JP5888684B2 - Flow aggregation apparatus, method, and program - Google Patents
Flow aggregation apparatus, method, and program Download PDFInfo
- Publication number
- JP5888684B2 JP5888684B2 JP2014110857A JP2014110857A JP5888684B2 JP 5888684 B2 JP5888684 B2 JP 5888684B2 JP 2014110857 A JP2014110857 A JP 2014110857A JP 2014110857 A JP2014110857 A JP 2014110857A JP 5888684 B2 JP5888684 B2 JP 5888684B2
- Authority
- JP
- Japan
- Prior art keywords
- traffic
- flow
- flows
- amount
- generated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 64
- 230000002776 aggregation Effects 0.000 title claims description 39
- 238000004220 aggregation Methods 0.000 title claims description 38
- 238000011156 evaluation Methods 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 13
- 238000013461 design Methods 0.000 claims description 8
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 22
- 230000007423 decrease Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005484 gravity Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007417 hierarchical cluster analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Description
本発明は、フロー集約装置及び方法及びプログラムに係り、特に、同一発着(OD)ノードペア間の任意のトラヒックフローの集合であるマクロフロー(MF)を単位にトラヒックエンジニアリング(TE)による経路設定が可能なネットワークにおいて、TE制御コストを抑制するためにMF数を抑制し、かつ経路の安定性を高めるためトラヒック変動量の小さいMFを生成するためのフロー集約装置及び方法及びプログラムに関する。 The present invention relates to a flow aggregation apparatus, method, and program, and in particular, it is possible to set a route by traffic engineering (TE) in units of a macro flow (MF) that is a set of arbitrary traffic flows between the same departure and arrival (OD) node pairs. The present invention relates to a flow aggregating apparatus, method and program for generating an MF with a small amount of traffic fluctuation in order to suppress the number of MFs in order to suppress TE control cost and to improve the stability of a route.
インターネットは個々のフローの状態を網内で管理せず受信アドレスに基づきルーティング処理を行う。各ISP(Internet Services Provider)が管理する単一AS(Autonomous System)内では、OSPF(Open Shortest Path First)により固定的に設定されたリンク重みの総和が最小となる経路上にパケットが転送される。また、フローの受付制御を行わず転送レートは送信ホストが自律的に決定するため、原理的にリンク輻輳が発生し得る。そのため適切な通信品質を維持するために、ネットワーク(NW)を構成する全てのリンクの負荷が適切な水準以下となるようNWを設計・管理することがISPの主要な課題の一つとなる。リンク負荷は交流トラヒックデマンドの変動や各種障害に起因する経路の変更によって常に変化する。そのため使用率の低いリンクを積極的に利用するようパケットの流れる経路を動的に設定し、リンク負荷の分散を図るトラヒックエンジニアリング(TE)が数多く検討されている(例えば、非特許文献1参照)。ただし、これらの方式の多くはOSPFの使用を前提とし、リンク重みを適切に設定することで経路制御を行う。すなわち目的NWアドレスの単位で経路が設定されるため経路制御の粒度が荒く、高いリンク負荷平準化効果を実現することが困難なことが予想される。
The Internet does not manage the state of individual flows in the network and performs routing processing based on the received address. Within a single autonomous system (AS) managed by each ISP (Internet Services Provider), packets are forwarded on a route that has a minimum sum of link weights fixedly set by OSPF (Open Shortest Path First). . In addition, since the transmission host autonomously determines the transfer rate without performing flow admission control, link congestion may occur in principle. Therefore, in order to maintain appropriate communication quality, designing and managing the NW so that the load on all links constituting the network (NW) is below an appropriate level is one of the major issues for ISPs. The link load always changes due to changes in the route caused by fluctuations in AC traffic demand and various faults. For this reason, many traffic engineering (TE) studies have been made to dynamically set a path through which a packet flows so as to actively use a link with a low usage rate (see Non-Patent
一方で近年、OpenFlow に代表される SDN(Software Defined Network) 技術への注目が高まっている。OpenFlowでは、発着IPアドレス、発着ポート番号、プロトコル番号等のヘッダ情報を任意に組合せたものでフローを定義し、フローを単位に経路を制御することが可能である。SDNを用いることで、従来の技術では困難であったフロー単位の粒度の細かい経路制御が容易に可能となる。OpenFlowではコントローラがNW内の各ノードを集中制御することで、経路設定ポリシィを柔軟に変えることが可能であり、短い時間周期での動的経路制御が実現できる。例えばHongらやJainらは、データセンタ間NWにSDNを用いることで、細粒度で短期間に経路を切替るTE方式を提案している(例えば、非特許文献2参照)。 On the other hand, in recent years, attention has been paid to SDN (Software Defined Network) technology represented by OpenFlow. In OpenFlow, it is possible to define a flow by arbitrarily combining header information such as an incoming / outgoing IP address, an incoming / outgoing port number, and a protocol number, and to control a route in units of flows. By using SDN, it is possible to easily control the path with fine granularity in units of flow, which is difficult with the conventional technology. In OpenFlow, the controller centrally controls each node in the NW, so that the route setting policy can be changed flexibly, and dynamic route control in a short time period can be realized. For example, Hong et al. And Jain et al. Have proposed a TE method that switches a route in a short time with a fine granularity by using SDN for inter-data center NW (see, for example, Non-Patent Document 2).
このようにSDNを用いることで、より粒度の細かい単位での経路制御が可能となり、高いリンク負荷平準化効果が期待される。しかし一方で、各ノードやコントローラは各経路制御単位の経路状態を保持する必要があり、例えば、発着 IP アドレス、発着ポート番号、プロトコルタイプの5タプルで定義されるフローを経路制御の粒度とした場合、管理すべき状態数が膨大となり大規模NWへの適用が困難となることが予想される。またTEは将来のトラヒック予測値に基づき行われるが、個別フローのトラヒックの時間変動は、目的NWアドレスの単位で経路を設定する場合と比較して大きくなるため、予測外れによる経路制御の性能低下が懸念される。しかし一方で、従来のOSPFのリンク重みを用いた経路制御法のように、目的NWアドレスを単位に荒い粒度で経路を設定した場合、大量のトラヒックが一回の経路制御対象となるため、経路制御の負荷平準化効果の低下が懸念される。また経路の迂回先のリンクが新たに高負荷となり、再度、経路が変更される結果、経路が不安定となる可能性がある。 By using SDN in this way, path control in finer granularity is possible, and a high link load leveling effect is expected. However, on the other hand, each node or controller needs to maintain the path status of each path control unit. For example, the flow defined by the 5-tuple of calling IP address, calling port number, and protocol type is the granularity of routing control. In this case, it is expected that the number of states to be managed becomes enormous and it is difficult to apply to a large-scale network. In addition, TE is performed based on future traffic prediction values, but the time fluctuation of the traffic of individual flows is larger than when a route is set in units of the target NW address, so the performance of routing control is degraded due to mispredictions. Is concerned. However, on the other hand, when a route is set with coarse granularity in units of the target NW address as in the conventional route control method using the link weight of OSPF, a large amount of traffic is subject to one route control. There is a concern that the load leveling effect of control will be reduced. In addition, the detour destination link of the route becomes a new high load, and the route is changed again. As a result, the route may become unstable.
そのため個別フローよりは大きく、かつ同一目的NWアドレスよりは小さな粒度で、TEを実施することが望ましい。すなわち、同一発着NWアドレスを有するフロー集合から一部のフローを集約したマクロフロー(MF)を定義し、MFを単位に経路制御を行うことが有効である。 Therefore, it is desirable to implement TE with a granularity that is larger than the individual flow and smaller than the same target NW address. That is, it is effective to define a macro flow (MF) in which some flows are aggregated from a flow set having the same arrival / departure NW address, and to perform path control in units of MF.
MFを生成する差異に考慮すべき要件を以下に示す。 The following are the requirements that should be taken into account for the differences that generate the MF.
(1)生成MF数M:各TE制御対象に対して、そのトラヒック量に基づいて経路を設定する。そのためTE制御対象ごとに各時点のトラヒックを測定し、必要によっては将来のトラヒック量を予測する必要がある。また、経路を最適設計する際に必要となる計算量は、TE制御対象の増加に伴い急激に増加することから、生成MF数Mは小さい方が望ましい。 (1) Number of generated MFs M: Routes are set for each TE control target based on the traffic volume. Therefore, it is necessary to measure the traffic at each time point for each TE control target and to predict the future traffic volume if necessary. In addition, since the amount of calculation required when optimally designing a route increases rapidly as the number of TE control targets increases, it is desirable that the number M of generated MFs is small.
(2)MFトラヒック変動量Vx:各フローのトラヒック量は変動するため、複数のフローを集約したMFのトラヒック量も変動する。各経路変更対象のある時点のトラヒック量や、ある期間の平均トラヒック量の予測値といった、一定の値で丸められたトラヒック量を元に、TE制御対象の経路を決めるため、TEの効果を高めるには各MFxのトラヒック変動量Vxは小さい方が望ましい。 (2) MF traffic fluctuation amount V x : Since the traffic amount of each flow fluctuates, the traffic amount of MF that aggregates a plurality of flows also fluctuates. The TE control target is determined based on the traffic volume rounded at a fixed value, such as the traffic volume at a certain point in time for each path change target and the predicted value of the average traffic volume for a certain period, thus increasing the TE effect. the traffic variation amount V x of the MFx is smaller is desirable.
(3)MF最大トラヒック量Q:TEによって、あるMFの経路が変更されたときに、このMFが新たに経由するリンクの負荷が増加するが、MFの最大トラヒック量が大きな場合、経由先のリンクの負荷が大きく増加する。その結果、経路変更先のリンクで新たに輻輳が生じ、再度、このMFが他の経路に変更され、経路が不安定となる可能性がある。TEによる経路変更を安定して行うためには、MFの最大トラヒック量Qは小さい方が望ましい。 (3) MF maximum traffic volume Q: When the route of a certain MF is changed by TE, the load on the link through which this MF newly passes increases. However, if the maximum traffic volume of the MF is large, The load on the link increases greatly. As a result, there is a possibility that congestion will newly occur in the route change destination link, this MF will be changed to another route again, and the route will become unstable. In order to stably change the route by TE, it is desirable that the maximum traffic volume Q of MF is small.
複数のフローを集約したMFの構成法に関して、これまでにもいくつかの検討が見られる。例えばフロー計測におけるメモリ消費量を抑えることを目的に、IPヘッダ情報を階層的に探索することでトラヒック量の大きなフロー集約パタンを効率的に発見する方法が提案されている(例えば、非特許文献3参照)。またトラヒック量の大きなフローを発見することを目的に、同様のフロー集約法が提案されている(例えば、非特許文献4参照)。しかしこれらの方法は、TEの制御対象としてMFを構成することは想定しておらず、上述した3つの要件を満たすことができない。 There have been some studies on the construction method of MF that aggregates multiple flows. For example, for the purpose of suppressing memory consumption in flow measurement, a method has been proposed for efficiently finding a flow aggregation pattern with a large traffic volume by hierarchically searching IP header information (for example, non-patent literature) 3). A similar flow aggregation method has been proposed for the purpose of finding a flow with a large traffic volume (see, for example, Non-Patent Document 4). However, these methods do not assume that the MF is configured as a TE control target, and cannot satisfy the above three requirements.
生成MF数Mを減少させ多数のフローをMFに集約するほど、生成MFのトラヒック変動量Vxは統計多重効果により減少する。しかし一方で、MFの最大トラヒック量Qの増大が予想される。そのためQと、MおよびVxとの間には負の相関性があり、これら三つの設計目標の全てを最適化することは困難である。 As the number of generated MFs is decreased and a large number of flows are aggregated into MFs, the traffic fluctuation amount V x of the generated MFs decreases due to the statistical multiplexing effect. However, on the other hand, an increase in the maximum traffic volume Q of the MF is expected. Therefore, there is a negative correlation between Q and M and V x, and it is difficult to optimize all three design goals.
本発明は、上記の点に鑑みなされたもので、ネットワークのすべてのリンクを適切な水準以上の効率で運用するトラヒックエンジニアリングを行うために、同一発着(OD)ネットワークアドレスのフローからマクロフロー(MF)単位に集約し、最適な経路を算出することが可能なフロー集約装置及び方法及びプログラムを提供することを目的とする。 The present invention has been made in view of the above points, and in order to perform traffic engineering for operating all links of a network with an efficiency of an appropriate level or higher, a macro flow (MF) It is an object of the present invention to provide a flow aggregation device, method and program that can be aggregated into units and that can calculate an optimum route.
一態様によれば、同一発着(OD)ノードペア間の任意のトラヒックフローの集合であるマクロフロー(MF)を単位にトラヒックエンジニアリング(TE)による経路設定が可能なネットワークにおいて、ODネットワークアドレスのフローからMF単位に集約するフロー集約装置であって、
生成MF数、時間を一定周期Tのタイムスロット(TS)に分割し、評価期間1≦t≦Lの各TStにおける各フローfの発生トラヒック量Rf,tを含むパラメタを入力するパラメタ入力手段と、
前記パラメタを用いて、TE制御コストを抑制するためにMF数を抑制し、かつ経路の安定性を高めるためトラヒック変動量の小さいMFを生成するMF生成手段と、
を有し、
前記MF生成手段は、
前記各フローfの発生トラヒック量Rf,tを用いて、各ODノードペア間に存在するF本のフローをM本のMFに分類する手段を含むフロー集約装置が提供される。
According to one aspect, in a network in which a route can be set by traffic engineering (TE) in units of a macro flow (MF) that is a set of arbitrary traffic flows between a pair of identical departure and arrival (OD) nodes, the flow of OD network addresses A flow aggregation device that aggregates in units of MF,
Parameter input means for dividing the number of generated MFs and time into time slots (TS) with a fixed period T and inputting parameters including the generated traffic amount R f, t of each flow f in each TSt in the
MF generating means for suppressing the number of MFs in order to suppress the TE control cost, and generating MFs with a small traffic fluctuation amount in order to increase the route stability, using the parameters,
Have
The MF generating means is
A flow aggregating apparatus including means for classifying F flows existing between each OD node pair into M MFs using the generated traffic amount R f, t of each flow f is provided.
一態様によれば、同一発着(OD)ノードペア間の任意のトラヒックフローの集合であるマクロフロー(MF)を単位にトラヒックエンジニアリング(TE)による経路設定が可能なネットワークにおいて、TE制御コストを抑制するためにMF数を抑制し、かつ経路の安定性を高めるためトラヒック変動量の小さいMFを生成できる効果がある。 According to one aspect, in a network in which a route can be set by traffic engineering (TE) in units of a macro flow (MF) that is a set of arbitrary traffic flows between the same departure and arrival (OD) node pairs, the TE control cost is suppressed. Therefore, in order to suppress the number of MFs and increase the route stability, there is an effect that an MF with a small traffic fluctuation amount can be generated.
以下、図面と共に本発明の実施の形態を説明する。 Hereinafter, embodiments of the present invention will be described with reference to the drawings.
図1は、本発明の一実施の形態におけるフロー集約装置の構成例を示す。 FIG. 1 shows a configuration example of a flow aggregation device according to an embodiment of the present invention.
同図に示すフロー集約装置100は、パラメタ入力部101、マイクロフロー(MF)生成部102、MF出力部103を有する。
A
パラメタ入力部101は、MF設計に必要となる、生成MF数M、評価期間内の各タイムスロット(TS)tにおける各フローfの発生トラヒック量Rf,t、そして、クラスタリングを用いたMF生成法の場合に必要となるクラスタ数Kと重みパラメタβを入力する。
The
MF生成部102は、パラメタ入力部101から入力されたパラメタ値に基づき、M個のMFを生成し、MF出力部103によって、生成MFが出力される。
The
次に、本発明の実施の形態に係る、経路制御のためのフロー集約手法について説明する。 Next, a flow aggregation method for route control according to the embodiment of the present invention will be described.
各発着(OD)ノードペア間に存在するF本のフローをM本のマクロフロー(MF)に分類し、各MFに対象に経路を変更することを考える。時間を一定周期Tのタイムスロット(TS)に分割し、評価期間1≦t≦Lの各TStにおける各フローfの発生トラヒック量Rf,tを用いてMFを設計する。ここで、
Consider that the F flows existing between each pair of departure and arrival (OD) nodes are classified into M macro flows (MF), and the route is changed to each MF. The time is divided into time slots (TS) having a fixed period T, and the MF is designed using the generated traffic amount R f, t of each flow f in each TSt in the
以後、個別フローやMFといったTEの制御対象のことを総称して「TE制御対象」と表記する。 Hereinafter, TE control objects such as individual flows and MFs are collectively referred to as “TE control objects”.
以下では、第1の実施の形態として、貪欲算法により生成MF数MやMFのトラヒック変動量Vxを最小化するアプローチと、第2の実施の形態として、クラスタ分析により生成したトラヒック変動パタンが近いフローの各グループからフローを抽出してMFを生成するときの抽出比率を最適化するアプローチ、の二つの方式を提案する。 Hereinafter, as a first embodiment, the approach to minimize the traffic variation amount V x of generating MF speed M and MF by greedy algorithm, as a second embodiment, the traffic variation pattern is generated by the cluster analysis We propose two approaches to optimize the extraction ratio when generating MFs by extracting flows from each group of close flows.
[第1の実施の形態]
本実施の形態では、図1に示す構成を有するフロー集約装置のパラメタ入力部101において、パラメタとして、生成MF数M、評価期間内の各タイムスロット(TS)tにおける各フローfの発生トラヒック量Rf,tをMF生成部120に入力する。
[First Embodiment]
In the present embodiment, in the
以下に、MF生成部120の処理を説明する。 Hereinafter, the processing of the MF generation unit 120 will be described.
生成MF数Mを与えたときに、MFのトラヒック変動量Vxか、もしくは最大トラヒック量Qのいずれか一つを最適化することを考える。F本のフローがある発着ノードペア間に存在するとき、これらをM個のMFに分類する組合せはMF個存在し、FやMの増加に伴い急激に増加するため、以下の図2に示す貪欲算法に基づく手順を用いて近似最適解を導出する。ただしFmをMFmに分類されたフローの集合と定義する。 Considering that one of the MF traffic fluctuation amount V x and the maximum traffic amount Q is optimized when the number M of generated MFs is given. When present between departure node pair which has flow F present, these combinations of classifying into M MF M F number exists, in order to rapidly increase with the increase of F and M, shown in Figure 2 below An approximate optimal solution is derived using a procedure based on greedy arithmetic. However, F m is defined as a set of flows classified as MFm.
ステップ101)1≦m≦Mの各mのFmを空集合φに初期化する。 Step 101) Initialize F m of each m of 1 ≦ m ≦ M to an empty set φ.
ステップ102)フローの集合Fのフローから特性値Yfの降順にフローfを選択する。 Step 102) Select a flow f from the flow set F in descending order of the characteristic value Y f .
ステップ103)選択したフローfをMの各MFmに分類したときのMF集合の目的関数として用いる特性値Pを、既にMFに分類されたフローのみを考慮して算出する。 Step 103) The characteristic value P used as the objective function of the MF set when the selected flow f is classified into each MFm of M is calculated in consideration of only the flows already classified as MF.
ステップ104)Pが最小となるMFm*にフローfを分類(Fm=Fm+{f})する。 Step 104) Classify the flow f into MFm * that minimizes P (F m = F m + {f}).
ステップ105)Fの全フローがMFのいずれかに分類されるまでステップ102〜104の処理を反復する。
Step 105) The processing of
最適化の目的関数として用いる特性値Pと、フローfのMFへの割当順番を決めるfの特性値Yfとして、以下の(a)〜(e)の5つを考える。 The following five (a) to (e) are considered as the characteristic value P used as an optimization objective function and the characteristic value Y f of f that determines the order of allocation of the flow f to the MF.
(a) MFトラヒック量分散の総和の最小化:
MFトラヒック変動量Vxを低減することを目的に、各MFの評価期間におけるトラヒック量の分散の総和ΦをPに設定する。すなわち、
(A) Minimization of sum of MF traffic volume dispersion:
For the purpose of reducing the MF traffic fluctuation amount V x , the total dispersion Φ of the traffic amount during the evaluation period of each MF is set to P. That is,
MF最大トラヒック量Qを低減することを目的に、各MFの評価期間における最大トラヒック量の全MFにわたる最大値ΨをPに設定する。すなわち、
For the purpose of reducing the MF maximum traffic amount Q, the maximum value Ψ over the entire MF of the maximum traffic amount in the evaluation period of each MF is set to P. That is,
MF最大トラヒック量Qを低減することを目的に、各MFの評価期間における総トラヒック量の全MFにわたる最大値ΩをPに設定する。すなわち、
In order to reduce the MF maximum traffic amount Q, the maximum value Ω over the entire MF of the total traffic amount in the evaluation period of each MF is set to P. That is,
経路の安定性を考えたとき、各MFの最大トラヒック量ではなく、全トラヒック量に対して占める割合の最大値を最小化することも考えられる。そこでMF最大トラヒック量Qを低減することを目的に、各MFの各TSにおけるトラヒック量比率の最大値
When considering the stability of the route, it is also conceivable to minimize the maximum value of the proportion of the total traffic volume, not the maximum traffic volume of each MF. Therefore, in order to reduce the MF maximum traffic volume Q, the maximum value of the traffic volume ratio in each TS of each MF
MFトラヒック変動量Vxの低減を目的としつつ、MF最大トラヒック量Qに制約上限を考慮することで、双方のバランスをとる。目的関数として用いる特性値Pは上記の式(1)と同一であるが、図2のステップ103,ステップ104で各フローfを各MFに収容する際に、ピークトラヒック量比率
While aiming to reduce the MF traffic fluctuation amount V x, the upper limit of the MF maximum traffic amount Q is taken into consideration to balance both. The characteristic value P used as the objective function is the same as the above equation (1). However, when each flow f is accommodated in each MF in
[第2の実施の形態]
本実施の形態では、クラスタリングを用いたマクロフローを生成する例を説明する。
[Second Embodiment]
In the present embodiment, an example of generating a macro flow using clustering will be described.
本実施の形態では、MF生成部102は、パラメタ入力部101から第1の実施の形態の入力に加えて、クラスタ数Kと重みパラメタβが入力される。
In the present embodiment, the
MFトラヒック変動量VxとMF最大トラヒック量Qの双方が良好なパレート最適なMF集約を厳密に行うには、考えられる全ての集約パタンを調べる必要があり計算時間の観点から困難である。ところでVxとQの双方を抑えたMFを生成するためには、可能な限り時間変動パタンの異なるフローを同一のMFに集約することで、統計多重効果を向上させることが有効と思われる。このような観点から本実施の形態では、クラスタリングを用いたMF生成法について検討する。 The both MF traffic variation V x and MF maximum traffic volume Q strictly perform good Pareto optimal MF aggregation, it is difficult in terms of needs computation time to examine all possible aggregation patterns. However in order to generate a MF with reduced both V x and Q, by aggregating different flow as far as time fluctuation pattern capable in the same MF, it seems effective to improve the statistical multiplexing effect. From this point of view, this embodiment examines an MF generation method using clustering.
本アプローチによるMF生成法は、(I)フローのクラスタ分類、(II)各フロークラスタからの抽出トラヒック比率の最適設計、(III)最適抽出トラヒック比率に基づきフローをMFに集約、の3つのステップから構成される。以下に図3の各々のステップについて述べる。 The MF generation method based on this approach consists of three steps: (I) flow cluster classification, (II) optimal design of the extracted traffic ratio from each flow cluster, and (III) aggregation of flows into the MF based on the optimal extracted traffic ratio. Consists of Each step of FIG. 3 will be described below.
ステップ210)フローのクラスタ分類:
各フローfを、各TStにおける発生トラヒック量Rf,tを要素とするL次元のベクトルRfを用いてクラスタリングすることで、評価期間におけるトラヒックの時系列パタンが似たフローを同一のクラスタに分類する。クラスタ分類手法としては、非階層型クラスタ分析法として代表的なk-means法を用いる。k-means法は、パラメタ入力部101から与えられたK個のクラスタに分類対象をランダムに分類した状態からスタートし、生成された各クラスタの重心からの距離が最も近いクラスタに各分類対象を割当て直す処理を解が収束するまで反復する。
Step 210) Cluster classification of flows:
By clustering each flow f using an L-dimensional vector R f whose elements are the generated traffic volume R f, t in each TSt, flows with similar traffic time-series patterns in the evaluation period are grouped into the same cluster. Classify. As a cluster classification method, a typical k-means method is used as a non-hierarchical cluster analysis method. The k-means method starts from a state in which the classification target is randomly classified into K clusters given from the
ただしRf,tの大きさがフローごとに大きく異なる場合、Rf,tをそのままベクトル要素としてクラスタ化を行うと、時系列パタンが似たフローを同一のクラスタに分類することが困難となる。そこで、Rfの各要素をRfの大きさ However, if the size of R f, t differs greatly from flow to flow, clustering with R f, t as a vector element as it is makes it difficult to classify flows with similar time series patterns into the same cluster. . Therefore, the size of each element of R f R f
ステップ211)各フローfに対して、 Step 211) For each flow f
ステップ212)K個の各クラスタcの重心 Step 212) Center of gravity of each of K clusters c
ステップ213)各フローfを、 Step 213) Each flow f is
ステップ214)各クラスタcの正規化重心 Step 214) Normalized centroid of each cluster c
ステップ215)クラスタ構成が収束するまでステップ213とステップ214を反復する。
Step 215) Repeat Step 213 and
ステップ220)クラスタからの抽出トラヒック比率設計:
前手順で生成されたK個の各クラスタcに分類されたフローの集合をGcとする。そして各クラスタcから一定の比率αm,c(0≦αm,c≦1)のトラヒックをM本の各MFmに分類することを考える。すなわち各クラスタcの各TStにおける総トラヒック量をZc,tとするとき
Step 220) Extracted traffic ratio design from cluster:
A set of flows classified into K clusters c generated in the previous procedure is defined as G c . Then, consider classifying the traffic of a certain ratio α m, c (0 ≦ α m, c ≦ 1) from each cluster c into M MFm. That is, when the total traffic volume at each TSt of each cluster c is Z c, t
生成した各クラスタを構成するトラヒックを任意の粒度で分割できる場合には、ステップ220において、MFの最大トラヒック量を最小化する最適解が得られる。しかし実際にはフローの粒度でのみMF集約が可能であるため、各クラスタを構成するトラヒックを任意の粒度で分割することはできない。そこでフローfをMF mに割当てる場合に1を、そうでない場合に0をとる二値変数をxf,mとし、各TS tにおいて、xf,mから定まる各MF mのクラスタcからの抽出トラヒック量
If the generated traffic constituting each cluster can be divided at an arbitrary granularity, in step 220, an optimal solution for minimizing the maximum traffic volume of the MF is obtained. However, since MF aggregation is actually possible only at the flow granularity, the traffic constituting each cluster cannot be divided at an arbitrary granularity. So, let x f, m be a binary variable that takes 1 if flow f is assigned to MF m, and 0 otherwise. Extraction from each cluster MF m determined from x f, m at each TS t Traffic volume
以上のMF収容方針によりMFトラヒック変動量Vxの低減が期待されるが、同時に、もう一方の設計目標であるMF最大トラヒック量Qの低減を考慮するため、xf,mから算出されるQと、sの全MFにわたる最大値Sとの重み付け線形和を最小化する、以下の整数計画問題を定義する(βは0≦β≦1の範囲の実数パラメタ)。
The above MF accommodation policy is expected to reduce the MF traffic fluctuation amount V x , but at the same time, to reduce the MF maximum traffic amount Q, which is the other design target, Q calculated from x f, m And the following integer programming problem that minimizes the weighted linear sum of s and the maximum value S over all MFs (β is a real parameter in the
以下では、米国の実験用NWであるInternet2(登録商標)で取得された4時間にわたるフロー情報の公開データを用いて、第1の実施の形態で述べた貪欲算法に基づく5つのMF生成法と、第2の実施の形態で述べたクラスタリングMF生成法の各々を用いてMFを生成した結果を分析する。
In the following, using the public data of flow information over 4 hours acquired by Internet2 (registered trademark), an experimental NW in the United States, five MF generation methods based on the greedy calculation method described in the first embodiment and The result of generating the MF using each of the clustering MF generation methods described in the second embodiment is analyzed.
・評価条件
Internet2(登録商標)は9つのノードから構成されており、72の各ODペア間に5分の各TS内で発生したトラヒック量をRf,tに設定し、前半の24TSを評価対象期間とする。一例として、72のODペアのうちKansas City - Los Angeles間と、Chicago - Washington間の結果についてのみ、以下では示す。長さの短いフローに対してはTEの効果が期待できないことから、評価対象期間において3つ以上のTSでトラヒックが観測されたフローのみをMF集約の対象とする。評価対象に用いたフロー数は、Kansas City - Los Angeles間で1,101本、Chicago - Washington間で8,488本である。
・ Evaluation conditions
Internet2 (registered trademark) is composed of 9 nodes. The traffic volume generated in each TS for 5 minutes between 72 OD pairs is set to R f, t , and the first 24 TS is set as the evaluation target period. To do. As an example, only the results between Kansas City-Los Angeles and Chicago-Washington out of 72 OD pairs are shown below. Since the effect of TE cannot be expected for flows with a short length, only flows for which traffic has been observed in three or more TSs during the evaluation period are targeted for MF aggregation. The number of flows used for the evaluation was 1,101 between Kansas City and Los Angeles, and 8,488 between Chicago and Washington.
第1の実施の形態における、貪欲算法のうち、MFトラヒック量分散の総和の最小化にピーク比率制約を付加する場合は、各フローの各TSにおけるトラヒック量の最大値に1.2を乗じた値をMFの許容トラヒック量の上限値に設定した。 In the greedy calculation method in the first embodiment, when the peak ratio constraint is added to the minimization of the sum of the MF traffic volume variance, the value obtained by multiplying the maximum traffic volume in each TS of each flow by 1.2 The upper limit of the allowable traffic volume of MF was set.
また、第2の実施の形態における、クラスタリングを用いた方式ではクラスタ数Kを任意に設定できるが、Kを様々な値に設定して検証を行ったところ、1クラスタに含まれるフロー数が10以下となるKが極端に大きい場合や、2や3といったKが極端に小さい場合には、MF生成結果に大幅な悪化が見られたものの、その間の値に設定している場合はKを変えても結果に大きな影響がなかった。そのためKを各ODペアに対して、評価対象期間におけるMF集約対象フロー数が500未満の場合は5に、500以上1,000未満の場合は10に、1,000以上5,000未満の場合は20に、5,000以上の場合は30に、各々設定した。そのためKansas City - Los Angeles間はK=20、Chicago - Washington間はK=50とした。クラスタリングを用いたMF生成法の手順ステップ220とステップ230における最適化問題の解をCBC MILP Solver 2.7.5を用いて導出した。また目的関数における重みパラメタをβ=1/3に設定した。 In the method using clustering in the second embodiment, the number of clusters K can be arbitrarily set. However, when verification is performed by setting K to various values, the number of flows included in one cluster is 10. When K below is extremely large, or when K is extremely small such as 2 or 3, MF generation results have been greatly deteriorated, but if it is set to a value in the meantime, change K But there was no big impact on the results. Therefore, for each OD pair, K is 5 if the number of MF aggregation flows in the evaluation period is less than 500, 10 if 500 or less and less than 1,000, 20 if 1,000 or less and less than 5,000, or 5,000 or more. In the case of, each was set to 30. Therefore, K = 20 between Kansas City and Los Angeles, and K = 50 between Chicago and Washington. The solution of the optimization problem in step 220 and step 230 of the MF generation method using clustering was derived using CBC MILP Solver 2.7.5. The weight parameter in the objective function was set to β = 1/3.
・マクロフロー生成結果:
図6に、Kansas City - Los Angelesを対象に3から50の範囲の様々な値にMF数Mを設定したときに、各方式で生成されたMFのトラヒック量の平均変動係数Φをプロットする。図7には同様にChicago - Washingtonの結果を示す。ただし、
-Macro flow generation result:
FIG. 6 plots the average variation coefficient Φ of the traffic volume of the MF generated by each method when the number of MFs M is set to various values ranging from 3 to 50 for Kansas City-Los Angeles. Similarly, FIG. 7 shows the result of Chicago-Washington. However,
Mの増加に伴い各MFを構成するフロー数が減少するため、統計多重効果が低下し、Φは増加するが、いずれの方式を用いた場合もΦは集約を行わない場合と比較して半分程度の値以下に低減され、TE制御対象としての安定性の向上が確認できる。MF集約方式の中では、各MFのトラヒック変動量を最小化するG/varとG/var+pbのΦが小さいが、トラヒック変動を考慮しないG/peakとG/prのΦは大きい。ところでKansas City - Los AngelesのMの全領域と、Chicago - WashingtonのMの15以下の領域において、クラスタリング(Clustering)のΦが最も大きい。これは各MFへの集約粒度がフローであるため、生成された各クラスタから任意の粒度でトラヒックを抽出して各MFに集約することができず、第2の実施の形態で述べたステップ220で最適設計した抽出比率αm,cと、実際にステップ230で実施されるMF集約における分類比率とに誤差が生じることが要因と思われる。
As M increases, the number of flows that make up each MF decreases, so the statistical multiplexing effect decreases and Φ increases, but Φ is half compared to the case where no aggregation is performed with either method. It can be confirmed that the stability of TE control is improved. In the MF aggregation method, Φ of G / var and G / var + pb that minimize the traffic fluctuation amount of each MF is small, but Φ of G / peak and G / pr that do not consider traffic fluctuation is large. By the way, in all areas of M in Kansas City-Los Angeles and in areas below 15 of M in Chicago-Washington, the Φ of clustering is the largest. Since the aggregation granularity to each MF is a flow, traffic cannot be extracted from each generated cluster with an arbitrary granularity and aggregated to each MF, and step 220 described in the second embodiment. The reason is considered to be an error between the extraction ratio α m, c optimally designed in
図8にMF数をM=20に設定したときの、各方式によって生成されたMFのトラヒック量の変動係数の累積分布を示す。図6,7で見たように、G/varとG/var+pbが最も小さなΦを達成するが、これらの方式は他方式と比較して、生成された全てのMFのトラヒック量の変動係数が低く抑えられていることが確認できる。 FIG. 8 shows the cumulative distribution of the variation coefficient of the traffic volume of the MF generated by each method when the number of MFs is set to M = 20. As seen in Figs. 6 and 7, G / var and G / var + pb achieve the smallest Φ, but these methods vary the traffic volume of all generated MFs compared to other methods. It can be confirmed that the coefficient is kept low.
図9にKansas City - Los Angelesを対象に、式(2)で与えられるMFの最大ピークトラヒック量ΨをMに対して同様にプロットする。図10には同様にChicago - Washingtonの結果を示す。ただしΨの単位は各TS内の発生トラヒック量(Mbytes)である。MFへの集約を行うことでΨは常に非減少となるが、Mの増加に伴い各MFを構成するフロー数が減少するためΨは減少する。やはりクラスタリング(Clustering)のΨは全体的に大きい。Mが15程度以上の領域では、G/peak、G/pr、IndividualのΨの差異は小さく、これらの集約方式を用いた場合のΨの増加は無視できる。Mの増加に伴い各MFを構成するフロー数が減少するためΨは減少するが、Mが20程度以上の領域では、突出してトラヒック量の大きなフローのΨに対する比率が大きくなり、Mを増加させてもΨの低減効果は小さい。MF集約法の中では、ピークトラヒック量を最小化するG/peakやG/prが、Mの広い領域でΨが最小となり、G/var+pbもピーク比率を制約条件として考慮している効果により良好な特性を示している。最大トラヒック量を考慮しないG/varとG/sumのΨは大きい。 In FIG. 9, the maximum peak traffic amount Ψ of MF given by Expression (2) is similarly plotted against M for Kansas City-Los Angeles. Similarly, FIG. 10 shows the result of Chicago-Washington. However, the unit of Ψ is the amount of generated traffic (Mbytes) in each TS. Ψ is always non-decreasing by performing aggregation to MF, but Ψ decreases because the number of flows constituting each MF decreases as M increases. After all, Ψ of clustering is large overall. In the region where M is about 15 or more, the difference in Ψ between G / peak, G / pr and Individual is small, and the increase in Ψ when these aggregation methods are used can be ignored. As M increases, the number of flows composing each MF decreases, so Ψ decreases. However, in the region where M is about 20 or more, the ratio of the flow with a large amount of traffic protruding to Ψ increases and M is increased. However, the effect of reducing Ψ is small. Among the MF aggregation methods, G / peak and G / pr that minimize the peak traffic volume have the smallest Ψ in a wide area of M, and G / var + pb also considers the peak ratio as a constraint Shows better characteristics. G / var and G / sum Ψ which do not consider the maximum traffic volume are large.
以上の評価結果をまとめると、クラスタリングを用いる方法は貪欲算法と比較して、全体的にMFトラヒック量の変動量や最大値を抑える効果は小さい。またクラスリングを用いる方法は、貪欲算法による方式と比較すると非常に計算時間が大きくなる。以上のことから、貪欲算法を用いた方式を用いることが望ましい。貪欲算法の中ではG/var+pbが両尺度において良好な評価値を達成した。またMF数Mを増加させるにつれて、MFトラヒック量の変動量は増加するのに対して、MF最大トラヒック量は20程度で値が収束しており、それ以上Mを増やしても結果の改善は見られないことから、評価に用いたトラヒックデータにおいては、MF数は20程度で十分である。例えばM=20でG/var+pbを用いた場合、Individualと比較してTE制御対象の最大トラヒック量の増加を15%程度に抑えながら、トラヒック変動量を1/5程度に低減でき、TEのリンク負荷平準化効果の向上が期待される。 Summarizing the above evaluation results, the method using clustering has a smaller effect of suppressing the fluctuation amount and the maximum value of the MF traffic amount as a whole compared with the greedy calculation method. In addition, the method using the class ring requires much longer calculation time than the method using the greedy calculation method. From the above, it is desirable to use a method using a greedy calculation method. Among the greedy arithmetic methods, G / var + pb achieved good evaluation values on both scales. Also, as the number of MFs increases, the amount of change in MF traffic increases, whereas the maximum MF traffic amount converges at about 20, and even if M is increased further, the improvement in results is not expected. Therefore, about 20 MFs are sufficient for the traffic data used for evaluation. For example, when G / var + pb is used at M = 20, the traffic fluctuation amount can be reduced to about 1/5 while suppressing the increase in the maximum traffic amount of TE control to about 15% compared to Individual, and TE Improvement of the link load leveling effect is expected.
<TEの効果に関する性能評価>
MFを単位としたTEを行うことで、TEの制御管理対象の数を大幅に低減することができるが、一方で制御粒度が荒くなるためTEの効果の低減が懸念される。そこで以下では、フローを単位にTEを行う従来の場合と、MFを単位にTEを行う場合とで、達成されるTEの効果を比較評価する。TEの効果を測る尺度としては、評価期間中の全ての各TSにわたる各リンク、各TSの平均トラヒック量(ave.ave)、各TSにおける最大リンクトラヒック量の全期間にわたる平均値(ave.max)、各TSにおける最小リンクトラヒック量の全期間にわたる平均値(ave.min)、各TSにおける各リンクのトラヒック量の標準偏差の全期間にわたる平均値(ave.sd)の4つを考える。
<Performance evaluation on TE effect>
By performing TE in units of MF, the number of TE control management targets can be greatly reduced, but on the other hand, the control granularity becomes rough, and there is a concern that the effect of TE may be reduced. Therefore, in the following, the effect of TE achieved in comparison with the conventional case where TE is performed in units of flow and the case where TE is performed in units of MF will be compared and evaluated. The measures to measure the effectiveness of TE are the links over all TSs during the evaluation period, the average traffic volume of each TS (ave.ave), and the average value of the maximum link traffic volume in each TS over the entire period (ave.max). ), The average value of the minimum link traffic volume in each TS over the entire period (ave.min), and the average value of the standard deviation of the traffic volume of each link in each TS over the entire period (ave.sd).
・評価条件:
TEの評価には、ノード数100で各ノードの次数が2以上で平均が4のランダムNWを作成し用いた。そして100×99=9,900個のODペアの各々に対して、上記のMF生成評価に用いたInternet2(登録商標)の72のODペアからランダムに一つ選択したODペアの4時間(48TS)の各フローのトラヒック量Rf,tをシミュレーション期間中に発生させた。ただしフローデータに含まれる多数のフローは1〜2スロット程度のごく少数のTSにおいてのみトラヒックが発生しているが、TEの効果を得るためには、ある程度の長さを有するフローのみを対象とする必要があることから、4TS以上でトラヒックが発生したフローのみをTEの対象とした。
・ Evaluation conditions:
For the TE evaluation, a random NW with 100 nodes, the degree of each node being 2 or more, and an average of 4 was used. And for each of 100 × 99 = 9,900 OD pairs, 4 hours (48TS) of OD pairs selected at random from 72 Internet2 (registered trademark) OD pairs used for the above MF generation evaluation. The traffic amount R f, t of each flow was generated during the simulation period. However, in many flows included in the flow data, traffic occurs only in a very small number of TSs of about 1 to 2 slots, but in order to obtain the effect of TE, only flows with a certain length are targeted. Therefore, only the flow that generated traffic at 4TS or higher was targeted for TE.
実際には、将来のトラヒック量の予測に基づきMFを生成する必要があるが、本稿では予測方式については議論せず、予測が正確に行われていることを想定し、48の全TSのトラヒック量を用いてMFを生成した。またTEは、シミュレーション開始時に、各ODペアに対して30本のK-shortest path(ホップ数の最も短い30本の経路)を算出してTEの経路候補とした。すなわちシミュレーションの開始時点において、48の全TSのトラヒック量Rf,tに基づき、上記の「生成MFに関する性能評価」で述べた各方式でMFを生成した。そして生成された各MFに対して、各TSにおける最大トラヒックの降順に、一つずつ、48の全TSのNW上の全リンクの最大トラヒック量が最小となる経路を、30本の候補経路から選択して設定した。なおTEを用いない場合(NonTE)は、最短ホップ経路を常に設定した。また評価NWの各ODペアに対して適用するMF数Mを20に設定した。 Actually, it is necessary to generate MF based on the prediction of future traffic volume, but this paper does not discuss the prediction method, and assumes that the prediction is performed accurately, and traffic of all 48 TSs. The amount was used to generate MF. TE also calculated 30 K-shortest paths (30 paths with the shortest number of hops) for each OD pair at the start of the simulation, and made TE path candidates. In other words, at the start of the simulation, MFs were generated by the methods described in “Performance evaluation on generated MF” above based on the traffic amount R f, t of all 48 TSs. Then, for each generated MF, the path that minimizes the maximum traffic volume of all links on the NWs of all 48 TSs, one by one, in descending order of the maximum traffic in each TS, is selected from the 30 candidate paths. Selected and set. When TE is not used (NonTE), the shortest hop route is always set. In addition, the number of MFs M applied to each OD pair of the evaluation NW was set to 20.
・TEによるリンク負荷の平準化効果:
MFの導入のTEの効果に与える影響を分析するために、リンク負荷に関する4つの評価尺度を、TEを用いない場合(NonTE)、各フローの単位でTEを実施した場合(MicroTE)、そしてClustering, G/var、G/var+pbの3つの各提案方式で生成されたMFの単位でTEを実施した場合とで比較する。表1に、5つの各方式の4つの評価値をまとめる(単位はGbytes/slot)。NonTEの場合、常に最短ホップ経路が用いられるためave.aveは最小となり、MicroTEによって25%程度増加する。
-Link load leveling effect by TE:
To analyze the impact of the introduction of MF on the effectiveness of TE, four measures of link load can be used: when TE is not used (NonTE), when TE is performed for each flow (MicroTE), and Clustering , G / var, G / var + pb Compared with the case where TE is performed with the unit of MF generated by each proposed method. Table 1 summarizes the four evaluation values for each of the five methods (unit: Gbytes / slot). In the case of NonTE, the shortest hop route is always used, so ave.ave is minimized, and increases by about 25% by MicroTE.
3つのMF生成方式の間では負荷平準化効果の差異は小さい。MFによるTEは、MicroTEと比較してava.aveを10%程度増加させるものの、ave.maxは5%程度、ave.sdは50%程度、減少させている。MFを単位にTEを実施した場合、個別フローでTEを行うMicroTEと比較して制御粒度が荒くなるものの、上記の「マイクロフロー生成結果」で述べたようにTE制御対象のトラヒック変動量が抑制されることの効果が要因と思われる。 The difference in load leveling effect is small among the three MF generation methods. TE by MF increases ava.ave by about 10% compared to MicroTE, but decreases ave.max by about 5% and ave.sd by about 50%. When TE is performed in units of MF, although the control granularity is rough compared to MicroTE that performs TE in individual flow, the amount of traffic fluctuation of TE control target is suppressed as described in “Microflow generation result” above. The effect of being done seems to be a factor.
上記の「TEの効果に関する性能評価」の「評価条件」で述べたように、評価では個別フローやMFといった各TE制御対象を最大トラヒック量の降順に、以後に経路を割当てるTE制御対象を考慮しないで経路を選択した。例えば同一発着ノード間に二本の経路候補AとBが存在し、二つのTS1とTS2において、各々、フローaが(100, 20)のトラヒック、フローbが(0, 80)のトラヒック、フローcが(80, 50)のトラヒックを生成する場合について考える。各フローを対象にTEを実施し、最初にフローaが経路Aを割当てられた場合、次に経路が割当てられるフローbには経路Bが割当てられる。そして残るフローcを経路Aに割当てた場合の最大リンク負荷は180に、経路Bに割当てた場合の最大リンク負荷は130となることから、より最大リンク負荷の小さい経路Bがフローcに対して割当てられる。一方、例えばフローaとフローbを一本のMF(a+b)に集約しているときは、最初に経路が割当てられるMF(a+b)に経路Aが割当てられた場合、残るフローcには経路Bが割当てられるため、この場合の最大リンク負荷は100となる。 As described in “Evaluation conditions” in “Performance evaluation on TE effect” above, each TE control target such as individual flow and MF is considered in descending order of the maximum traffic volume in the evaluation, and the TE control target to which the route is allocated later is considered. Do not select the route. For example, there are two route candidates A and B between the same arrival and departure nodes, and in two TS1 and TS2, flow a is (100, 20) traffic, flow b is (0, 80) traffic, flow, respectively. Consider the case where c generates (80, 50) traffic. When TE is performed for each flow, and when the path a is first assigned to the flow a, the path B is assigned to the flow b to which the path is assigned next. When the remaining flow c is assigned to route A, the maximum link load is 180, and when assigned to route B, the maximum link load is 130. Assigned. On the other hand, for example, when the flow a and the flow b are aggregated into one MF (a + b), if the route A is assigned to the MF (a + b) to which the route is first assigned, the remaining flow c Since the route B is assigned to, the maximum link load in this case is 100.
この例に示すような、後で経路が割当てられるTE制御対象を考慮しないで経路を割当てた結果、最大リンク負荷が増加する可能性は、各TE制御対象のトラヒック変動量が大きなほど大きくなる。図6,7で見たように、MFのトラヒック変動量は個別フローと比較して小さくなるため、MFをTE制御対象とした方が最大リンク負荷やリンク負荷の分散が抑えられたものと思われる。そのため、例えばM=20として本発明の方式を用いて生成されたMFを単位に経路制御を行うことで、個別フローを単位に行う場合と比較して、リンク負荷平準化効果を50%程度向上させつつ、TE制御対象数を1/50〜1/400程度に低減することが可能である。 As shown in this example, as a result of assigning a route without considering a TE control object to which a route is assigned later, the possibility that the maximum link load increases increases as the traffic fluctuation amount of each TE control object increases. As seen in Figs. 6 and 7, since the amount of traffic fluctuation of MF is smaller than that of individual flows, it seems that the maximum link load and link load distribution are suppressed when MF is targeted for TE control. It is. Therefore, for example, by performing path control in units of MF generated using the method of the present invention with M = 20, the link load leveling effect is improved by about 50% compared to the case of performing individual flows in units. The number of TE control targets can be reduced to about 1/50 to 1/400.
なお、上記の第1、2の実施の形態に示すMF生成部102における処理をプログラムとして構築し、フロー集約装置として利用されるコンピュータにインストールして実行させる、また、ネットワークを介して流通させることが可能である。
The processing in the
本発明は、上記の実施の形態に限定されることなく、特許請求の範囲内において、種々変更・応用が可能である。 The present invention is not limited to the above-described embodiments, and various modifications and applications are possible within the scope of the claims.
100 フロー集約装置
101 パラメタ入力部
102 MF生成部
103 MF出力部
100
Claims (7)
生成MF数Mと、時間を一定周期Tのタイムスロット(TS)に分割し、評価期間1≦t≦Lの各TStにおける各フローfの発生トラヒック量Rf,tを含むパラメタを入力するパラメタ入力手段と、
前記各フローfの発生トラヒック量Rf,tを用いて、各ODノードペア間に存在するF本のフローをM本のMFに分類するMF生成手段とを有し、
前記MF生成手段は、
前記パラメタの前記生成MF数Mが与えられると、MFのトラヒック変動量Vx、もしくはMF最大トラヒック量Qのいずれか一つを最適化するため、FmをMF mに分類されたフローの集合と定義するとき、
1) 1≦m≦Mの各mのFmを空集合φに初期化する第1の過程;
2)前記Fのフローから特性値Yfの降順にフローfを選択する第2の過程;
3)選択したフローfを前記Mの各MFmに分類したときのMF集合の目的関数として用いる特性値Pを、既にMFに分類されたフローのみを考慮して算出する第3の過程;
4)前記特性値Pが最小となるMFm*にフローfを分類(Fm=Fm+{f})する第4の過程;
を行い、前記Fの全フローがMFのいずれかに分類されるまで前記第1の過程から前記第4の過程の処理を繰り返すことによりM個のMFを生成する
フロー集約装置。 A flow that aggregates from OD network address flow to MF unit in a network that can set a route by traffic engineering (TE) in units of macro flow (MF), which is a set of arbitrary traffic flows between pairs of identical arrival and departure (OD) nodes. An aggregation device,
A parameter that inputs the number of generated MFs and a parameter including the amount of traffic R f, t generated for each flow f in each TSt with an evaluation period of 1 ≤ t ≤ L by dividing the time into time slots (TS) with a fixed period T Input means;
MF generation means for classifying F flows existing between each OD node pair into M MFs using the generated traffic amount R f, t of each flow f,
The MF generating means is
Given the number of generated MFs M for the parameter, a set of flows in which F m is classified as MF m in order to optimize either the MF traffic fluctuation amount V x or the MF maximum traffic amount Q When defining
1) A first process of initializing F m of each m of 1 ≦ m ≦ M to an empty set φ;
2) a second step of selecting the flow f from the flow F in descending order of the characteristic value Y f ;
3) A third process of calculating the characteristic value P used as the objective function of the MF set when the selected flow f is classified into each MFm of the M in consideration of only the flows already classified into the MF;
4) A fourth step of classifying the flow f into MFm * having the minimum characteristic value P (F m = F m + {f});
The flow aggregating apparatus that generates M MFs by repeating the processes from the first process to the fourth process until all the flows of F are classified into any of the MFs.
最適化の目的関数Pと、フローfのMFへの割当順番を決めるfの特性値Yfとして、前記MFトラヒック変動量Vxを低減することを目的に、Xm,tが各MFmの各TS tにおける既分類フローの発生トラヒック量の総和で、
最適化の目的関数Pと、フローfのMFへの割当順番を決めるfの特性値Yfとして、前記MF最大トラヒック量Qを低減することを目的に、
前記MF最大トラヒック量Qを低減することを目的に、
前記最適化の目的関数Pと、フローfのMFへの割当順番を決めるfの特性値Yfとして、MF最大トラヒック量Qを低減することを目的に、Fを全フローの集合、
で算出される各MFの各TSにおけるトラヒック量比率の最大値
前記第3の過程、及び前記第4の過程における各フローfを各MFに収容する際に、前記ピークトラヒック量比率
のいずれかを含む
請求項1記載のフロー集約装置。 The MF generating means is
As an objective function P for optimization and a characteristic value Y f of f that determines the order of allocation of flow f to MF, X m, t is each of each MFm for the purpose of reducing the MF traffic fluctuation amount V x The total amount of traffic generated by the classified flows in TS t
As an objective function P for optimization and a characteristic value Y f of f that determines the order of allocation of flow f to MF, for the purpose of reducing the MF maximum traffic amount Q,
For the purpose of reducing the MF maximum traffic amount Q,
As the objective function P of the optimization and the characteristic value Y f of f that determines the allocation order of the flow f to the MF, for the purpose of reducing the MF maximum traffic amount Q, F is a set of all flows,
The maximum traffic volume ratio calculated for each MF in each TS
When the respective flows f in the third process and the fourth process are accommodated in each MF, the peak traffic amount ratio
The flow aggregation device according to claim 1, comprising any of the following:
生成MF数Mと、時間を一定周期Tのタイムスロット(TS)に分割し、評価期間1≦t≦Lの各TStにおける各フローfの発生トラヒック量Rf,tと、クラスタ数Kと、重みパラメタβとを含むパラメタを入力するパラメタ入力手段と、
前記各フローfの発生トラヒック量Rf,tを用いて、各ODノードペア間に存在するF本のフローをM本のMFに分類するMF生成手段とを有し、
前記MF生成手段は、
前記各フローfを各TStにおける発生トラヒック量Rf,tを要素とするL次元のベクトルRfを用いてK個のクラスタcにクラスタリングするクラスタ分類手段と、
各クラスタcから各MFの各TSにおけるトラヒック量の最大値を最小化してトラヒック比率を求める抽出トラヒック比率設計手段と、
前記トラヒック比率に基づき、フローをMFに集約するMF集約手段と、
を含むフロー集約装置。 A flow that aggregates from OD network address flow to MF unit in a network that can set a route by traffic engineering (TE) in units of macro flow (MF), which is a set of arbitrary traffic flows between pairs of identical arrival and departure (OD) nodes. An aggregation device,
Generated MF number M, time is divided into time slots (TS) of a fixed period T, the generated traffic amount R f, t of each flow f in each TSt of the evaluation period 1 ≦ t ≦ L, the number of clusters K, Parameter input means for inputting parameters including weight parameter β,
MF generation means for classifying F flows existing between each OD node pair into M MFs using the generated traffic amount R f, t of each flow f,
The MF generating means is
Cluster classification means for clustering each flow f into K clusters c using an L-dimensional vector R f having the generated traffic amount R f, t in each TSt as an element;
Extracted traffic ratio design means for obtaining the traffic ratio by minimizing the maximum value of the traffic volume in each TS of each MF from each cluster c,
MF aggregation means for aggregating flows into MF based on the traffic ratio;
A flow aggregation device.
前記各フローfを各TStにおける発生トラヒック量Rf,tを要素とするL次元のベクトルRfを用いて、球面k-means法により評価期間におけるトラヒックの時系列パタンが似たフローを同一のクラスタに分類する手段を含み、
前記抽出トラヒック比率設計手段は、
K個の各クラスタcに分類されたフローの集合をGcとし、該各クラスタcから一定の比率αm,c(0≦α≦1)のトラヒックをM本の各MF mに分類するとき、該各クラスタcの各TStにおける総トラヒック量を
前記MF集約手段は、
前記フローfをMF mに割当てる場合に1を、そうでない場合に0をとる二値変数をxf,mとし、各TStにおいて、該xf,mから定まる各MF mのクラスタcからの抽出トラヒック量
請求項3記載のフロー集約装置。 The cluster classification means includes:
Using the L-dimensional vector R f having the generated traffic amount R f, t in each TSt as an element, the flows having similar traffic time series patterns in the evaluation period by the spherical k-means method are the same. Including means for classifying into clusters,
The extracted traffic ratio design means includes:
When a set of flows classified into K clusters c is G c, and traffic with a certain ratio α m, c (0 ≦ α ≦ 1) is classified into M MF m from each cluster c , The total traffic volume in each TSt of each cluster c
The MF aggregation means is
A binary variable that takes 1 when allocating the flow f to MF m, and 0 otherwise, is x f, m, and at each TSt, extraction of each MF m determined from x f, m from cluster c Traffic volume
生成MF数、時間を一定周期Tのタイムスロット(TS)に分割し、評価期間1≦t≦Lの各TStにおける各フローfの発生トラヒック量Rf,tを含むパラメタを入力するパラメタ入力ステップと、
前記各フローfの発生トラヒック量Rf,tを用いて、各ODノードペア間に存在するF本のフローをM本のMFに分類するMF生成ステップとをコンピュータが実行し、
前記MF生成ステップは、
前記パラメタの前記生成MF数Mが与えられると、MFのトラヒック変動量Vx、もしくはMF最大トラヒック量Qのいずれか一つを最適化するため、FmをMF mに分類されたフローの集合と定義するとき、
1) 1≦m≦Mの各mのFmを空集合φに初期化する第1の過程;
2)前記Fのフローから特性値Yfの降順にフローfを選択する第2の過程;
3)選択したフローfを前記Mの各MFmに分類したときのMF集合の目的関数として用いる特性値Pを、既にMFに分類されたフローのみを考慮して算出する第3の過程;
4)前記特性値Pが最小となるMFm*にフローfを分類(Fm=Fm+{f})する第4の過程;
を含み、前記Fの全フローがMFのいずれかに分類されるまで前記第1の過程から前記第4の過程の処理を繰り返すことによりM個のMFを生成する
ことを特徴とするフロー集約方法。 A device that aggregates OD network address flows in MF units in a network that can be routed by traffic engineering (TE) in units of macroflows (MF), which are a set of arbitrary traffic flows between pairs of identical departure and arrival (OD) nodes. The flow aggregation method in
Parameter input step for dividing the number of generated MFs and time into time slots (TS) with a fixed period T and inputting parameters including the amount of traffic R f, t generated for each flow f in each TSt in the evaluation period 1 ≦ t ≦ L When,
The computer executes an MF generation step of classifying F flows existing between each OD node pair into M MFs using the generated traffic amount R f, t of each flow f,
The MF generation step includes
Given the number of generated MFs M for the parameter, a set of flows in which F m is classified as MF m in order to optimize either the MF traffic fluctuation amount V x or the MF maximum traffic amount Q When defining
1) A first process of initializing F m of each m of 1 ≦ m ≦ M to an empty set φ;
2) a second step of selecting the flow f from the flow F in descending order of the characteristic value Y f ;
3) A third process of calculating the characteristic value P used as the objective function of the MF set when the selected flow f is classified into each MFm of the M in consideration of only the flows already classified into the MF;
4) A fourth step of classifying the flow f into MFm * having the minimum characteristic value P (F m = F m + {f});
Summarizing and generating M MFs by repeating the processes from the first process to the fourth process until the entire flow of F is classified as one of the MFs .
生成MF数、時間を一定周期Tのタイムスロット(TS)に分割し、評価期間1≦t≦Lの各TStにおける各フローfの発生トラヒック量Rf,tを含むパラメタを入力するパラメタ入力ステップと、
前記各フローfの発生トラヒック量Rf,tを用いて、各ODノードペア間に存在するF本のフローをM本のMFに分類するMF生成ステップとをコンピュータが実行し、
前記MF生成ステップは、
前記各フローfを各TStにおける発生トラヒック量Rf,tを要素とするL次元のベクトルRfを用いてK個のクラスタcにクラスタリングするステップと、
各クラスタcから各MFの各TSにおけるトラヒック量の最大値を最小化してトラヒック比率を求めるステップと、
前記トラヒック比率に基づき、フローをMFに集約するステップと、
を含むことを特徴とするフロー集約方法。 A device that aggregates OD network address flows in MF units in a network that can be routed by traffic engineering (TE) in units of macroflows (MF), which are a set of arbitrary traffic flows between pairs of identical departure and arrival (OD) nodes. The flow aggregation method in
Parameter input step for dividing the number of generated MFs and time into time slots (TS) with a fixed period T and inputting parameters including the amount of traffic R f, t generated for each flow f in each TSt in the evaluation period 1 ≦ t ≦ L When,
The computer executes an MF generation step of classifying F flows existing between each OD node pair into M MFs using the generated traffic amount R f, t of each flow f,
The MF generation step includes
Clustering each flow f into K clusters c using an L-dimensional vector R f whose elements are generated traffic R f, t in each TSt;
Obtaining a traffic ratio by minimizing the maximum amount of traffic in each TS of each MF from each cluster c;
Aggregating flows into MF based on the traffic ratio;
The flow aggregation method characterized by including.
請求項1乃至4のいずれか1項に記載のフロー集約装置の各手段として機能させるためのフロー集約プログラム。
Computer
The flow aggregation program for functioning as each means of the flow aggregation apparatus of any one of Claims 1 thru | or 4.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014110857A JP5888684B2 (en) | 2014-05-29 | 2014-05-29 | Flow aggregation apparatus, method, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014110857A JP5888684B2 (en) | 2014-05-29 | 2014-05-29 | Flow aggregation apparatus, method, and program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2015226236A JP2015226236A (en) | 2015-12-14 |
JP5888684B2 true JP5888684B2 (en) | 2016-03-22 |
Family
ID=54842715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014110857A Active JP5888684B2 (en) | 2014-05-29 | 2014-05-29 | Flow aggregation apparatus, method, and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5888684B2 (en) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291959A (en) * | 2018-12-10 | 2020-06-16 | 顺丰科技有限公司 | Resource allocation method, device, equipment and storage medium |
-
2014
- 2014-05-29 JP JP2014110857A patent/JP5888684B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP2015226236A (en) | 2015-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109818865B (en) | SDN enhanced path boxing device and method | |
CN107005781B (en) | System and method for generating virtual network topology for M2M communications | |
WO2017219890A1 (en) | Method for generating routing control action in software defined network and related device | |
Wang et al. | Wireless network capacity versus Ollivier-Ricci curvature under Heat-Diffusion (HD) protocol | |
Xu et al. | Low latency security function chain embedding across multiple domains | |
Amaldi et al. | Network optimization problems subject to max-min fair flow allocation | |
Zhang et al. | Improved efficient static weighted routing strategy on two-layer complex networks | |
JP2015156529A (en) | Flow aggregation device, method and program | |
JP5888684B2 (en) | Flow aggregation apparatus, method, and program | |
CN113794638A (en) | SDN data center network elephant flow scheduling method based on differential evolution algorithm | |
JP5742981B1 (en) | Route calculation apparatus, method, and program | |
Isravel et al. | Centrality based congestion detection using reinforcement learning approach for traffic engineering in hybrid SDN | |
Kamiyama et al. | Flow aggregation for traffic engineering | |
Altın et al. | Intra-domain traffic engineering with shortest path routing protocols | |
Nair et al. | Particle swarm optimization for realizing intelligent routing in networks with quality grading | |
Medagliani et al. | Global optimization for hash-based splitting | |
Majidi et al. | MiFi: Bounded update to optimize network performance in software-defined data centers | |
Wu et al. | Effective routing algorithms based on node usage probability from a complex network perspective | |
Biswas et al. | Efficient Switch Migration for Controller Load Balancing in Software Defined Networking | |
WO2015106794A1 (en) | Methods and systems for data routing | |
Nevzorova et al. | Hierarchical method of load-balancing routing in MPLS network | |
WO2020245948A1 (en) | Required communication quality estimation device, required communication quality estimation method, and program | |
Aoki et al. | Network partitioning problem for effective management of multi-domain SDN networks | |
Wang et al. | Planning and online resource allocation for the multi-resource cloud infrastructure | |
Perepelkin et al. | DC Designer: Software System of Scaling Multiprovider Data Centers Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20150929 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20151104 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20151208 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160113 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20160202 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160208 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5888684 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |