网络负载均衡优化算法的建模与仿真

研究网络资源管理中的负载均衡与优化问题,网络资源有限且负载具有突发性,造成资源浪费。采用传统单一蚁群算法或遗传算法均存在各自不足,难以适应用网络负载变化特点,使网络资源利用率低,网络拥塞严重。为了提高网络资源利用率,使网络负载更加均衡,提出一种蚁群-遗传算法的网络负载均衡方法。首先利用遗传算法对网络负载均衡问题进行全局搜索,使网络负载均衡的解迅速处于全局最优区域解附近,然后将遗传算法的解作为蚁群算法初始信息素,进行进一步搜索,最后找到网络负载均衡的最优解。仿真结果表明,用蚁群-遗传算法提高了网络资源利用率,降低网络丢包率,提高网络整体性能。     

SDN中基于负载均衡的最优路径选择算法研究

针对传统网络控制与转发的紧耦合,其路径分配算法的全局性差,实时性不足,根据软件定义网络的集中控制,提出一种基于马尔科夫链负载均衡(Markov Chain-Load Balancing ,MC-LB)算法。该算法使用马尔科夫链的转移概率计算链路重要性,并同时对业务流请求量和网络负载均衡率两个目标进行优化,获得多请求下的最优路径分配。通过大量实验对比表明该算法优于传统SPF（Shortest Path First）算法,最大可以增加网络负载均衡率30%,提升网络业务流请求接受率20%。达到了负载均衡效果,提高了网络的性能。     

多蚁群算法的网络负载动态均衡方法

针对网络资源管理中的负载均衡与优化问题,提出一种多蚁群网络负载动态均衡方法,采用网络流量工程理论中拥塞控制机制实现信息素随网络流量动态释放与更新。算法通过蚁群间信息素的动态相互作用（蚁群内信息素相互增强,蚁群间信息素相互削弱）,将代表网络负载的蚂蚁合理分配到可用路径,避免蚂蚁集中到特定路径而造成网络拥塞。实验结果表明,通过路径信息素控制能够实现网络负载均衡,有效提高网络在路径延时、平均带宽利用率和平均丢包率方面的性能。     

基于模糊满意度的软件定义网络交换机迁移策略

针对软件定义网络中多控制器间负载均衡的迁移代价和迁移效率问题,提出一种基于模糊满意度的交换机迁移策略。首先,构建均衡判断矩阵,监测控制器负载状态,且提出交换机组选择度,划分交换机组以选取迁移交换机;其次,考虑迁移代价和负载均衡率,构建模糊满意度迁移竞争模型,且提出改进蚁群算法优化求解,选择最佳迁入控制器;最后,将迁移交换机迁往迁入控制器,实现交换机的快速迁移。实验结果表明,与现有交换机迁移策略相比,所提方法在保证较高负载均衡率的同时,进一步优化了网络性能,迁移代价平均减少约26.8%,控制器平均响应时间缩短约0.41 s,改善了交换机迁移过程。     

双向反馈蚁群算法在网络负载均衡问题的研究

针对网络资源管理中的负载均衡与优化问题,提出一种双向反馈蚁群算法,用蚂蚁数量代表网络资源流量,通过蚂蚁间信息素的相互作用和动态控制来实现网络流量分担到多条可用路径。将蚁群算法扩展为双向反馈的蚁群算法,蚂蚁判断各条路径上的信息素浓度的同时,考虑可选链路的负载情况,决定选择要走路径,使得蚂蚁相对均衡地分布在可选链路上。仿真实验结果表明,双向反馈蚁群算法比原蚁群算法在缩短自适应时间,减少丢包率,提高负载均衡效率方面都具有更好的性能。     

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。     

软件定义承载网中基于负载均衡的虚拟网络重配置方法*

在软件定义承载网(Carrier-SDN)中应用网络虚拟化技术为虚拟网络请求分配资源是解决传统网络结构僵化问题的重要方法之一。针对虚拟网络初次配置产生的瓶颈节点和瓶颈链路造成的底层网络负载不均衡问题,提出一种基于负载均衡的虚拟网络重配置方法(Load Balance Virtual Network Reconfiguration,LB-VNR)。该方法着重设计了虚拟节点的迁移算法、虚拟链路的迁移算法以及重路由映射路径规划算法。仿真结果表明,所提方法在虚拟网络请求接受率、网络收益代价比和虚拟网络负载均衡性方面均具有良好的性能。     

基于改进蚁群算法的集群负载均衡研究

在集群负载均衡技术中,负载均衡算法的好坏直接影响负载均衡系统的性能.蚁群算法是一种很有效的组合优化算法.在蚁群算法的基础上,文章提出了一种与遗传算法相融合的基于基本蚁群算法的混合智能负载平衡算法.算法中遗传特征的引入,有效地改善了传统蚁群算法容易陷入局部最优解的缺陷,极大地提高了算法的收敛速度,有效地实现了集群的动态负载均衡.     

基于环境感知的多路径路由算法

认知网络能够提高网络端到端的性能,确保服务质量(QoS)要求。而目前普遍使用的路由算法不具备网络认知能力。针对这一问题,提出一种具有认知能力的负载均衡多路径路由算法,该算法结合了Q学习算法和蚁群算法各自的优点,通过蚁群算法完成路径的建立和维护,Q学习算法实现拥塞规避和负载均衡。使用OPNET仿真比较,表明该算法在时延、带宽利用方面均具有较好的性能。     

一种基于软件定义网络的服务功能链优化部署机制

针对软件定义网络环境下现有服务链部署方法未能充分考虑全网资源利用率的问题,提出了一种基于高效启发式算法的服务链优化部署机制。首先,给出了服务链部署的总体结构,并引入了整数线性规划模型对其进行数学建模;其次,提出了一种高效启发式的模型求解算法,该算法以先排序后贪心的方式,能够在满足资源和时延约束下有效利用网络资源和均衡负载。仿真结果表明,与其他部署算法相比,该算法在降低负载均衡度和时间复杂度的同时提高了请求接受率。     

基于渗透式人工蜂群与蚁群优化混合的负载平衡算法

针对当前云计算负载平衡调度过程中出现的虚拟机迁移效率低和能耗高问题,提出了一种基于渗透式人工蜂群与蚁群混合优化负载平衡算法,该算法将化学渗透行为与生物启发的负载平衡算法相结合,在充分利用人工蜂群和蚁群两种优化算法优点的同时,将渗透技术应用于负载均衡。由于渗透技术支持通过云基础设施迁移的虚拟机的自动部署,从而克服了现有仿生算法在实现物理机之间负载平衡方面的缺点,提高了迁移效率。实验结果表明,以现有负载平衡算法相比,提出的算法在迁移性能上提升明显。     

基于蚁群算法的网络安全路由算法研究

通过研究蚂蚁寻食的轨迹,分析推理出一种得到最优路径的并行算法,由于其灵感来源于蚂蚁,所以起名为蚁群算法。蚁群算法是近年才发展起来的,成功应用于很多领域,如车辆调度问题、分布式人工智能研究、负载平衡、大规模集成电路设计、工厂生产计划制定方面、图像着色和路由算法方面等等。本文主要是运用蚁群算法,寻找Ad Hoc网络中最优路由路径,使整个Ad Hoc网络成为一个稳定可靠的网络系统。     

云资源中多目标集成蚁群优化调度算法

针对云计算环境的复杂性和云资源的不确定性,提出多目标集成蚁群优化调度算法。采用熵度量云资源的不确定性,进行信息素全局更新,以提高算法收敛速度;将Min-min算法得出的任务预期最小完成时间作为启发信息,以实现最小调度时间;在信息素局部更新时加入负载系数,根据当前负载情况调节信息素,满足负载均衡需求,同时在更新时考虑信息素扩散因素,不仅计算当前节点还考虑周遭节点信息素情况,可增强蚂蚁间协作,提高最优解的性能。改进后算法比原始蚁群算法降低了算法复杂度,提高了最优解精度。云仿真系统实验测试表明改进算法在调度时间、负载均衡等方面表现均优于其他算法。     

基于时间负载均衡蚁群算法的云任务调度优化

针对云渲染系统中渲染节点与任务不匹配调度而带来的时间负载不均衡和耗时长的问题,提出一种基于时间负载均衡的任务调度方式来优化系统耗时的策略.该算法采用Min-min与Max-min相结合的思想,建立时间负载均衡模型进行前期迭代,将迭代结果作为蚁群算法的初始序列,并按照适应度规则计算出相应的初始信息素,同时通过单一变量法确定合理的参数,蚁群算法采用已有的初始资源和参数值进行后期迭代,根据标准量度自定义函数进行高效寻优,进而求得最终的任务调度序列.仿真结果表明,本策略既具有较高的搜索效率和较强的全局寻优能力,又能有效降低任务完成时间,且在时间负载均衡和寻优速度方面均显著优于蚁群算法和蚁群退火算法.     

云环境下副本优化放置策略研究

为了提高云计算数据调度和副本访问的效率,对副本策略中的副本放置问题进行研究,提出一种基于蚁群算法的副本放置策略。根据自然界中蚁群觅食的原理,把蚁群算法应用于副本放置的整个过程; 利用信息素的动态更新以及拉普拉斯概率分布改进的蚁群算法得出一组最优解进行副本放置。在CloudSim平台上进行了仿真模拟,实验结果表明,提出的方案在平均作业完成时间、网络利用率和负载均衡度上均优于原始蚁群算法,并在一定程度上降低了副本放置的时间消耗和网络负载。     

Swarm Intelligence Approaches for Grid Load Balancing

With the rapid growth of data and computational needs, distributed systems and computational Grids are gaining more and more attention. The huge amount of computations a Grid can fulfill in a specific amount of time cannot be performed by the best supercomputers. However, Grid performance can still be improved by making sure all the resources available in the Grid are utilized optimally using a good load balancing algorithm. This research proposes two new distributed swarm intelligence inspired load balancing algorithms. One algorithm is based on ant colony optimization and the other algorithm is based on particle swarm optimization. A simulation of the proposed approaches using a Grid simulation toolkit (GridSim) is conducted. The performance of the algorithms are evaluated using performance criteria such as makespan and load balancing level. A comparison of our proposed approaches with a classical approach called State Broadcast Algorithm and two random approaches is provided. Experimental results show the proposed algorithms perform very well in a Grid environment. Especially the application of particle swarm optimization, can yield better performance results in many scenarios than the ant colony approach.     

传感器网络中基于簇的多路径路由协议

针对事件驱动型传感器网络的应用,提出一种基于簇的多路径路由协议CBMRP(Cluster-Based Multi-path Routing Protocol),以平衡节点能耗和提高能量效率。根据应用特点,位于事件区域的节点根据部居节点的分布情况和自身的剩余能量进行簇首竞争;然后,利用蚁群算法有效搜索多路径,并动态地选择一条路径传输数据。此外,该协议还采用一种简单的簇内调度方法,使其在满足监测精度的情况下,通过关闭冗余节点来进一步降低网络能耗。仿真结果表明,与传统协议相比,该协议具有更低的能耗和更长的网络生存期。