摘要：在软件定义网络（SDN）所驱动的云边协同架构里,流量调度策略具有关键意义,尤其是时延敏感的业务,面临边缘节点资源的有限性以及传统调度方案在高并发情形下的缺陷,如存在负载不均及时延不可掌控等。因此,本研究制订了一种基于SDN的流量调度算法,此算法凭借虚拟网络功能（VNF）的动态设置与智能流量分割手段,实现了边缘资源的优化利用,扩充了系统的吞吐规模。仿真实验证明了该算法可有效提升服务质量,适用于多种网络业务场景。
关键词：SDN,云边协同,流量调度,智能算法
0引言
随着云计算与物联网技术的发展,各类设备对高带宽与低时延的需求急剧上升。软件定义网络（SDN）具有网络控制和数据转发相分离的特性,可以增强网络管理的灵活性及效率,尤其是在处理大规模数据流时效果更为明显。针对边缘计算资源限制及时延敏感的问题,本研究设计了一种融合网络功能虚拟化（NFV）的流量调度算法,此算法将云计算的计算优势与边缘计算的地理位置优势融合起来,采用智能流量切分及动态VNF安排,可大幅提升网络的处理效能与响应速率,改善高并发环境下的负载均衡及时延管控。
1云边协同流量调度的系统建模与问题抽象
1.1 SDN架构下的云边基础网络建模
在SDN架构下,云边协同环境中的基础网络模型
包括应用层、中央控制层以及基础设施层,如图1所示。控制层借助OpenFlow协议与底层设备的数据平面开展交互,实现网络的统一管理,这样的层次结构使控制层能动态管控网络流量,完善网络的通行路径,若需求改变则实时下发流表规则,以匹配不断转变的网络条件与应用需求[1]。在云边融合的环境里,SDN控制器充当核心角色,承担着将网络智能下沉到离用户较近的边缘节点的工作,这些边缘节点大多具备一定的计算及存储资源,但和核心云中资源相比限制明显。精准调控这些边缘节点的流量处理与数据转发,可以显著削减延迟,提升服务响应速度。
1.2流量调度需求与业务建模
SDN环境中,流量服务模型一般被定义为基于用户服务链的多VNF（网络功能虚拟化）组合及处理需求,用户服务链由一系列特定VNFs按顺序排列而成,每个VNF担当特定的网络功能角色,如防火墙、网络地址转换、负载均衡等。进行服务模型设计的时候,主要是对这些VNFs进行优化配置,以处理通过网络传输的数据流,保障每个数据包按既定的路由与服务处理顺序予以传输,以符合不同业务逻辑及安全要求。
按照服务类型划分,流量请求特征可体现在带宽需求、时延约束和数据变换率等方面。不同服务类型,如视频传输、云存储和在线游戏等,对网络带宽和时延的敏感程度差异明显,视频流服务需要较高的带宽和较低时延,而文件传输对时延的要求不高,但需有高带宽。拆分流设计的目标是把网络流量合理地分配到不同处理节点,提升资源匹配率和节点处理效能,可依靠算法动态对流量拆分比例加以调整,以应对网络状态与节点性能的变动[2]。
1.3问题建模与优化目标设计
为高效管理上述业务模型及流量特征,可将问题形式转化为一个混合整数线性规划（MILP）模型。此模型如式（1）所示：
min Z=Σ(ci.xi+dj.yj)（1）
式中,xi和yi分别代表第i个计算资源和第j个传输带宽的使用量；ci和dj表示相应资源的单位成本。
优化以最小化总资源成本为目标,涉及计算资源、传输带宽两项成本,这不仅涵盖成本效率,还囊括改善资源利用效率与服务质量。
多重约束如下。（1）计算及带宽容量的界限约束：保证资源的消耗不超过其物理容量限制；（2）时延把控：达到服务的最大时延要求,尤其是针对实时性应用场景；（3）拆分比例的合理把控：适当调整流量在不同节点路径的拆分,以实现网络性能优化；（4）维持服务次序：保证数据包按VNF服务链的规定顺序进行处理。
借助此类建模与优化手段,可于SDN环境中实现高效且灵活的流量调度及网络功能部署,符合现代网络服务对性能、成本及可靠性的综合诉求。
2基于流量拆分的动态调度算法设计
2.1整体算法框架
在设计一种以流量拆分为基础的动态调度算法时,本研究采用联合优化的方向,将禁忌搜索和遗传算法的优点结合,以提高算法全局及局部搜索能力。禁忌搜索具有快速的局部搜索实力,而遗传算法采用种群的进化策略优化全局搜索的成效,调度进程采用双阶段程序,起始开展VNF部署,接着为子流分配路径[3]。在VNF部署这一阶段,算法根据网络状况及服务期望,判定每个VNF的最优坐落位置,只要VNF部署达成,算法即迈入第二阶段,实施子流路径分配。此时需思考怎样把网络流量合理分配到各个VNF,同时保障满足时延、带宽等相关约束。
2.2关键模块详解
算法先依据服务链需求与VNF位置约束条件迅速生成初始解,此步骤采用编码策略,各服务链的配置均映射为一个编码序列,包括VNF的类型、先后顺序及部署之处。例如,一个服务链可能被编码为[VNF1 Node5,VNF2 Node10,…],说明不同VNF部署到特定的节点,邻域搜索策略设计算法利用定义邻域结构探寻当前解周围的潜在解,这往往需调整VNF的部署位置或者改变流量的路由线路,每一步邻域搜索都尝试凭借小幅度修改探寻更优解。
为顺应网络条件改变或更好地契合服务需求,VNF可能需要迁移至别的节点,该操作涉及核算迁移前后成本与性能影响,并判定是否实施迁移,之后依照网络实时状态动态调控各子流的拆分比例,以优化资源使用效率和服务水平。禁忌搜索中,采用禁忌表记录近时操作历史,避免算法落入循环搜索的陷阱,特赦准则于特定条件达成时许可,要是获得明显更佳的解,则抛开禁忌表的限定。禁忌表的维护借助设定一个固定长度实现,可留存操作的历史记录,防止再次对已知的非优区域进行探索[4]。
2.3适应度函数与终止准则
在优化算法中,适应度函数用于对解的质量加以评估。以基于流量拆分的动态调度算法为例,适应度函数需兼顾资源开销与流量请求接受率。资源开销凸显了网络中资源利用的经济性,包括VNF部署所需的计算资源及流量传输的带宽费用；流量请求接受率是衡量网络服务质量的关键指标,反映出网络实现服务要求的能力。适应度函数可以表示为加权目标的形式,如式（2）所示：
F(x)=α.Cost(x)+β.AcceptanceRate(x)（2）
式中,F(x)是某个解x的适应度值；Cost(x)表示该解的资源开销；Accep tan ceRate(x)表示流量请求的接受率；而α和β是对应的权重因子,用于平衡两个目标之间的重要性。
3仿真实验与性能评估分析
3.1仿真环境与参数设置
仿真实验在配置为Intel Core i7-11700 CPU、32GB DDR4内存、1TB NVMe固态硬盘的硬件环境中进行,将MATLAB R2021a和Python 3.9选作仿真工具,借助NetworkX库以及GT-ITM拓扑生成器创建网络模型,网络控制器模拟采用以Ryu为依托的SDN控制逻辑,在本地部署逻辑转发的控制接口。
实验所采用的网络拓扑由3个核心云节点和17个边缘云节点组成,每个核心云节点的计算资源容量配置为10 Gbps,对应3台逻辑服务器,每台服务器支持最多部署10个VNF实例；每个边缘云节点容量设置为3Gbps,配备单台虚拟服务器,最多容纳3个VNF实例。所有节点之间的链路带宽根据物理位置分为三类：边缘节点间为2Gbps,边缘至核心为6Gbps,核心节点之间为8Gbps。链路传输时延依次设为1ms、3ms和5ms。
流量请求生成器按照多业务场景模拟方式运行,共设计100条流量请求,每条请求包含源节点、目的节点、服务链长度、带宽需求、时延阈值及其期望完成率。每条流量请求初始速率设置为10~50Mbps不等,时延阈值分为三类：5ms（低延迟）、20ms（中等延迟）和50ms（宽松延迟）。
3.2算法性能分析与对比
实验将所提出的TSGA算法分别与禁忌搜索（TS）算法和轮询（RB）算法进行对比。所有算法均在相同网络拓扑和流量请求数据下运行十轮,每轮迭代次数统一设置为200,最大允许流量拆分子流数I分别设为1、2和3,用于验证不同拆分策略下算法的收敛趋势与性能稳定性。结果如表1所示。
结果显示,在最大子流数I取值是2的配置状态下,TSGA算法的请求接受率较TS提升约7.7%,较RB提升了近12.9%,其平均资源开销同TS、RB比,分别降低约5.4%和7.8%,说明该算法在资源受限的条件中可合理安排子流,降低系统重压。
4结语
为处理网络资源碎片化、用户需求多变化与节点负载动态调整等难题,具有流量拆分能力的调度算法为复杂系统提供了更灵活、能掌控的优化道路。通过引入多维感知与全局协同机制,云边架构中的SDN控制逻辑不再单纯局限于路径计算与节点部署,而是渐渐具备了实时反馈与自适应重构的本领,显示出网络自被动响应向主动调度演进的走向。在未来的智能化的网络架构下,面向多目标优化的调度策略将长期发挥关键作用,为网络架构的演进及服务质量的提升提供持续保障。
参考文献
[1]赵一辰,余竞航.基于SDN的云边协同架构在电力信息系统的应用[J].现代计算机,2023,29(20):109-112.
[2]唐为皓.云边端协同环境下计算迁移与卸载方法研究[D].南京:南京邮电大学,2023.
[3]齐麟翔.基于云边端协同的混合任务卸载调度方法研究[D].哈尔滨:哈尔滨工业大学,2023.
[4]柳义筠,陈善平.软件定义车联网云边端协同一体化架构的研究[J].计算机时代,2023(4):23-28.
[5]杨培星,汤红波,游伟,等.云边协同下的虚拟网络功能部署和流量调度方法[J].小型微型计算机系统,2023,44(11):2485-2492.
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/82852.html
