DE602005002158T2

DE602005002158T2 - Lastausgleichtechnik für Verkehrstechnik zwischen Domänen

Info

Publication number: DE602005002158T2
Application number: DE602005002158T
Authority: DE
Inventors: Kartikeya 12180 Chandrayana; Matthew Morristown Roughan; Subhabrata 07928 Sen; Yin Lake Hiawatha Zhang
Original assignee: AT&T Corp
Current assignee: AT&T Corp
Priority date: 2004-02-17
Filing date: 2005-02-02
Publication date: 2008-05-15
Anticipated expiration: 2025-02-03
Also published as: US20090037600A1; EP1564942A1; CA2496205C; DE602005002158D1; HK1075769A1; EP1564942B1; CA2496205A1; US7467224B2; US7917650B2; US20050182849A1

Description

ALLGEMEINER STAND DER TECHNIK
Die vorliegende Erfindung bezieht sich auf ein Verfahren zum Management von Verkehr zwischen Domänen über das Internet. Insbesondere bezieht sich die vorliegende Erfindung auf Verfahren zum Auswählen der effizientesten und am wenigsten verstopften Pfade für den Zwischen-Domänen-Verkehr.
Eine große Herausforderung für die Verkehrstechnik zwischen Domänen ist der Grad der Ungewissheit, vor den sich ein Internet-Dienstprovider (ISP) gestellt sieht, wenn er Pfade für Internetverkehr auswählt. Bei vielen potentiell miteinander konkurrierenden ISPs kann die globale Koordination von Internetverkehr zur Auswahl des besten Pfades bei minimaler Verstopfung schwierig sein. Darüber hinaus sind die Kenntnisse eines einzelnen ISPs begrenzt, die den Benutzerbedarf, die verfügbaren Netzressourcen und die Routing-Politik bei den anderen betreffen.
Eins der hauptsächlichen, im Zwischen-Domänen-Verkehr angetroffenen Probleme besteht darin, richtig auf Verstopfungen, Verluste und/oder Verzögerungen zu reagieren, die vom Verkehr zwischen einem Heimatnetz und anderen Domänen angetroffen werden. Das Problem kommt vor in einem Heimatnetz mit vielen Links zu einer anderen Domäne, wie zum Beispiel bei großen ISPs mit vielen „Peering" Links zu einem anderen Backbone, oder in einem kleineren lokalen Netz, multi-homed mit zwei oder mehr Backbones. In solchen Fällen könnte die Firma, die für diese Links bezahlt, feststellen, dass der Verkehr, der das Heimatnetz über eine der Links verlässt, bei normaler Routing-Politik verstopft ist, während andere Links nicht voll genutzt werden. In manchen Fallen könnte die Verstopfung im Heimatnetz, die vom ein- und ausgehenden Verkehr angetroffen wird, in Wirklichkeit außerhalb der Domäne auftreten. Um die Leistungen der Verbindungen zu verbessern, die den zugehörigen Verkehr erzeugen, muss der ISP-Betreiber einen Weg finden, wie er Erleichterung schaffen kann für die Verstopfung, die Verluste und/oder die Verzögerungen.
In einfachen Fallen, wenn die Verstopfung im ausgehenden Link des Heimatnetzes auftritt, kann sie durch SNMP Verkehrsmessungen (SNMP = Simple Network Management Protocol) festgestellt werden. SNMP ist ein Satz von Protokollen zum Managen von komplexen Netzen, der erstmalig in den 1980igern benutzt wurde. SNMP funktioniert, indem es PDUs (Protokolldateneinheiten) genannte Nachrichten an verschiedene Teile des Netzes sendet. Mit SNMP konforme Vorrichtungen, genannt Agenten, speichern Daten über sich selbst in MIBs (Managementinformationsbanken) und geben diese Daten an SNMP Anforderer zurück. Ein Benutzer kann eine andere Route für den Verkehr bestimmen, indem er SNMP benutzt, um die verfügbare Kapazität auf den anderen ausgehenden Links zu messen. Unter diesen Umständen gibt es viele verschiedene Ansätze zur Lösung des Lastenausgleichsproblems für den Verkehr, wobei das einzig wirkliche Problem die Art der Implementierung ist, weil typisches Zwischen-Domänen-Routing unter Einsatz des BGP Protokolls (BGP = Border Gateway Protocol) ein relativ grober Mechanismus für Verkehrstechnik ist.
Es kann auch eine Vielfalt von Metriken benutzt werden, wenn ein Benutzer den besten Pfad zu bestimmen versucht, der zum Senden von Verkehr über ein Netz verwendet werden soll. Einige Routing-Protokolle, wie zum Beispiel RIP (Routing Information Protocol) benutzen nur eine Metrik, nämlich „Hop Count". Und andere Routing-Protokolle, wie IGRP (Interior Gateway Routing Protocol), benutzen eine Kombination von Metriken. Die am meisten benutzten Metriken sind: (1) Hop Count – die Anzahl der Router, die ein Paket durchlaufen muss, um sein Ziel zu erreichen; (2) Bandbreite – die Datenkapazität einer Link; (3) Verzögerung – die Länge der Zeit zum Befördern des Pakets von der Quelle bis ans Ziel; (4) Last – die Menge der Aktivität auf einer Netz-Ressource; (5) Zuverlässigkeit – die Fehlerrate jeder Netz-Link; (6) Ticks – die Verzögerung auf einer Datenlink gemessen mit den Ticks der IBM PC Uhr; und (7) Kosten – ein willkürlicher von einem Verwalter zugewiesener Wert. Die beste Route richtet sich nach der Metrik und den metrischen Gewichtungen, die in die Berechnung eingehen. Zum Beispiel könnte ein Routingprotokoll die Anzahl der „Hops" und die Verzögerung benutzen, aber die Verzögerung in der Berechnung stärker gewichten. Somit könnte eine Route mit mehr Hops und kürzeren Verzögerungen weniger teuer als eine Route mit weniger Hops und längeren Verzögerungen sein. Pfade, deren Benutzuung teuer ist, werden normalerweise vermieden. Solche Metriken sind ein nützliches Werkzeug, können aber den Verkehr in anderen Domänen nicht akkurat bestimmen.
Abgesehen von den praktischen Problemen beim Implementieren eines Verfahrens zum Ausgleichen der Verkehrslast gibt es noch ein weiteres fundamentales Problem. In einigen Fällen könnte die Verzögerung im Verkehr, der das Heimatnetz verlässt oder in es eintritt, außerhalb der Domäne auftreten, so dass der Betreiber unfähig ist, direkte Beobachtungen des Verkehrs entlang verschiedener Pfade anzustellen. Die Kenntnis des Betreibers ist in der Tat auf das Heimatnetz beschränkt, und er oder sie muss nicht unbedingt das Routing, die Topologie oder Kapazität des Netzes kennen, welches der Verkehr durchquert. Der Betreiber kann jedoch oft eine Verstopfung im Netz mit Hilfe von aktiven Sensoren erkennen und Maßnahmen zur Milderung oder Vermeidung dieser Verstopfung ergreifen.
Wenn der Betreiber beschließt, die im Netz entdeckte Verstopfung zu milder oder zu vermeiden, muss er oder sie die Lasten auf vielen Pfaden ausgleichen, ohne die verfügbare Kapazität und die Details der Pfade als solcher zu kennen. Die einzige dem Betreiber zur Verfügung stehende Information besteht aus groben statistischen Messungen (wie die Verlustrate) und RTT (Round Trip Time), die dazu benutzt werden können, die Verstopfung abzuleiten. Zusätzlich könnte der Betreiber fähig sein, eine der in letzter Zeit entwickelten Techniken zum Schätzen der Engpass-Bandbreite zu benutzen, wie zum Beispiel einen auf Netz-Tomographie basierenden Ansatz. Diese Mechanismen vermitteln jedoch kein wirklich akkurates Bild der in Frage stehenden Pfade, können jedoch die Anzahl der Möglichkeiten weiter einschränken.
Ein weiteres und noch schwierigeres Problem besteht darin, dass viele Betreiber beschließen könnten, gleiche Wege zum Vermeiden der Verstopfung zu wählen, und ihren Verkehr zum gleichen Zeitpunkt umzuleiten. Dies kommt einer Art Spielchen gleich, das sie gegeneinander spielen, um die Ausnutzung der externen Domäne zu optimieren, ohne zu wissen, dass auch andere Betreiber Verkehrspfade ändern. Auf der Grundlage der in der Vergangenheit gemachten Erfahrungen konnte festgestellt werden, dass diese Spielchen (wobei Einzelpersonen ihre eigene Utility optimieren) nicht immer zu einem global optimalen Verhalten führen. Bin Ansatz zum Dirigieren von Internetverkehr wurde in „Analytical Framework for Dynamic Traffic Partitioning in MPLS Networks", IEEE XP001208682, von Dinan et al beschrieben. Bei diesem Ansatz wird jedoch nicht die Verkehrsmenge, die verloren geht, berücksichtigt, und somit wird die Verzögerung der Durchschnittsübertragung für alle Verkehrsklassen nicht unbedingt minimiert. Ein weiterer Ansatz ist beschrieben in „An Approach to Path-Splitting in Multipath Networks", IEEE XP010137109, von Krischnam & Silvester. Dieser Ansatz geht davon aus, dass Verkehrsraten konstant bleiben und sich im Zeitverlauf nicht rasch ändern, und setzt voraus, dass die Last auf einem Netz a priori bekannt ist. Elwalid et al, „MATE: Multipath Adaptive Traffic Engineering", Computer Networks 40 (2002) 695-769, adressiert das Minimieren der Summe von Verzögerungen, um das Dirigieren des Verkehrs zu erzielen. Dies erfordert jedoch die Koordination zwischen verschiedenen ISPs, da sich alle Knoten im Pfad an einer Label-Verteilung beteiligen müssen. Zhan et al, „Fast Accurate Computation of Large Scale IP Traffic Matrices from Link Loads", XP-002324089 beschreibt ein Verfahren zum Messen der Verkehrslasten auf einem Netz.
Folglich muss ein Verfahren definiert werden, das dem Netzbetreiber gestattet, die Verstopfung zu erleichtern und die Lasten auf den Netzpfaden auszugleichen. Insbesondere muss ein Verfahren definiert werden, das dem Betreiber gestattet, den Verkehr auf verschiedenen Pfaden in einem Netz auf einer ziemlich akkuraten Basis zu schätzen und einen Teil des Verkehrs auf nicht verstopfte Netzpfade umzuleiten.
ZUSAMMENFASSUNG DER ERFINDUNG
Erfindungsgemäß ist ein Verfahren zum Ausgleichen des Verkehrs auf Pfaden, die ein Netz mit dem Internet verbinden, vorgesehen, umfassend:
Bilden einer Verbindung zwischen einem Heimatnetz und einem anderen Netz, welches mit einer Mehrzahl von Netzen verbunden ist, wobei die Verbindung eine Mehrzahl von Pfaden (p) umfasst, die den Verkehr in Form von Datenpaketen zwischen dem Heimatnetz und dem anderen Netz führen, wobei jeder Pfad eine Pfadlast (x_i), welche die einem Pfad (p) zugewiesene Verkehrsmenge darstellt, eine verfügbare Kapazität (c_i), welche die auf dem Pfad (p) übertragbare Verkehrsmenge darstellt, sowie eine niedrige Kapazitätsgrenze (l_i) und eine hohe Kapazitätsgrenze (h_i) aufweist, die die gemessenen hohen und niedrigen Kapazitätsgrenzwerte der verfügbaren Kapazität (c_i) darstellen;
Messen der Pfadlast (x_i) jedes der Mehrzahl von Pfaden (p);
Messen der hohen Kapazitätsgrenze (h_i(0)) jedes der Mehrzahl von Pfaden (p);
Vergleichen der Pfadlast (x_i) und der hohen Kapazitätsgrenze (h_i(0)) für jeden der Mehrzahl von Pfaden (p);
Auswählen eines der Mehrzahl von Pfaden (p), wobei die Mehrzahl von Pfaden (p) den ausgewählten Pfad (p₀) und andere Pfade (p_i) umfasst, wobei der ausgewählte Pfad (p₀) eine anfängliche Überlast (x₀(0)) aufweist, und wobei die Überlast vorhanden ist, wenn die Last (x₀(0)) des anfänglichen ausgewählten Pfades größer als die hohe Kapazitätsgrenze (h₀(0)) des anfänglichen ausgewählten Pfades ist; und
Wählen der Pfadlast (x_i) für jeden der Mehrzahl von anderen Pfaden (p_i) unter Einsatz einer partiellen Zuweisungsstrategie, wobei die partielle Zuweisungsstrategie umfasst:

a) Indexieren der anderen Pfade (p_i) mit i, wobei i ein Satz von Ganzzahlen 1 bis P ist, wobei P die Gesamtzahl der anderen Pfade (p_i) ist;
b) Verknüpfen einer Mehrzahl von Pinning Intervallen mit einem Zähler (t), wobei der anfängliche Wert des Zählers auf Null (0) gesetzt wird und insgesamt N Pinning Intervalle vorhanden sind;
c) Berechnen eines Teils (y(t)) der abzuladenden und auf andere Pfade (p_i) zu verteilenden Überlast (x₀(0)) des anfänglichen ausgewählten Pfades, wobei eine halbierende Suchstrategie zum Einsatz kommt, und zu Schritt (f) gesprungen wird;
d) Berechnen einer aktualisierten ausgewählten Pfadlast (x₀(t)), wobei die ausgewählte aktualisierte Pfadlast (x₀(t)) gleich der Überlast (x₀(0)) des anfänglichen ausgewählten Pfades minus der Summe der niedrigen Kapazitätsgrenze für den/die i Pfade ist;
e) Berechnen des Anteils (y(t)) der aktualisierten ausgewählten Pfadüberlast (x₀(t)), der auf andere Pfade (p_i) abzuladen und zu verteilen ist, unter Einsatz einer halbierenden Suchstrategie;
f) Messen der niedrigen Kapazitätsgrenze (l_i) und der hohen Kapazitätsgrenze (h_i) der anderen Pfade (p_i) am Pinning Interval (t);
g) Verteilen des Anteils der ausgewählten Pfadüberlast oder der aktualisierten ausgewählten Pfadlast (x₀(t)) auf die anderen Pfade (p_i), wobei der Anteil des Verkehrs (y(t)) auf die anderen Pfade (p_i) mittels folgender Gleichung verteilt wird:
und
h) Anhalten, wenn keine weiteren Pinning Intervalle (t = N) vorhanden sind, andernfalls Erhöhen des nummerischen Wertes des Zählers um eins (1) und Fortfahren mit Schritt (d).

In einer bevorzugten Ausführungsform der vorliegenden Erfindung wählt die halbierende Suchstrategie den Anteil (y(t)) des abzuladenden und zu verteilenden Verkehrs unter Einsatz folgender Gleichung:
Die Kosten zur Benutzung eines Pfades, der das Heimatnetz mit dem größeren Netz verbindet, kann unter Einsatz der folgenden Gleichung,
gemessen werden, wobei C die Kosten sind, T die Zeitperiode ist, über die die realisierbare Lösung erhalten wird, P die Anzahl der Pfade zwischen dem Heimatnetz und dem großen Netz ist, x die Pfadlast und c die Kapazität des Pfades zum Zeitpunkt t ist.
Die Menge des Verkehrs, die über den ausgewählten Pfad vom Heimatnetz zum großen Netz fliesst, kann mit Hilfe von Flussmengen-Messungen oder SNMP (Simple Network Management Protocol) gemessen werden. Die Verstopfung auf dem ausgewählten Pfad kann mit Hilfe von aktiven Sensoren oder passiven Messungen der Verkehrsdetails, TCP (Transmission Control Protocol) SYN/ACK (Synchronize Acknowledgement) Antwortzeit oder RTT (Round Trip Time) und Verlustmessungen gemessen werden.
Und die verfügbare Kapazität auf dem ausgewählten Pfad kann mit Hilfe von Flussmengen-Messungen, SNMP (Simple Network Management Protocol) Link-Messungen, RTT (Round Trip Time), Verlustmessungen, aktiven Sensoren oder TCP (Transmission Control Protocol) SYN/ACK (Synchronize Acknowledgement) Antwortzeit gemessen werden.
Das Verfahren gestattet dem Betreiber eines lokalen Netzes, wie einem ISP, die Verkehrslasten auf Pfaden, die das lokale Netz mit dem Internet verbinden, auszugleichen und die Verstopfung auf ein Minimum zu reduzieren und die Leistung zu verbessern.
KURZBESCHREIBUNG DER ZEICHNUNGEN
Andere Ziele und viele zugehörigen Merkmale dieser Erfindung sind zu erkennen, wenn die folgende Beschreibung im Zusammenhang mit den beigefügten Zeichnungen gelesen wird, in denen:
1 ein Diagramm ist, das den zweidimensionalen Fall (2-d) für das MIBS-Verfahren (Multidimensional Iterative Bisection Search) darstellt.
2A ein Balkendiagramm ist, das einen Vergleich verschiedener Suchsysteme darstellt, basierend auf einer Konvergenzzeit, wenn x = 10000 und ω = 1,00 ist.
2B ein Balkendiagramm ist, das einen Vergleich verschiedener Suchsysteme darstellt, basierend auf den Gesamtkosten, wenn x₀ = 10000 und ω = 1,00 ist.
3A ein Balkendiagramm ist, das einen Vergleich verschiedener Suchsysteme darstellt, basierend auf einer Konvergenzzeit, wenn x₀ = 10000 und ω = 1,05 ist.
3B ein Balkendiagramm ist, das einen Vergleich verschiedener Suchsysteme darstellt, basierend auf den Gesamtkosten, wenn x₀ = 10000 und ω = 1,05 ist.
4A ein Diagramm ist, das einen Vergleich verschiedener Suchsysteme für verschiedene Anzahlen von Pfaden darstellt, basierend auf einer Konvergenzzeit, wenn x₀ = 10000 und ω = 1,00 ist.
4B ein Diagramm ist, das einen Vergleich verschiedener Suchsysteme für verschiedene Anzahlen von Pfaden darstellt, basierend auf den Gesamtkosten, wenn x₀ = 10000 und ω = 1,00 ist.
5A ein Diagramm ist, das einen Vergleich verschiedener Suchsysteme für verschiedene Anzahlen von Pfaden darstellt, basierend auf einer Konvergenzzeit, wenn x₀ = 10000 und ω = 1,05 ist.
5B ein Diagramm ist, das einen Vergleich verschiedener Suchsysteme für verschiedene Anzahlen von Pfaden darstellt, basierend auf den Gesamtkosten, wenn x₀ = 10000 und ω = 1,05 ist.
6A ein Diagramm ist, das einen Vergleich verschiedener Suchsysteme für verschiedene Anzahlen von Pfaden darstellt, basierend auf einer Konvergenzzeit, wenn x₀ = 10000 und ω = 1,20 ist.
6B ein Diagramm ist, das einen Vergleich verschiedener Suchsysteme für verschiedene Anzahlen von Pfaden darstellt, basierend auf den Gesamtkosten, wenn x₀ = 10000 und ω = 1,20 ist.
7A ein Diagramm ist, das einen Vergleich verschiedener Suchsysteme für verschiedene frühere Schätzungen des Pinning Intervalls darstellt, basierend auf einer Konvergenzzeit, wenn x₀ = 10000 und ω = 1,01 ist.
7B ein Diagramm ist, das einen Vergleich verschiedener Suchsysteme für verschiedene frühere Schätzungen des Pinning Intervalls α darstellt, basierend auf den Gesamtkosten, wenn x₀ = 10000 und ω = 1,01 ist.
8A ein Diagramm ist, das einen Vergleich verschiedener Suchsysteme für verschiedene verfügbare Kapazitäten für fünf (5) verschiedene Pfade darstellt, basierend auf einer Konvergenzzeit, wenn x₀ = 10000 ist.
8B ein Diagramm ist, das einen Vergleich verschiedener Suchsysteme für verschiedene verfügbare Kapazitäten für fünf (5) verschiedene Pfade darstellt, basierend auf den Gesamtkosten, wenn x₀ = 10000 ist.
9A ein Diagramm ist, das einen Vergleich verschiedener Suchsysteme für verschiedene verfügbare Kapazitäten für zehn (10) verschiedene Pfade darstellt, basierend auf einer Konvergenzzeit, wenn x₀ = 10000 ist.
9B ein Diagramm ist, das einen Vergleich verschiedener Suchsysteme für verschiedene verfügbare Kapazitäten für zehn (10) verschiedene Pfade darstellt, basierend auf den Gesamtkosten, wenn x₀ = 10000 ist.
10A ein Diagramm ist, das einen Vergleich verschiedener Suchsysteme für verschiedene verfügbare Kapazitäten für zwanzig (20) verschiedene Pfade darstellt, basierend auf einer Konvergenzzeit, wenn x₀ = 10000 ist.
10B ein Diagramm ist, das einen Vergleich verschiedener Suchsysteme für verschiedene verfügbare Kapazitäten für zwanzig (20) verschiedene Pfade darstellt, basierend auf den Gesamtkosten, wenn x₀ = 10000 ist.
11A ein Diagramm ist, das einen Schlimmstfall-Vergleich verschiedener Suchsysteme für verschiedene Anzahlen von Pfaden darstellt, basierend auf einer Konvergenzzeit, wenn x₀ = 10000 und ω = 1,00 ist.
11B ein Diagramm ist, das einen Schlimmstfall-Vergleich verschiedener Suchsysteme für verschiedene Anzahlen von Pfaden darstellt, basierend auf den Gesamtkosten, wenn x₀ = 10000 und ω = 1,00 ist.
12A ein Diagramm ist, das einen Schlimmstfall-Vergleich verschiedener Suchsysteme für verschiedene Anzahlen von Pfaden darstellt, basierend auf einer Konvergenzzeit, wenn x₀ = 10000 und ω = 1,10 ist.
12B ein Diagramm ist, das einen Schlimmstfall-Vergleich verschiedener Suchsysteme für verschiedene Anzahlen von Pfaden darstellt, basierend auf den Gesamtkosten, wenn x₀ = 10000 und ω = 1,01 ist.
AUSFÜHRLICHE BESCHREIBUNG DER ERFINDUNG
Das zu beschreibende Verfahren dient zum Ausgleich des Verkehrs auf Pfaden, wenn der Betreiber keine vollständige Information über die Betriebs- und Leistungsmerkmale des Netzes besitzt. Um den Netzverkehr auszugleichen, ist es wünschenswert, dass der Betreiber des Heimatnetzes fähig ist, mindestens einen Teil des Verkehrs auf nicht verstopfte Netzpfade umzuleiten, um die Verstopfung zu mildern. Für die vorliegende Anmeldung bezieht sich der Ausdruck „Heimatnetz" auf dasjenige Netz, zum Beispiel das Netz eines ISP, für das der Betreiber den ankommenden und ausgehenden Verkehr ausgleicht.
Eine große Herausforderung für die Verkehrstechnik zwischen Domänen ist der Grad der Ungewissheit, vor den sich der Betreiber eines ISP gestellt sieht. Bei vielen potentiell miteinander konkurrierenden ISPs kann die globale Koordination aufgrund der Größe des Netzes schwierig sein. Die Kenntnisse eines einzelnen ISP, betreffend Benutzerbedarf verfügbare Ressourcen und Routing-Politik der anderen, sind begrenzt. Außerdem hat der Betreiber nur wenig Kontrolle über die Art, wie der Verkehr außerhalb seiner Domäne – dem Heimatnetz – geroutet wird. Der ISP kann jedoch anhand von verschiedenen Werkzeugen, wie BGP (Border Gateway Protocol) bestimmen, wie (das heißt an welchen Links) der Verkehr seine Domäne verlässt. Das Verfahren bedient sich der Fähigkeit, Heimatnetz-Ausgangs-Links zu wählen, und stellt Verfahren zum Ausgleichen der Verkehrslast bereit für den Fall, in dem der Dienstprovider des Netzes nur eine begrenzte Kenntnis des Benutzerdarfs, der verfügbaren Ressourcen und der auf den Netzpfaden eingesetzten Routing-Politik besitzt. Insbesondere stellt das Verfahren algorithmische Techniken bereit, mit denen bestimmt werden kann, wie die Verkehrslasten aus verstopften Links in nicht verstopfte Links mit unbekannten verfügbaren Kapazitäten verschoben werden.
Zum Implementieren des Verfahrens müssen dem Betreiber des Heimatnetzes drei Arten von Messungen zur Verfügung stehen: (1) die Verteilung des Verkehrs des Heimatnetzes auf jedem Pfad; (2) die Verstopfung auf den Pfaden, die den ISP mit dem Netz verbinden; und (3) die auf einem Pfad verfügbare Kapazität.
Der Betreiber des Heimatnetzes muss fähig sein, den Verkehrsanteil des Heimatnetzes auf jedem Pfad zu messen. Dies kann vom Betreiber des Heimatnetzes ziemlich genau durchgeführt werden, und zwar bis zu einem jeweils notwendigen Umfang, unter Einsatz von entweder Flussmengen-Messungen oder SNMP Link Messungen, wenn er dem Pfadverkehr entspricht.
Der Betreiber des Heimatnetzes muss fähig sein, die Verstopfung (abgeleitet aus RTT (Round Trip Time) und Verlustmessungen) mit aktiven Sensoren oder passiven Messungen der Verkehrsdetails, wie der TCP (Transmission Control Protocol) SYN/ACK (Synchronize/Acknowledgement) Antwortzeit, zu messen. (TCP ist eins der hauptsächlichen Protokolle in TCP/IP Netzen. Während sich das IP Protokoll nur mit Paketen befasst, ermöglicht TCP zwei Hosts, eine Verbindung einzurichten und Ströme von Daten auszutauschen). Derartige Messungen enthalten aufgrund ihrer statistischen Eigenart falsche Positive und falsche Negative, die in die Berechnungen eingebaut werden müssen.
Der Betreiber des Heimatnetzes muss fähig sein, die auf einem Pfad verfügbare Kapazität zu messen. Diese Messungen können mit Hilfe von Flussmengen-Messungen, SNMP Link Messungen, RTT, Verlustmessungen, aktiven Sensoren oder passiven Messungen der Verkehrsdetails, wie der TCP (Transmission Control Protocol) SYN/ACK (Synchronize/Acknowledgement) Antwortzeit, erhalten werden. Diese Messungen sind jedoch weniger genau hinsichtliche des Messen der Pfadkapazität als hinsichtlich des Messen der Verkehrsverteilung des Heimatnetzes und der Verstopfung. Folglich werden sie nur zum Einholen von ungefähren Grenzwerten über die auf einem Pfad verfügbare Kapazität benutzt. Eine Schlimmstfall-Schätzung der Grenzwerte der Kapazität eines Pfades wäre [0, f_i,], wobei f_i die Kapazität der ersten Hop Link ist, die das Heimatnetz verlässt.
Das Verfahren basiert auf der Annahme, dass das Heimatnetz P + 1 Ausgangspfade hat, und dass einer verstopft ist. Die Pfade sind mit 1 ∊ {0, 1, ..., P} indiziert. Für jeden Pfad p_i zum Zeitpunkt t wird angenommen, dass verfügbare Kapazität c_i(t) vorhanden ist, die sich im Zeitverlauf aufgrund von Veränderungen im Querverkehr entlang des interessierenden Pfades ändern kann. Im Allgemeinen ist die verfügbare Kapazität c_i(t) nicht bekannt außer für einige Grenzwerte c_i(t) ∊ [l_i(t), h_i(t)], die durch Messungen erhalten wurden. Für die hier beschriebenen Verfahren wird dieses Intervall das Pinning-Intervall α genannt.
Der auf einem spezifischen Pfad gesendete Verkehr kann direkt gemessen werden und wird mit x₁ bezeichnet, während, ohne Verlust der Allgemeingültigkeit, der verstopfte Pfad mit Pfad „0" bezeichnet wird. Es wird angenommen, dass die Kapazität auf dem verstopften Pfad c₀ genau bekannt ist, – falls nicht, kann das Problem einfach verallgemeinert werden, indem c_x in den Prozess unten aufgenommen wird. Unter diesen Annahmen gestattet eine einfache Transformation die Betrachtung des Problems, wobei c₀ ← 0 und x₀ ← x₀ – c₀, so dass x₀ jetzt die Überlast ist, die verteilt werden muss, um die Verstopfung zu mildem.
Die Verstopfungsanzeigen werden durch Indikator-Funktionen bezeichnet, wobei
C_i(t) = {1, wenn Pfad i bei t verstopft ist, sonst 0
Das Verfahren benutzt ein unendliches Puffermodell, in dem die Verkehrsmenge, die verloren geht, als Überlast modelliert d_i(t) = [x_i(t) – c_i(t)]⁺ wird, wobei [...]⁺ den positiven Teil bezeichnet. Diese Bedingung kann gelockert werden, wenn die ungefähren Messungen zur Berücksichtigung dieser Details zur Verfügung stehen. Diese Messungen (zum Beispiel Paketspuren) sind in der Praxis nur selten verfügbar.
Die obige Aussage nimmt ferner an, dass die Zeitintervalle t = 1, 2, 3, ..., genügend weit auseinander liegen, so dass Momentaneffekte, zum Beispiel aus Veränderungen in den angebotenen Lasten (das heißt dem auf einem Pfad x_i(t) gesendeten Verkehr), nicht in Betracht gezogen werden müssen, und dass Verstopfungsanzeigen sofort erscheinen, obwohl sie in Wirklichkeit immer eine Verzögerung aufweisen. Typisch würde diese Verzögerung in Sekunden gemessen, wohingegen die Zeitskala des Algorithmus der vorliegenden Erfindung in der Größenordnung von Minuten sein kann. Zusätzlich wird von den einzelnen Pfaden angenommen, dass sie durchschnittsfremd (disjunkt) sind, insofern als sie keine Engpässe gemeinsam benutzen. Andernfalls könnten die Pfade, die sich den Engpass teilen, in einen einzelnen größeren Pfad aufgenommen werden.
DARSTELLUNG DES PROBLEMS
Das Verfahren stellt einen iterativen Algorithmus bereit, der ausschließlich Verstopfungsanzeige-Messungen benutzt, um eine realisierbare Lösung auf ein Lastenausgleichsproblem zu bestimmen. Wenn ein Lastenausgleichsproblem nicht existiert, findet das Verfahren die minimale Kostenlösung. Eine minimale Kostenlösung wird als realisierbar betrachtet, wenn xi(t) ≤ ci(t), ∀i = 0, ..., P), ∀t ≥ T,
wobei T die Zeit ist, zu der die Konvergenz eintritt. Die minimale durchschnittliche Langzeit Kostenlösung ist die Lösung, die die durchschnittliche Anzahl von Paketen, die im Zeitverlauf verlören gehen, minimiert, und sie kann durch folgenden Ausdruck ausgedrückt werden:
Zusätzlich, wenn es eine realisierbare Lösung gibt, wäre es wünschenswert, dass diese Lösung eine Anzahl von Eigenschaften zufriedenstellt. Zum Beispiel sollte die Lösung eine kurze Konvergenzzeit aufweisen (die Zeit T, zu der die realisierbare Lösung erhalten wird, sollte so kurz wie möglich sein, sowohl in Bezug auf Erwartung als auch Mittelwert) und bei der Lösung sollten so wenig wie möglich Pakete verlorengehen, so dass sie kostengünstig ist, wobei die Kosten gemessen werden durch
Das Verfahren geht nicht davon aus, dass der Pfadverkehr gleich dem Link-Verkehr auf den Ausgangs-Links ist, so dass es mehr als einen Satz von Pfaden geben kann, auf dem der Verkehr ausgeglichen werden kann.
DER STATISCHE FALL
Der erste Fall, der betrachtet wird, ist der statische Fall. In diesem Fall wird angenommen, dass: (1) das Netz und die Querverkehr-Lasten sich nicht im Zeitverlauf ändern, so dass c_i(t) = c_i, wobei c_i eine Konstante ist; (2) der Verkehr unelastisch ist und nicht direkt von Veränderungen im Routing oder dem Grad der Verstopfung beeinflusst wird; und (3) die Verstopfungsanzeigen auf jedem Pfad immer korrekt sind.
In der Grenze, in der die Diskretisierungsgröße B → 0 ist, kann immer eine realisierbare Lösung gefunden werden, wenn
Mit abnehmender Diskretisierung kann es Fälle geben, in denen diese Beziehung zufriedengestellt wird, es aber keine realisierbare Lösung gibt. Um zu ermöglichen, dass eine realisierbare Lösung existiert, besteht eine notwendige und hinreichende Bedingung darin, dass
wobei [x] die größte Ganzzahl, die größer als x ist, bezeichnet. Wenn die Kapazität mit der gleichen Quantifizierung B wie der Verkehr diskretisiert wird, sind die beiden Bedingungen gleich.
Wenn es keine realisierbare Lösung gibt, ist die minimale Langzeit Kostenlösung jede Lösung, für die alle Pfade 1, ..., P verstopft sind. Jede dieser Lösungen ist mit Bezug auf die Langzeitkosten (wie oben definiert) gleichwertig. Da es relativ einfach ist, derartige Lösungen zu finden, werden diese Fälle nicht angesprochen.
Wenn es keine realisierbare Lösung gibt, wird eine andere Kostenmetrik verwendet. Zum Beispiel könnte es wünschenswert sein, auf so wenigen Pfaden wie möglich Verstopfung zu haben, um die Anzahl der von der Verstopfung betroffenen Benutzer zu reduzieren, oder es könnte wünschenswerter sein, einen gemäßigten Grad an Verstopfung auf allen Pfaden anstatt eine hohe Verstopfung auf nur einem Pfad zu haben. Bevor jedoch andere Ansätze besprochen werden, soll die Lösung für den statischen Fall gefunden werden.
Unter den Bedingungen für den statischen Fall können die Grenzwerte der Kapazitätsschätzungen nach jedem Zeitintervall enger gezogen werden. Zum Beispiel: li(t + 1) = max {li(t), xi(t)}, Ci(t) = 0 hi(t + 1) = min {hi(t), xi(t)}, Ci(t) = 1
Wenn der Pfad verstopft ist, ist die auf diesem Pfad verfügbare Kapazität kleiner als die aktuell benutzte Kapazität, wohingegen, wenn der Pfad nicht verstopft ist, die verfügbare Kapazität mindestens die Kapazität ist, die aktuell benutzt wird. Im diskreten Fall könnten etwas bessere Grenzwerte mit hi(t + 1) = min {hi(t), xi(t) – B}, Ci(t) = 1,erhalten werden, weil x_i nur in Vielfachen von B geändert werden kann.
Das Problem besteht darin, den an einen Pfad (hier auch mit Verkehrspfadlast oder Pfadlast bezeichnet) gesendeten Verkehr x_i(t) in jedem Zeitintervall t zu senden, so dass die zu verteilende Gesamtlast x₀(0) auf die Pfade 0, ..., P verteilt wird und zu einer realisierbaren Lösung konvergiert (mit geringstmöglichen Kosten), von denen eine x_i(t) ≤ c_i(t), V_i ist. Dadurch, dass x_i(t + 1) ∊ (l_i(t + 1), h_i(t + 1)) gewählt wird, ist es möglich zusätzliche Information zu erzeugen, die in der nächsten Iteration benutzt werden kann, um die Grenzwerte für die möglichen Kapazitäten c_i neu zu definieren. Entweder die niedrige Kapazitätsgrenze l_i kann erhöht werden oder die hohe Kapazitätsgrenze h_i kann reduziert werden.
Das Problem besteht darin, wie der an einen Pfad x_i zu sendende Verkehr am besten gewählt wird, um so schnell wie möglich Information zu erzeugen, während zur gleichen Zeit die Wahrscheinlichkeit eines Verkehrsverlusts aufgrund von Überlasten reduziert wird. Mehrere verschiedene Strategien zur Bewältigung dieses Problems sind benutzt worden und sollen im Folgenden beschrieben werden. In jedem Fall wird der Algorithmus an dem Punkt beendet, an dem entweder eine realisierbare Lösung erreicht ist, oder an dem alle Links verstopft sind. Konvergenz ist garantiert aufgrund der Tatsache, dass die zulässige Region [l_i, h_i] mit jedem Schritt abnimmt, solange mindestens ein x_i ∊ (l_i, h_i) gewählt wird.
PROPORTIONALE ZUWEISUNG
Das Problem des Wählens der auf einem bestimmten Pfad gesendeten Verkehrslast kann dadurch angegangen werden, dass man versucht die erwarteten Verluste bei jeder Iteration des Algorithmus auf ein Minimum zu reduzieren. Unter der Voraussetzung, dass keine andere Information vorhanden ist, besteht die einfachste Annahme, die getroffen werden kann, darin, dass die auf jedem Pfad verfügbare Kapazität einheitlich auf die Grenzwerte verteilt ist, das heißt, c_i – U[l_i,/(t), h_i(t)], zu einer Zeit t. In der Tat könnte von jeder Messung gesagt werden, dass sie mehr Information als einfach nur die Grenzwerte bereitstellt. Folglich könnte die vernünftigste zu benutzende Verteilung etwas anderes als die einheitliche Verteilung sein. Das Verfahren könnte die folgende Zuweisung von x_i verwenden:
Dieses Verfahren wird mit „proportionaler Zuweisung" bezeichnet. Der Grund, warum dieser Name gewählte wurde, ist an dem einfachen Fall zu erkennen, bei dem l_i = 0, V_i. In diesem Fall sind die Zuweisungen zu jedem Pfad proportional zur hoben Grenze h_i für diesen Pfad.
Im diskreten Fall müssen die Pfadlasten x_i ein Vielfaches der Blockgröße B sein. Der Algorithmus kann mehrere Formen annehmen, ein einfacher Ansatz besteht jedoch darin, x_i(t) mit B × [x_i/B] gleichzusetzen, und dann die restliche Last auf Round-Robin-Art auf die Pfade zu verteilen.
Der endgültige Algorithmus führt nun eine Reihe von Schritten durch. Der anfängliche Algorithmus benutzt grobe Bandbreitenschätzungen für die niedrigen l_i(0) und hohen h_i(0) Grenzen, und wählt dann die Pfadlast x_i wie in Gleichung (1). Nach Messen der Verstopfung auf jedem Pfad werden die Grenzwerte aktualisiert und die Schritte so lange wiederholt, bis entweder eine realisierbare Lösung erreicht wird, oder bis alle Pfade verstopft sind. Obwohl dieser Ansatz die erwarteten Kosten mit jedem Schritt reduziert, werden die Gesamtkosten nicht minimiert. Eine solche Minimierung muss auch die Grenzintervalle [l_i, h_i] so schnell wie möglich reduzieren.
FRAKTIONALE ZUWEISUNGSSTRATEGIEN
In dem oben besprochenen proportionalen Zuweisungsverfahren wird angenommen, dass die anfängliche Pfadlast x₀ = 0 ist, um die Kosten auf jedem Schritt zu reduzieren. Andernfalls wäre λ = – 1, und somit x_i = h_i ist, was einen Wert für x₀ ergibt, der nicht mehr realisierbar ist.
Die „fraktionale Zuweisungsstrategie" benutzt ein anderes Verfahren, welches nicht x₀(t) = 0, Vt > 0 annimmt, sondern stattdessen nur einen Teil der anfänglichen Pfadlast x₀ zu den anderen Pfaden in jedem Schritt zuweist. Die fraktionale Zuweisungsstrategie entspricht der Strategie, bei der die anfängliche Überlast auf Pfad „0" (x₀ = 0)) oder dem „ausgewählten Pfad" in kleinere Segmente aufgeteilt wird, und nachdem eine Startsegmentgröße (die auf die anderen Pfade, die das Heimatnetz mit dem größeren Netz verbinden, abzuladen und zu verteilen ist) bestimmt worden ist, wird die Größe der nachfolgenden Segmente auf Basis der gleichen Regel (zum Beispiel linear, halbierend usw.) bestimmt. Die Bandbreite der Segmente kann jedoch auf die Benutzer gemäß beliebiger Kriterien verteilt werden, wobei proportionale Zuweisung als Standardregel benutzt wird. Algorithmus 1 – unten dargestellt – beschreibt das System der fraktionalen Zuweisung.
ALGORITHMUS 1 – FRAKTIONALE ZUWEISUNGSSTRATEGIE
Es können drei Strategien zum Wählen des zu verteilenden Verkehrs benutzt werden (y(t)):(1) lineare Suche, (2) halbierende Suche und (3) exponentielle Suche.
Die lineare Suchstrategie hat einen Parameter STEP_SIZE, der durch Setzen einer Anzahl von Runden N gewählt wird, die zum Konvergieren des Algorithmus erforderlich sind. Somit
Bei jeder Iteration wird der zu verteilende Verkehr y(t) = min {STEP_SIZE; Last(t)} der Last den Pfaden i = 1, ..., P zugewiesen.
Während der Algorithmus forschreitet, wird der auf jedem Schritt y(t) neu zuzuweisende Verkehr möglichst nicht verstopften Links zugewiesen, und somit steigen die unteren Grenzwerte l_i auf den nicht verstopften Pfaden, so dass sich die Last auf Pfad „0" an jedem Intervall um ungefähr die STEP_SIZE vermindert und nach ungefähr N Schritten konvergiert. Das wesentliche Ziel dieses Ansatzes besteht darin, die Verstopfung auf den Pfaden i = 1, ..., P zu minimieren. Bei Einsatz dieser Strategie hält jedoch die aktuelle Verstopfung auf Pfad „0" für längere Zeiträume an. In einigen Fallen ist diese Strategie vielleicht die wünschenswertere, wenn es zum Beispiel notwendig ist, die Gesamtanzahl der verloren gegangenen Pakete zu reduzieren und die Anzahl der verstopften Pfade zu jeder Zeit auf einem Minimum zu halten.
Die halbierende Suchstrategie ist die in dem Verfahren bevorzugte Strategie. Die halbierende Suchstrategie nimmt einen Parameter 0 < α < 1, der typisch 0,5 wäre (was dieser Strategie ihren Namen gibt), und führt nun den definierten Algorithmus durch, indem der zu verteilende Verkehr y(t) gewählt wird, der folgende Gleichung zufriedenstellt:
Dieser Ansatz ist dazu bestimmt, den Verkehr am Anfang schneller zuzuweisen und dann mit dem Engerziehen der Grenzwerte langsamer zu werden. Dementsprechend wäre bei diesem Ansatz eine schnellere Konvergenz zu erwarten als bei der linearen Suche.
Eine Alternative ist die exponentielle Suchstrategie, die durch drei Parameter definiert wird: EXP_BASE (der entweder konstant oder als konstante Fraktion der Last gewählt wird), EXP_FACTOR, der 2 ist (Standardeinstellung) und ROUND_ID. Der zu verteilende Verkehr y(t) wird gewählt unter Einsatz von y(t), = min {EXP_BASE × EXP_FACTORROUND_ID, Last(t)}.
MULTIDIMENSIONALE ITERATIVE HALBIERENDE SUCHE
Das Verfahren der multidimensionalen iterativen halbierenden Suche (MIBS) besteht darin, dass die gesamte anfängliche Verstopfungslast von Pfad „0" auf jedem Schritt zugewiesen wird. Dieser Ansatz gleicht einer traditionellen binären Suche, obwohl er in einem höher-dimensionalen begrenzten Raum verallgemeinert wird.
Zur Veranschaulichung des MIBS Ansatzes wird der einfachste nicht-triviale Fall betrachtet, bei dem P = 2 Pfade an der Grenze des Netze bestehen, die zum Ausgleich der Überlast verwendet werden können. Das Diagramm in 1 veranschaulicht diesen zweidimensionalen Fall (2-d). Das Diagramm zeigt die Kapazitätsbegrenzungen x₁ < c₁ und x₂ < c₂, (vertikale bzw. horizontale punktierte Linien), wobei die Grenze x₁ + x₂ = x₀ als gestrichelte Linie (Begrenzungslinie) gezogen ist. Die realisierbaren Lösungen fallen in das kleine solide Segment der Begrenzungslinie.
Der Ansatz der mehrdimensionalen iterativen halbierenden Suche kann mit Null-Kenntnis der Grenzwerte starten (das heißt, es wird effektiv angenommen, dass die niedrigen und hohen Grenzen gleich Null (l_i = 0 und h_i = x₀(0)) für alle i sind. Wenn bessere Informationen über das anfängliche Pinning Intervall (α) eingeholt werden, kann dies leicht ausgenutzt werden. Der Ansatz wird mit Hilfe der proportionalen Zuweisungen initialisiert, der in diesem Fall (Null-Kenntnis) den Pfaden 1 und 2 die gleiche Menge Verkehr zuweist. Der Ansatz ist in seiner Vorgehensweise in vieler Hinsicht mit einer typisch binären Suche vergleichbar. Ein neuer Satz von Pinning Intervallen wird auf Basis der Begrenzungen, die zufriedengestellt werden, ausgewählt. Danach wird das Pinning Intervall α (entlang der Begrenzungslinie) halbiert und wieder geprüft. Dies ist durch die Reihe von Punkten in 1 veranschaulicht.
Der große Vorteil des lokalen Suchansatzes besteht darin, dass er wahrscheinlich sehr schnell die realisierbare Region findet. Seine Schlimmstfall-Performance (für den 2-d Fall) ist T = log₂(l/L), wobei L der Anteil der Begrenzungslinie ist (im positiven Quadranten von IR²), der realisierbar ist. In Fällen, in denen die Lösung diskretisiert werden muss, ist die kleinste realisierbare Region (falls eine existiert) L ~ B/√2x₀(0), und somit erhöht sich die Konvergenzzeit für größere anfängliche Lasten und vermindert sich für größere Diskretisierungen (in der Annahme, dass die verfügbaren Kapazitäten entsprechend skaliert werden).
Im zweidimensionalen Fall nämlich, wenn die insgesamt verfügbare Kapazität c = Σ^P _i=1 ci nicht mehr als die zu verteilende Last ist, ist die MIBS (Multidimensionale iterative halbierende Suche) wahrscheinlich optimal. Dies lässt sich an dem Fall illustrieren, wenn c = x₀(0) ist. In diesem Fall wird einfach eine normale binäre Suche mit ihren normalen Eigenschaften durchgeführt.
ALGORITHMUS 2 – MULTIDIMENSIONALE ITERATIVE HALBIERENDE SUCHE
Der Nachteil des zweidimensionalen Ansatzes besteht darin, dass es etwas komplizierterer ist, den Algorithmus für höhere Dimensionen zu verallgemeinern. In höheren Dimensionen ist es notwendig, das Äquivalent der binären Suche auf einem P – 1 dimensionalen „Manifold" durchzuführen, das in den positiven Quadranten von R^P eingebettet ist. Der im nächsten Abschnitt besprochene Algorithmus ist eine gute Appromierung für diese Suche.
MODIFIZIERTE MULTIDIMENSIONALE ITERATIVE HALBIERENDE SUCHE
Das Verfahren kann auch eine Modifikation von MIBS verwenden. Im zweidimensionalen Fall ist MIES wahrscheinlich optimal, wenn c ≤ x₀(0). Diese Suche ist jedoch nicht länger optimal, wenn c > x₀(0). Die unten dargestellte modifizierte multidimensionale iterative halbierende Suche (MMIBS) ist wahrscheinlich optimal (im 2-d Fall), wenn die Gesamtkapazität gegeben ist. Sie ist wahrscheinlich besser als MIBS, wenn ein wahrer unterer Grenzwert der Gesamtkapazität bekannt ist. Wenn c ≤ x₀(0), verhält sich MMIBS genauso wie der MIBS Algorithmus.
ALGORITHMUS 3 – MODIFIZIERTE MULTIDIMENSIONALE ITERATIVE HALBIERENDE SUCHE
BEISPIELE
Die unten angegebenen Beispiele dienen dazu, das Verfahren weiter zu erklären, sind aber nicht dazu bestimmt, den Geltungsbereich einzuschränken.
Die Beispiele veranschaulichen das Verhalten der verschiedenen Ansätze für den statischen Fall. Die Ergebnisse wurden mit Hilfe von Simulationen erzeugt, in denen die wahren verfügbaren Kapazitäten auf den Pfaden i = 0, ..., P nach Belieben durch Wählen eines Satzes von Zufallsvariablen z_i ~ U(0, 1), (das heißt, einheitlich auf dem Intervall (0, 1)), ausgewählt und die Kapazitäten eingestellt wurden auf:
wobei die Anzahl der verfügbaren Pfade ω ein abstimmbarer Parameter ist, um die Größe der realisierbaren Region variieren zu können. Im kontinuierlichen Fall, wenn die Anzahl der verfügbaren Pfade gleich eins (ω = 1) ist, ist exakt genügend Kapazität vorhanden, um den gesamten Verkehr tragen zu können; wenn die Anzahl der verfügbaren Pfade größer als eins (ω ≥ 1) ist, existiert eine realisierbare Lösung, und wenn die Anzahl der verfügbaren Pfade kleiner als eins (ω < 1) ist, existiert keine realisierbare Lösung. Im diskreten Fall wird auch die Kapazität c_i diskretisiert, so dass die Anzahl der verfügbaren Pfade (ω) nicht länger die gleiche strikte Beziehung zur Realisierbarkeit der Lösung hat.
Wenn nicht anders angegeben, werden anfängliche Schätzungen für l_i = 0 und h_i durch eine Zufallsvariable erzeugt, die zwischen der maximalen Kapazität jedes Pfads und der zu verteilenden Last verteilt wird, zum Beispiel hi = h ~ U(cmax, x0(0)), ∀i = 1, ..., P.
Es werden Ergebnisse für verschiedene Zuweisungsstrategien bei unterschiedlichen Anzahlen der verfügbaren Pfade (ω) und unterschiedlicher Genauigkeit der anfänglichen Messungen der Pinning Intervalle (α) vorgelegt. Die Ergebnisse werden auch für die Schlimmstfall-Performance dieser Zuweisungsstrategien vorgelegt. Die interessierenden Performance Metriken sind Konvergenzzeit und angefallene Gesamtkosten. Die in den Beispielen angegebenen Ergebnisse zeigen die Konvergenzzeiten und die Gesamtkosten für 1000 Simulationen.
In allen Ergebnissen wird die diskretisierte Version mit B = 1 benutzt, wobei die anfängliche Last x₀(0), nicht B, variiert wird. Ein anderer äquivalenter Ansatz bestünde darin, x₀(0) festzulegen und 1/B in gleicher Weise zu variieren.
BEISPIEL 1
VERGLEICH VERSCHIEDENER ZUWEISUNGSSTRATEGIEN
Dieser Vergleich vergleicht die verschiedenen Zuweisungsstrategien: proportionale Zuweisung, lineare Suche, halbierende Suche, exponentielle Suche und multidimensionale iterative halbierende Suche (MIBS). 2A–B und 3A–B zeigen Vergleiche dieser Strategien, sowohl für die Konvergenzzeit als auch für die Gesamtkosten. Die Diagramme zeigen eine Reihe von Kästchen, die die Mittel-, Quartil- und Extremwerte der 1000 Simulationen für eine Reihe von Werten für die Anzahl der verfügbaren Pfade (ω) darstellen. Aus den Ergebnissen ist klar ersichtlich, dass die linearen und exponentiellen Ansätze bedeutend schlechter als jede andere Alternative sind. Dies liegt daran, dass diese Systeme konservativ in ihrem Ansatz sind, das heißt, sie verursachen keine Verstopfung auf einem nicht verstopften Pfad, und somit fallen bei ihnen hohe Kosten an, da sie die Verstopfung auf dem verstopften Pfad nicht mildem.
Für eine kleine Anzahl von verfügbaren Pfaden (ω) ist auch der halbierende Ansatz signifikant schlechter als die proportionale Zuweisung und der lokale Suchansatz, die sehr ähnliche Ergebnisse zeigen. In Anbetracht der zusätzlichen Komplexität des halbierenden Ansatzes gegenüber der einfachen proportionalen Zuweisung bietet dieser keine Vorteile. Auch die Performance von MIBS ist die gleiche oder geringfügig besser als die der proportionalen Zuweisung. Folglich werden MIBS und proportionale Zuweisung bevorzugt.
BEIPIEL 2
VERGLEICHE VERSCHIEDENER ZUWEISUNGSSTRATEGIEN FÜR EINE VARIABLE ANZAHL VON ALTERNATIVEN PFADEN
Dieses Beispiel untersucht die proportionale Zuweisung und die MIBS Ansätze (Multidimensionale iterative halbierende Suche). In diesem Beispiel wird die Gesamtanzahl der alternativen Pfade, die verfügbar sind, zwischen 2 und 20 für eine konstante Pfadlast x₀(0) = 10000 variiert. Die Anzahl der verfügbaren Pfade, ω, variierten ebenfalls von 1,0 bis 1,2. Die 4 bis 6 zeigen die Ergebnisse – wobei die Durchschnittswerte als Punkte und die 95 Perzentilen der Verteilung der Ergebnisse als vertikale Säulen dargestellt sind. Die Ergebnisse zeigen, dass beide Algorithmen eine ähnliche Performance gegenüber der Konvergenzzeit haben. MIBS schneidet jedoch besser als die anderen Strategien ab, wenn die Gesamtkosten als Performance-Metrik betrachtet werden, besonders für eine große Anzahl von Pfaden. Es ist ferner interessant zu sehen, dass die Kosten und Konvergenzzeiten mit der Anzahl der verfügbaren Pfade steigen, außer für MIBS mit Bezug auf Kosten, die eine Spitze erreichen, und dann dort stehen bleiben.
BEISPIEL 3
GENAUE MESSUNGEN DES PINNING INTERVALLS
Dieses Beispiel vergleicht die Ansätze mit der Zuweisung, wenn genauere Messungen für das anfängliche Pinning Intervall α vorliegen. In den Simulationen wird dies durch Ziehen der unteren und oberen Schwellen des Pinning Intervalls als li(0) ∊ U[(1 – α)cici]und hi(0) ∊ U[cici(1 – α)]für verschiedene Werte von α geprüft. Insbesondere wurde das Pinning Intervall α von 0,05 bis 1 variiert. 7 zeigt die Ergebnisse. Die proportionale Zuweisungsstrategie konvergiert schneller als MIES, obwohl die Differenz in den Konvergenzzeiten weniger als eine Iteration ist. Ferner geht aus den Ergebnissen hervor, dass die Konvergenzzeiten sowie auch die Gesamtkosten mit der Abnahme des Werts des Pinning Intervalls α abnehmen. Dies ist intuitiv, da aus einem abnehmenden Wert des Pinning Intervalls α hervorgeht, dass wir mehr genaue Schätzungen des Pinning Intervalls α haben, insbesondere in den unteren Grenzwerten.
BEISPIEL 4
PERFORMANCE DER VERSCHIEDENEN ZUWEISUNGSSTRATEGIEN FÜR VERSCHIEDENE VERFÜGBARE KAPAZITÄTSWERTE
Dieses Beispiel präsentiert die Ergebnisse für die Performance der proportionalen und MIBS Strategien (Multidimensionale iterative halbierende Suche) für verschiedene verfügbare Kapazitätswerte. Für alle Versuche wurde die gesamte anfängliche Last x₀(0) auf einem konstanten Wert von 10000 gehalten, und die insgesamt verfügbare Kapazität wurde zwischen 10000 und 12500 variiert, indem die Anzahl der verfügbaren Pfade ω variiert wurde. Die Gesamtanzahl der verfügbaren Pfade wurde ebenfalls zwischen 2 und 20 variiert. Die 8A–B, 9A–B und 10A–B zeigen jedoch Ergebnisse für nur 5, 10 und 20 Pfade. Diese Figuren zeigen, dass mit der Zunahme der verfügbaren Kapazität die Konvergenzzeit und die angefallenen Gesamtkosten abnehmen. Der Grund dafür ist, dass die größere zur Verfügung stehende Kapazität implizit eine größere realisierbare Region angibt, und somit ist es leichter und schneller eine realisierbare Lösung zu finden. Die 8 bis 10 zeigen ferner, dass mit zunehmender verfügbarer Kapazität MIBS besser abschneidet als das proportionale System. Außerdem sind die Gewinne signifikanter, wenn die Anzahl der verfügbaren Pfade größer ist.
BEISPIEL 5
FOKUSSIERTE KAPAZITÄTS-PERFORMANCE VERSCHIEDENER ZUWEISUNGSSTRATEGIEN
In diesem Beispiel wurde die Performance der drei Systeme verglichen, wenn die verfügbare Kapazität auf einen einzelnen alternativen Pfad konzentriert (fokussiert) ist. Die Bedingungen für die Versuche waren: eine konstante anfängliche Last (x₀(0)) und eine gegebene Anzahl von verfügbaren Pfaden (P) mit einer insgesamt verfügbaren Kapazität c = x₀(0), P – 1 Pfaden mit der Kapazität c_i = 1, und einem Pfad mit c_i = c – n + 1 Einheiten verfügbarer Kapazität. Die 11A–B und 12A–B zeigen die Ergebnisse dieser Versuche.
Somit, obwohl die bevorzugten Verfahren beschrieben wurden, wird ein in der Technik bewanderter Fachmann erkennen, dass andere Variationen vorgenommen werden können, ohne vom Geltungsbereich der Erfindung abzuweichen, und es ist beabsichtigt, alle weiteren Modifikationen und Änderungen, die in den wahren Geltungsbereich der hier definierten Ansprüche fallen, einzuschließen.

Claims

Verfahren zum Ausgleichen des Verkehrs auf Pfaden, die ein Netz mit dem Internet verbinden, umfassend: Bilden einer Verbindung zwischen einem Heimnetz und einem anderen Netz, welches mit einer Mehrzahl von Netzen verbunden ist, wobei die Verbindung eine Mehrzahl von Pfaden (p) umfasst, die den Verkehr in Form von Datenpaketen zwischen dem Heimatnetz und dem anderen Netz führen, wobei jeder Pfad eine Pfadlast (x_i), welche die einem Pfad (p) zugewiesene Verkehrsmenge darstellt, eine verfügbare Kapazität (c_i), welche die auf dem Pfad (p) übertragbare Verkehrsmenge darstellt, sowie eine niedrige Kapazitätsgrenze (l_i) und eine hohe Kapazitätsgrenze (h_i) aufweist, die die gemessenen hohen und niedrigen Kapazitätsgrenzwerte der verfügbaren Kapazität (c_i) darstellen; Messen der Pfadlast (x_i) jedes der Mehrzahl von Pfaden (p); Messen der hohen Kapazitätsgrenze (h_i(0)) jedes der Mehrzahl von Pfaden (p); Vergleichen der Pfadlast (x_i) und der hohen Kapazitätsgrenze (h_i(0)) für jeden der Mehrzahl von Pfaden (p); Auswählen eines der Mehrzahl von Pfaden (p), wobei die Mehrzahl von Pfaden (p) den ausgewählten Pfad (p₀) und andere Pfade (p_i) umfasst, wobei der ausgewählte Pfad (P₀) eine anfängliche Überlast (x₀(0)) aufweist, und wobei die Überlast vorhanden ist, wenn die Last (x₀(0)) des anfänglichen ausgewählten Pfades größer als die hohe Kapazitätsgrenze (h₀(0)) des anfänglichen ausgewählten Pfades ist; und Wählen der Pfadlast (x_i) für jeden der Mehrzahl von anderen Pfaden (p_i) unter Einsatz einer partiellen Zuweisungsstrategie, wobei die partielle Zuweisungsstrategie umfasst: a) Indexieren der anderen Pfade (p_i) mit i, wobei i ein Satz von Ganzzahlen 1 bis P ist, wobei P die Gesamtzahl der anderen Pfade (p_i) ist; b) Verknüpfen einer Mehrzahl von Ping-Intervallen mit einem Zähler (t), wobei der anfängliche Wert des Zählers auf Null (0) gesetzt wird und insgesamt N Ping-Intervalle vorhanden sind; c) Berechnen eines Teils (y(t)) der abzuladenden und auf andere Pfade (p_i) zu verteilenden Überlast (x₀(0)) des anfänglichen ausgewählten Pfades, wobei eine halbierende Suchstrategie zum Einsatz kommt, und zu Schritt (f) gesprungen wird; d) Berechnen der Last eines aktualisierten ausgewählten Pfads (x₀(t)), wobei die Last des ausgewählten aktualisierten Pfads (x₀(t)) gleich der Überlast (x₀(0)) des anfänglichen ausgewählten Pfades minus der Summe der niedrigen Kapazitätsgrenze für den/die i Pfade ist; e) Berechnen des Anteils (y(t)) der Last des aktualisierten ausgewählten Pfads (x₀(t)), der auf andere Pfade (p_i) abzuladen und zu verteilen ist, unter Einsatz einer halbierenden Suchstrategie; f) Messen der niedrigen Kapazitätsgrenze (l_i) und der hohen Kapazitätsgrenze (h_i) der anderen Pfade (p_i) am Ping-Interval (t); g) Verteilen des Anteils der ausgewählten Pfadüberlast oder der aktualisierten ausgewählten Pfadlast (x₀(t)) auf die anderen Pfade (p_i), wobei der Anteil des Verkehrs (y(t)) auf die anderen Pfade (p_i) mittels folgender Gleichung verteilt wird:
und h) Anhalten, wenn keine weiteren Ping-Intervalle (t = N) vorhanden sind, andernfalls Erhöhen des nummerischen Wertes des Zählers um eins (1) und Fortfahren mit Schritt (d).
Verfahren zum Ausgleichen des Verkehrs auf Pfaden, die ein Netz mit dem Internet verbinden, nach Anspruch 1, wobei die halbierende Suchstrategie den Anteil (y(t)) des abzuladenden und zu verteilenden Verkehrs unter Einsatz folgender Gleichung wählt:
Verfahren zum Ausgleichen des Verkehrs auf Pfaden, die ein Netz mit dem Internet verbinden, nach Anspruch 1 oder 2, wobei die Menge des Verkehrs vom Heimatnetz zum großen Netz über den ausgewählten Pfad (p₀) mit Hilfe von Flußmengen-Messungen oder SNMP (Simple Network Management Protocol) gemessen wird.
Verfahren zum Ausgleichen des Verkehrs auf Pfaden, die ein Netz mit dem Internet verbinden, nach Anspruch 1, 2 oder 3, wobei die hohe Kapazitätsgrenze (h₀(0)) des anfänglichen ausgewählten Pfades mit Hilfe von aktiven Sensoren oder passiven Messungen der Verkehrsdetails gemessen wird.
Verfahren zum Ausgleichen des Verkehrs auf Pfaden, die ein Netz mit dem Internet verbinden, nach Anspruch 1 bis 4, wobei die hohe Kapazitätsgrenze (h₀(0)) des anfänglichen ausgewählten Pfades mit Hilfe der TCP (Transmission Control Protocol) SYN/ACK (Synchronize Acknowledgement) Antwortzeit gemessen wird.
Verfahren zum Ausgleichen des Verkehrs auf Pfaden, die ein Netz mit dem Internet verbinden, nach Anspruch 1 bis 5, wobei die hohe Kapazitätsgrenze (h₀(0)) des anfänglichen ausgewählten Pfades mit Hilfe von RTT (Round Trip Time) und Verlustmessungen gemessen wird.
Verfahren zum Ausgleichen des Verkehrs auf Pfaden, die ein Netz mit dem Internet verbinden, nach einem der vorhergehenden Ansprüche, wobei die niedrige Kapazitätsgrenze des anfänglichen ausgewählten Pfades gleich Null ist und die hohe Kapazitätsgrenze (h₀(0)) des anfänglichen ausgewählten Pfades gleich Eins ist.