李瑞玲，易向陽

（廣西大學(xué)計算機與電子信息學(xué)院，南寧 530004）

0 引言

在面對復(fù)雜網(wǎng)絡(luò)流量和新興的網(wǎng)絡(luò)業(yè)務(wù)時，以TCP/IP為核心的傳統(tǒng)網(wǎng)絡(luò)框架表現(xiàn)得越來越難以維護和擴展，并且傳統(tǒng)的網(wǎng)絡(luò)框架無法為研究者提供特定環(huán)境下各種技術(shù)和新功能的相關(guān)支持，這些相關(guān)問題嚴(yán)重限制了互聯(lián)網(wǎng)的行業(yè)發(fā)展前景，也促使人們對新的網(wǎng)絡(luò)架構(gòu)進行研究。因此，數(shù)據(jù)中心網(wǎng)絡(luò)應(yīng)運而生，數(shù)據(jù)中心網(wǎng)絡(luò)是一個連接數(shù)十萬乃至百萬級的大規(guī)模服務(wù)器群，作為連接分布式存儲和計算的橋梁，數(shù)據(jù)中心的性能將直接影響云計算、大數(shù)據(jù)等業(yè)務(wù)的發(fā)展。因此，如何對流量進行有效的控制，保證網(wǎng)絡(luò)的利用率，實現(xiàn)有效的負載均衡，節(jié)約網(wǎng)絡(luò)的資源，成為數(shù)據(jù)中心網(wǎng)絡(luò)研究中需要解決的核心問題之一。

為了更好的解決數(shù)據(jù)網(wǎng)絡(luò)中負載均衡問題，同時也為了靈活方便的對其進行規(guī)劃以及對設(shè)備進行有效的管理，研究者提出了軟件定義網(wǎng)絡(luò)（Software Defined Network，SDN）這一概念[1]。SDN相較于傳統(tǒng)網(wǎng)絡(luò)的不同之處在于其運用了分層的思想，將數(shù)據(jù)層與控制層分隔開，從而實現(xiàn)了對網(wǎng)絡(luò)流量的靈活有效控制。在控制層面，涵蓋了有邏輯的中心化與可編程特點的控制器，通過控制器可控制了解全局網(wǎng)絡(luò)的信息，也方便了運營商和研究者對網(wǎng)絡(luò)的配置以及新協(xié)議的部署等；而在數(shù)據(jù)層面的交換機僅僅提供一些簡易的數(shù)據(jù)轉(zhuǎn)發(fā)功能，這樣就大大提升了對網(wǎng)絡(luò)匹配的數(shù)據(jù)包的處理速度，同時也解決了對龐大流量的需求問題。

針對傳統(tǒng)網(wǎng)絡(luò)存在的眾多弊端，SDN的出現(xiàn)為解決這些弊端提供了新的思路。例如，基于SDN技術(shù)的數(shù)據(jù)中心有很多優(yōu)點[2]。首先，基于SDN網(wǎng)絡(luò)管理與控制相分隔的特點，運營商和研究者可以通過控制器掌握全局的網(wǎng)絡(luò)信息，隨時查看網(wǎng)絡(luò)的負載情況。其次，通過負載均衡算法優(yōu)化網(wǎng)絡(luò)的鏈路負載情況，不僅提升了SDN網(wǎng)絡(luò)的性能，也極大地降低了運營的成本。最后，對于引進的新的網(wǎng)絡(luò)及應(yīng)用，SDN只需在控制層面加入相應(yīng)的策略算法，無需再對底層的硬件進行更換，不但節(jié)約設(shè)備成本，也解決了傳統(tǒng)網(wǎng)絡(luò)難維護和擴展差的問題。

另一方面，在數(shù)據(jù)中心需要處理龐大的網(wǎng)絡(luò)數(shù)據(jù)流量時，對鏈路的負載均衡提出了更為嚴(yán)格的要求，而基于SDN的負載均衡的相關(guān)技術(shù)在一定程度上為該問題提供解決思路。本文設(shè)計并改進了一種多商品流的粒子群優(yōu)化（Particle Swarm Optimization,PSO）算法并用于求解負載均衡問題。針對求解過程中PSO算法在搜索后期易陷入局部最優(yōu)的困境，本文在構(gòu)建了基于路徑長度與鏈路利用率的大象流分布的算法目標(biāo)函數(shù)的基礎(chǔ)上，提出了改進的粒子群優(yōu)化（Improved Particle Swarm Optimization,IPSO）算法，該算法結(jié)合分治算法的思想，將整個粒子群體劃分成多個子群體，然后對這些子群體分別求得各自的全局最優(yōu)解，最后再對所有的子群體的全局最優(yōu)解進行加權(quán)平均，最終求得整個粒子群體全局的最優(yōu)解。

本文首先介紹當(dāng)前數(shù)據(jù)中心的廣泛使用，接著引出SDN環(huán)境下實現(xiàn)數(shù)據(jù)中心的負載均衡的研究情況；然后根據(jù)眾學(xué)者對負載均衡以及PSO算法不斷的研究改進和完善的基礎(chǔ)上，給出負載均衡優(yōu)化的模型，并提出一種改進后的IPSO優(yōu)化算法，基于該算法給出一種SDN負載均衡方案；最后對算法進行控制仿真驗證，并對全文作出總結(jié)。

1 相關(guān)研究工作

近年來，隨著對SDN技術(shù)不斷的研究，眾多學(xué)者嘗試著將SDN應(yīng)用到數(shù)據(jù)中心中，利用SDN集中控制的這一優(yōu)點來改善現(xiàn)有的流量管理方式，對鏈路產(chǎn)生的流量選用負載均衡算法來進行相關(guān)調(diào)度。目前，常見的流量調(diào)度負載均衡算法包括等價多路徑（Equal-Cost Multi-path Routing，ECMP）算法、Floodlight自帶的單路徑最優(yōu)路徑算法、包輪詢算法以及粒子群優(yōu)化負載均衡算法等。Gao等作者在文獻[3]中詳述了ECMP算法，該算法適合處理鏈路中的老鼠流問題，在處理大象流問題時，鏈路的流量容易分配不均從而會導(dǎo)致網(wǎng)絡(luò)的傳輸?shù)男阅芟陆怠Ｎ墨I[4]中針對大象流使用EC?MP算法進行測試，結(jié)果證明傳輸性能下降達50%；文獻[5]中提到了包輪詢算法，該算法可以確保每條路徑上的轉(zhuǎn)發(fā)包數(shù)基本相同，但是即使是文獻[6]中改進后的差額輪詢算法也無法避免數(shù)據(jù)包亂序到達從而產(chǎn)生的鏈路擁塞問題。

PSO算法[9]是受到鳥群覓食的行為啟發(fā)而發(fā)現(xiàn)的一種群體的智能優(yōu)化的算法，是由James Kennedy和Russell Eberhart博士在1995年提出的。該算法從隨機解開始，多次迭代去找尋滿足條件的最優(yōu)的解，再根據(jù)適應(yīng)值來判斷找到的解的優(yōu)劣。文獻[9]中給出了一種基于多商品流的PSO負載均衡算法，這種算法以其實現(xiàn)容易、精度高、收斂快等優(yōu)點，很好地契合了求解多商品流的問題，從而能高效快速的找到符合鏈路的最優(yōu)路徑，使得鏈路的負載趨于平衡。但是PSO算法也存在著一些問題，比如算法搜索后期的收斂性變差、尋優(yōu)的精度變低以及容易陷入局部最優(yōu)解等。為了改進算法，文獻[11]中提到了自適應(yīng)的調(diào)整慣性因子的策略，這樣算法不但在前期就有較大的搜索能力，而且在搜索后期也能較為精確；文獻[12]中給出了一種帶收斂因子的PSO算法，與PSO算法相比較，經(jīng)實驗測試表明，改進后的算法的收斂性更好；文獻[13]中提出了通過選用不同鄰域的拓撲來確保收斂PSO算法的性能，結(jié)果表明，改進后的算法較PSO算法的全局拓撲性能更好；文獻[14]中提到了一種動態(tài)鄰域的PSO優(yōu)化算法，并且將這種優(yōu)化算法運用到了求解多個目標(biāo)優(yōu)化的問題當(dāng)中；文獻[15]將人工蜂群算法和PSO算法相結(jié)合，再通過基準(zhǔn)函數(shù)的仿真，實驗證明了改進后的算法性能更佳。

基于上述分析，以及眾學(xué)者對PSO算法不斷的改進與完善的基礎(chǔ)上，針對PSO算法搜索后期易于陷入局部的最優(yōu)的這一缺點，本文在文獻[9]的基礎(chǔ)上改進了PSO算法，并結(jié)合分治算法的思想，對粒子群體進行全局的最優(yōu)處理，以便得到全局的最優(yōu)解，最終解決鏈路的負載均衡問題。

2 改進的IPSO算法及負載均衡求解

2.1 多商品流及PSO算法描述

在SDN網(wǎng)絡(luò)當(dāng)中，我們把流量分為兩種[7]，一種是長時間的穩(wěn)定的流，稱之為大象流，另一種是短時間的不穩(wěn)定的流，稱之為老鼠流。針對這兩種不同的流采用不同的負載均衡方案，由于老鼠流持續(xù)時間很短，對鏈路影響不是很大，因此針對這種流可以采用ECMP算法進行轉(zhuǎn)發(fā)，而本文的負載均衡方案主要是針對穩(wěn)定的大象流。

多商品流問題是指在同一時間內(nèi)通過尋找不同的路徑，將種類不同的商品從各源點分送到相應(yīng)的目的節(jié)點，在符合相應(yīng)約束性條件的前提下，使得產(chǎn)生的花費最少[8]。在文獻[8]中，Ghamisi等作者詳細介紹了多商品流問題，闡述了將多商品流方法應(yīng)用到網(wǎng)絡(luò)流量調(diào)度問題上的可行性和優(yōu)勢。根據(jù)描述，可以把商品流中的商品文本看成是穩(wěn)定流中的帶寬請求，同時設(shè)定一些相應(yīng)的約束條件，如設(shè)定網(wǎng)絡(luò)中可以傳輸?shù)牧鞯淖畲髷?shù)量為K，轉(zhuǎn)換成商品流問題后，目標(biāo)就成了在相應(yīng)約束條件下，從整個網(wǎng)絡(luò)中尋找不同的滿足要求的路徑，將流量發(fā)送到相應(yīng)的目的節(jié)點，同時確保網(wǎng)絡(luò)產(chǎn)生的開銷最小，提高網(wǎng)絡(luò)的鏈路利用率。本文中，結(jié)合商品流問題可以將數(shù)據(jù)中心的流量調(diào)度問題做如下的描述：

將網(wǎng)絡(luò) G 描述為（V,E）的集合（即 G=（V,E）），其中V表示所有節(jié)點的集合，E表示所有邊的集合，設(shè)定e（i,j）為起點 i到終點 j的邊，用 bi,j表示邊 e（i,j）鏈路的帶寬。設(shè)定有K條流在G中傳輸，設(shè)定流k（1≤i≤K）需求的帶寬為dk，xijk表示 k個流在邊 e（i,j）上的流量，xk表示為流量的矢量，ck表示流k的單位流量中的傳送代價的矢量，這樣就可以將目標(biāo)函數(shù)表示為：

即在符合（2）式鏈路的帶寬以及（3）式流量的請求的帶寬約束的條件下，讓整個網(wǎng)絡(luò)的傳送代價達到最少。

定義P為所有的路徑的集合，則pi表示為從源節(jié)點到目的節(jié)點的可行性的路徑上的第i條路徑，其中，每一條路徑都是有許多條鏈路e（i,j）構(gòu)成的，采用線性函數(shù)可以將權(quán)值作如下定義：

其中a，b為常量，phl為 pi的長度，pul為 pi的利用率。

在將網(wǎng)絡(luò)中的大象流調(diào)度問題轉(zhuǎn)化為求解多商品流的問題時，要讓大象流盡可能地先選擇網(wǎng)絡(luò)帶寬剩余比較多的路徑，也要盡可能的去躲避開鏈路中利用率比較高的路徑，同時盡可能的躲避開與鏈路中其它的大象流發(fā)生碰撞。為滿足上述各條件，通過改變權(quán)值ck可以控制網(wǎng)絡(luò)的整個流量的分布情況。綜上所述，在給定的網(wǎng)絡(luò)G=（V,E）中，基于路徑的長度與鏈路的利用率的大象流分布的算法的目標(biāo)函數(shù)可表示為:

這樣，（1）式中目標(biāo)函數(shù)求解鏈路最小代價的問題就轉(zhuǎn)化為（5）式中目標(biāo)函數(shù)求解網(wǎng)絡(luò)最低傳輸代價的問題了，即本文中所要解決的網(wǎng)絡(luò)負載均衡問題。在將網(wǎng)絡(luò)中大象流的調(diào)度問題轉(zhuǎn)化成多商品流的問題后，先求解多商品流的問題，再根據(jù)求解結(jié)果確定轉(zhuǎn)發(fā)的路徑，這樣不僅可以做到避免鏈路的擁塞，同時也提升了整個網(wǎng)絡(luò)的利用率。由（2）式（3）式可知，在求解的過程中需要滿足鏈路的帶寬以及流量請求的帶寬等約束條件，而PSO算法能夠很好地解決約束優(yōu)化問題，該算法易于實現(xiàn)，并且具有高精度、快速收斂等優(yōu)點，很好地契合了求解多商品流的問題，基于此，本文采用了PSO算法來求解多商品流的問題。

PSO算法中，所有的粒子都會有一個被目標(biāo)函數(shù)所確定的適應(yīng)值（Fitness Value），通過這個適應(yīng)值來評價粒子的“好”與“壞”。應(yīng)用PSO算法來解決約束性的優(yōu)化問題時有兩個步驟較為重要，一個是對問題的解進行編碼，另一個就是要確定好適應(yīng)值的函數(shù)。例如給定一個問題f（x）=x12+x22+x32，要對其進行求解，則在用PSO算法求解時可將粒子編碼為（x1，x2，x3），則f（x）就可表示為適應(yīng)值的函數(shù)。基于此，可構(gòu)造數(shù)據(jù)中心的大象流的調(diào)度問題的適應(yīng)值函數(shù)如下所示。

每個粒子的相對位置對應(yīng)了問題的一個解，并且每個粒子在不斷尋找自身的最優(yōu)位置的同時也在尋找整個群體中最優(yōu)粒子的一個位置。在整個的迭代過程中，為了改變自身的位置，使得自身離最優(yōu)粒子的位置更近，粒子通過比較自身的兩個“極值”[9]的適應(yīng)值的優(yōu)劣來更新自身位置。一個是本身粒子所找到的最優(yōu)的解，這個解稱之為個體極值，用pBest來表示；另一個極值是整個的群體目前能找到的最優(yōu)的解，這個解稱之為全局極值，用gBest來表示。粒子的速度和位置具體的更新方式如下：

其中 t為迭代次數(shù)，v（t）表示粒子當(dāng)前的速度，x（t）表示粒子當(dāng)前的位置，c1、c2是學(xué)習(xí)因子，取值[0-2]的常數(shù)，w 是慣性加權(quán)因子，取值[0.1-0.9]的常數(shù)，rand（）是[0,1]隨機數(shù)。

2.2 改進的IPSO算法及應(yīng)用

文獻[9]的基于多商品流的PSO優(yōu)化算法能夠很好的求得問題最優(yōu)解，然而這些解存在著易于陷入局部最優(yōu)的問題。PSO算法在查找的過程當(dāng)中，群體中的所有粒子通過比較pBest和gBest的適應(yīng)值來更新當(dāng)前的位置，而粒子總是會往適應(yīng)值好的粒子位置區(qū)域聚攏，這樣就會出現(xiàn)粒子群體中的所有粒子都會往一個地方靠近，出現(xiàn)一種“聚攏”現(xiàn)象。隨著聚攏現(xiàn)象的出現(xiàn)，算法就難以保證所求的解是滿足條件的全局最優(yōu)解?；诖?，在PSO算法的基礎(chǔ)上，本文提出了一種改進的粒子群優(yōu)化算法。該算法結(jié)合分治算法的基本思想，將粒子群劃分為m個子粒子群，并通過多次迭代的方式求得每個子粒子群的全局最優(yōu)解，然后對這m個子粒子群的全局最優(yōu)解進行均值求解，最后得到整個粒子群體的全局最優(yōu)解。具體實現(xiàn)過程如下。

首先，將整個粒子群體劃分為m個子群體，為達到子群體的最優(yōu)效果，先選取其中一個子群體j，再對這個子群體的個體極值pBestj作如下的改進：在子群體j中取個體i（該個體極值為pBestji）的前后選取兩個個體極值，分別記作 pBestji-1和pBestji+1

，根據(jù)下面的公式計算出i的個體極值，記作 pBest′ji。

其中t為迭代次數(shù)，i表示第i個粒子，j表示第j個子群體,且 j∈（1,m），α、β、χ是[0,1]的隨機數(shù)，滿足α+β+χ=1。

對 pBestj的改進如下：將上面所有得到的子群體個體極值進行統(tǒng)計 pBest′j1、pBest′j2、...、pBest′jn，用這n個子個體的加權(quán)平均值表示pBest′j。

其中t為迭代次數(shù)，i表示第i個粒子，αi是[0,1]的隨機的數(shù)，并且滿足條件

選用上述方法，得到m個子群體的全局最優(yōu)解后，再對這m個解進行加權(quán)平均值，得到最后的全局最優(yōu)解 pBest′。

IPSO算法的流程圖如圖1所示。

圖1 改進的IPSO算法流程圖

算法IPSO While t＜=100 //滿足迭代條件

2.3 算法性能分析

本文中改進后的IPSO算法，結(jié)合分治算法的思想，將粒子群體劃分為m個子粒子群體，通過多次迭代的方式求得每個子粒子群體的的全局的最優(yōu)的解，再對這m個子粒子群體的全局最優(yōu)解進行均值求解得到整個粒子群全局最優(yōu)解。這一方法很好的解決了PSO算法搜索后期易于求得局部的最優(yōu)的解的問題。PSO算法的時間復(fù)雜度和迭代次數(shù)t以及維度n存在著線性的關(guān)系，時間復(fù)雜度為O（t*n），而IPSO算法是在PSO算法的基礎(chǔ)上對整個群體進行劃分的，因此，它的時間復(fù)雜度為O（mlogn）。同時在后續(xù)的仿真的實驗中表明，該算法較PSO算法有更好的收斂效果，避免了PSO算法后期易于陷入局部的最優(yōu)解的問題。

2.4 基于IPSO算法的SDN負載均衡方案

在SDN網(wǎng)絡(luò)中，數(shù)據(jù)流進到網(wǎng)絡(luò)中時，OpenFlow交換機開始解析該數(shù)據(jù)流，并與交換機中的流表開始進行匹配，匹配如果成功，開始執(zhí)行流表里的相應(yīng)操作（轉(zhuǎn)發(fā)或丟棄）；如果不成功，交換機先將該數(shù)據(jù)流封裝成消息，然后再傳給集成了改進的IPSO算法的控制器中，通過IPSO算法來計算得出從源節(jié)點到目的節(jié)點之間的最優(yōu)的路徑，再通過流表下發(fā)的方式，告知交換機的數(shù)據(jù)流的轉(zhuǎn)發(fā)方式，最后交換機根據(jù)流表的表項中的動作來對這些數(shù)據(jù)流進行轉(zhuǎn)發(fā)，具體的實現(xiàn)過程方案如圖2所示。

3 仿真結(jié)果與分析

為了對IPSO算法進行有效性驗證，本文在Flood?light和Mininet的控制仿真環(huán)境下進行了實驗[10]，整個實驗是在Ubuntu14.04系統(tǒng)下進行的。在使用Mininet構(gòu)建的拓撲網(wǎng)絡(luò)中，選用iPerf軟件來模擬了端到端的流量，iPerf軟件是一個網(wǎng)絡(luò)性能測試工具，能夠創(chuàng)建指定帶寬的數(shù)據(jù)流量，因此選用該軟件對網(wǎng)絡(luò)進行流量的灌輸，并設(shè)定鏈路的帶寬10Mb/s。算法中相關(guān)參數(shù)的描述和取值如表1所示。

表1 仿真實驗參數(shù)值

為了避免實驗過程中出現(xiàn)的偶然情況，我們對自定義的網(wǎng)絡(luò)針對不同的算法各做了六組實驗，同時選取不同的鏈路來查看它們鏈路負載情況，本文主要是根據(jù)鏈路的延時以及鏈路的丟包率兩方面來反應(yīng)鏈路的情況，根據(jù)實驗數(shù)據(jù)結(jié)果，繪制了圖3和圖4所示的曲線圖。

圖3 三種算法的各鏈路延時

圖4 三種算法的各鏈路丟包率

從上圖3和圖4中，我們能夠很清楚地看出，無論是在鏈路延時還是鏈路丟包率的問題上，IPSO負載均衡算法相較于PSO算法和單路徑算法在性能上都有著明顯的提升，該算法較另外兩種算法能夠很好的保證網(wǎng)絡(luò)鏈路的利用率，從而達到鏈路負載的均衡效果。而且在圖中，我們能夠看出IPSO負載均衡算法的曲線圖走向相較于另外兩種算法更趨于平穩(wěn)，曲線波動范圍較小，這說明IPSO算法在各組實驗中都趨于平衡，穩(wěn)定性較好，即改進后算法的可靠性更好。

隨后，在基于Floodlight控制器的Dashboard網(wǎng)頁界面上查看整體的網(wǎng)絡(luò)的負載情況，圖5、圖6和圖7是根據(jù)查看到的網(wǎng)絡(luò)負載情況結(jié)果分別繪制出來的單路徑、PSO和IPSO算法的效果圖。

圖中包含了交換機、主機以及它們之間的鏈路連線，其中不同的鏈路連線表示不同的鏈路利用率，細實線表示鏈路的利用率為0-0.3，虛線表示鏈路的利用率為0.3-0.5，點線表示鏈路的利用率為0.5-0.7，點虛線表示鏈路的利用率為0.7-1。

從上圖中能夠很清晰的看到，單路徑最優(yōu)選路算法出現(xiàn)了點虛線和點線的鏈路情況，說明這個時候鏈路利用率過高，出現(xiàn)了鏈路擁塞的情況；PSO算法雖然沒有出現(xiàn)點虛線的鏈路，但也存在虛線和點線的鏈路情況，說明這個時候鏈路還是會有一些擁塞的情況出現(xiàn)，但不是很嚴(yán)重；而IPSO算法基本上都是細實線的鏈路，說明在采用IPSO算法后，鏈路都趨于平衡，沒有出現(xiàn)鏈路擁塞的情況，同時也驗證了該算法能夠均衡網(wǎng)絡(luò)中的流量，很好保證了鏈路的利用率。

4 結(jié)語

SDN具有集中管控、便于性能優(yōu)化等優(yōu)點，很好的解決了數(shù)據(jù)中心的負載均衡問題，而PSO算法能夠很好的契合了多商品流問題，本文在眾多學(xué)者研究的基礎(chǔ)上，為更好的解決數(shù)據(jù)中心大象流負載均衡的問題，設(shè)計改進了一種基于多商品流的IPSO算法并用于求解負載均衡問題。該算法結(jié)合分治算法的思想，將粒子群體劃分成多個子群體，并通過多次迭代的方式求得每個子群體的全局最優(yōu)解，然后對這些子群體的全局最優(yōu)解進行加權(quán)平均，從而求得整個粒子群體全局的最優(yōu)解。最后，本文構(gòu)建了基于Floodlight和Mini?net環(huán)境下的SDN數(shù)據(jù)中心實驗平臺，對單路徑算法、PSO算法以及IPSO鏈算法的負載鏈路的均衡的策略進行了仿真實驗比較，實驗數(shù)據(jù)表明改進后的IPSO算法能夠很好地對大象流進行可靠的傳輸，整個鏈路基本上趨于平衡且沒有出現(xiàn)鏈路擁塞的狀態(tài)，極大地確保了鏈路的利用率。

圖5 單路徑鏈路負載展示圖

圖6 PSO鏈路負載展示圖

圖7 IPSO鏈路負載展示圖

[1]Wang Wen-Dong,Hu Yan-Nan.SDN:the ongoing Network Change[J].Journal of the technology,2013,19(1):39-43.

[2]Zhang Yuan.Based on OpenFlow Load Balancing Research[D].Beijing:Beijing University of Technology,2014.

[3]Gao Yan-Qing,Wang Hua.Research the Network Energy Model and Intelligent Algorithm Based on Multi-Commodity Flows[D].Shandong:Shandong University,2016.

[4]Al-Fares M,Radhakrishnan S,Raghavan B,et al.Hedera:Dynamic Flow Scheduling for Data Center Networks[C].Usenix Symposium on Networked Systems Design and Implementation,NSDI 2010,April 28-30,2010,San Jose,Ca,USA.DBLP,2010:281-296.

[5]M.Shreedhar,G.Varghese.Efficient Fair Queuing Using Deficit Round[C].SIGCOMM,1995:375-385.

[6]Liao Y.Adaptive Scheme on IEEE 802.11 PCF[J].Computer Science,2007,64(1):58-65.

[7]Mckeown N,Anderson T,Balakrishnan H,et al.OpenFlow:Enabling Innovation in Campus Networks[J].ACM Sigcomm Computer Communication Review,2008,38(2):69-74.

[8]Ghamisi P,Benediktsson J A.Feature Selection Based on Hybridization of Genetic Algorithm and Particle Swarm Optimization[J].IEEE Geoscience&Remote Sensing Letters,2014,12(2):309-313.

[9]Yu M,Rexford J,Freedman M J,et al.Scalable Flow-Based Networking with DIFANE[C].ACM SIGCOMM 2010 Conference on Applications,Technologies,Architectures,and Protocols for Computer Communications,New Delhi,India,August 30-September.DBLP,2010:351-362.

[10]Kreutz D,Ramos F M V,Esteves Verissimo P,et al.Software-Defined Networking:A Comprehensive Survey[J].Proceedings of the IEEE,2014,103(1):10-13.

[11]Shi Y,Eberhart R C.Parameter Selection in Particle Swarm Optimization[M].Evolutionary Programming VII.Springer Berlin Heidelberg,1998:591-600.

[12]Premalatha K,Natarajan A M.Hybrid PSO and GA for Global Maximization[J].Icsrs Int.j.open Problems Compt.math,2009,2(4):597-608.

[13]Specification,OpenFlow Switch.Version 1.0.0(Wire Protocol 0x01)[S].2009.

[14]Kreutz D,Ramos F M V,Esteves Verissimo P,et al.Software-Defined Networking:A Comprehensive Survey[J].Proceedings of the IEEE,2014,103(1):10-13.

[15]Jo E,Pan D,Liu J,et al.A Simulation and Emulation Study of SDN-Based Multipath Routing for Fat-Tree Data Center Networks[C].Simulation Conference.IEEE,2015:3072-3083.

[16]Kirkpatrick K.Software-Defined Networking[J].Communications of the Acm,2013,56(9):16-19.

[17]Wang Wen-Dong,Hu Yan-Nan.SDN:the ongoing Network Change[J].Journal of the Technology,2013,19(1):39-43.