許紅亮，楊桂芹，蔣占軍

（蘭州交通大學(xué)電子與信息工程學(xué)院，蘭州 730070）

0 引言

軟件定義網(wǎng)絡(luò)（Software Defined Network，SDN）［1-2］是網(wǎng)絡(luò)領(lǐng)域提出的一種新型架構(gòu)，其核心理念是將網(wǎng)絡(luò)的控制平面與數(shù)據(jù)轉(zhuǎn)發(fā)平面分離解耦，實(shí)現(xiàn)網(wǎng)絡(luò)的集中控制和面向業(yè)務(wù)層可編程，網(wǎng)絡(luò)的可編程幫助控制底層網(wǎng)絡(luò)數(shù)據(jù)的轉(zhuǎn)發(fā)行為，有助于感知底層網(wǎng)絡(luò)的運(yùn)行狀態(tài)。但隨著計(jì)算機(jī)和網(wǎng)絡(luò)產(chǎn)業(yè)的不斷推進(jìn)，新型網(wǎng)絡(luò)應(yīng)用的出現(xiàn)使得網(wǎng)絡(luò)通信量呈現(xiàn)爆發(fā)式增長(zhǎng)，給數(shù)據(jù)中心網(wǎng)絡(luò)提出了考驗(yàn)［3］。傳統(tǒng)網(wǎng)絡(luò)設(shè)備運(yùn)行在封閉系統(tǒng)中，應(yīng)用層不能感知底層網(wǎng)絡(luò)運(yùn)行狀態(tài)，在有限的鏈路上處理海量的數(shù)據(jù)請(qǐng)求，給數(shù)據(jù)中心帶來極大流量壓力，出現(xiàn)負(fù)載不均衡、吞吐量低等問題。為解決該問題，國內(nèi)外學(xué)者針對(duì)數(shù)據(jù)中心多路徑負(fù)載均衡［4］做了一些研究，采取靜態(tài)或動(dòng)態(tài)的負(fù)載均衡算法來處理，這些算法雖然取得了效果，但缺少一定的自適應(yīng)性，面對(duì)網(wǎng)絡(luò)中實(shí)時(shí)變化的動(dòng)態(tài)流量，無法快速感知網(wǎng)絡(luò)運(yùn)行狀態(tài)和鏈路的實(shí)時(shí)傳輸狀態(tài)，或者只是局限于實(shí)現(xiàn)局部的最優(yōu)轉(zhuǎn)發(fā)，因此不能保證在全局最優(yōu)的網(wǎng)絡(luò)狀態(tài)下，最大限度實(shí)現(xiàn)基于數(shù)據(jù)中心網(wǎng)絡(luò)的多路徑負(fù)載均衡。

傳統(tǒng)的負(fù)載均衡采用等價(jià)多路徑（Equal Cost Multi-Path，ECMP）路由算法［5-6］，其核心是將數(shù)據(jù)進(jìn)行哈希計(jì)算，均衡在所有等價(jià)的路徑上，把流量負(fù)載平均分配在每條鏈路，來實(shí)現(xiàn)網(wǎng)絡(luò)數(shù)據(jù)轉(zhuǎn)發(fā)；但該算法缺少擁塞感知機(jī)制，未考慮網(wǎng)絡(luò)實(shí)時(shí)狀態(tài)。針對(duì)數(shù)據(jù)中心胖樹拓?fù)涞木W(wǎng)絡(luò)，目前也有一些其他的解決方案：AL-Fares 等［7］提出了全局首次匹配（Global First Fit，GFF）算法和模擬退火法。GFF算法獲取網(wǎng)絡(luò)中所有的鏈路信息，選取首次滿足匹配條件的路徑，雖然實(shí)現(xiàn)方法簡(jiǎn)單但不能實(shí)現(xiàn)全局最優(yōu)；模擬退火法用概率性搜索的方法，雖然選擇了全網(wǎng)最優(yōu)的路徑轉(zhuǎn)發(fā)，但網(wǎng)絡(luò)收斂性變差。Li 等［8］通過局部動(dòng)態(tài)的路由策略，實(shí)現(xiàn)了動(dòng)態(tài)負(fù)載均衡（Dynamic Load Balancing，DLB），但該算法未從全局層面研究，導(dǎo)致局部鏈路負(fù)載太重，出現(xiàn)網(wǎng)絡(luò)擁塞現(xiàn)象。Lu 等［9］提出了基于SDN 的流量控制策略，在網(wǎng)絡(luò)利用率方面作了改進(jìn)，但在路徑選擇時(shí)有排除更優(yōu)路徑的可能。孫三山等［10］針對(duì)數(shù)據(jù)中心擁塞問題，提出基于流調(diào)度代價(jià)的擁塞控制路由算法（Flow Scheduling Cost based Congestion Control Routing Algorithm，F(xiàn)SC-CCRA），對(duì)數(shù)據(jù)流量區(qū)分大小流，根據(jù)定義流調(diào)度代價(jià)選取路徑，但該算法自適應(yīng)動(dòng)態(tài)選擇路徑的能力不足。

針對(duì)急劇增長(zhǎng)的數(shù)據(jù)量給數(shù)據(jù)中心帶來的壓力、傳統(tǒng)封閉的網(wǎng)絡(luò)運(yùn)行系統(tǒng)和有限鏈路傳輸?shù)南拗疲沟镁W(wǎng)絡(luò)出現(xiàn)負(fù)載不均衡、吞吐量低等問題，本文選用新型架構(gòu)軟件定義網(wǎng)絡(luò)（SDN），在此網(wǎng)絡(luò)背景下，利用SDN 能充分感知網(wǎng)絡(luò)實(shí)時(shí)運(yùn)行狀態(tài)和集中管控的特點(diǎn)，結(jié)合蜘蛛猴優(yōu)化（Spider Monkey Optimization，SMO）算法良好的自適應(yīng)全局探索能力，提出了一種基于蜘蛛猴優(yōu)化的SDN 自適應(yīng)多路徑負(fù)載均衡算法（Load Balancing Algorithm based on SMO，SMO-LBA）。首先，建立SMO-LBA 的實(shí)現(xiàn)框架，通過各模塊的協(xié)調(diào)配合，實(shí)時(shí)獲取計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)中各路徑的鏈路空閑率；然后，計(jì)算評(píng)估各路徑相應(yīng)的適應(yīng)度值，在蜘蛛猴的本地領(lǐng)導(dǎo)者階段和全局領(lǐng)導(dǎo)者階段進(jìn)行自適應(yīng)評(píng)估更新；最后，動(dòng)態(tài)選擇出數(shù)據(jù)中心網(wǎng)絡(luò)中鏈路占用率最小的路徑，且此路徑為全局最優(yōu)路徑，作為數(shù)據(jù)最終選定的轉(zhuǎn)發(fā)路徑，根據(jù)選路結(jié)果，下發(fā)新的流表按此流表規(guī)則進(jìn)行轉(zhuǎn)發(fā)，能有效解決在數(shù)據(jù)中心網(wǎng)絡(luò)環(huán)境下的負(fù)載不均衡的問題。

通過仿真實(shí)驗(yàn)表明，SMO-LBA 發(fā)揮了SDN 感知底層網(wǎng)絡(luò)細(xì)節(jié)特征的優(yōu)點(diǎn)，能獲取鏈路的實(shí)時(shí)狀態(tài)信息，同時(shí)利用蜘蛛猴優(yōu)化算法的全局探索能力，從局部到全局地動(dòng)態(tài)開采，自適應(yīng)地調(diào)整數(shù)據(jù)流的選路，實(shí)現(xiàn)了數(shù)據(jù)中心網(wǎng)絡(luò)的負(fù)載均衡，有效地解決了傳統(tǒng)網(wǎng)絡(luò)缺乏感知和負(fù)載均衡算法缺少自適應(yīng)性的問題。

1 算法設(shè)計(jì)與實(shí)現(xiàn)

1.1 算法實(shí)現(xiàn)架構(gòu)

根據(jù)SDN 體系架構(gòu)，其數(shù)據(jù)平面通過南向接口收到控制器的指令，按照指令要求處理網(wǎng)絡(luò)數(shù)據(jù)，南向接口反饋網(wǎng)絡(luò)配置和運(yùn)行狀態(tài)信息給控制器，應(yīng)用層通過北向應(yīng)用程序接口（Application Programming Interface，API）對(duì)網(wǎng)絡(luò)進(jìn)行控制。為實(shí)現(xiàn)本文提出的基于蜘蛛猴優(yōu)化的自適應(yīng)多路徑負(fù)載均衡算法（SMO-LBA），在算法實(shí)現(xiàn)框架內(nèi)設(shè)計(jì)了信息收集模塊、網(wǎng)絡(luò)管理模塊、自適應(yīng)路由模塊和流表下發(fā)模塊，總體框架如圖1 所示，這些模塊作為數(shù)據(jù)中心的核心功能模塊，完成網(wǎng)絡(luò)流量從收集到下發(fā)的所有流程，實(shí)現(xiàn)自適應(yīng)多路徑負(fù)載均衡。

圖1 SMO-LBA實(shí)現(xiàn)框架Fig.1 SMO-LBA implementation framework

1.1.1 信息收集模塊

信息收集模塊作為基礎(chǔ)模塊，以信息收集代理模塊作為輔助，主要用來收集數(shù)據(jù)中心網(wǎng)絡(luò)中的實(shí)時(shí)狀態(tài)信息，探測(cè)感知網(wǎng)絡(luò)中各節(jié)點(diǎn)狀態(tài)信息和各路徑上的鏈路狀態(tài)信息，獲取數(shù)據(jù)中心完整網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，建立相關(guān)路徑信息監(jiān)測(cè)表，為后續(xù)自適應(yīng)路由模塊提供全網(wǎng)拓?fù)浣Y(jié)構(gòu)和流量信息。信息收集模塊通過鏈路層發(fā)現(xiàn)協(xié)議（Link Layer Discovery Protocol，LLDP）［11］將相關(guān)信息封裝在Packet_in/Packet_out 消息中，在控制器和交換機(jī)之間通信，對(duì)反饋信息解析整理得到全網(wǎng)拓?fù)洹?/p>

1.1.2 網(wǎng)絡(luò)管理模塊

為實(shí)現(xiàn)自適應(yīng)動(dòng)態(tài)負(fù)載均衡，需要對(duì)網(wǎng)絡(luò)內(nèi)的參數(shù)實(shí)時(shí)動(dòng)態(tài)監(jiān)控，用網(wǎng)絡(luò)管理模塊周期性監(jiān)測(cè)網(wǎng)內(nèi)各參數(shù)信息。網(wǎng)絡(luò)管理模塊通過南向OpenFlow 協(xié)議［12］獲取端口統(tǒng)計(jì)信息，周期性獲得網(wǎng)絡(luò)流量和各轉(zhuǎn)發(fā)路徑負(fù)載情況，不斷更新管理路徑信息監(jiān)測(cè)表，包括流管理、節(jié)點(diǎn)管理和鏈路管理，計(jì)算各路徑負(fù)載均衡度，一旦負(fù)載均衡度高于設(shè)定閾值，則調(diào)用自適應(yīng)路由模塊，根據(jù)實(shí)時(shí)參數(shù)對(duì)路徑重新評(píng)估，選擇合適路徑轉(zhuǎn)發(fā)來降低負(fù)載均衡度。

1.1.3 自適應(yīng)路由模塊

作為整個(gè)數(shù)據(jù)中心網(wǎng)絡(luò)架構(gòu)的關(guān)鍵模塊，自適應(yīng)路由模塊綜合來自信息收集模塊和網(wǎng)絡(luò)管理模塊的信息，基于全網(wǎng)路徑重新選路。該模塊主要采用基于蜘蛛猴優(yōu)化的自適應(yīng)多路徑負(fù)載均衡算法（SMO-LBA）對(duì)網(wǎng)絡(luò)中的多條路徑進(jìn)行評(píng)估，以鏈路利用率作為目標(biāo)函數(shù)，從局部到全局的過程進(jìn)行尋優(yōu)，為數(shù)據(jù)中心網(wǎng)絡(luò)流量尋找最佳轉(zhuǎn)發(fā)路徑，選取適應(yīng)度值最高的路徑作為目的轉(zhuǎn)發(fā)路徑，對(duì)負(fù)載均衡度不滿足條件的路徑重新?lián)衤贰?/p>

1.1.4 流表下發(fā)模塊

流表下發(fā)模塊是根據(jù)自適應(yīng)路由模塊評(píng)估最佳目的轉(zhuǎn)發(fā)路徑，產(chǎn)生對(duì)應(yīng)的路由轉(zhuǎn)發(fā)策略，由Ryu控制器以流表的形式下發(fā)到各個(gè)交換機(jī)節(jié)點(diǎn)，交換機(jī)按照更新后的新流表執(zhí)行自適應(yīng)路由模塊的選路結(jié)果，根據(jù)轉(zhuǎn)發(fā)規(guī)則匹配相應(yīng)的流表項(xiàng)，對(duì)數(shù)據(jù)中心網(wǎng)絡(luò)流量進(jìn)行轉(zhuǎn)發(fā)，完成SDN 的自適應(yīng)多路徑負(fù)載均衡。

1.2 算法設(shè)計(jì)思想

蜘蛛猴優(yōu)化（SMO）算法［13］是受蜘蛛猴覓食行為啟發(fā)的群集智能優(yōu)化算法，利用SMO 算法較強(qiáng)的開采能力和較高的尋優(yōu)精度，本文針對(duì)基于SDN 的數(shù)據(jù)中心網(wǎng)絡(luò)提出了基于蜘蛛猴優(yōu)化的自適應(yīng)多路徑負(fù)載均衡算法（SMO-LBA），將各個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)作為蜘蛛猴種群尋優(yōu)的食物源，將數(shù)據(jù)流通過鏈路到達(dá)各個(gè)節(jié)點(diǎn)的過程模擬成蜘蛛猴種群在尋找最優(yōu)食物所經(jīng)過的路徑，獲取每條鏈路負(fù)載信息和從每個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)出發(fā)所有鏈路的鏈路利用率，建立網(wǎng)內(nèi)路徑轉(zhuǎn)發(fā)的路徑信息監(jiān)測(cè)表，進(jìn)行周期性的維護(hù)更新。

根據(jù)建立的路徑信息監(jiān)測(cè)表，獲取節(jié)點(diǎn)以及鏈路的信息，得到實(shí)時(shí)鏈路負(fù)載均衡度V，表示為：

其中：Lp=Max{Lij|(i，j) ∈p}，i和j用來表示路徑上的節(jié)點(diǎn)位置，p是用節(jié)點(diǎn)表示的路徑集合，Lp表示當(dāng)前轉(zhuǎn)發(fā)路徑的鏈路負(fù)載，把該路徑上各節(jié)點(diǎn)間最大的負(fù)載作為鏈路負(fù)載；Bm是該條路徑的實(shí)際帶寬n為當(dāng)前轉(zhuǎn)發(fā)路徑的鏈路數(shù)目，Bmi表示每條轉(zhuǎn)發(fā)路徑的實(shí)時(shí)帶寬情況；Cp是數(shù)據(jù)中心網(wǎng)絡(luò)的所有數(shù)據(jù)流量，即所要處理的整體網(wǎng)絡(luò)負(fù)載；B是建設(shè)時(shí)總的網(wǎng)絡(luò)帶寬，表示為B=N×BMAX，N為總的傳輸鏈路條數(shù)，BMAX為鏈路的最大傳輸帶寬。以比值形式計(jì)算所有轉(zhuǎn)發(fā)路徑的負(fù)載均衡度，當(dāng)負(fù)載均衡度越高時(shí)，說明這條鏈路上承載的流量越重，更需要通過重新選路來均衡負(fù)載，即觸發(fā)自適應(yīng)路由模塊工作，開始執(zhí)行SMO-LBA 擇路。依據(jù)大量研究中對(duì)負(fù)載均衡度閾值的設(shè)定，本文假設(shè)滿足觸發(fā)條件的最大負(fù)載均衡度閾值Vth為75%。

SMO-LBA 機(jī)制的原理是：首先，初始化網(wǎng)絡(luò)中的數(shù)據(jù)流，將其分為多個(gè)小組來盡量減少競(jìng)爭(zhēng)的壓力，以便提高尋優(yōu)效率和尋找最佳轉(zhuǎn)發(fā)路徑；其次，對(duì)于各小組，將尋優(yōu)過程分為本地領(lǐng)導(dǎo)者（Local Leader）階段和全局領(lǐng)導(dǎo)者（Global Leader）階段，從局部到全局的順序不斷反饋更新，更新其在組內(nèi)的最優(yōu)結(jié)果；最后，全局領(lǐng)導(dǎo)者根據(jù)反饋結(jié)果更新至最優(yōu)值，若結(jié)果未達(dá)到預(yù)先設(shè)定的閾值，則將組分為更小的組，重復(fù)執(zhí)行上述步驟，直到找到最優(yōu)的轉(zhuǎn)發(fā)路徑。

首先對(duì)所需相關(guān)參數(shù)初始化，構(gòu)造數(shù)量為N的蜘蛛猴種群，DFi(i=1，2，…，N)是一個(gè)D維變量，代表種群中的第i只蜘蛛猴，即作為被優(yōu)化問題的潛在解，按式（2）對(duì)其進(jìn)行種群初始化：

式中：DFij是第i只蜘蛛猴的第j維分量；DFminj和DFmax_j是第j維上的邊界；U(0，1)是［0，1］上的隨機(jī)數(shù)。

在本地領(lǐng)導(dǎo)者階段，每個(gè)DF根據(jù)本地領(lǐng)導(dǎo)者和小組信息更新在網(wǎng)絡(luò)中的節(jié)點(diǎn)位置，計(jì)算新節(jié)點(diǎn)位置相應(yīng)的適應(yīng)度值Fit(DFi)：

其中：f(DFi)表示當(dāng)前路徑的鏈路利用率；f(DFi)越小說明此路徑的占用程度越小，更易被選擇為解決負(fù)載問題需要的轉(zhuǎn)發(fā)路徑，計(jì)算出的適應(yīng)度值相應(yīng)變高，在位置更新過程中，新位置的適應(yīng)度值高于原位置，則更新位置。

在繼承更新原位置的信息時(shí)，為了使算法在后期迭代的過程中有較好的局部搜索能力，考慮在位置更新中引入一個(gè)基于目標(biāo)函數(shù)的動(dòng)態(tài)自適應(yīng)慣性權(quán)重［14］為w，由w表示在每次更新中，新位置對(duì)于原位置信息繼承的程度，通常取w為0到1 之間的常數(shù)。本文將鏈路利用率作為目標(biāo)函數(shù)引入自適應(yīng)慣性權(quán)重中，即把優(yōu)化問題與蜘蛛猴個(gè)體的適應(yīng)度建立映射關(guān)系，當(dāng)隨著各負(fù)載鏈路情況發(fā)生變化，其所對(duì)應(yīng)的適應(yīng)度也相應(yīng)變化。首先計(jì)算λ(k)：

其中：k(k=1，2，…) 為更新次數(shù)；f(DFi(k)) 為第i(i=1，2，…，N) 只猴子第k次更新相應(yīng)位置的目標(biāo)函數(shù)值；f(DFbest(k))為第k次更新的最優(yōu)蜘蛛猴相應(yīng)的目標(biāo)函數(shù)值。根據(jù)λ(k)得到對(duì)應(yīng)的w：

此處，當(dāng)k=1時(shí)，取λ(0)=0.9，λ(k)用來衡量慣性權(quán)重w變化的平滑程度。

因此本地領(lǐng)導(dǎo)者階段的位置更新公式為：

其中：LLlj和DFrj分別表示第l組內(nèi)本地領(lǐng)導(dǎo)者和第r只蜘蛛猴的第j維分量，r可以隨機(jī)選取。

完成本地領(lǐng)導(dǎo)者的尋優(yōu)過程后，進(jìn)入到全局領(lǐng)導(dǎo)者階段，在此階段蜘蛛猴通過全局領(lǐng)導(dǎo)者和本地小組信息更新在全局層面的位置。全局領(lǐng)導(dǎo)者階段更新公式如下：

其中：GLj為全局領(lǐng)導(dǎo)者的第j(j∈{}1，2，…，D)維分量，且j隨機(jī)選擇。

在全局領(lǐng)導(dǎo)者階段，蜘蛛猴種群對(duì)于全局的搜索能力變差，需要增大它對(duì)于全局的開發(fā)能力，因此在適應(yīng)度計(jì)算的基礎(chǔ)上，通過適應(yīng)度值再得到一個(gè)概率計(jì)算公式如式（8），用來獲得更大的開發(fā)幾率：

通過本地領(lǐng)導(dǎo)者階段和全局領(lǐng)導(dǎo)者階段的位置更新過程，最終獲取在分組情況下全網(wǎng)中最優(yōu)轉(zhuǎn)發(fā)路徑，對(duì)超過負(fù)載閾值的數(shù)據(jù)流選擇最佳轉(zhuǎn)發(fā)路徑，通過控制器下發(fā)流表的形式，形成新的流表轉(zhuǎn)發(fā)策略，由流表下發(fā)模塊匹配轉(zhuǎn)發(fā)。

2 仿真與性能評(píng)估

2.1 仿真環(huán)境

本文使用Mininet2.3.0 版本仿真軟件［15］和Ryu 開源控制器完成仿真實(shí)驗(yàn)平臺(tái)搭建，模擬基于SDN 的數(shù)據(jù)中心網(wǎng)絡(luò)運(yùn)行環(huán)境，部署網(wǎng)絡(luò)實(shí)現(xiàn)架構(gòu)中的各模塊。Mininet 是一個(gè)輕量級(jí)的虛擬網(wǎng)絡(luò)仿真平臺(tái)，它可以模擬一個(gè)真實(shí)完整的網(wǎng)絡(luò)環(huán)境，支持OpenFlow 協(xié)議與Ryu 控制器相連接，Ryu 是一款基于Python編寫的開源SDN控制器，作為算法實(shí)現(xiàn)的控制平臺(tái)，使用Iperf工具，模擬產(chǎn)生各主機(jī)之間的數(shù)據(jù)流量。

因?yàn)榕謽渚W(wǎng)絡(luò)具有多層次的樹狀拓?fù)浣Y(jié)構(gòu)固有的容錯(cuò)能力，因此本文選擇構(gòu)建一個(gè)K=4 的簡(jiǎn)單胖樹網(wǎng)絡(luò)拓?fù)洌?6-17］，它能夠在核心層對(duì)多路徑負(fù)載及時(shí)處理，故選用它來模擬數(shù)據(jù)中心網(wǎng)絡(luò)場(chǎng)景，如圖2 所示。其中，匯聚層和邊緣層分為4個(gè)Pod，每個(gè)Pod 里都分別有2 臺(tái)交換機(jī)在匯聚層和2 臺(tái)交換機(jī)在邊緣層，核心層共有4 臺(tái)核心交換機(jī)，每臺(tái)交換機(jī)端口都與匯聚層交換機(jī)向上的級(jí)聯(lián)口相連接，網(wǎng)絡(luò)所支持的服務(wù)器總數(shù)為16臺(tái)。

圖2 K=4的胖樹網(wǎng)絡(luò)拓?fù)銯ig.2 Fat-tree network topology with K=4

為完成蜘蛛猴種群在本地領(lǐng)導(dǎo)者階段和全局領(lǐng)導(dǎo)者階段的位置更新，在進(jìn)行模擬仿真實(shí)驗(yàn)時(shí)，將蜘蛛猴種群規(guī)模設(shè)置為數(shù)量為N=50的種群［13］，模擬數(shù)據(jù)在網(wǎng)絡(luò)中的尋優(yōu)過程。

2.2 對(duì)比分析

搭建完整仿真實(shí)驗(yàn)平臺(tái)之后，將數(shù)據(jù)中心網(wǎng)絡(luò)與Ryu 控制器遠(yuǎn)程連接，用Iperf 流量工具模擬數(shù)據(jù)中心網(wǎng)絡(luò)多路徑數(shù)據(jù)流量，設(shè)置鏈路帶寬為100 Mb/s，控制器監(jiān)控周期為5 s，逐步增大負(fù)載進(jìn)行對(duì)比實(shí)驗(yàn)。選取節(jié)點(diǎn)過載次數(shù)、傳輸時(shí)延和平均鏈路利用率三個(gè)性能指標(biāo)，將本文算法與FSC-CCRA 和ECMP算法進(jìn)行性能對(duì)比實(shí)驗(yàn)，得到的實(shí)驗(yàn)對(duì)比效果如下。

1）節(jié)點(diǎn)過載次數(shù)。

節(jié)點(diǎn)過載次數(shù)表示在數(shù)據(jù)流轉(zhuǎn)發(fā)過程中，由于負(fù)載過大使得節(jié)點(diǎn)發(fā)生過載情況的次數(shù)，轉(zhuǎn)發(fā)路徑的過載次數(shù)反映算法均衡負(fù)載的能力。若節(jié)點(diǎn)過載次數(shù)過大，表示在針對(duì)數(shù)據(jù)中心多路徑負(fù)載均衡時(shí)，算法不能根據(jù)實(shí)時(shí)網(wǎng)絡(luò)狀態(tài)，合理均衡負(fù)載完成數(shù)據(jù)轉(zhuǎn)發(fā)。節(jié)點(diǎn)過載次數(shù)實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 不同算法節(jié)點(diǎn)過載次數(shù)對(duì)比Fig.3 Comparison of node overload times of different algorithms

從圖3 可以看出，ECMP 算法處理負(fù)載時(shí)，出現(xiàn)過載的情況最嚴(yán)重；FSC-CCRA 處理負(fù)載有一定效果，但隨著負(fù)載的逐漸增加，也開始出現(xiàn)一定程度的過載問題，但發(fā)生節(jié)點(diǎn)過載的情況不嚴(yán)重；SMO-LBA 實(shí)現(xiàn)的效果最優(yōu)，針對(duì)負(fù)載過大的路徑自適應(yīng)重新選路，動(dòng)態(tài)調(diào)整轉(zhuǎn)發(fā)路徑，避免節(jié)點(diǎn)過載情況發(fā)生，但當(dāng)系統(tǒng)流量達(dá)到飽和時(shí)，網(wǎng)絡(luò)處理負(fù)載的能力受到限制，最終各算法節(jié)點(diǎn)過載次數(shù)趨近相同。

2）傳播時(shí)延。

傳播時(shí)延作為數(shù)據(jù)轉(zhuǎn)發(fā)過程中的常見指標(biāo)，是指從發(fā)送端發(fā)送數(shù)據(jù)開始，到接收端接收數(shù)據(jù)總共經(jīng)歷的時(shí)間。不同算法選路策略不同，導(dǎo)致傳播時(shí)延出現(xiàn)差異，實(shí)驗(yàn)結(jié)果如圖4所示。由圖4 可看出：實(shí)驗(yàn)最初三種算法傳播時(shí)延都同步上升，這是因?yàn)榫W(wǎng)絡(luò)還沒有數(shù)據(jù)流量轉(zhuǎn)發(fā)行為，需要上報(bào)Ryu控制器計(jì)算轉(zhuǎn)發(fā)路徑，下發(fā)安裝流表導(dǎo)致時(shí)延上升，但很快就回落到正常水平。當(dāng)負(fù)載從10 Mb/s 增大到42 Mb/s 的過程中，系統(tǒng)鏈路健壯性良好，三種算法都能有效處理負(fù)載，所以傳播時(shí)延無太大差異。當(dāng)負(fù)載超過42 Mb/s時(shí)，系統(tǒng)承載流量的加重使不同算法處理負(fù)載的能力出現(xiàn)差別，ECMP 算法傳播時(shí)延有較大變化，F(xiàn)SC-CCRA變化趨勢(shì)與SMO-LBA相近，但傳播時(shí)延還是呈現(xiàn)出較小的抖動(dòng)，而本文的SMO-LBA 傳播時(shí)延雖然也有抖動(dòng)現(xiàn)象，但基本平穩(wěn)且傳播時(shí)延低于基于流調(diào)度代價(jià)的擁塞控制路由算法。

圖4 不同算法傳播時(shí)延對(duì)比Fig.4 Comparison of propagation delay of different algorithms

3）平均鏈路利用率。

平均鏈路利用率取所有鏈路利用率的平均值，表示為網(wǎng)絡(luò)運(yùn)行時(shí)所有鏈路的占用帶寬與總帶寬之比，計(jì)算公式為：

式中：bmi(t)表示在t時(shí)刻，數(shù)據(jù)在第m條路徑第i條鏈路的傳輸帶寬；N為總的傳輸鏈路條數(shù)；BMAX為鏈路的最大傳輸帶寬。平均鏈路利用率實(shí)驗(yàn)結(jié)果如圖5所示。

圖5 不同算法平均鏈路利用率對(duì)比Fig.5 Comparison of average link utilization of different algorithms

從圖5可看出：ECMP算法只是將負(fù)載均衡在所有等價(jià)路徑轉(zhuǎn)發(fā)，容易導(dǎo)致鏈路擁塞，故它的平均鏈路利用率最低；FSC-CCRA 對(duì)數(shù)據(jù)進(jìn)行大小流區(qū)分，在網(wǎng)絡(luò)運(yùn)行前期可以較好均衡負(fù)載，但隨著流量負(fù)載加重，由于自適應(yīng)不足會(huì)造成局部鏈路承載流量過多，所以其鏈路利用率變化逐漸變緩；而SMO-LBA 綜合考慮了局部和全局的尋優(yōu)，基于網(wǎng)絡(luò)實(shí)時(shí)鏈路負(fù)載，選取全網(wǎng)最優(yōu)轉(zhuǎn)發(fā)路徑，因而其平均鏈路利用率呈現(xiàn)一定優(yōu)越性。

2.3 實(shí)驗(yàn)結(jié)論

綜上，實(shí)驗(yàn)結(jié)果表明，當(dāng)數(shù)據(jù)中心網(wǎng)絡(luò)負(fù)載較少、多路徑帶寬足夠時(shí)，三種算法仿真效果相當(dāng)；但隨著數(shù)據(jù)流量的增大，對(duì)比算法處理負(fù)載的能力表現(xiàn)不足，出現(xiàn)局部負(fù)載過重或網(wǎng)絡(luò)擁塞問題，網(wǎng)絡(luò)系統(tǒng)無法承載當(dāng)前流量，而本文提出的SMO-LBA 能夠?qū)崿F(xiàn)全局動(dòng)態(tài)尋優(yōu)，通過重新選路自適應(yīng)調(diào)整流量負(fù)載，實(shí)現(xiàn)網(wǎng)絡(luò)更高效的轉(zhuǎn)發(fā)。

3 結(jié)語

本文基于SDN 體系結(jié)構(gòu)，針對(duì)數(shù)據(jù)中心網(wǎng)絡(luò)無法感知底層網(wǎng)絡(luò)細(xì)節(jié)以及缺少動(dòng)態(tài)自適應(yīng)選路方法的問題，提出了一種基于蜘蛛猴優(yōu)化的自適應(yīng)多路徑負(fù)載均衡算法（SMO-LBA），通過Ryu 控制器南向接口獲取網(wǎng)絡(luò)實(shí)時(shí)狀態(tài)及負(fù)載信息，對(duì)負(fù)載均衡度較高的路徑，調(diào)用自適應(yīng)路由模塊重新選路，從局部到全局的選路過程使得數(shù)據(jù)中心尋優(yōu)精度提高，選擇的路徑對(duì)負(fù)載均衡的改善效果更好，最后發(fā)揮軟件定義網(wǎng)絡(luò)集中控制的作用，下發(fā)流表轉(zhuǎn)發(fā)數(shù)據(jù)中心網(wǎng)絡(luò)流量。經(jīng)過在Mininet仿真平臺(tái)進(jìn)行實(shí)驗(yàn)，結(jié)果表明本文的SMO-LBA明顯提高了鏈路利用率，呈現(xiàn)的尋優(yōu)效果也更好，能夠較好實(shí)現(xiàn)基于SDN 的數(shù)據(jù)中心網(wǎng)絡(luò)的自適應(yīng)多路徑負(fù)載均衡。本文選用胖樹網(wǎng)絡(luò)拓?fù)溥M(jìn)行實(shí)驗(yàn)，但實(shí)際的網(wǎng)絡(luò)傳輸場(chǎng)景要復(fù)雜很多，因此在之后的工作中，將研究更為復(fù)雜的數(shù)據(jù)中心網(wǎng)絡(luò)場(chǎng)景來進(jìn)行模擬負(fù)載均衡實(shí)驗(yàn)。