基于SDN的数据中心网络流量负载均衡研究

目前数据中心网络(data center network,DCN)的负载均衡方法存在对大小流的调度缺乏全局实时检测等不足,部分大流会造成拥塞、负载不均衡和带宽碎片等问题.针对上述问题,提出了一种SDN网络流量负载均衡算法—DSA-D.首先,对流量进行分类,为大流计算所有源至目的主机可达路径的最短跳数路径集;然后,根据LLDP和ECHO测量链路时延以求得时延最优路径集;最后,采用概率拟合算法分配路径,实现数据中心网络流量负载均衡.在相同场景下的实验结果表明,与ECMP、Hedera和DIFF算法相比,DSA-D算法具有更好的吞吐量、链路带宽利用率和平均往返时延.

面向负载均衡的动态均衡分区策略

针对MapReduce计算框架处理倾斜数据集时造成Reduce端出现负载不均衡现象,提出一种动态均衡分区策略。在mapper阶段提出基于分治法的数据切分原则处理任务传入的数据组;结合最佳适应算法思想设计动态分配原则逐步将切分后的数据块均衡分配到预分区链表中;根据分区索引分配到各Reduce节点上实现负载均衡。实验结果显示,动态均衡分区策略与两个基准模型相比任务执行时长平均降低了7.7%,表明动态均衡分区策略更好地解决了数据倾斜问题,降低了任务执行时间,验证了模型的有效性。

战术网络中基于资源负载均衡和服务优先级的业务调度策略

针对战术网络环境的多样化业务和网络异构性、高动态特性导致的网络负载易失衡的问题,提出了一种基于资源负载均衡和服务优先级的业务调度策略。通过所承载业务类型的优先级感知,基于通信网络当时可用资源等约束,将业务按需调度到战术通信网络的通信资源池,达到通信网络的自动负载均衡和资源可靠合理利用,提高业务服务质量,并保证高优先级业务可靠传输。通过仿真,验证了该策略算法可大大提高网络吞吐量和资源利用效率。

Spark异构集群负载均衡调度策略

针对Spark可扩展分布式平台在作业任务调度时,没有考虑异构集群节点计算能力的差异和负载均衡问题,导致系统性能受到影响,文章构建了一种Spark环境下异构集群节点负载均衡调度策略。计算节点根据抽样算法,预测数据分布特征,将数据均衡划分为多个分区,根据异构集群节点静态负载和动态负载权重分配,获得异构集群节点实时负载,动态调度作业任务。最后,在异构集群上,通过Wordcount,TeraSort,K-means三种基准测试比较分析。实验结果表明,该算法运行时间明显减少,异构集群的性能得到提升。

卫星网络混合负载均衡策略下的多径流量分配算法

为均衡卫星网络流量分配,满足用户QoS需求,提出一种全局和局部结合的混合负载均衡策略下的多径流量分配算法(HLB-MTD)。根据QoS业务需求进行部分路径筛选,基于表的散列算法进行流量的初次分配;在初次分配的基础上针对突发拥塞进行局部调整,建立重映射目标函数,通过改进交叉和变异概率的遗传算法求出最优解;求得局部优化的,流到路径的映射策略。仿真结果表明,该算法可有效缓解卫星网络拥塞,实现流量均衡分配,在丢包率、平均排队时延、等指标上有更好的提升。

面向异构传感网络的增强传输负载均衡优化技术

由于异构传感网络中承载不同类型的负载,需要考虑不同负载间的数据流量分配和优化,以实现整体负载均衡。为此,设计了面向异构传感网络的增强传输负载均衡优化技术。捕捉异构传感网络数据,并对捕捉到的异构传感网络数据进行优化,提取多个异构传感网络数据特征,计算不同特征的特征值,对其进行一致性判断,构建异构传感网络数据增强传输负载均衡模型。通过计算最优的异构传感网络数据传输路径,生成对应的异构传感网络数据增强传输负载优化算法,实现增强传输负载均衡优化。实验结果表明,模型的资源负载均衡度保持在95%以上,吞吐量保持在90 bit/s以上,丢包率仅为0.922%,传输延迟均在5 ms以下,资源利用率均保持在96%以上,在实际网络和系统应用中负载均衡优化效果较好。

颗粒度动态控制的负载均衡算法的大数据分析

本文提出了一种创新的动态颗粒度控制算法,此算法融合了延迟进程生成与负载内联的特点,通过构建数学模型、优化算法,解决了传统负载均衡方法在动态环境下处理并行任务的难题。旨在最大化并行处理效率并削减不必要的开销。为大数据分析和并行处理提供了一种高效、灵活的负载均衡方案,对提升系统性能与降低成本有一定的参考价值。

高分三号数据分布式自适应负载均衡并行转换算法研究

针对PolSARpro软件自带高分三号数据转换模块无法自适应分布式差异化硬件环境问题,提出了一种按照该软件的数据格式要求进行分布式自适应负载均衡并行转换算法,将高分三号多极化数据快速、精确地进行定标与格式转换,对不同硬件配置环境自适应,能够抗数据偏斜,并且通过KingMap V10.5平台实现了算法并在实际数据中进行测试,试验结果表明性能提升了约12.7倍,验证了算法的可行性、高效性和正确性。

基于SDN的链路负载均衡实验设计与实现

在高级计算机网络课程的教学中,亟须通过创新性实验来灵活运用所学知识,以培养学生综合设计和解决问题的能力。为此,提出并实现了基于软件定义网络(Software-Defined Networking, SDN)的链路负载均衡实验。该方案利用SDN控制器监控网络状态,并结合K短路径算法与权重动态调整路由策略,从而实现链路负载均衡。依托Mininet仿真平台搭建实验环境,验证分析了实验方案的有效性。实验设计过程鼓励学生主动探索研究,实践创新思维,有效提高了学生的实验兴趣和科研素养,为实验教学改革提供了新的思路和方法。

考虑负载均衡的物联网节点传输速率控制方法

为降低节点负载输出幅值,提升节点传输性能,提出考虑负载均衡的物联网节点传输速率控制方法。分析物联网节点传输速率控制机制,确定限制条件,计算节点吞吐量;在所确定的限制条件下,预测传输时延,采用加权轮询算法实现任务分配和调度,控制物联网节点的负载量,实现负载均衡;通过模糊寻优节点链路,构建传输速率控制算法,完成物联网节点传输速率控制。实验结果表明,设计方法的负载输出幅值较低,传输速率控制较好。

基于SDN的车联网多MEC动态负载均衡算法

车载自组织网络(VANET)承载的数据规模呈现爆炸性增长趋势。针对车联网中在线卸载场景下,多边缘服务器(MEC)负载不均衡导致车辆卸载成功率严重下降问题,提出一种基于软件定义网络(SDN)的车联网多MEC动态负载均衡算法DFPC。该算法结合排队论中先到先服务和有优先权的服务两种方式,SDN控制器通过一定的等待时延定时收集当前批任务,利用改进的K-means聚类算法快速对多维任务分类,优先入队紧急度相对高的任务;再利用SDN控制器定时收集的MEC上下文信息,实现卸载任务在多个MEC之间分配的动态反馈调节,解决了多MEC之间动态负载不均衡问题,充分利用MEC的计算资源,最终提升了整体车辆卸载成功率。为了验证DFPC算法在真实动态场景下的有效性,设计一种多MEC接入的在线卸载框架MOLF,通过低成本硬件部署模式完成在线卸载场景下负载均衡性能测试。实验结果表明,相比基准方案,DFPC算法平均卸载成功率提升了28%,平均负载方差降低了73%。

高分三号数据分布式负载均衡并行转换算法

针对PolSARpro软件原有高分三号数据转换模块无法适应分布式环境及数据转换效率相对较低的问题,提出一种基于MPI、MapReduce和OpenMP并按照该软件的数据格式要求进行分布式负载均衡的并行转换算法。该算法外层采用MPI按任务分布式计算,中间层采用MapReduce按景并行处理,内层采用OpenMP按极化方式并行计算,并采用“Z”字形数据负载均衡策略,将高分三号不同成像模式下的多极化数据快速精确定标及格式转换,以抗数据偏斜。实际数据的测试结果表明,该算法的整体性能提升了约50%,验证了算法的可行性、高效性和正确性。

基于分布式和负载均衡技术下融媒体运营管理系统的设计与实现

为了解决传统融媒体服务平台在处理大规模访问请求时常表现出性能不足的问题,本文设计一种以视听海南App为例的融媒体后端管理系统(M-CMS)。该平台利用了消息队列技术与分布式负载均衡等技术,能有效缓解服务器访问压力。

基于Mininet的网络负载均衡仿真研究

软件定义网络(Software Defined Network, SDN)是一种新型的网络体系架构,其原理是采用OpenFlow对网络结构进行自定义的扩展与管理。为进一步研究SDN架构的特性并实现网络负载均衡,文章基于Mininet仿真工具对SDN的网络负载均衡进行深入研究,分析了OpenFlow协议技术及其原理,验证了SDN架构的功能和基本工作流程,构建了网络负载均衡仿真研究的实验环境,并在Mininet中进行了模拟实现,为进一步研究SDN架构提供了有效的技术支撑。

一种多控制器的网络服务器集群负载均衡调度策略

为提高网络服务器集群中心宽带利用率、降低网络访问及传输时延,文章提出一种基于SDN的多控制器负载均衡调度策略。首先,构建多控制器的网络服务器集群负载均衡调度的总体框架,通过转发层采集网络交换设备的状态信息;然后,在多控制器单元生成全局网络视图,采用自适应网络大小流进行调度,以提高网络及传输时延为目标构建网络服务器集群负载均衡调度策略模型。最后,控制器单元更新流量表并对OpenFlow交换层设备进行更新,以实现网络服务器集群中心的网络负载均衡。

构建弹性网络之分布式负载均衡技术(一):特点与功能

当前,随着技术的进步、市场竞争的加剧以及系统复杂度的提升,传统的负载均衡技术已逐渐难以满足日益复杂的业务需求。为了应对这一挑战,分布式负载均衡技术应运而生,并以其卓越的弹性、自助操作和可观测性成为现代数据中心网络设计的核心技术。本文主要介绍基于分布式负载均衡技术的分布式负载均衡系统的特点与核心功能,及其如何为企业网络带来革命性的改变。

构建弹性网络之分布式负载均衡技术(二):技术与实现

随着信息技术的飞速发展,企业对于网络的依赖程度日益加深。传统的负载均衡技术曾经是企业数据中心的“守护神”,如今却在应对现代应用的快速交付、成本效益和自动化运维方面面临前所未有的挑战。分布式负载均衡技术可为企业网络带来革命性的改变。本文将深入分析从技术层面实现分布式负载均衡的关键要素,从弹性地址、“N+1”高可用系统到数据面与管理面的通信,介绍分布式负载均衡技术如何克服传统负载均衡技术的局限性,以确保网络的高性能和高可用性。

基于哈希接入的跨网络负载均衡

无线接入网复杂化持续加剧,无线设备数量激增.为了提升未来网络容量和资源利用率,需要设计有效的拥塞控制手段和资源调配策略,平衡子网络之间负载,促进跨域资源协同共享.为此,本文在新近提出的哈希接入协议的基础上,设计了哈希接入动态优化策略,根据网络负载状况动态调整接入参数以缓解网络拥塞,并在跨网络场景下进一步提出了负载均衡方案与资源整合再调配方案,为无线接入网整合无线资源、均衡网络负载提供了有用的方法.仿真结果表明,本文提出的哈希接入动态优化策略在保证网络稳定的同时最大化网络吞吐量,资源调配方案能有效地调配失衡的网络负载,提升复杂融合网络性能和接入公平性.

深度学习编译器模型训练负载均衡优化方法

对于计算密集型的人工智能(AI)训练应用,其计算图网络结构更加复杂,数据加载、计算图的任务划分以及任务调度的负载均衡性都会成为影响计算性能的关键因素。为了使深度学习编译器中模型训练应用的任务调度达到负载均衡的状态,提出了三种计算图负载均衡优化方法:第一,通过自动建立数据加载与模型训练的高效流水实现中央处理器和后端计算设备的负载均衡,提高了系统整体能效;第二,通过计算图的分层优化技术,实现计算图在后端设备执行调度时的负载均衡;最后,通过自动建立层间的高效流水提高后端设备的资源利用率。实验结果表明,计算图负载均衡优化方法实现了训练任务到底层硬件设备自动映射过程中系统的负载均衡,与Tensorflow、nGraph等传统的深度学习框架和编译器相比,在不同模型训练中通过任务调度负载均衡优化技术分别获得了2%~10%的性能提升,同时能够使系统整体的能耗降低10%以上。

带负载均衡的混合算法求解分布式异构作业车间调度问题

针对以最小化最大完工时间为目标的分布式异构作业车间调度问题(DHJSP),本文提出了一种新的混合遗传禁忌搜索算法.首先,综合考虑工厂的工件总负载与最大机器负载,提出了一种新的工厂负载表达方式.其次,针对DHJSP总工序数不定的特性,提出以最小化最大工厂负载为目标快速确定初始工件分配方案,并验证了方法的高效性.然后,新设计了两种考虑负载均衡的单工件转移邻域结构,根据工序调度的结果对工件分配方案进行局部搜索.最后,因DHJSP缺少标准算例和相关算法,在分布式同构作业车间调度问题(DJSP)上与现有算法进行对比,所提算法在TA算例的480个问题上更新了420个问题的最优解,其余60个问题取得了同等最优解.在随机生成的3个不同规模的异构算例中,所提算法也均取得了较好解,验证了所提方法的优越性.