软件定义网络中的资源分配研究

发布时间：2020-09-03 15:31

　　随着现有IP网络规模的不断扩大以及网络应用的日益纷繁复杂,受限于分布式的控制逻辑,现有网络的管理面临着严峻的挑战。软件定义网络(Softwaredefined Networking,SDN)这一新型架构的出现为这一挑战带来了新的解决思路。SDN将网络中的控制逻辑从底层转发设备中解耦至逻辑集中式的控制器,使网络控制趋向中心化,并允许网络管理者站在全局视角对全网资源进行统一管理调度。本文首先从SDN中的底层设备(即交换机)入手,讨论了如何为交换机设计资源分配机制以提供处理SDN控制消息的时延保证,随后结合SDN的两大重要应用场景,即数据中心与公有云,探讨了引入SDN后所面临的资源分配问题。本文主要研究内容如下:(1)SDN交换机中TCAM流表资源分配现有SDN应用会对流进行大量的重配置,需要频繁修改交换机中存储于三态内容寻址存储器(Ternary Content Addressable Memory,TCAM)中的流表,但是TCAM流表规则插入时延(Rule Installation Time,RIT)波动较大并且常常不可预测,从而对网络应用造成不可忽视的影响。根据实验数据,TCAM规则插入时的高时延会导致网络应用的任务完成时间延长40% 60%倍之多。为此,本文提出了一种方案,将TCAM流表拆分为影子流表和主流表,以减少TCAM规则插入时延并提供上限保证。实验结果表明,这一方案能够保证规则插入时延不高于5ms,并且带来的额外TCAM开销不超过5%。同时,这一方案能使网络应用的任务完成时间降低约80%。(2)SDN交换机中计算资源分配在SDN交换机进行流的重配置时,通常需要对控制消息进行解析等操作(例如将控制消息转换为流表规则),这一类操作会受到以CPU处理能力为代表的交换机计算资源的影响。为此,本文结合虚拟化技术设计了SDN交换机计算资源隔离机制,并与上文所述的TCAM流表优化方案结合起来,提出一套交换机资源分配方案(Switch Resource Allocation Framework,SRAF)。这一交换机资源分配方案的目标是为交换机在处理SDN控制消息的时延上提供保障。实验结果表明,SRAF框架可以成功为SDN控制消息提供资源隔离及处理时延保证,其带来的吞吐率开销比例不超过4%,同时这一框架带来的额外时延增长比例仅为3%。(3)SDN数据中心的拓扑资源分配数据中心是SDN的重要应用场景之一。近年来,向数据中心拓扑中设置临时链路是解决网络拥塞问题的一项热门技术。然而目前的解决方案通常是针对特定应用场景进行单独设计,缺乏自我学习及重配置能力。为了提高数据中心网络优化方案的通用性,本文使用了一种机器学习模型,进而提出了一套名为DeepConf的应用框架,简化了设计优化算法的过程并对机器学习模块进行离线训练。经过训练后的DeepConf框架可根据所部署的网络场景进行在线决策。实验结果显示,DeepConf通过迭代训练能够在不同的场景下完成临时链路设置方案的自动重配置,其优化效果与使用整数线性规划(Interget Linear Programming,ILP)得出的最优结果近似。(4)SDN数据中心与公有云结合下的服务功能链资源分配随着网络功能虚拟化的日益发展以及SDN所带来的灵活路由特性出现,网络管理员可以将本地网络中的网络功能(如防火墙)以服务功能链(Service Function Chain,SFC)的形式外包至公有云进行实现。得益于公有云所提供的弹性计算以及按量收费特性,网络业务外包至公有云可以降低本地网络的维护及部署成本,但是公有云所具有的特性(例如本地至公有云的时延)会使网络业务的性能,特别是服务质量(Quality of Service,QoS)受到影响。为此本文提出了一种名为D-MOSC(Deviation based Method to Outsource Service Function Chain)的启发式算法,用于在SDN数据中心与公有云之间最小化服务功能链的部署成本,同时保证网络流的服务质量不受影响。本文验证了MOSC算法的性能。结果显示,相较于本地部署网络功能,使用MOSC算法能够节省约80%的部署成本,同时相较于传统的网络功能放置优化算法,MOSC算法能够在保证性能的同时能够节省约一半的部署成本。
【学位单位】：电子科技大学
【学位级别】：博士
【学位年份】：2018
【中图分类】：TP393.02

【相似文献】