基于负载通告的SDN多控制器负载均衡机制

多控制器负载均衡是SDN网络部署研究中关注的问题之一。该文针对多控制器间负载均衡的时间效率问题,提出一种基于负载通告策略的负载均衡机制(LILB)。该机制包括负载测量、负载通告、均衡决策和交换机迁移4个核心功能组件。借助于负载通告的能力,每个控制器可以在过载后无需收集其他控制器的负载信息而尽快完成均衡决策。为了减少负载通告带来的通信负荷和处理负荷,该文提出一个抑制算法来降低负载通告的频率。此外,该文还提出了最重过载控制器、迁移交换机和目标控制器的决策方法,以及目标控制器接受迁移请求的判定策略来避免控制器的负载震荡;并为支持交换机迁移过程中控制器角色的平滑切换设计了一种交换机迁移的消息交互机制。最后,在基于Floodlight和Mininet的实验环境中验证了所提出方法的有效性。

SDN中区分交换机等级的控制器负载均衡算法

针对软件定义网络(Software Definition Network,SDN)多控制器负载不均衡问题,提出基于Q-learning算法区分交换机等级的SDN控制器负载均衡算法。依据交换机所影响网络资源划分等级,在进行控制器负载均衡的同时避免高等级交换机连接至同一控制器,提升全网络生存性。仿真结果表明:该算法可以有效地实现控制器负载均衡功能,同时可以有效根据控制器等级进行迁移分配,限制了单个控制器故障对全网资源的影响,提升了网络生存性。

基于贝叶斯网络的SDON控制器自学习负载均衡算法

随着软件定义光网络(SDON)规模的增大,需多个控制器共同为全网提供服务,而控制器负载均衡问题影响到全网服务能力和网络生存性。提出一种基于贝叶斯网络的SDON控制器自学习负载均衡算法。首先,在考虑控制器负载、控制器吞吐量和光交换机迁移时延等控制器相关参数的情况下,利用贝叶斯网络预测负载拥塞程度;其次,结合强化学习算法作出最优动作决策,并利用反馈机制实现参数权重的自我调节,从而调整控制器负载拥塞程度实现负载均衡。仿真结果表明:与Q-learning算法相比,该算法更好地实现了控制器负载均衡功能,更快地提高了负载均衡效率。