云数据中心网络流量管理关键技术研究

发布时间：2020-03-21 15:35

【摘要】：云计算和虚拟化技术的应用,使云数据中心网络(Data Center Networking for Cloud Computing)内部“东西向”流量急剧增长,并在虚拟化、流量模式和拓扑结构等方面呈现出了新的特征。传统的流量管理技术因忽略了云数据中心网络的内部特征,导致网络拥塞、吞吐量降低、传输时延增大,严重影响了服务质量和用户体验。因此,如何对云数据中心网络内部流量进行有效的管理和优化成为了研究人员关注的重点。云数据中心网络流量管理的目标是提高网络性能和服务质量。考虑到虚拟机在网络中的放置位置对流量的空间分布具有很大的影响,以及不同业务产生的流在长度和传输需求上的差异性,研究人员从分布优化和传输优化两个方面,设计了网络感知的虚拟机放置技术、多路径路由技术和传输控制技术对云数据中心网络的流量进行管理。上述研究取得了很大的进展,但仍存在通信代价过高、链路负载不均、多业务传输性能无法同时保障等问题。针对上述现状,本文依托于国家863计划课题“软件定义网络体系结构与关键技术研究”,以云数据中心网络的新特征为出发点,针对现有云数据中心网络流量管理的关键技术:网络感知的虚拟机放置技术、多路径路由技术、传输控制技术存在的不足,从流量分布优化和传输优化两个角度着手展开研究。本文的研究工作及主要贡献如下:1.针对云数据中心网络内部流量的快速增长导致链路拥塞以及全网通信代价过高的问题,提出一种基于虚拟机放置的流量分布优化算法。首先,以最小化最大链路利用率和通信代价为目标,建立多目标优化模型;然后,根据该整数规划模型,对差分进化算法进行改进,综合考虑通信代价、最大链路利用率、硬件资源约束违反度和链路容量约束违反度四项指标,提出基于?松弛的多子群精英选择策略,挑选最优的虚拟机放置方案;最后,仿真结果表明,与现有网络感知的虚拟机放置方案相比,该方案能够降低全网通信代价17.5%,减少拥塞链路数目25%。2.针对传统静态多路径路由技术导致云数据中心吞吐量低、负载不均衡的问题,提出一种基于SDN的多路径流调度机制。首先,主机通过对超出TCP缓存阈值的数据包进行标记,实现大流检测;然后,控制器周期性的收集大流信息进行路径优化,实现负载均衡。其中,为降低控制器与交换机之间的交互流量,通过对粒子群算法进行改进,提出大流选择算法,减少重路由的大流数目;为挑选全局最优调度路径,设计全局最佳适应算法实现大流路径优化;为提高流的传输效率,采用分段路由技术实现大流重路由。最后,仿真结果表明,相比于现有多路径流调度机制,该机制能够提高吞吐率9.3%,同时减少控制器通信开销35%。3.针对现有传输控制技术无法同时满足云数据中心网络中截止时间流和非截止时间流的传输需求,提出一种基于松弛时间与累积发送量的混合流调度机制。首先通过引入松弛时间的概念,衡量截止时间流对非截止时间流在传输时延上的宽容度;然后根据松弛时间,通过使截止时间流尽可能接近其规定截止时间完成,降低非截止时间流的排队时延;最后,利用最小累积发送量优先策略进一步降低非截止时间流的平均完成时间。仿真结果表明,该机制能有效降低非截止时间流的平均完成时间,同时保证较低的截止时间错失率。
【图文】：

完成时间,效用函数,截止时间

图 4.1 流的完成时间对应的效用函数图鉴于截止时间流提前于其截止时间完成不会使效计算每条截止时间流的预计完成时间较其规定截流的紧迫度，一方面权衡了截止时间流对非截止使部分非截止时间流优先于具有较大松弛时间的能的接近截止时间完成的前提下，减少非截止时章近似实现最短服务时间优先原则对其进行调度例子来说明混合流情况下，，不同调度机制带来的不同的流，分别在不同的时间到达，其中 A、C 4.2(a)为公平调度机制 FCFS 的调度结果，按照先，A 需要在 D 传输完成后再传输，从而导致 A 错：(14-3+9-1)/2=9.5；图 4.2(b)为最短流优先 SJF 调度，因此当短流 A 到达时，抢占了 C 的传输，平均完成时间为：(7-3+14-1)/2=8.5；图 4.2(c)为最
【学位授予单位】：战略支援部队信息工程大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP308;TP393.06

【参考文献】