［孫轉(zhuǎn)轉(zhuǎn)］

1 引言

負(fù)載均衡是一個(gè)任務(wù)調(diào)度和資源分配的問(wèn)題，核心網(wǎng)的負(fù)載均衡是根據(jù)核心網(wǎng)聯(lián)路使用情況以及聯(lián)路負(fù)載均衡情況，動(dòng)態(tài)調(diào)整數(shù)據(jù)流的傳輸路徑，從而確保核心網(wǎng)聯(lián)路利用率的均衡，從而避免核心網(wǎng)聯(lián)路擁塞的問(wèn)題，提高網(wǎng)絡(luò)資源的利用率[1～3]。核心網(wǎng)的負(fù)載均衡問(wèn)題出現(xiàn)了較多的解決方案，包括：采用交換機(jī)捕獲局部擁塞熱點(diǎn)，通過(guò)動(dòng)態(tài)路由實(shí)現(xiàn)網(wǎng)絡(luò)鏈路利用率的負(fù)載均衡[4～6]；采用服務(wù)器完成數(shù)據(jù)流的路由工作，試探性基于流的調(diào)度來(lái)確保每一條鏈路傳輸?shù)牧鲾?shù)量均衡[7～9]；采用集中控制器完成數(shù)據(jù)流的工作，通過(guò)SDN 的方式實(shí)現(xiàn)數(shù)據(jù)面和控制面的分離，保障網(wǎng)絡(luò)性能和資源利用最大化[10～12]。

基于SDN 負(fù)載均衡方案具有快速部署、靈活處理的特點(diǎn)，在大規(guī)模數(shù)據(jù)中心中得到廣泛推廣，但該方法不具備網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的未來(lái)流量和鏈路負(fù)載的預(yù)見(jiàn)性，因此無(wú)法有效保證數(shù)據(jù)傳輸過(guò)程中的負(fù)載均衡。針對(duì)這個(gè)問(wèn)題，本文提出一種基于深度學(xué)習(xí)的核心網(wǎng)流量預(yù)測(cè)和負(fù)載均衡方法研究，該方法在提取網(wǎng)絡(luò)鏈路的時(shí)空特征后，采用深度學(xué)習(xí)實(shí)現(xiàn)網(wǎng)絡(luò)流量的預(yù)測(cè)，并以最大化網(wǎng)絡(luò)鏈路利用率為目標(biāo)，結(jié)合業(yè)務(wù)QoS 為約束，實(shí)現(xiàn)鏈路的有效分配。

2 負(fù)載均衡技術(shù)

傳統(tǒng)網(wǎng)絡(luò)負(fù)載均衡技術(shù)一般采用等價(jià)多路徑技術(shù)[14～16]（Equal CostMultipath Routing，ECMP）實(shí)現(xiàn)局部網(wǎng)絡(luò)的負(fù)載均衡，該方法以隨機(jī)化的方式均衡端到端流量，將流量分配到不同的傳輸路徑上。由于該方法沒(méi)有考慮網(wǎng)絡(luò)流量的當(dāng)前狀態(tài)，也沒(méi)有考慮網(wǎng)絡(luò)流量對(duì)網(wǎng)絡(luò)資源的需求（不同類型的流量對(duì)時(shí)延要求是不同的），因此，僅僅掌握網(wǎng)絡(luò)拓?fù)浜途W(wǎng)絡(luò)流量分布信息的ECMP 方法不滿足現(xiàn)有的核心網(wǎng)負(fù)載均衡要求。

相比于ECMP 方法，基于SDN 的網(wǎng)絡(luò)負(fù)載均衡技術(shù)通過(guò)集中控制器獲取網(wǎng)絡(luò)全局拓?fù)浜途W(wǎng)絡(luò)流量分布信息外，還能根據(jù)特定的負(fù)載均衡策略向交換機(jī)下發(fā)流表來(lái)控制流量的分發(fā)，從而能夠更好地實(shí)現(xiàn)數(shù)據(jù)傳輸路徑的規(guī)劃，實(shí)現(xiàn)更佳的網(wǎng)絡(luò)鏈路負(fù)載均衡的效果。目前基于SDN 的網(wǎng)絡(luò)負(fù)載均衡算法包括靜態(tài)負(fù)載均衡算法[17]和動(dòng)態(tài)負(fù)載均衡算法[18]。靜態(tài)負(fù)載均衡算法通常采用固定路由策略確定數(shù)據(jù)傳輸路徑，無(wú)法根據(jù)實(shí)時(shí)的數(shù)據(jù)流對(duì)傳輸路徑進(jìn)行調(diào)整；而動(dòng)態(tài)負(fù)載均衡算法具有可擴(kuò)展、動(dòng)態(tài)調(diào)整的特征，因此能夠較好應(yīng)對(duì)數(shù)據(jù)量的實(shí)時(shí)變化。

動(dòng)態(tài)負(fù)載均衡方法由于沒(méi)有對(duì)未來(lái)流量和鏈路負(fù)載進(jìn)行有效的預(yù)測(cè)，因此無(wú)法有效解決網(wǎng)絡(luò)流量震蕩的問(wèn)題。為此，本文提出一種基于深度學(xué)習(xí)的核心網(wǎng)流量預(yù)測(cè)方法，該方法采用壓縮感知法預(yù)測(cè)短期的整個(gè)網(wǎng)絡(luò)鏈路流量后，以最大化鏈路利用率為目標(biāo)，結(jié)合業(yè)務(wù)QoS 約束，實(shí)現(xiàn)流鏈路量的預(yù)見(jiàn)性調(diào)度目標(biāo)，有效應(yīng)對(duì)網(wǎng)絡(luò)流量的震蕩問(wèn)題。

3 鏈路流量時(shí)間序列預(yù)測(cè)模型

本文考慮到核心網(wǎng)鏈路流量具有忙時(shí)和閑時(shí)的相似性和周期性等時(shí)間特征以及鏈路在空間上的相關(guān)性以及局部相似性等空間特征，在獲取流量時(shí)間序列的時(shí)空特征基礎(chǔ)上，采用基于壓縮感知的網(wǎng)絡(luò)流量預(yù)測(cè)方法，實(shí)現(xiàn)鏈路流量的預(yù)測(cè)?；趬嚎s感知的網(wǎng)絡(luò)流量建模方法如圖1 所示。

圖1 基于數(shù)據(jù)壓縮的網(wǎng)絡(luò)流量建模方法

3.1 基于壓縮感知的時(shí)空特征變換

3.2 基于BP 神經(jīng)網(wǎng)絡(luò)的流量模型訓(xùn)練

本文采用BP 神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)未來(lái)某個(gè)時(shí)間間隔整個(gè)網(wǎng)絡(luò)的鏈路流量矩陣。圖2 展示了整個(gè)網(wǎng)絡(luò)的鏈路流量矩陣預(yù)測(cè)示意圖。BP 神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層。輸入層對(duì)應(yīng)輸入的信息，在隱含層中，每一個(gè)節(jié)點(diǎn)都會(huì)接收輸入層的不同權(quán)重，并通過(guò)控制權(quán)重的方法形成模式識(shí)別偏向，輸出層負(fù)責(zé)輸出結(jié)果，輸出層的神經(jīng)元根據(jù)隱含層的特征與權(quán)重的結(jié)果進(jìn)行加權(quán)后，會(huì)得出最后的識(shí)別結(jié)果。

圖2 基于BP 神經(jīng)網(wǎng)絡(luò)的鏈路流量矩陣預(yù)測(cè)方法

3.3 基于殘差反饋的參數(shù)優(yōu)化方法

經(jīng)過(guò)上述BP 神經(jīng)網(wǎng)絡(luò)得到某個(gè)時(shí)間間隔整個(gè)網(wǎng)絡(luò)的鏈路流量矩陣。將鏈路流量預(yù)測(cè)值和鏈路流量實(shí)際值做對(duì)比得到殘差，基于殘差優(yōu)化整個(gè)模型參數(shù)。通過(guò)多個(gè)時(shí)間間隔鏈路流量的迭代循環(huán)，不斷修正、優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)模型參數(shù)，直到誤差滿足某一個(gè)誤差條件。通過(guò)殘差反饋優(yōu)化模型參數(shù)的過(guò)程如圖3 所示。

圖3 基于殘差反饋的參數(shù)優(yōu)化方法

通過(guò)參數(shù)不斷迭代，實(shí)現(xiàn)BP 神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練。最后將實(shí)時(shí)的網(wǎng)絡(luò)鏈路數(shù)據(jù)輸入到已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，實(shí)現(xiàn)整個(gè)網(wǎng)絡(luò)鏈路數(shù)據(jù)流量矩陣的預(yù)測(cè)。

4 基于動(dòng)態(tài)流量預(yù)測(cè)的負(fù)載均衡算法

在SDN 中，控制器決策轉(zhuǎn)發(fā)路由規(guī)則并安裝到OpenFlow 交換機(jī)中，以此來(lái)實(shí)現(xiàn)基于SDN 的網(wǎng)絡(luò)流量負(fù)載均衡。然而，這種轉(zhuǎn)發(fā)規(guī)則的規(guī)則安裝過(guò)程需要花費(fèi)時(shí)間并有可能產(chǎn)生流量傳輸?shù)难舆t。除此之外，大量的新流匯聚到某一個(gè)交換機(jī)處，控制面和數(shù)據(jù)面會(huì)產(chǎn)生大量的顯著開銷。當(dāng)前，簡(jiǎn)單的負(fù)載策略如ECMP 算法固然能夠減輕網(wǎng)絡(luò)負(fù)載，但是無(wú)法滿足5G 網(wǎng)絡(luò)性能和網(wǎng)絡(luò)時(shí)延上的需求。但是過(guò)于復(fù)雜的路由策略由于計(jì)算量過(guò)大，不僅不能滿足網(wǎng)絡(luò)性能，還有可能增加業(yè)務(wù)轉(zhuǎn)發(fā)的時(shí)延。因此，我們通過(guò)衡量網(wǎng)絡(luò)性能與路由算法負(fù)載性，以最大化鏈路利用率為目標(biāo)，結(jié)合業(yè)務(wù)QoS 約束，實(shí)現(xiàn)流鏈路量的預(yù)見(jiàn)性調(diào)度目標(biāo)。

4.1 基于鏈路可用率最大化的負(fù)載均衡模型

通過(guò)流量預(yù)測(cè)值評(píng)估未來(lái)一段時(shí)間內(nèi)核心網(wǎng)所有數(shù)據(jù)的流量。在預(yù)測(cè)網(wǎng)絡(luò)鏈路流量矩陣的基礎(chǔ)上，得到服務(wù)器節(jié)點(diǎn)到交換機(jī)鏈路j 流量為ej。鏈路利用率通常定義為鏈路平均負(fù)載與鏈路建設(shè)時(shí)的帶寬之比：

本文借鑒相關(guān)研究者[19]的成果，核心網(wǎng)中，引入一個(gè)系數(shù)β（取值為0～1）來(lái)衡量鏈路最大負(fù)載，鏈路的最大帶寬定義為：

由此可知，鏈路ej剩余帶寬則表示為鏈路的最大帶寬減去現(xiàn)有占用的帶寬。鏈路ej剩余帶寬可以表示為：

整個(gè)網(wǎng)絡(luò)鏈路平均可用率F（ej）則表示為：

其中，N 表示鏈路的總數(shù)量。在核心網(wǎng)交換機(jī)轉(zhuǎn)發(fā)數(shù)據(jù)時(shí)，綜合業(yè)務(wù)傳輸時(shí)延、帶寬性能等QoS 等指標(biāo)要求，可根據(jù)預(yù)測(cè)的整個(gè)鏈路流量將數(shù)據(jù)流合理分配到可用率較大的路徑中，從而解決路徑擁塞的問(wèn)題。因此，目標(biāo)函數(shù)可以表示為：

其中，ti表示新增業(yè)務(wù)的傳輸時(shí)延；tmax表示該業(yè)務(wù)傳輸時(shí)延的最大容忍值；b(ej)表示已有業(yè)務(wù)在任意鏈路ej上已占用的帶寬，b(ej)表示新增業(yè)務(wù)所需要的鏈路帶寬。

5 實(shí)驗(yàn)分析

針對(duì)SDN 網(wǎng)絡(luò)中流量傳輸?shù)呢?fù)載均衡問(wèn)題，本文采用仿真實(shí)驗(yàn)的方式來(lái)驗(yàn)證本文方案與鏈路隨機(jī)分配在網(wǎng)絡(luò)均衡性方面的有效性。本文使用24 臺(tái)裸機(jī)搭建集群，每臺(tái)裸機(jī)包含20 個(gè)CPU 核、256GB 的內(nèi)存、1TB 硬盤以及10GB 的網(wǎng)卡。該集群包括500 臺(tái)虛擬機(jī)，能夠運(yùn)行至少1 000 個(gè)任務(wù)。為了更加有效模擬真實(shí)環(huán)境，本文將實(shí)驗(yàn)分為4 組，每組實(shí)驗(yàn)大概包含250 個(gè)作業(yè)并遵循泊松分布原理，作業(yè)平均到達(dá)時(shí)間設(shè)為2 秒。每組實(shí)驗(yàn)運(yùn)行5 次，選取指標(biāo)平均值進(jìn)行分析。

本文在流量預(yù)測(cè)的基礎(chǔ)上采用鏈路可用率最大化的負(fù)載均衡策略，實(shí)現(xiàn)對(duì)數(shù)據(jù)傳輸鏈路的分配。而鏈路隨機(jī)分配則直接對(duì)現(xiàn)有的作業(yè)請(qǐng)求進(jìn)行鏈路分配，不考慮流量預(yù)測(cè)情況。圖4 顯示了全網(wǎng)均衡因子，均衡因子的計(jì)算方式可參照文獻(xiàn)[20]。由圖4 可知，由于作業(yè)的請(qǐng)求量服從泊松分布，不可避免遇到網(wǎng)絡(luò)流量震蕩的現(xiàn)象。本文在獲取流量變化趨勢(shì)的基礎(chǔ)上，采用鏈路平均利用率最大化策略實(shí)現(xiàn)鏈路分配。本文分配策略由于具備未來(lái)流量和鏈路負(fù)載的預(yù)見(jiàn)性，相比鏈路隨機(jī)分配策略更有效避免網(wǎng)絡(luò)流量震蕩所帶來(lái)網(wǎng)絡(luò)均衡因子的大幅度變化。因此可知，本文提出的最大鏈路平均利用率的數(shù)據(jù)傳輸策略顯然優(yōu)于鏈路隨機(jī)分配傳輸策略。

圖4 全網(wǎng)均衡因子對(duì)比圖

6 結(jié)束語(yǔ)

本文針對(duì)分布式SDN 網(wǎng)絡(luò)中鏈路負(fù)載均衡的問(wèn)題建立基于流量預(yù)測(cè)的負(fù)載均衡模型，提出基于BP 神經(jīng)網(wǎng)絡(luò)的流量預(yù)測(cè)模型和基于鏈路可用率最大化的負(fù)載均衡模型。流量預(yù)測(cè)模型將網(wǎng)絡(luò)流量時(shí)空特征兩個(gè)重要因素納入考慮，采用壓縮感知實(shí)現(xiàn)流量時(shí)空特征變換后，利用BP神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)流量的有效預(yù)測(cè)；然后，采用基于鏈路可用率最大化的負(fù)載均衡策略來(lái)實(shí)現(xiàn)傳輸鏈路的分配。仿真表明，本文的方法能避免網(wǎng)絡(luò)流量震蕩的現(xiàn)象，從而有效提升全網(wǎng)均衡性。