基于SDN的數(shù)據(jù)中心網(wǎng)絡(luò)流量調(diào)度機制的設(shè)計與實現(xiàn)

王文濤，鄭　芳，王玲霞，穆曉峰

(中南民族大學(xué) 計算機科學(xué)學(xué)院，武漢 430074)

?

基于SDN的數(shù)據(jù)中心網(wǎng)絡(luò)流量調(diào)度機制的設(shè)計與實現(xiàn)

王文濤，鄭芳，王玲霞，穆曉峰

(中南民族大學(xué) 計算機科學(xué)學(xué)院，武漢 430074)

針對SA算法中未考慮當(dāng)前網(wǎng)絡(luò)鏈路帶寬資源引起的流沖突問題以及GFF算法中未考慮流帶寬需求變化引起帶寬資源分配不合理問題，提出了基于模擬退火遺傳算法的按需自適應(yīng)(SAGA-AO)流量調(diào)度機制.該機制首先依據(jù)流帶寬需求變化篩選出網(wǎng)絡(luò)中需要調(diào)度的流，然后利用模擬退火遺傳算法(SAGA)根據(jù)當(dāng)前鏈路帶寬資源狀況對需要調(diào)度的流進(jìn)行全局調(diào)度路徑搜索.仿真結(jié)果表明：SAGA-AO算法在大多數(shù)通信模型下平均對分帶寬高于SA和GFF算法.

數(shù)據(jù)中心網(wǎng)絡(luò)；流量調(diào)度；按需自適應(yīng)；模擬退火遺傳算法

數(shù)據(jù)中心網(wǎng)絡(luò)為不斷增長的云計算、多媒體存儲、大數(shù)據(jù)分析等業(yè)務(wù)提供關(guān)鍵的帶寬需求[1].現(xiàn)有數(shù)據(jù)中心網(wǎng)絡(luò)存在以下幾個問題，首先，網(wǎng)絡(luò)拓?fù)洳捎枚壔蛉墭湫谓Y(jié)構(gòu)，這種網(wǎng)絡(luò)拓?fù)涞目値捓寐适芟抻谏蠈泳W(wǎng)絡(luò)帶寬，因此當(dāng)網(wǎng)絡(luò)規(guī)模越大，對上層網(wǎng)絡(luò)設(shè)備的性能要求也越高[2]；其次，ECMP靜態(tài)路由方法不能很好地利用數(shù)據(jù)中心網(wǎng)絡(luò)多路徑的特性；最后，缺乏智能管理，不能根據(jù)網(wǎng)絡(luò)實時狀況對網(wǎng)絡(luò)資源進(jìn)行合理分配.

軟件定義網(wǎng)絡(luò)(SDN)技術(shù)的興起，為解決數(shù)據(jù)中心網(wǎng)絡(luò)問題提供了新思路.SDN是一種新型的網(wǎng)絡(luò)架構(gòu)，起源于美國斯坦福大學(xué)2006年Clean Slate研究項目[3]，其核心思想是將控制平面從傳統(tǒng)分布式網(wǎng)絡(luò)的網(wǎng)元設(shè)備中分離出來，通過集中式網(wǎng)絡(luò)操作系統(tǒng)對網(wǎng)元設(shè)備實現(xiàn)集中控制，而網(wǎng)元設(shè)備只負(fù)責(zé)簡單的數(shù)據(jù)轉(zhuǎn)發(fā)工作，集中式網(wǎng)絡(luò)操作系統(tǒng)向上提供靈活的、開放的可編程接口，網(wǎng)絡(luò)管理者可利用這些開放的可編程接口實現(xiàn)相關(guān)的網(wǎng)絡(luò)管理應(yīng)用服務(wù)[4].基于SDN上述特性，本文利用SDN技術(shù)對數(shù)據(jù)中心網(wǎng)絡(luò)的流量調(diào)度問題展開研究，通過SDN控制器實現(xiàn)對數(shù)據(jù)中心網(wǎng)絡(luò)的集中式管理，利用OpenFlow[5]協(xié)議統(tǒng)計數(shù)據(jù)中心網(wǎng)絡(luò)流量信息，設(shè)計并實現(xiàn)基于模擬退火遺傳算法的按需自適應(yīng)(SAGA-AO)流量調(diào)度機制，達(dá)到合理利用網(wǎng)絡(luò)帶寬資源、提高網(wǎng)絡(luò)帶寬利用率的目的.

1　SAGA-AO流量調(diào)度機制

SAGA-AO流量調(diào)度機制系統(tǒng)架構(gòu)圖如圖1所示，主要包括數(shù)據(jù)中心網(wǎng)絡(luò)、SDN控制器兩個部分.數(shù)據(jù)中心網(wǎng)絡(luò)采用Fat-Tree網(wǎng)絡(luò)拓?fù)?，通過OpenFlow交換機互聯(lián)而成.所有的OpenFlow交換機通過安全信道連接到SDN控制器.OpenFlow交換機將網(wǎng)絡(luò)中的流量信息報告給SDN控制器，同時根據(jù)SDN控制器修改流表的消息更新自身流表.在SDN控制器中設(shè)計ECMP路由模塊、SAGA-AO流量調(diào)度模塊、鏈路帶寬資源回收模塊等三個模塊管理數(shù)據(jù)中心網(wǎng)絡(luò)中的流量和資源.當(dāng)網(wǎng)絡(luò)中的流量到達(dá)OpenFlow交換機時，首先默認(rèn)采用ECMP路由算法轉(zhuǎn)發(fā).SAGA-AO流量調(diào)度模塊周期性地根據(jù)網(wǎng)絡(luò)狀態(tài)對網(wǎng)絡(luò)中的流量實時調(diào)度.當(dāng)流傳輸結(jié)束時，由帶寬資源回收模塊進(jìn)行帶寬資源回收.

圖1　系統(tǒng)總體架構(gòu)圖Fig.1　System architecture

1.1流量監(jiān)測

SAGA-AO流量調(diào)度模塊周期性監(jiān)測數(shù)據(jù)中心網(wǎng)絡(luò)的邊緣交換機.流量監(jiān)測的目的有兩個，其一是篩選網(wǎng)絡(luò)中的大象流(帶寬大于鏈路容量的10%)，其二判斷篩選出的流是否為新監(jiān)測到的流.流量檢測模塊由OpenFlow協(xié)議的Flow-States消息實現(xiàn).該模塊根據(jù)Flow-States消息計算流的實際傳輸速率，判斷該流是否為大象流.

1.2帶寬需求估計

本文采用文獻(xiàn)[6]提出的帶寬估計算法估算由流量檢測模塊篩選出的大象流的自然帶寬需求.自然帶寬需求表示網(wǎng)絡(luò)中的流傳輸速率只受源主機和目的主機的網(wǎng)絡(luò)接口設(shè)備(NIC)的限制，而不受到傳輸路徑中鏈路可用帶寬的限制所能達(dá)到的最大帶寬需求.這里估算流的自然帶寬需求原因在于流當(dāng)前占用鏈路的帶寬不能反映流的實際帶寬需求.TCP的AIMD行為和公平隊列實現(xiàn)了對流帶寬的最大最小公平分配，因此在帶寬需求估計過程中采用最大最小公平分配方法.

1.3基于帶寬需求變化的調(diào)度流篩選策略

文獻(xiàn)[6]提出全局首次適應(yīng)(GFF)流量調(diào)度算法.GFF是一種貪心策略，該算法遍歷每條流的所有可能路徑，根據(jù)路徑的剩余帶寬信息找到第一條滿足流帶寬需求的路徑.GFF算法在分配路徑時雖然考慮了當(dāng)前網(wǎng)絡(luò)鏈路資源狀況，但是其并沒有考慮調(diào)度過程中流帶寬需求的變化.對于帶寬需求變化的流仍按照原分配路徑轉(zhuǎn)發(fā)，這是不合理的.針對該問題，本文提出基于帶寬需求變化的調(diào)度流篩選策略.該策略根據(jù)帶寬需求的變化，對網(wǎng)絡(luò)中的流合理調(diào)度，篩選出網(wǎng)絡(luò)中當(dāng)前鏈路帶寬不滿足帶寬需求的流和新到達(dá)的流，避免對所有的流頻繁調(diào)度.基于帶寬需求變化的調(diào)度流篩選策略如算法1所示.該算法首先遍歷ElephantFlows中的每一條流，若該流是新監(jiān)測的流，則將其加入到ScheduleFlows集合中；否則該流在之前的調(diào)度過程中已分配路徑，判斷該流的帶寬需求是否發(fā)生變化.若流的帶寬需求變小，則已分配路徑鏈路帶寬可以滿足該流的帶寬需求，不需要重新調(diào)度，收回該路徑的多余帶寬資源；若新的帶寬需求變大，進(jìn)一步判斷當(dāng)前路徑的可用鏈路帶寬是否滿足流新的帶寬需求.若路徑帶寬可以滿足該流新的帶寬需求，則不需要對該流重新調(diào)度，用新的帶寬需求更新路徑的剩余帶寬；否則需要對該流重新調(diào)度，收回已分配路徑的帶寬資源，加入到ScheduleFlows集合中.該算法的時間復(fù)雜度為O(|F|).

算法1 基于帶寬需求變化的調(diào)度流篩選策略

輸入：當(dāng)前網(wǎng)絡(luò)大象流集合Elephantflows, 鏈路剩余容量FreeBW

輸出：需要調(diào)度流集合ScheduleFlows

forallflowfinElephantflowsdo

iff.assigned =Falsethen

ScheduleFlows ←ScheduleFlows∪{f}

else

iff.new_demand < f.old_demand

foralllinklinf.pathdo

FreeBW[l] ← FreeBW[l] + f.old_demand - f.new_demand

elseiff.new_demand > f.old_demandthen

ifalllinksinf.pathsatisfyFreeBW > f.new_demand - f.old_demandthen

foralllinklinf.pathdo

FreeBW[l] ← FreeBW[l] +

f.old_demand - f.new_demand

else

foralllinklinf.pathdo

FreeBW[l] ← FreeBW[l] + f.old_demand

ScheduleFlows ← ScheduleFlows∪{f}

endif

endif

endif

endfor

2　基于SAGA的調(diào)度路徑搜索算法

文獻(xiàn)[6]提出模擬退火(SA)流量調(diào)度算法，該算法在每個調(diào)度周期都將網(wǎng)絡(luò)所有鏈路看成空閑狀態(tài)，對流進(jìn)行調(diào)度路徑分配時沒有考慮當(dāng)前網(wǎng)絡(luò)鏈路資源狀況，容易造成流沖突.針對該問題，本文提出基于SAGA的調(diào)度路徑搜索算法，該算法根據(jù)網(wǎng)絡(luò)當(dāng)前鏈路帶寬資源狀況搜索流的調(diào)度路徑.SAGA算法是一種將遺傳算法(GA)和SA算法相結(jié)合的算法，對兩者取長補短.

2.1算法模型

本文利用SAGA算法對ScheduleFlows中的流進(jìn)行全局路徑搜索，算法模型描述如下：將數(shù)據(jù)中心網(wǎng)絡(luò)拓?fù)涠x為G(S，L)，其中S為網(wǎng)絡(luò)中的交換機節(jié)點集合，S={s1,s2,…,sn}，L為網(wǎng)絡(luò)中鏈路集合，L={l1,l2,…,ll}，鏈路容量C={cl1,cl2,…,cll}.設(shè)當(dāng)前網(wǎng)絡(luò)需要調(diào)度流集合F={f1,f2,…,fk}.給所有流分配路徑集合P={(p1,bw1),(p2,bw2),…,(pk,bwk)}，其中pi={li1,li2,…,lip}表示流fi被分配路徑，bwi表示路徑pi預(yù)留給流fi的帶寬.本文設(shè)計算法優(yōu)化模型為最大化所有流調(diào)度路徑上的總鏈路帶寬利用率，即：

(1)

其中，分子表示所有流調(diào)度路徑上每條鏈路的預(yù)留帶寬之和，分母表示所有流調(diào)度路徑上每條鏈路的容量之和；k表示當(dāng)前網(wǎng)絡(luò)需要調(diào)度的流的數(shù)目；p表示流被分配到路徑上的鏈路數(shù)目；m表示所有流調(diào)度路徑鏈路總和.

2.2算法步驟

(1) 初始化控制參數(shù)，包括種群大小，退火初始溫度T0，交叉和變異概率.

(2) 采用隨機方式初始化種群.本文通過目的主機與最高層交換機映射，將網(wǎng)絡(luò)中的流調(diào)度到其目的主機映射的最高層交換機所在的路徑上.具體染色體編碼方式如下：對于一個k級Fat-tree拓?fù)浣Y(jié)構(gòu)，共有(k/2)2個核心交換機，設(shè)定核心交換機的編號為CoreSwich_ID={1,2,3,…,(k/2)2}，共有k個Pod，每個Pod有k/2個匯聚交換機，以Pod為單位設(shè)定匯聚交換機的編號為AggSwitch_ID={1,2,…,k/2}，設(shè)當(dāng)前網(wǎng)絡(luò)需要調(diào)度流的目的主機總數(shù)為n，設(shè)定目的主機的編號為DstHost_ID={1,2,…,n}.染色體的大小為n，n為當(dāng)前網(wǎng)絡(luò)流的目的主機數(shù).染色體基因值為目的主機的編號DstHost_ID.根據(jù)(2)式將目的主機映射到對應(yīng)的核心交換機或匯聚交換機：

(2)

(3) 計算初始種群每個個體對應(yīng)的調(diào)度路徑和適應(yīng)度函數(shù)值.根據(jù)本文算法設(shè)計的優(yōu)化目標(biāo)將所有流調(diào)度路徑上的總鏈路帶寬利用率作為適應(yīng)度函數(shù)f=UF.

(4) 對種群進(jìn)行選擇、交叉、變異操作產(chǎn)生新種群.本文遺傳算子采用偏置輪盤選擇，根據(jù)個體的適應(yīng)度函數(shù)值與群體適應(yīng)度函數(shù)總和之比計算每個個體的選擇概率，個體適應(yīng)度函數(shù)值越大，被選中的概率越大；交叉算子采用單點交叉方法，將種群中相鄰的兩個個體的染色體隨機選取一點以一定的交叉概率進(jìn)行交叉，通過交叉算子使得目的主機映射的匯聚交換機和核心交換機發(fā)生改變，對應(yīng)的傳輸路徑也發(fā)生改變；變異算子則首先隨機選擇兩個變異位置，然后以一定的變異概率將這兩個變異位置的基因進(jìn)行互換.

(5) 計算新種群每個個體對應(yīng)的調(diào)度路徑和適應(yīng)度函數(shù)值，并根據(jù)Metopolis準(zhǔn)則判斷是否接受新個體.Metopolis準(zhǔn)則如(3)式所示：

(3)

其中f表示舊個體適應(yīng)度值，fn表示新個體適應(yīng)度值，T為退火溫度，K為常數(shù)，P表示新個體接受概率.(3)式的含義是若fn≥f，則用新個體取代舊個體，即接受概率P=1；若fn

(6) 若T>0，則T=T-1，轉(zhuǎn)至步驟(4).

(7) 否則，算法終止，獲得全局最優(yōu)調(diào)度路徑.

(8) 根據(jù)流的調(diào)度路徑更新對應(yīng)路徑鏈路上的剩余帶寬信息.

3　系統(tǒng)驗證

3.1實驗平臺

本文實驗采用POX控制器和Mininet搭建網(wǎng)絡(luò)仿真環(huán)境.POX控制器基于組件化設(shè)計，為軟件組件提供定義良好的API，網(wǎng)絡(luò)管理者可以有效地利用API創(chuàng)建新的網(wǎng)絡(luò)管理和控制應(yīng)用程序.Mininet是由Stanford大學(xué)開發(fā)的一套進(jìn)程虛擬化網(wǎng)絡(luò)模擬器，它使用輕量級的虛擬化技術(shù)在單個系統(tǒng)中模擬出擁有多個主機、交換機和鏈路的網(wǎng)絡(luò)環(huán)境.

3.2實驗設(shè)計

3.2.1實驗網(wǎng)絡(luò)拓?fù)?/p>

本文數(shù)據(jù)中心網(wǎng)絡(luò)拓?fù)洳捎胟=4的Fat-Tree拓?fù)浣Y(jié)構(gòu)，見圖2.該網(wǎng)絡(luò)拓?fù)浞譃楹诵膶?、匯聚層和邊緣層.每條鏈路的帶寬均設(shè)置為10Mbit/s，同時設(shè)置一組無阻塞網(wǎng)絡(luò)拓?fù)?Non-blocking)作為理想狀態(tài)進(jìn)行對比實驗.Non-blocking中16個主機通過一個交換機互聯(lián)，因此該拓?fù)渲鳈C之間發(fā)送的流量不受中間鏈路的帶寬限制.

圖2　Fat-Tree拓?fù)浣Y(jié)構(gòu)Fig.2　Fat-Tree topology

3.2.2實驗通信模型

實驗仿真采用文獻(xiàn)[6]提出的4種通信模型，利用Iperf工具產(chǎn)生流量數(shù)據(jù).

(1) Stride(i)：下標(biāo)為x的主機向下標(biāo)為(x+i)mod(num_hosts)的主機發(fā)送數(shù)據(jù).

(2) Staggered(EdgeP，PodP)：每個主機以概率EdgeP向與其在同一個邊緣交換機的主機發(fā)送數(shù)據(jù)，以概率PodP向與其在同一Pod內(nèi)的主機發(fā)送數(shù)據(jù)，以概率1-EdgeP-PodP向核心交換機發(fā)送數(shù)據(jù).

(3) Random：每個主機以等概率隨機向網(wǎng)絡(luò)中其他主機發(fā)送數(shù)據(jù).

(4) Randombij：每個主機按照一一對應(yīng)的方式與其他主機進(jìn)行通信.該通信模型是Random模型的特例，在某些集群計算應(yīng)用中可能產(chǎn)生該類通信模型[7].

3.2.3對比算法及評價指標(biāo)

實驗中將本文提出的SAGA-AO流量調(diào)度機制與只運用ECMP算法而沒有進(jìn)行流量調(diào)度的情況以及文獻(xiàn)[6]提出的GFF算法和SA算法進(jìn)行對比分析，并且將對分帶寬作為各算法的性能評價指標(biāo).對分帶寬是指將一個網(wǎng)絡(luò)中的主機分為對等的兩部分所需切斷最小連接鏈路數(shù)的帶寬總和，它是衡量數(shù)據(jù)中心網(wǎng)絡(luò)帶寬利用率的重要指標(biāo)，對分帶寬越大網(wǎng)絡(luò)容量越高，對故障的容錯能力越強[8].在實驗中，通過帶寬監(jiān)測工具bwm-ng測量邊緣交換機連接主機的端口發(fā)送速率并以此計算網(wǎng)絡(luò)平均對分帶寬.

3.3實驗結(jié)果與分析

(1) Stride通信模型下的實驗結(jié)果.

在Stride(i)通信模型下選取i=1，i=2，i=4，i=8四種情況進(jìn)行實驗對比分析.Stride(1)、Stride(2)、Stride(4)、Stride(8)等四種通信模型下各算法的平均對分帶寬對比結(jié)果如圖3所示.由圖3可知，隨著參數(shù)i的增大，各算法的平均對分帶寬逐漸降低.原因在于隨著參數(shù)i增大，Stride通信模型的Pod間的流量比率增大，導(dǎo)致核心層鏈路負(fù)載增加，部分鏈路產(chǎn)生擁塞.在這4種通信模式下，本文提出的SAGA-AO算法的平均對分帶寬高于ECMP、GFF和SA三種算法.在Stride(8)通信模型下，SAGA-AO算法的平均對分帶寬接近于理想狀態(tài)下的平均對分帶寬.

圖3　Stride通信模型下平均對分帶寬對比結(jié)果　　Fig.3　Average bisection bandwidth for Stride communication pattern

(2) Staggered通信模型下的實驗結(jié)果.

在實驗中每個通信模型各取3組實驗，Staggered(0.2，0.3)，Staggered(0.5,0.3)通信模型下各算法的平均對分帶寬對比結(jié)果如圖4所示，可以看出，在Staggered(0.2，0.3)和Staggerd(0.5，0.3)兩種通信模型下，本文提出的SAGA-AO算法平均對分帶寬均高于其他流量調(diào)度算法，原因在于Staggered通信以概率的方式產(chǎn)生流量，同一Pod內(nèi)主機發(fā)送流量的目的主機存在隨機性，因此SAGA調(diào)度路徑搜索算法采用目的主機與最高層交換機隨機映射的方法在Staggered通信模型下具有優(yōu)勢，可以更快地搜索到近似最優(yōu)解，將流量調(diào)度到最佳路徑，提高鏈路帶寬利用率.同時從圖4可以看到，Staggered(0.5,0.3)通信模型下各算法的平均對分帶寬大于Staggered(0.2，0.3)通信模型下的平均對分帶寬.原因在于Staggered(0.2,0.3)通信模型的Pod間流量產(chǎn)生概率較大，由核心交換機轉(zhuǎn)發(fā)的流量多，核心交換機的負(fù)載大，鏈路帶寬利用率低.但是這一特性對SAGA-AO算法的影響較小，在這6組實驗中SAGA-AO算法的平均對分帶寬均達(dá)到145Mbit/s左右.

圖4　Staggered通信模型下平均對分帶寬對比結(jié)果　　Fig.4　Average bisection bandwidth for Staggered communication pattern

(3) Random通信模型下的實驗結(jié)果.

Random通信模型下各算法的平均對分帶寬對比結(jié)果如圖5所示，在該組實驗選取3組實驗.從圖5可以看出，在Random通信模型下，本文提出的SAGA-AO算法平均對分帶寬均高于其他流量調(diào)度算法.Random通信模型同一Pod內(nèi)主機發(fā)送流量的目的主機也存在隨機性，因此在該模型下SAGA調(diào)度路徑搜索算法的目的主機與最高層交換機隨機映射方法具有優(yōu)勢，能有效地搜索當(dāng)前網(wǎng)絡(luò)流調(diào)度路徑的近似最優(yōu)解，提高鏈路帶寬利用率.Random通信模型的流量類型存在隨機性，且存在多個源主機發(fā)送到同一目的主機的流量.這種情況下，流的自然帶寬需求大大減小，帶寬利用率也隨之減小.因此，與圖3和圖4相比，在Random通信模型下，各算法平均對分帶寬均低于Stride(i)和Staggered通信模型.

圖5　Random通信模型下平均對分帶寬對比結(jié)果　　Fig.5　Average bisection bandwidth for Random communication pattern

(4) Randombij通信模型下的實驗結(jié)果.

Randombij通信模型下各算法的平均對分帶寬結(jié)果如圖6所示，在該通信模型下選取3組實驗.從圖6可以看出，在Randombij通信模型下，本文提出的SAGA-AO算法平均對分帶寬高于ECMP和GFF算法，但是低于SA算法.原因在于Randombij通信模型發(fā)送流量采取一一映射方式，SA算法采用的同一Pod目的主機與核心交換機一一映射方法在該通信模型下具有優(yōu)勢，該方法可以將到達(dá)同一Pod內(nèi)的目的主機發(fā)送的流量分配到不同的核心交換機，均衡核心交換機的負(fù)載，增大鏈路帶寬利用率.而本文提出的基于SAGA的流量路徑搜索算法采取目的主機與最高層交換機隨機映射方法，增大了在此通信模型下流量路徑的搜索空間，因此在一定的迭代次數(shù)下不能得出較優(yōu)的近似解，平均對分帶寬低于SA算法.

圖6　Randombij通信模型下不同流量規(guī)模平均對分帶寬對比結(jié)果Fig.6　Average bisection bandwidth for Randombij communication pattern

4　結(jié)束語

針對Hedera流量調(diào)度機制中SA算法的流沖突問題以及GFF帶寬資源分配不合理問題，本文提出了SAGA-AO流量調(diào)度機制.該機制通過實現(xiàn)ECMP路由模塊、SAGA-AO流量調(diào)度模塊和鏈路帶寬資源回收模塊，對數(shù)據(jù)中心網(wǎng)絡(luò)中的流量和資源進(jìn)行管理.隨后通過POX控制器和Mininet模擬器實現(xiàn)了該機制并進(jìn)行實驗仿真分析.仿真結(jié)果表明：本文提出的基于模擬退火算法的按需自適應(yīng)流量調(diào)度機制在Stride、Staggered和Random三種通信模型下對分帶寬均高于ECMP、GFF和SA算法，而在Randombij通信模型下對分帶寬低于SA算法.

[1]李丹，陳貴海，任豐原，等. 數(shù)據(jù)中心網(wǎng)絡(luò)的研究進(jìn)展與趨勢[J].計算機學(xué)報,2014,37(2):259-274.

[2]魏祥麟，陳鳴，范建華，等. 數(shù)據(jù)中心網(wǎng)絡(luò)的體系結(jié)構(gòu)[J].軟件學(xué)報,2013,24(2):295-316.

[3]張朝昆，崔勇，唐翯祎，等. 軟件定義網(wǎng)絡(luò)(SDN)研究進(jìn)展[J].軟件學(xué)報,2015,26(1):62-81.

[4]Farhady H, Lee H, Nakao A. Software-Defined Networking: A survey[J].Computer Networks,2015,81:79-95.

[5]Mckeown N, Anderson T, Balakrishnan H, et al. OpenFlow: enabling innovation in campus networks[J]. ACMSIGCOMM Computer Communication Review, 2008, 38(2): 69-74.

[6]Al-Fares M, Radhakrishnan S, Raghavan B, et al. Hedera: dynamic flow scheduling for Data Center Networks[C]//ACM. Proceedings of the 7th USENIX conference on Network Systems Design and Implementation (NSDI). New York: ACM, 2010: 19-24.

[7]Cui W, Qian C. DiFS: Distributed flow scheduling for Data Center Networks[C]//ACM. Proceedings of the tenth ACM/IEEE Symposium on Architectures for Networking and Communications Systems(ANCS). New York: ACM, 2014: 53-64.

[8]陸菲菲，羅興國，謝向輝，等. 面向大規(guī)模數(shù)據(jù)中心的常量度數(shù)互連網(wǎng)絡(luò)研究[J].計算機研究與發(fā)展, 2014,51(11):2437-2447.

Design and Implementation of Flow Scheduling Mechanism Based on SDN for Data Center Network

WangWentao,ZhengFang,WangLingxia,MuXiaofeng

(College of Computer Science, South-Central University for Nationalities, Wuhan 430074, China)

SA algorithm has the flow conflict problem because it does not consider the current network link bandwidth resources, and GFF algorithm easily lead to the irrational distribution of bandwidth resources because of not considering the change of flow demand. To solve the two problems, we proposed an adaptive on-demand flow scheduling mechanism. First, the mechanism filtered the flows needed to be scheduled based on the changing of demand. Second, it globally searched scheduling path for these flows using the simulated annealing genetic algorithm(SAGA) based on the available link bandwidth resources. The simulated results showed that the mechanism we proposed outperform GFF and SA in the majority of communication patterns.

data center network; flow scheduling; adaptive on-demand; SAGA

2016-04-01

王文濤(1967-)，男，副教授，博士，研究方向：智能網(wǎng)絡(luò)與信息處理，E-mail：wangwt@mail.scuec.edu.cn

國家民委教改基金資助項目(15013)；中南民族大學(xué)研究生創(chuàng)新基金資助項目(2016sycxjj199)

TP393

A

1672-4321(2016)03-0135-06