网络拥塞控制算法性能评估方法，在该方法中，建立数据中心网络中服务器第一数学模型和数据中心网络中交换机第二数据模型，并利用第一数学模型和第二数学模型对数据中心网络的网络拥塞控制算法进行仿真，并计算仿真结果的置信度区间，基于置信度区间确定网络拥塞控制算法的性能评估结果，从而提升评估的准确性。由此，解决了相关技术中利用网络仿真模拟器搭建的虚拟网络对拥塞控制算法进行性能评估的准确性较低等问题。
具体而言，图1为本发明实施例所提供的一种数据中心网络拥塞控制算法性能评估方法的流程示意图。
如图1所示，该数据中心网络拥塞控制算法性能评估方法包括以下步骤：
在步骤S101中，建立数据中心网络中服务器的第一数学模型，其中，第一数学模型用于模拟流量发送与接收，以及根据收到的拥塞信号调整流量发送速率。
可以理解的是，本发明实施例可以建立数据中心网络中服务器的第一数学模型，用于模拟流量发送与接收，并根据收到的拥塞信号调整流量发送速率，以便于后续利用第一数学模型对数据中心网络的网络拥塞控制算法进行仿真。
在本发明实施例中，建立数据中心网络中服务器的第一数学模型：将流量到达的间隔时间建模成连续随机变量分布；将单次流量中包含的数据量建模成离散随机变量分布；将单次流量中最后一个数据包的大小建模成有界的连续随机变量分布；根据连续随机变量分布、离散随机变量分布和有界的连续随机变量分布生成第一数学模型。
可以理解的是，本发明实施例可以利用流量到达的间隔时间建模成连续随机变量分布，单次流量中包含的数据量建模成离散随机变量分布，单次流量中最后一个数据包的大小建模成有界的连续随机变量分布生成第一数学模型，具有稳态的特征，以便于利用第一数学模型后续对数据中心网络的网络拥塞控制算法进行仿真。
需要说明的是，流量到达的间隔时间是一组连续随机变量U1,U2,…Un，对这些随机变量进行拟合，得到概率密度函数fu；单次流量中包含的数据量是一组离散随机变量V1,V2,…Vn，对这些随机变量进行拟合，得到概率密度函数fv；单次流量中最后一个数据包的大小是一组有界连续随机变量V1′,V2′,…Vn′，对这些随机变量进行拟合，得到概率密度函数fv′。
在本发明实施例中，第一数学模型还包括：时间的拥塞控制窗口和慢启动阈值、保存服务器发送的数据包的大小、发送时间和数据包是否被告知收到的状态。
需要说明的是，数据包是否被告知收到的状态包含三种子状态：nr表示数据包没有ACK没有被返回，ib表示数据包被阻塞、丢弃，it表示数据包ACK已经返回；在时间t的拥塞控制窗口和慢启动阈值为需要维护拥塞控制算法的两个状态。
具体而言，拥塞控制窗口是在发送端采用了一种“拥塞避免”算法和“慢速启动”算法相结合的机制，“拥塞窗口”就是“拥塞避免”的窗口，它是一个装在发送端的可滑动窗口，窗口的大小是不超过接收端确认通知的窗口。“慢速启动”是在连接建立后，每收到一个来自收端的确认，就控制窗口增加一个段值大小，当窗口值达到“慢速启动”的限值后，慢速启动便停止工作，避免了网络发生拥塞。
在步骤S102中，建立数据中心网络中交换机的第二数学模型，其中，第二数学模型用于模拟流量转发，以及在发生拥塞时丢弃一个或多个数据包并发送拥塞信号。
可以理解的是，本发明实施例可以建立数据中心网络中交换机的第二数学模型，并模拟流量转发，以及在发生拥塞时丢弃一个或多个数据包并发送拥塞信号，以便于后续对数据中心网络的网络拥塞控制算法进行仿真。
在本发明实施例中，建立数据中心网络中交换机的第二数学模型，包括：对交换机的随机性进行建模，得到随机性建模结果，其中，随机性建模结果包括当发生拥塞时，以预设概率丢弃刚收到的数据包；对交换机包含的状态进行建模，得到状态建模结果，状态建模结果包括：在时间内交换机收到数据包的数量、当前交换机的队列长度、每个交换机收到的数据包、保存到达时间和是否被告知收到的状态；根据交换机的随机性建模结果和状态建模结果生成第二数学模型。
其中，预设概率可以根据实际情况进行设定，不做具体限定。
可以理解的是，本发明实施例可以根据交换机的随机性建模结果和状态建模结果生成第二数学模型，具有稳态的特征，以便于后续对数据中心网络的网络拥塞控制算法进行仿真。
需要说明的是，以B(t)概率丢弃刚收到的数据包或对该数据包进行标记，当队列长度Q(t)小于给定阈值K，B(t)＝0；当队列长度大于等于给定阈值K时，B(t)＝(Q(t)-K)/(L-K)，其中Q(t)为时间t的队列长度，L是队列的最大长度；第一数学模型和第二数学模型均是基于马尔科夫模型的数学建模。
具体而言，在时间t交换机收到的数据包的数量为Aq(t)，当前交换机的队列长度其中，Aq(t)为在时间t交换机收到的数据包的数量，Ma,n为是否被告知收到的状态，其中，Ma,n包含三种子状态：nr表示数据包没有ACK没有被返回，ib表示数据包被阻塞、丢弃，it表示数据包ACK已经返回。
在步骤S103中，根据第一数学模型和第二数学模型对数据中心网络的网络拥塞控制算法进行仿真，并计算仿真器仿真实验结果的置信区间。
可以理解的是，本发明实施例可以生成流完成时间的置信区间，根据第一数学模型和第二数学模型对数据中心网络的网络拥塞控制算法进行仿真，并在仿真过程结束后，收集仿真结果，根据批方法和中心极限定理和上述建立的数学模型确定网络拥塞控制算法的性能评估结果。
需要说明的是，网络拥塞控制算法可以包括TCP Taheo，TCP Reno，DCTCP，DCQCN等算法，不做具体限定。
在本发明实施例中，计算仿真器仿真实验结果的置信区间，包括：获取流量到达的间隔时间的连续随机变量分布和单次流量中包含的数据量的离散随机变量分布；根据连续随机变量分布和离散随机变量分布计算相似性比例，根据相似性比例得到新的基于重要性采样的随机变量分布，并根据新的基于重要性采样的随机变量分布计算仿真实验结果的置信区间。
其中，相似性比例的计算公式为：
其中，Un表示为第n个数据包流量达到的间隔时间，表示实验中所用流的到达间隔时间，fu表示为流量到达的间隔时间建模形成的连续随机变量分布函数，/>表示为使用交叉熵算法求解得到fu在重要性采样下的新随机变量分布函数，Vn表示为第n个流中包含的数据量，/>表示为实验中所用流的包含的数据量，fv表示为单次流量中包含的数据量建模的离散随机变量分布函数，/>表示为使用交叉熵算法求解得到fv在重要性采样下的新随机变量分布函数，G和/>是fu和/>的互补积累分布函数，/>表示为到达的年龄，其中，t表示时间，A(t)表示为直到时间t的所有到达事件数量。
可以理解的是，本发明实施例可以利用计算得到的相似性比例得到新的基于重要性采样的随机变量分布，并根据新的基于重要性采样的随机变量分布计算仿真实验结果的置信区间，以便于后续根据仿真器仿真实验结果的置信区间确定网络拥塞控制算法的性能评估结果。
在步骤S104中，根据仿真器仿真实验结果的置信区间确定网络拥塞控制算法的性能评估结果。
可以理解的是，本发明实施例可以根据仿真器仿真实验结果的置信区间确定网络拥塞控制算法的性能评估结果，从而提升评估结果的准确性。
根据本发明实施例提出的数据中心网络拥塞控制算法性能评估方法，建立数据中心网络中服务器第一数学模型和数据中心网络中交换机第二数据模型，并设置网络拥塞事件采样的置信区间，利用第一数学模型和第二数学模型对数据中心网络的网络拥塞控制算法进行仿真，并计算仿真结果的置信度区间，基于置信度区间确定网络拥塞控制算法的性能评估结果，从而提升评估的准确性。
下面将结合图2对本发明的数据中心网络拥塞控制算法性能评估方法进行详细阐述，具体如下：
1、对服务器进行建模
服务器负责流量发送与接收，并根据收到的拥塞信号调整流量发送速率。对服务器的随机性构建如下概率密度函数建模：
(1)流量到达的间隔时间是一组连续随机变量U1,U2,…Un。对这些随机变量进行拟合，得到概率密度函数fu。
(2)单次流量中包含的数据量是一组离散随机变量V1,V2,…Vn。对这些随机变量进行拟合，得到概率密度函数fv。
(3)单次流量中最后一个数据包的大小是一组有界连续随机变量V1′,V2′,…Vn′。根据现有历史统计数据，对这些随机变量进行拟合，得到概率密度函数fv′。
为了对网络拥塞进行建模，利用排队论模型，服务器包含如下状态：
(1)在时间槽t的剩余达到时间R(t)；
(2)直到时间t的所有到达事件数量：A(t)＝inf{n:U_1+U_2+…+U_n≥t}；
其中，n表示为到达流的编号，U_n表示为第n个流和前一个流的间隔时间。
(3)直到时间t的所有到达的数据量：
其中，MSS表示为单个数据包的数据量上限，Vn′表示为该流最后一个数据包的数据量。
(4)直到时间t的所有到达的数据包的数量：
服务器对于每个数据包维护如下信息：
(1)每个数据包的下标n
(2)数据包大小：PS
(3)数据包的发送时间：Ts,n
(4)数据包的状态：Ms,n，该状态包含三种子状态：nr表示数据包没有ACK没有被返回，ib表示数据包被阻塞、丢弃，it表示数据包ACK已经返回。
由于服务器还运行了拥塞控制算法，所以服务器还需要维护拥塞控制算法的两个状态，现有被广泛使用的拥塞控制算法(例如DCTCP、DCQCN、HPCC等)均通过这两个状态控制发送端的发送速率，具有通用性：
(1)在时间t的拥塞控制窗口Cwnd(t)
(2)在时间t的慢启动阈值Ssthresh(t)
2、对交换机的建模
交换机负责流量的转发，并在发生拥塞时，以B(t)概率丢弃刚收到的数据包或对该数据包进行标记，当队列长度Q(t)小于给定阈值K，B(t)＝0；当队列长度大于等于给定阈值K时，B(t)＝(Q(t)-K)/(L-K)，其中Q(t)为时间t的队列长度，L是队列的最大长度；
交换机根据排队论模型，包含如下状态：
1)在时间t交换机收到的数据包的数量Aq(t)，
2)以及当前交换机的队列长度
每个交换机收到的数据包，保存如下状态：
1)每个数据包的下标n
2)到达时间Ta,n
3)是否被告知收到的状态Ma,n。该状态包含三种子状态：nr表示数据包没有ACK没有被返回，ib表示数据包被阻塞、丢弃，it表示数据包ACK已经返回。
上述状态根据交换机侧的拥塞控制算法进行转移。
3、实验结果置信区间估计算法
本发明基于上述数学模型设计了置信区间估计算法，该算法用于估计p百分位实验结果的置信区间，其中，p约等于100，可设置，不做具体限定。
本算法的主要思路是将对p百分位实验结果的置信区间转换成对实验结果(即排队论数学模型中的响应时间)概率分布的估计。
由于上述建立的数学模型的仿真构成具有稳态的特征，所以本发明首先使用再生模拟方法对实验结果概率分布进行估计。根据更新奖励定理，可以得到响应时间γ>0的概率为：
其中，α为在一个再生周期内所完成事件的数量，γ表示为具体响应时间的数值，R∞表示为无限情况下的响应时间，E[]表示为对{Rn>γ}的事件的概率的期望。
当α很大时，项包含了对一个概率极小事件的计算。为了提升对极小概率事件的估计，设计了一个新的重要性分布，可以提升事件{Rn>γ}发生的概率。
在重要性采用中，使用交叉熵算法搜索到新的随机变量和概率分布/>然后引入下面的相似性比例公式：
其中，Un表示为第n个数据包流量达到的间隔时间，表示实验中所用流的到达间隔时间，fu表示为流量到达的间隔时间建模形成的连续随机变量分布函数，/>表示为使用交叉熵算法求解得到fu在重要性采样下的新随机变量分布函数，Vn表示为第n个流中包含的数据量，/>表示为实验中所用流的包含的数据量，fv表示为单次流量中包含的数据量建模的离散随机变量分布函数，/>表示为使用交叉熵算法求解得到fv在重要性采样下的新随机变量分布函数，G和/>是fu和/>的互补积累分布函数，/>表示为到达的年龄，其中，t表示时间，A(t)表示为直到时间t的所有到达事件数量。
最后根据批方法和中心极限定理得到在95％置信区间的实验结果的范围。
综上，本发明实施例对流量传输的两个主要部分(服务器和交换机)建立了基于马尔科夫模型的数学模型。服务器的数学模型包含剩余到达时间、所有到达事件数量、所有到达数据量和所有到达数据包数量等状态，并对流量到达间隔和流量数据量分布拟合概率分布。交换机的数学模型包含收到的数据包的数量，以及当前队列长度等状态，并对交换机的随机丢包过程确定概率分布。然后本发明基于上述数学模型提出了对实验结果的置信区间的估计算法，该算法通过引入重要性采样，进一步提升了估计算法的运行效率。
其次参照附图描述根据本发明实施例提出的数据中心网络拥塞控制算法性能评估装置。
图3是本发明实施例的数据中心网络拥塞控制算法性能评估装置的方框示意图。
如图3所示，该数据中心网络拥塞控制算法性能评估装置10包括：第一建立模块100、第二建立模块200、仿真计算模块300和确定模块400。
其中，第一建立模块100用于建立数据中心网络中服务器的第一数学模型，其中，第一数学模型用于模拟流量发送与接收，以及根据收到的拥塞信号调整流量发送速率；第二建立模块200用于建立数据中心网络中交换机的第二数学模型，其中，第二数学模型用于模拟流量转发，以及在发生拥塞时丢弃一个或多个数据包并发送拥塞信号；仿真计算模块300用于根据第一数学模型和第二数学模型对数据中心网络的网络拥塞控制算法进行仿真，并计算仿真器仿真实验结果的置信区间；确定模块400用于根据仿真器仿真实验结果的置信区间确定网络拥塞控制算法的性能评估结果。
在本发明实施例中，第一建立模块100进一步用于：将流量到达的间隔时间建模成连续随机变量分布；将单次流量中包含的数据量建模成离散随机变量分布；将单次流量中最后一个数据包的大小建模成有界的连续随机变量分布；根据连续随机变量分布、离散随机变量分布和有界的连续随机变量分布生成第一数学模型。
在本发明实施例中，第一数学模型还包括：时间的拥塞控制窗口和慢启动阈值、保存服务器发送的数据包的大小、发送时间和数据包是否被告知收到的状态。
在本发明实施例中，第二建立模块200进一步用于：对交换机的随机性进行建模，得到随机性建模结果，其中，随机性建模结果包括当发生拥塞时，以预设概率丢弃刚收到的数据包；对交换机包含的状态进行建模，得到状态建模结果，状态建模结果包括：在时间内交换机收到数据包的数量、当前交换机的队列长度、每个交换机收到的数据包、保存到达时间和是否被告知收到的状态；根据交换机的随机性建模结果和状态建模结果生成第二数学模型。
在本发明实施例中，仿真计算模块300进一步用于：获取流量到达的间隔时间的连续随机变量分布和单次流量中包含的数据量的离散随机变量分布；根据连续随机变量分布和离散随机变量分布计算相似性比例，根据相似性比例得到新的基于重要性采样的随机变量分布，并根据新的基于重要性采样的随机变量分布计算仿真实验结果的置信区间。
在本发明实施例中，相似性比例的计算公式为：
其中，Un表示为第n个数据包流量达到的间隔时间，表示实验中所用流的到达间隔时间，fu表示为流量到达的间隔时间建模形成的连续随机变量分布函数，/>表示为使用交叉熵算法求解得到fu在重要性采样下的新随机变量分布函数，Vn表示为第n个流中包含的数据量，/>表示为实验中所用流的包含的数据量，fv表示为单次流量中包含的数据量建模的离散随机变量分布函数，/>表示为使用交叉熵算法求解得到fv在重要性采样下的新随机变量分布函数，G和/>是fu和/>的互补积累分布函数，/>表示为到达的年龄，其中，t表示时间，A(t)表示为直到时间t的所有到达事件数量。
需要说明的是，前述对数据中心网络拥塞控制算法性能评估方法实施例的解释说明也适用于该实施例的数据中心网络拥塞控制算法性能评估装置，此处不再赘述。
根据本发明实施例提出的数据中心网络拥塞控制算法性能评估装置，建立数据中心网络中服务器第一数学模型和数据中心网络中交换机第二数据模型，并设置网络拥塞事件采样的置信区间，利用第一数学模型和第二数学模型对数据中心网络的网络拥塞控制算法进行仿真，并计算仿真结果的置信度区间，基于置信度区间确定网络拥塞控制算法的性能评估结果，从而提升评估的准确性。
图4为本发明实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器401、处理器402及存储在存储器401上并可在处理器402上运行的计算机程序。
处理器402执行程序时实现上述实施例中提供的数据中心网络拥塞控制算法性能评估方法。
进一步地，电子设备还包括：
通信接口403，用于存储器401和处理器402之间的通信。
存储器401，用于存放可在处理器402上运行的计算机程序。
存储器401可能包含高速RAM(Random Access Memory，随机存取存储器)存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器。
如果存储器401、处理器402和通信接口403独立实现，则通信接口403、存储器401和处理器402可以通过总线相互连接并完成相互间的通信。总线可以是ISA(IndustryStandard Architecture，工业标准体系结构)总线、PCI(Peripheral Component，外部设备互连)总线或EISA(Extended Industry Standard Architecture，扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器401、处理器402及通信接口403，集成在一块芯片上实现，则存储器401、处理器402及通信接口403可以通过内部接口完成相互间的通信。
处理器402可能是一个CPU(Central Processing Unit，中央处理器)，或者是ASIC(Application Specific Integrated Circuit，特定集成电路)，或者是被配置成实施本发明实施例的一个或多个集成电路。
本发明实施例还提供一种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上的数据中心网络拥塞控制算法性能评估方法。
本发明还提供一种计算机程序产品，计算机程序被执行时，以用于实现如上述实施例的数据中心网络拥塞控制算法性能评估方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列，现场可编程门阵列等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种数据中心网络拥塞控制算法性能评估方法，其特征在于，包括以下步骤：
建立数据中心网络中服务器的第一数学模型，其中，所述第一数学模型用于模拟流量发送与接收，以及根据收到的拥塞信号调整流量发送速率；
建立数据中心网络中交换机的第二数学模型，其中，所述第二数学模型用于模拟流量转发，以及在发生拥塞时丢弃一个或多个数据包并发送拥塞信号；
根据所述第一数学模型和所述第二数学模型对数据中心网络的网络拥塞控制算法进行仿真，并计算仿真器仿真实验结果的置信区间；
根据仿真器仿真实验结果的置信区间确定所述网络拥塞控制算法的性能评估结果。
2.根据权利要求1所述的数据中心网络拥塞控制算法性能评估方法，其特征在于，所述建立数据中心网络中服务器的第一数学模型：
将流量到达的间隔时间建模成连续随机变量分布；
将单次流量中包含的数据量建模成离散随机变量分布；
将单次流量中最后一个数据包的大小建模成有界的连续随机变量分布；
根据所述连续随机变量分布、所述离散随机变量分布和所述有界的连续随机变量分布生成所述第一数学模型。
3.根据权利要求1所述的数据中心网络拥塞控制算法性能评估方法，其特征在于，所述第一数学模型还包括：时间的拥塞控制窗口和慢启动阈值、保存服务器发送的数据包的大小、发送时间和数据包是否被告知收到的状态。
4.根据权利要求1所述的数据中心网络拥塞控制算法性能评估方法，其特征在于，所述建立数据中心网络中交换机的第二数学模型，包括：
对所述交换机的随机性进行建模，得到随机性建模结果，其中，所述随机性建模结果包括当发生拥塞时，以预设概率丢弃刚收到的数据包；
对所述交换机包含的状态进行建模，得到状态建模结果，所述状态建模结果包括：在时间内交换机收到数据包的数量、当前交换机的队列长度、每个交换机收到的数据包、保存到达时间和是否被告知收到的状态；
根据所述交换机的随机性建模结果和状态建模结果生成所述第二数学模型。
5.根据权利要求1所述的数据中心网络拥塞控制算法性能评估方法，其特征在于，所述计算所述仿真器仿真实验结果的置信区间，包括：
获取流量到达的间隔时间的连续随机变量分布和单次流量中包含的数据量的离散随机变量分布；
根据所述连续随机变量分布和所述离散随机变量分布计算相似性比例，根据所述相似性比例得到新的基于重要性采样的随机变量分布，并根据新的基于重要性采样的随机变量分布计算仿真实验结果的置信区间。
6.根据权利要求5所述的数据中心网络拥塞控制算法性能评估方法，其特征在于，所述相似性比例的计算公式为：
其中，Un表示为第n个数据包流量达到的间隔时间，表示为实验中所用流的到达间隔时间，fu表示为流量到达的间隔时间建模形成的连续随机变量分布函数，/>表示为使用交叉熵算法求解得到fu在重要性采样下的新随机变量分布函数，Vn表示为第n个流中包含的数据量，/>表示为为实验中所用流的包含的数据量，fv表示为单次流量中包含的数据量建模的离散随机变量分布函数，/>表示为使用交叉熵算法求解得到fv在重要性采样下的新随机变量分布函数，G和/>是fu和/>的互补积累分布函数，/>表示为到达的年龄，其中，t表示时间，A(t)表示为直到时间t的所有到达事件数量。
7.一种数据中心网络拥塞控制算法性能评估装置，其特征在于，包括：
第一建立模块，用于建立数据中心网络中服务器的第一数学模型，其中，所述第一数学模型用于模拟流量发送与接收，以及根据收到的拥塞信号调整流量发送速率；
第二建立模块，用于建立数据中心网络中交换机的第二数学模型，其中，所述第二数学模型用于模拟流量转发，以及在发生拥塞时丢弃一个或多个数据包并发送拥塞信号；
仿真计算模块，用于根据所述第一数学模型和所述第二数学模型对数据中心网络的网络拥塞控制算法进行仿真，并计算仿真器实验结果的置信区间；
确定模块，用于根据所述仿真器仿真实验结果的置信区间确定所述网络拥塞控制算法的性能评估结果。
8.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-6任一项所述的数据中心网络拥塞控制算法性能评估方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-6任一项所述的数据中心网络拥塞控制算法性能评估方法。
10.一种计算机程序产品，其特征在于，所述计算机程序被执行时，以用于实现权利要求1-6任一项所述的数据中心网络拥塞控制算法性能评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410374174.8A CN118041798B (zh) | 2024-03-29 | 2024-03-29 | 数据中心网络拥塞控制算法性能评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410374174.8A CN118041798B (zh) | 2024-03-29 | 2024-03-29 | 数据中心网络拥塞控制算法性能评估方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118041798A true CN118041798A (zh) | 2024-05-14 |
| CN118041798B CN118041798B (zh) | 2024-10-18 |
Family
ID=90984282
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410374174.8A Active CN118041798B (zh) | 2024-03-29 | 2024-03-29 | 数据中心网络拥塞控制算法性能评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118041798B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160087898A1 (en) * | 2014-04-28 | 2016-03-24 | New Jersey Institute Of Technology | Congestion management for datacenter network |
| CN114745337A (zh) * | 2022-03-03 | 2022-07-12 | 武汉大学 | 一种基于深度强化学习的实时拥塞控制方法 |
| CN116915706A (zh) * | 2023-09-13 | 2023-10-20 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 数据中心网络拥塞控制方法、装置、设备及存储介质 |
| CN117135117A (zh) * | 2023-07-31 | 2023-11-28 | 北京邮电大学 | 基于近端控制的跨数据中心rdma网络拥塞控制方法及装置 |
| US20240080270A1 (en) * | 2022-09-07 | 2024-03-07 | East China Normal University | Method for automatically regulating explicit congestion notification of data center network based on multi-agent reinforcement learning |
| CN117714381A (zh) * | 2023-12-14 | 2024-03-15 | 中国科学院合肥物质科学研究院 | Sdn数据中心网络下具有流感知的公平拥塞控制方法及设备 |
-
2024
- 2024-03-29 CN CN202410374174.8A patent/CN118041798B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160087898A1 (en) * | 2014-04-28 | 2016-03-24 | New Jersey Institute Of Technology | Congestion management for datacenter network |
| CN114745337A (zh) * | 2022-03-03 | 2022-07-12 | 武汉大学 | 一种基于深度强化学习的实时拥塞控制方法 |
| US20240080270A1 (en) * | 2022-09-07 | 2024-03-07 | East China Normal University | Method for automatically regulating explicit congestion notification of data center network based on multi-agent reinforcement learning |
| CN117135117A (zh) * | 2023-07-31 | 2023-11-28 | 北京邮电大学 | 基于近端控制的跨数据中心rdma网络拥塞控制方法及装置 |
| CN116915706A (zh) * | 2023-09-13 | 2023-10-20 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 数据中心网络拥塞控制方法、装置、设备及存储介质 |
| CN117714381A (zh) * | 2023-12-14 | 2024-03-15 | 中国科学院合肥物质科学研究院 | Sdn数据中心网络下具有流感知的公平拥塞控制方法及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 郑友泉, 陆明泉, 冯振明: "TCP Reno/Vegas算法的进化博弈模型", 清华大学学报(自然科学版), no. 07, 30 July 2002 (2002-07-30) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118041798B (zh) | 2024-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Modeling nonsaturated IEEE 802.11 DCF networks utilizing an arbitrary buffer size | |
| CN108768876B (zh) | 一种面向机器学习框架的流量调度方法 | |
| EP4024766A1 (en) | Network parameter configuration method and apparatus, computer device, and storage medium | |
| CN111142942B (zh) | 窗口数据的处理方法、装置、服务器及存储介质 | |
| EP4020892A1 (en) | Network parameter configuration method and apparatus | |
| US10467161B2 (en) | Dynamically-tuned interrupt moderation | |
| CN118250224B (zh) | 拥塞控制方法、装置、系统、设备及介质 | |
| CN115102905B (zh) | 一种ecn水线调整方法及装置 | |
| Tang et al. | Understanding CHOKe: throughput and spatial characteristics | |
| Lu et al. | Dynamic ECN marking threshold algorithm for TCP congestion control in data center networks | |
| CN114866489A (zh) | 拥塞控制方法和装置及拥塞控制模型的训练方法和装置 | |
| CN113572655B (zh) | 无丢失网络的拥塞探测方法及系统 | |
| Altman et al. | State-dependent M/G/1 type queueing analysis for congestion control in data networks | |
| CN112491736B (zh) | 一种拥塞控制方法、装置、电子设备及存储介质 | |
| CN118041798B (zh) | 数据中心网络拥塞控制算法性能评估方法及装置 | |
| CN118214719A (zh) | 交换机驱动的数据中心拥塞控制方法、系统、设备与介质 | |
| CN116170380B (zh) | 基于拥塞预测的ecn标记策略和队列管理方法及系统 | |
| CN117676695A (zh) | Tcp传输方法、装置和系统 | |
| CN115174478A (zh) | 一种网络拥塞控制方法及相关装置 | |
| KR20150072512A (ko) | 단방향 지연을 제어하는 프레임 전송 방법 및 장치 | |
| Tinnakornsrisuphap et al. | Asymptotic behavior of heterogeneous TCP flows and RED gateway | |
| CN111130923A (zh) | 网络带宽确定方法、装置、电子设备及存储介质 | |
| CN116760777B (zh) | 一种基于abea3c的多路径拥塞控制方法 | |
| CN114785716B (zh) | 一种基于自诱导拥塞和单向延迟的可用带宽测量方法 | |
| CN118590932A (zh) | 一种网络拥塞控制方法、装置、设备、介质及产品 |
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 |