基于蚁群优化的数据中心网络负载均衡算法

对传统方法调度大象流时容易造成数据中心网络拥塞等问题进行研究,提出一种基于蚁群优化的动态负载均衡(Dynamic Load Balancing based on Ant Colony Optimization,DLB-ACO)算法。该算法通过计算一个周期的链路负载方差,降低瞬时负载极值对负载均衡度的影响,避免资源浪费,再对蚁群算法的路径选择概率引入混沌策略和分段调节挥发因子,使算法具有较强的全局搜索能力和较高的收敛速度,从而提高全局最优路径计算的概率。实验结果表明,与等价多径路由(Equal Cost Multi Path,ECMP)算法和全局优先匹配流量调度(Global First Fit,GFF)算法对比,所提算法提高了网络的链路利用率和吞吐量,并且降低了时延。

SDN中基于动态迁移优化的控制器负载均衡算法

为了改善软件定义网络(Software Defined Network,SDN)中由于流量突变引起的多控制器负载不均衡的问题,提出一种基于动态迁移优化(Dynamic Migration-Optimized Load Balancing,DMOLB)的控制器负载均衡算法。该算法在控制器负载阶段以常规控制器的负载作为过载的判断依据。选择迁移域阶段通过选出的迁入域减少交换机迁移的开销。在设定子域迁移度和有效期阶段基于选出的迁移域设定子域迁移度和交换机有效期,计算迁移交换机的数量,并在有效期内完成交换机协调迁移。仿真结果表明,与负载通告(Load Informing based Load Balancing,LILB)算法和阶段式控制器负载均衡(Stage Controller Load Balancing,SCLB)算法相比,该算法降低了交换机迁移通信开销,提高了控制器的资源利用率。