ارائه يك الگوریتم تعادل بار مبتنی بر پیش‌بینی در شبکه‌های نرم‌افزارمحور
محورهای موضوعی : مهندسی برق و کامپیوتر
حسین محمدی
1
(دانشگاه یزد،دانشکده مهندسی کامپیوتر)
سیداکبر مصطفوی
2
(دانشگاه یزد،دانشکده مهندسی کامپیوتر)
کلید واژه: شبکه‌های نرم‌افزارمحور, توازن بار, الگوریتم‌های پیش‌بینی, ماشین یادگیری افراطی,
چکیده مقاله :
شبکه‌های نرم‌افزارمحور یک معماری جدید در شبکه است که لایه کنترل را از لایه داده جدا می‌سازد. در این رویکرد مسئولیت لایه کنترل به نرم‌افزار کنترلر واگذار می‌شود تا رفتار کل شبکه را به طور پویا تعیین نماید. نتیجه این امر، ایجاد یک شبکه بسیار منعطف با مدیریت متمرکز است که در آن می‌توان پارامترهای شبکه را به خوبی کنترل کرد. با توجه به افزایش روزافزون کاربران، ظهور فناوری‌های جدید، رشد انفجاری ترافیک در شبکه، برآورده‌سازی الزامات کیفیت خدمات و جلوگیری از کم‌باری یا پرباری منابع، تعادل بار در شبکه‌های نرم‌افزارمحور ضروری می‌باشد. عدم تعادل بار باعث بالارفتن هزینه، کاهش مقیاس‌پذیری، انعطاف‌پذیری، بهره‌وری و تأخیر در سرویس‌دهی شبکه می‌شود. تا کنون الگوریتم‌های مختلفی برای بهبود عملکرد و تعادل بار در شبکه ارائه شده‌اند که معیارهای متفاوتی مانند انرژی مصرفی و زمان پاسخ سرور را مد نظر قرار داده‌اند، اما اغلب آنها از ورود سیستم به حالت عدم تعادل بار جلوگیری نمی‌کنند و خطرات ناشی از عدم تعادل بار را کاهش نمی‌دهند. در این مقاله، یک روش تعادل بار مبتنی بر پیش‌بینی برای جلوگیری از ورود سیستم به حالت عدم تعادل بار با بهره‌گیری از الگوریتم ماشین یادگیری افراطی پیشنهاد می‌شود. نتایج ارزیابی روش پیشنهادی نشان می‌دهد که از نظر تأخیر پردازش کنترل‌کننده، میزان تعادل بار و زمان پاسخ‌گویی به علت تعادل بار بهینه نسبت به روش‌های CDAA و PSOAP عملکرد بهتری دارد.
Software-defined networking is a new network architecture which separates the control layer from the data layer. In this approach, the responsibility of the control layer is delegated to the controller software to dynamically determine the behavior of the entire network. It results in a flexible network with centralized management in which network parameters can be well controlled. Due to the increasing number of users, the emergence of new technologies, the explosive growth of network traffic, meeting the requirements of quality of service and preventing underload or overload of resources, load balancing in software-based networks is of substantial importance. Load imbalance increases costs, reduces scalability, flexibility, efficiency, and delay in network service. So far, a number of solutions have been proposed to improve the performance and load balancing in the network, which take into account different criteria such as power consumption and server response time, but most of them do not prevent the system from entering the load imbalance mode and the risks of load imbalance. In this paper, a predictive load balancing method is proposed to prevent the system from entering the load imbalance mode using the Extreme Learning Machine (ELM) algorithm. The evaluation results of the proposed method show that in terms of controller processing delay, load balance and response time, it performs better than CDAA and PSOAP methods.
[1] G. Li, X. Wang, and Z. Zhang, "SDN-based load balancing scheme for multi-controller deployment," IEEE Access, vol. 7, pp. 39612-39622, Mar. 2019.
[2] Y. Wu, G. Min, and L. T. Yang, "Performance analysis of hybrid wireless networks under bursty and correlated traffic," IEEE Trans. Veh. Technol., vol. 62, no. 1, pp. 449-454, Jan. 2013.
[3] D. Zhang, H. Huang, J. Zhou, F. Xia, and Z. Chen, "Detecting hot road mobility of vehicular Ad Hoc networks," Mob. Networks Appl., vol. 18, no. 6, pp. 803-813, Dec. 2013.
[4] M. Dong, T. Kimata, K. Sugiura, and K. Zettsu, "Quality-of-Experience (QoE) in emerging mobile social networks," IEICE Trans. Inf. Syst., vol. E97D, no. 10, pp. 2606-2612, Oct. 2014.
[5] H. Kim and N. Feamster, "Improving network management with software defined networking," IEEE Commun. Mag., vol. 51, no. 2, pp. 114-119, Feb. 2013.
[6] S. Sezer, S. Scott-Hayward, P. Kaur, B. Fraser, D. Lake, J. Finnegan, and N. Viljoen, "Are we ready for SDN? implementation challenges for software-defined networks," IEEE Commun. Mag., vol. 51, no. 7, pp. 36-43, Jul. 2013.
[7] H. Zhong, Q. Lin, J. Cui, R. Shi, and L. Liu, "An efficient SDN load balancing scheme based on variance analysis for massive mobile users," Mob. Inf. Syst., vol. 2015, Article ID: 241732, 2015.
[8] D. Wetherall and D. Tennenhouse, "Retrospective on 'towards an active network architecture'," Comput. Commun. Rev., vol. 49, no. 5, pp. 86-89, Nov. 2019.
[9] H. Xu, H. Huang, S. Chen, G. Zhao, and L. Huang, "Achieving high scalability through hybrid switching in software-defined networking," IEEE/ACM Trans. Netw., vol. 26, no. 1, pp. 618-632, Jan. 2018.
[10] C. Decusatis, M. Haley, T. Bundy, and R. Cunnistra, "Dynamic, software-defined service provider network infrastructure and cloud drivers for SDN adoption," in Proc. IEEE Int. Conf. Commun. Work, pp. 235-239, Budapest, Hungary, 9-13 Jun. 2013.
[11] Sandhya, Y. Sinha, and K. Haribabu, "A survey: hybrid SDN," J. Netw. Comput. Appl., vol. 100, pp. 35-55, 15 Dec. 2017.
[12] D. Namiot and M. Sneps-sneppe, Metadata in SDN API, arXive, abs/1503.06630, 2015.
[13] A. Shalimov, D. Zimarina, and V. Pashkov, "Advanced study of SDN/OpenFlow controllers," in Proc. of the 9th Central & Eastern European Software Engineering Conf. in Russia, 6 pp., Moscow, Russia, 24-25 Oct. 2013.
[14] G. Bin Huang, Q. Y. Zhu, and C. K. Siew, "Extreme learning machine: theory and applications," Neurocomputing, vol. 70, no. 1-3, pp. 489-501, May 2006.
[15] G. Huang, G. Bin Huang, S. Song, and K. You, "Trends in extreme learning machines: a review," Neural Networks, vol. 61, , pp. 32-48, Oct. 2015.
[16] F. K. Inaba, E. O. Teatini Salles, S. Perron, and G. Caporossi, "DGR-ELM-distributed generalized regularized ELM for classification," Neurocomputing, vol. 275, pp. 1522-1530, Dec. 2018.
[17] S. Liao and C. Feng, "Meta-ELM: ELM with ELM hidden nodes," Neurocomputing, vol. 128, pp. 81-87, Oct. 2014.
[18] H. Zhong, Y. Fang, and J. Cui, "LBBSRT: an efficient SDN load balancing scheme based on server response time," Futur. Gener. Comput. Syst., vol. 68, pp. 183-190, Oct. 2017.
[19] W. C. Chien, C. F. Lai, H. H. Cho, and H. C. Chao, "A SDN-SFC-based service-oriented load balancing for the IoT applications," J. Netw. Comput. Appl., vol. 114, pp. 88-97, Jul. 2018.
[20] L. Boero, M. Cello, C. Garibotto, M. Marchese, and M. Mongelli, "BeaQoS: load balancing and deadline management of queues in an OpenFlow SDN switch," Comput. Networks, vol. 106, pp. 161-170, Sept. 2016.
[21] S. Shahryari, S. A. Hosseini-Seno, and F. Tashtarian, "An SDN based framework for maximizing throughput and balanced load distribution in a cloudlet network," Futur. Gener. Comput. Syst., vol. 110, pp. 18-32, Sept. 2020.
[22] A. A. Ateya, A. Muthanna, A. Vybornova, and A. D. Algarni, "Chaotic salp swarm algorithm for SDN multi-controller networks," Eng. Sci. Technol. an Int. J., vol. 22, no. 4, pp. 1001-1012, Aug. 2019.
[23] M. Chen, K. Ding, J. Hao, C. Hu, G. Xie, C. Xing, and B. Chen, "LCMSC: a lightweight collaborative mechanism for SDN controllers," Comput. Networks, vol. 121, pp. 65-75, Jul. 2017.
[24] T. Zhang, P. Giaccone, A. Bianco, and S. De Domenico, "The role of the inter-controller consensus in the placement of distributed SDN controllers," Comput. Commun., vol. 113, no. C, pp. 1-13, Nov. 2017.
[25] P. Song, Y. Liu, C. Liu, and D. Qian, "ParaFlow: fine-grained parallel SDN controller for large-scale networks," J. Netw. Comput. Appl., vol. 87, pp. 46-59, Jun. 2017.
[26] J. Cui, Q. Lu, H. Zhong, M. Tian, and L. Liu, "A load-balancing mechanism for distributed SDN control plane using response time," IEEE Trans. Netw. Serv. Manag., vol. 15, no. 4, pp. 1197-1206, Oct. 2018.
[27] V. R. Dasari and T. S. Humble, "OpenFlow arbitrated programmable network channels for managing quantum metadata," J. Def. Model. Simul., vol. 16, no. 1, pp. 67-77, Jan. 2019.
[28] Y. Wu, S. Zhou, Y. Wei, and S. Leng, "Deep reinforcement learning for controller placement in software defined network," in Proc. IEEE Conf. on Computer Communications Workshops pp. 1254-1259, Toronto, Canada, 6-9 Jul. 2020.
[29] X. Tian, H. Shen, X. Chen, and C. Li, "Analysis of SDN multi-controller placement," in Proc. Int. Conf. on Data Processing Techniques and Applications for Cyber-Physical Systems, Advances in Intelligent Systems and Computing, vol. 1379, pp. 677-683, Jun. 2021.
[30] S. Yeo, Y. Naing, T. Kim, and S. Oh, "Achieving balanced load distribution with reinforcement learning-based switch migration in distributed SDN controllers," Electronics, vol. 10, no. 2, pp. 1-16, Jan. 2021.
[31] H. Mostafaei, M. Menth, and M. S. Obaidat, "A learning automaton-based controller placement algorithm for software-defined networks," in Proc. IEEE Global Communications Conf., 6 pp., Abu Dhabi, United Arab Emirates, 9-13 Dec. 2018.
نشریه مهندسی برق و مهندسی كامپیوتر ایران، ب- مهندسی کامپیوتر، سال 19، شماره 4، زمستان 1400 289
مقاله پژوهشی
ارائه يك الگوریتم تعادل بار مبتنی بر پیش‌بینی
در شبکه‌های نرم‌افزارمحور
حسین محمدی و سيد اكبر مصطفوي
چكیده: شبکه‌های نرم‌افزارمحور یک معماری جدید در شبکه است که لایه کنترل را از لایه داده جدا می‌سازد. در این رویکرد مسئولیت لایه کنترل به نرم‌افزار کنترلر واگذار می‌شود تا رفتار کل شبکه را به طور پویا تعیین نماید. نتیجه این امر، ایجاد یک شبکه بسیار منعطف با مدیریت متمرکز است که در آن می‌توان پارامترهای شبکه را به خوبی کنترل کرد. با توجه به افزایش روزافزون کاربران، ظهور فناوری‌های جدید، رشد انفجاری ترافیک در شبکه، برآورده‌سازی الزامات کیفیت خدمات و جلوگیری از کم‌باری یا پرباری منابع، تعادل بار در شبکه‌های نرم‌افزارمحور ضروری می‌باشد. عدم تعادل بار باعث بالارفتن هزینه، کاهش مقیاس‌پذیری، انعطاف‌پذیری، بهره‌وری و تأخیر در سرویس‌دهی شبکه می‌شود. تا کنون الگوریتم‌های مختلفی برای بهبود عملکرد و تعادل بار در شبکه ارائه شده‌اند که معیارهای متفاوتی مانند انرژی مصرفی و زمان پاسخ سرور را
مد نظر قرار داده‌اند، اما اغلب آنها از ورود سیستم به حالت عدم تعادل بار جلوگیری نمی‌کنند و خطرات ناشی از عدم تعادل بار را کاهش نمی‌دهند. در این مقاله، یک روش تعادل بار مبتنی بر پیش‌بینی برای جلوگیری از ورود سیستم به حالت عدم تعادل بار با بهره‌گیری از الگوریتم ماشین یادگیری افراطی پیشنهاد می‌شود. نتایج ارزیابی روش پیشنهادی نشان می‌دهد که از نظر تأخیر پردازش کنترل‌کننده، میزان تعادل بار و زمان پاسخ‌گویی به علت تعادل بار بهینه نسبت به روش‌های CDAA و PSOAP عملکرد بهتری دارد.
کلیدواژه: شبکه‌های نرم‌افزارمحور، توازن بار، الگوریتم‌های پیش‌بینی، ماشین یادگیری افراطی.
1- مقدمه
شبکه‌های نرم‌افزارمحور یک معماری جدید در شبکه است که لایه کنترل را از لایه داده جدا می‌سازد و مدیریت شبکه را به صورت متمرکز و انعطاف‌پذیر تحقق می‌بخشد. گسترش شبکه‌های کامپیوتری و افزایش روزافزون کاربران و همچنین ظهور فناوری‌های جدید مانند رایانش ابری و داده‌های حجیم، مدیریت شبکه‌های سنتی را دشوار ساخته و بنابراین لازم است که معماری شبکه‌های سنتی تغییر یابد. اخیراً برای پرداختن به حل مسئله موجود، رویکرد شبکه‌های نرم‌افزارمحور ارائه شده است که باعث سهولت در مدیریت شبکه و انعطاف‌پذیری و سازگاری بیشتر شبکه می‌شود [1].
1-1 بیان مسئله
با در نظر گرفتن سربار شبکه، تکنیک‌های تعادل‌سازی بار2 از اهمیت قابل توجهی برخوردار هستند. تعادل بار مستقیماً بر برنامه و دسترسی به سرویس برای کاربران تلفن همراه تأثیر می‌گذارد [2] و با هدف بهینه‌سازی استفاده از منبع با به حداکثر رساندن توان عملیاتی، به حداقل رساندن زمان پاسخ و جلوگیری از بارگذاری بیش از حد هر منبع است. برای کاهش بار ترافیکی شبکه و کاهش خطر تبدیل‌شدن یک سرور به عامل اصلی سربار، بسیاری از مراکز داده از روش‌های سخت‌افزاری اختصاصی استفاده می‌کنند تا تعادل بار را برای پشتیبانی از تعداد زیادی از کاربران امکان‌پذیر سازند [3]. با وجود این، تهیه سیستم‌های سخت‌افزاری معمولاً گران هستند و استقرار آنها از نظر فنی چالش‌برانگیز است و برای کار مداوم نیاز به مداخله انسان دارد [4]. متعادل‌کننده‌های بار سنتی، پرهزینه هستند و مجموعه سیاست‌های متعادل‌کننده بار باید از قبل در آنها برنامه‌دهی شوند و این عدم انعطاف‌پذیری منجر به ناتوانی در مقابله با شرایط اضطراری می‌شود. رویکرد تعادل بار سنتی نیاز به نگهداری توسط مدیران اختصاصی دارد و به کاربران اجازه نمی‌دهد استراتژی‌های انعطاف‌پذیر را بر اساس شرایط شبکه واقعی خود طراحی کنند. از آنجا که همه درخواست‌ها از طریق یک سخت‌افزار هدایت می‌شوند، هر گونه خرابی در تعادل بار باعث از دست رفتن کل سرویس می‌گردد [5].
تعادل بار، روشی مطمئن برای افزایش پهنای باند سرورها و سایر دستگاه‌های شبکه و افزایش ظرفیت پردازش بسته داده‌ها و توان شبکه فراهم می‌کند تا قابلیت استفاده و انعطاف‌پذیری شبکه بهبود یابد. سرعت رشد پردازنده سرور و دسترسی به حافظه در مقایسه با توسعه سریع فناوری شبکه نسبتاً کند است. در حال حاضر، پرباری سرورها گلوگاه اصلی توسعه شبکه‌های کامپیوتری است. با توسعه شبکه‌های پرسرعت و افزایش تقاضا برای خدمات، بسیاری از مراکز داده سازمانی و سرورهای پورتال تحت تأثیر رشد انفجاری ترافیک شبکه قرار می‌گیرند. در این حالت، تعادل بار راهکار کلیدی است که برای توزیع تقاضای داده‌ها در بین مجموعه‌ای از سیستم‌های سرور مورد استفاده قرار می‌گیرد [6] و [7].
در معماری شبکه سنتی، از تعادل بار بین سرورهای فیزیکی برای برآوردن تقاضای حجم بالای داده استفاده می‌شود. این روش ضمن ارائه مقیاس‌پذیری و انعطاف‌پذیری، به سرمایه‌گذاری بزرگ نیاز دارد و به سختی قادر است از تقاضای بار کاری بسیار پویا از کاربران عظیم موبایل پشتیبانی کند. برای حل این مشکلات، این مقاله به ارائه یک معماری