ارائه يك الگوریتم تعادل بار مبتنی بر پیش‌بینی در شبکه‌های نرم‌افزارمحور
الموضوعات :حسین محمدی 1 , سیداکبر مصطفوی 2
1 - دانشگاه یزد،دانشکده مهندسی کامپیوتر
2 - دانشگاه یزد،دانشکده مهندسی کامپیوتر
الکلمات المفتاحية: شبکه‌های نرم‌افزارمحور, توازن بار, الگوریتم‌های پیش‌بینی, ماشین یادگیری افراطی,
ملخص المقالة :
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.
[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.
