DCN中基于前馈神经网络的动态多路径负载均衡方法

针对数据中心网络（DCN）中因大象流而引起的网络负载不均衡问题,提出一种基于前馈神经网络的动态多路径负载均衡方法。在拓扑感知和流量信息监控的基础上对大象流进行标记,将收集到的网络流量信息输入前馈神经网络以预估每段链路的负载,并结合优化蚁群算法为大象流寻找最优路径,使大象流根据链路的实时状态完成路径选择。仿真结果表明,该方法能够有效降低网络传输时延,提高链路利用率和网络吞吐量。     

基于SDN网络大象流负载均衡算法研究

负载均衡算法是通过对网络中的流量进行调度来提高网络资源利用率,是计算机网络中的一个重要研究方向;针对网络中大象流导致的网络拥塞和老鼠流的排队时延等负载不均衡问题,提出了带宽和时延加权负载均衡(BD-WLB)算法来提高负载均衡性能,综合考虑了大小流之间的流量特征不同,改进了传统算法的路径计算方式;算法通过控制器来获取网络流量和状态信息;然后利用带宽和时延等网络状态参数来为大象流和老鼠流分别计算最优路径;采用P4语言来对数据平面转发流程进行优化处理;实验结果表明,在高负载状态时,BD-WLB算法相比于ECMP算法提高了38.4%的网络吞吐量和41.9%的链路利用率,降低了41.8%的网络时延;使网络资源得到了更好的利用,证明了BD-WLB算法的可行性和有效性。     

数据中心网络中基于蚁群算法的动态多路径负载均衡

针对数据中心网络中等价多路径路由算法（equal-cost multi-path routing,ECMP）无法有效调度大象流而导致流量负载不均衡及易造成网络拥塞的问题,提出了一种基于蚁群算法的动态多路径负载均衡（ant colony algorithm based dynamic multipath load balancing,ADMLB）算法。ADMLB算法首先通过控制器获取网络负载信息,同时检测大象流并标记,然后调用改进的蚁群算法,根据大象流所需带宽选择多路径。实验结果表明,与传统的ECMP和现有流调度算法相比,ADMLB算法降低了链路延迟时间,有效提高了链路带宽利用率。     

面向SDN数据中心网络最大概率路径流量调度算法

随着数据中心网络规模的迅速增长,网络带宽利用率低下导致的网络拥塞问题日益突出,通过负载均衡提高数据中心网络链路带宽利用率和吞吐量成为了研究热点.如何结合流量特征、链路状态和应用需求进行流量的合理调度,是实现网络链路负载均衡的关键.针对数据中心突发性强、带宽占用率高的大象流调度问题,提出一种面向SDN数据中心网络最大概率路径流量调度算法,算法首先计算出满足待调度流带宽需求所有路径,然后计算流带宽与路径最小链路带宽之间的带宽比,结合所有路径的带宽比为每一条路径计算路径概率,最后利用概率机制选择路径.算法不仅考虑了流带宽需求和链路带宽使用情况,而且全局地考虑了流调度和链路带宽碎片问题.实验结果表明,最大概率路径调度算法能够有效地缓解网络拥塞,提高带宽利用率和吞吐量,减少网络延迟,从而提高数据中心的整体网络性能和服务质量.     

基于蚁群算法的SDN数据中心网络大象流调度研究

针对传统方法调度大象流时容易造成数据中心网络拥塞和负载不均衡等问题,提出一种基于蚁群算法的SDN（software defined network）数据中心网络流量调度算法ACO-SDN。对大象流调度问题建立整型线性规划ILP（integral linear programing）模型,优化目标为最小化最大链路利用率。通过重定义蚁群算法的参数和操作求解ILP模型,得到大象流重路由的最优路径。实验结果表明,与ECMP（equal-cost multi-path routing）和GFF（global first fit）流量调度算法相比,ACO-SDN算法降低了网络最大链路利用率,有效地提高了网络对分带宽。     

基于大流调度的软件定义数据中心网络负载均衡算法

传统负载均衡算法对数据中心网络中的大流进行调度时,会造成部分链路负载过重、网络整体负载不均衡等问题。将负载均衡问题转化为多商品流问题进行求解,结合软件定义网络集中控制的思想和数据中心网络的流量特征,提出一种基于大流调度的软件定义数据中心网络负载均衡算法。根据阈值将数据流划分为大流和小流,结合路径上大流分布度和可用负载度对大流进行重路由,以减小大流对网络负载均衡的影响。仿真实验表明,在流量大小分布不均衡的数据中心网络中,该算法与传统的等价多路径算法和基于全局最先匹配的动态流量调度算法相比,在平均对分带宽上获得了更大的提升,能够更好地实现数据中心网络的负载均衡。     

基于差分进化融合蚁群算法的数据中心流量调度机制

针对数据中心网络的传统流量调度方法容易引起网络拥塞及链路负载不均衡等问题,提出了一种差分进化（DE）融合蚁群（ACO）算法（DE-ACO）的动态流量调度机制,对数据中心网络中的大象流调度进行优化。首先,利用软件定义网络（SDN）技术捕获实时网络状态信息并设定流量调度的优化目标;然后,通过优化目标重定义DE算法,计算出多条可用候选路径,作为ACO算法的初始化全局信息素;最后,结合全局网络状态以求得全局最优路径,并重新路由拥堵链路上的大象流。实验结果表明,以在随机通信模式下为例,与等价多路径路由（ECMP）算法和基于蚁群算法的SDN数据中心网络流量调度（ACO-SDN）算法相比,所提算法的平均对分带宽分别提高了29.42%~36.26%和5%~11.51%,降低了网络的最大链路利用率（MLU）,较好地实现了网络负载均衡。     

一种采用流切割实现报文保序的负载均衡算法

网络链路过载或链路失效时,使用负载均衡技术可以避免网络发生拥塞。负载的分派粒度决定了负载均衡系统的均衡性能。分派粒度越细,均衡效果越理想。基于包水平粒度的负载分派可以实现理想的均衡性能,但是会造成同一TCP业务流中报文乱序;基于流水平的分派可以保证报文不乱序,但均衡效果不理想。提出了按照报文段粒度分派负载的FSLB算法。仿真实验表明,该算法可避免报文乱序并能达到较理想的均衡效果。     

多链路负载均衡技术在气象业务网络中的应用

文章针对当前气象业务网络中多Internet链路接入的现状和存在问题,提出了利用多链路负载均衡技术的网络改造解决方案。链路负载均衡技术可以根据链路的状况在多条链路之间动态而透明地分配流量和负载,有效地实现了多链路的负载均衡和冗余备份。最后结合气象业务网络配置实例,分析了链路负载均衡技术的实现过程和实际应用效果。     

基于SDN的数据中心网络流概率路径选择方法

为提高数据中心网络(DCN)的链路带宽利用率和吞吐量,提出一种基于软件定义网络(SDN)的流概率路径选择方法。在最短路径选择方法的基础上,利用SDN控制器对网络流进行分类处理,同时计算每条数据流在调度过程中的带宽占用情况以减少数据链路碎片化,并优化DCN数据流量调度,从而实现网络负载均衡。实验结果表明,该方法能降低网络传输时延,提高链路利用率及负载均衡度。     

基于流特征的数据中心非对称流负载均衡方法

数据中心边界广泛部署的地址转换技术产生的非对称流为负载均衡系统的设计带来了挑战.为了解决软件负载均衡系统不能充分发挥多核处理器和网卡硬件能力的问题,提出一种基于流特征的非对称流负载均衡方法.首先,分析网卡的数据包散列机制,提出数据包调度算法,将数据包调度至预期的CPU核;然后,基于会话报文序列的时间与空间特征,构建大象流识别算法;最后,基于识别结果,提出负载均衡方法.实验结果表明,非对称流负载均衡方法可以正确处理非对称流的负载均衡,平均吞吐率提升约14.5%.     

基于流调度选择的DCN动态负载均衡算法

针对数据中心网络(data center network,DCN)动态调度导致的负载不均衡问题,提出了基于流调度选择的动态负载均衡(dynamic load balancing based on flow scheduling selection,DLBFSS)算法。该算法首先计算拥塞链路上各条大流的等价最短路径,并删除不满足流带宽需求的路径;然后计算剩余路径的可用吞吐量,选择可用吞吐量最大的路径作为最优调度路径;最后根据大流的带宽和最优路径的负载定义调度的拥塞概率,将拥塞概率作为大流调度选择的依据。实验结果表明,与传统ECMP（equal-cost multi-path）路由和现有大流调度算法相比,DLBFSS能够减小网络时延,提高流的带宽利用率,保证了更好的负载均衡。     

SDN数据中心网络基于流分类的负载均衡方案

随着数据中心内的数据流量不断增加,导致网络中部分链路负载过重。传统的ECMP机制由于没有考虑链路状态以及流量特征,因此不再适用数据中心网络。同时ECMP可能会将多条大流映射到同一条路径上,造成大流映射冲突,导致链路瓶颈问题。基于SDN（Software Defined Network）架构提出一种面向Fat-Tree拓扑的动态流量负载均衡机制（Load Balancing based on Flow Classification,LBFC）,同时考虑了链路状态信息与流量特征进行负载均衡。LBFC机制动态调整流分类阈值来判定大流和小流,采用不同的方式为大流和小流选择转发路径,以满足大流和小流不同的传输性能需求。仿真结果表明LBFC机制能够根据网络链路状态以及流量特征动态地判定大流和小流并实现负载均衡,与ECMP、GFF和DLB算法相比,LBFC机制提高了网络吞吐量以及链路利用率,降低了传输时延。     

基于拥塞及内存感知的SD-WAN故障恢复

在软件定义广域网(SD-WAN)中, 链路故障会导致大量丢包, 严重时会引起部分网络瘫痪. 现有的流量工程方法通过在数据平面提前安装备份路径能够加快故障恢复过程, 但在资源受限的情况下难以适应各种网络故障情况, 从而使恢复后的网络性能下降. 为了保证网络在故障恢复之后的性能并减少备份资源的消耗, 本文提出一种基于拥塞及内存感知的主动式故障恢复方案(CAMA), 不仅能够将受影响数据流进行快速重定向, 还能实现负载均衡避免恢复后潜在的链路拥塞. 实验结果表明, 与已有方案相比, CAMA能有效利用备份资源, 在负载均衡上有较好的性能, 且仅需少量备份规则即可覆盖所有单链路故障情况.