云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)的端到端流量計(jì)算

韓　冰　宋正江　魯　陽　陳建成

(浙江工業(yè)職業(yè)技術(shù)學(xué)院數(shù)字媒體與信息工程分院設(shè)計(jì)與藝術(shù)分院　浙江 紹興 312000)

?

云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)的端到端流量計(jì)算

韓冰宋正江魯陽陳建成

(浙江工業(yè)職業(yè)技術(shù)學(xué)院數(shù)字媒體與信息工程分院設(shè)計(jì)與藝術(shù)分院浙江 紹興 312000)

摘要云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)的流量特征是研究和設(shè)計(jì)云計(jì)算網(wǎng)絡(luò)的基礎(chǔ)，現(xiàn)有的流量測(cè)量研究方法通常要求交換機(jī)支持額外功能模塊或具備可編程能力，而目前大多數(shù)云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)的交換機(jī)并不滿足此要求。提出一種基于網(wǎng)絡(luò)層析技術(shù)的端到端流量推理算法，僅使用交換機(jī)普遍支持的SNMP(簡(jiǎn)單的網(wǎng)絡(luò)管理協(xié)議)數(shù)據(jù)，就能快速準(zhǔn)確地計(jì)算出端到端的流量信息。并通過仿真實(shí)驗(yàn)與已有的網(wǎng)絡(luò)層析算法進(jìn)行比較，結(jié)果表明新算法更適用于大規(guī)模的云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)，可以在較短的時(shí)間內(nèi)得到更準(zhǔn)確的計(jì)算結(jié)果，從而為云計(jì)算網(wǎng)絡(luò)的設(shè)計(jì)和研究提供了重要的參考依據(jù)。

關(guān)鍵詞云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)網(wǎng)絡(luò)層析SNMP

END-TO-END TRAFFIC CALCULATION FOR CLOUD COMPUTING DATA CENTRE NETWORKS

Han BingSong ZhengjiangLu YangChen Jiancheng

(Department of Digital and Art, Zhejiang Industry Polytechnic College, Shaoxing 312000, Zhejiang, China)

AbstractTraffic characteristic of cloud computing data centre networks is the basis of research and design of cloud computing networks. Current study methods of traffic measurement techniques usually ask the switches supporting additional functional modules or being programmable, however not many of the cloud computing data centre networks can afford such switches. In this paper, we proposed an end-to-end traffic inference algorithm which is based on network tomography. It can rapidly calculate the end-to-end traffic information with high accuracy by only utilising SNMP (simple network management protocol) data ubiquitously supported by switches. Through simulation experiment the algorithm was compared with existing network tomography algorithm, and result showed that the new algorithm was more applicable to large-scale cloud computing data centre networks, and could gain more accurate computing results in short period, so as to provide important reference basis for the design and research of cloud computing networks.

KeywordsCloud computingData centre networkNetwork tomographySNMP

0引言

隨著云計(jì)算技術(shù)的高速發(fā)展，云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)對(duì)可靠性的要求也越來越高，很多學(xué)者針對(duì)云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)的設(shè)計(jì)與管理展開研究，其中包括網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)[1-3]，路由策略的研究[4-6]，資源分配以及網(wǎng)絡(luò)異常的檢測(cè)與診斷[7,8]等。然而對(duì)數(shù)據(jù)中心網(wǎng)絡(luò)流量的研究卻存在明顯不足，在一定程度上影響了其他云計(jì)算技術(shù)的研究進(jìn)程。近些年來越來越多的學(xué)者開始注意到研究數(shù)據(jù)中心流量特征的重要性，部分學(xué)者開始研究如何測(cè)量并分析數(shù)據(jù)中心網(wǎng)絡(luò)流量的主要特征[9-11]。 文獻(xiàn)[9]重點(diǎn)研究了用于Web service和Mapreduce應(yīng)用的云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)的流量特征，文獻(xiàn)[10]給出了一般云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)的流量特征，文獻(xiàn)[9,10]均通過在網(wǎng)絡(luò)交換機(jī)上安裝包跟蹤器模塊的方法來測(cè)量網(wǎng)絡(luò)的端到端流量。包跟蹤器需要捕捉每個(gè)包的源/目的地址信息并匯總到網(wǎng)絡(luò)控制中心，占用了大量的存儲(chǔ)成本和時(shí)間成本，當(dāng)網(wǎng)絡(luò)規(guī)模較大時(shí)，無法實(shí)時(shí)地呈現(xiàn)網(wǎng)絡(luò)中所有端到端流量信息。并且無法保證所有的數(shù)據(jù)中心交換機(jī)都支持包跟蹤器的模塊安裝。

另一種實(shí)時(shí)測(cè)量網(wǎng)絡(luò)端到端流量的方法是網(wǎng)絡(luò)層析技術(shù)。它通過收集交換機(jī)中的SNMP數(shù)據(jù)得到每條網(wǎng)絡(luò)鏈路的總流量，并且建立鏈路總流量與端到端流量之間的線性關(guān)系，最終計(jì)算出每個(gè)端到端的流量。網(wǎng)絡(luò)層析技術(shù)由于其操作成本低，計(jì)算準(zhǔn)確已被廣泛應(yīng)用于IP網(wǎng)與ISP網(wǎng)的端到端流量測(cè)量問題中[12-14]。然而文獻(xiàn)[11]的大量實(shí)驗(yàn)數(shù)據(jù)表明，已有的網(wǎng)絡(luò)層析技術(shù)無法直接應(yīng)用于云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)中。因?yàn)樵朴?jì)算數(shù)據(jù)中心網(wǎng)絡(luò)中存在大量的端到端冗余路徑，并且數(shù)據(jù)中心的網(wǎng)絡(luò)流量特征更加復(fù)雜多變。

為了使用最低的成本計(jì)算出準(zhǔn)確的端到端流量，本文根據(jù)云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)的拓?fù)涮攸c(diǎn)，把網(wǎng)絡(luò)劃分為若干子集，將端到端的流量計(jì)算問題簡(jiǎn)化為 “子集與子集之間的流量”和“子集內(nèi)部端到端流量”的計(jì)算，從而解決了云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)端到端冗余路徑的問題。并在此基礎(chǔ)上提出了一種適用于云計(jì)算網(wǎng)絡(luò)流量計(jì)算的網(wǎng)絡(luò)層析方法，新方法利用數(shù)據(jù)中心流量的時(shí)間相關(guān)性將算法問題建模成線性狀態(tài)空間模型，通過改進(jìn)的卡爾曼濾波算法最終計(jì)算得到每條路徑所承載的流量。實(shí)驗(yàn)證明，相比已有的端到端流量計(jì)算方法，新方法更能適用于具有大量冗余路徑和流量特征復(fù)雜的云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)中，并且計(jì)算時(shí)間的花費(fèi)更少、計(jì)算的精確度更高。

1背景與問題描述

圖1　傳統(tǒng)云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)架構(gòu)

圖1為目前應(yīng)用最廣泛的云計(jì)算網(wǎng)絡(luò)中心拓?fù)?，它包含三層結(jié)構(gòu)：核心交換機(jī)(Core switch)層，聚合交換機(jī)(Aggregation switch)層，以及柜頂交換機(jī)(Top of Rack switch， 或TOR switch)層，柜頂交換機(jī)又稱為TOR交換機(jī)。SNMP是當(dāng)前幾乎所有交換機(jī)都支持的網(wǎng)絡(luò)管理協(xié)議，也可以理解為交換機(jī)各個(gè)端口的包(或比特)的計(jì)數(shù)器。通過在不同的時(shí)間間隔(如1~30分鐘)提取交換機(jī)的SNMP數(shù)據(jù)可獲得交換機(jī)端口之間鏈路在對(duì)應(yīng)時(shí)間間隔內(nèi)所承載的總流量。本文重點(diǎn)研究如何根據(jù)鏈路總流量計(jì)算得到每個(gè)TOR交換機(jī)之間的端到端流量。

假設(shè)網(wǎng)絡(luò)中共有m條鏈路，用L={l1,l2,…,lm}表示網(wǎng)絡(luò)中的鏈路，用Y={y1,y2,…,ym}表示每條鏈路所承載的流量。假設(shè)所有TOR交換機(jī)之間的總路徑個(gè)數(shù)為n，用X={x1,x2,…,xn}表示每個(gè)路徑所承載的流量。假設(shè)總共測(cè)量了T個(gè)時(shí)間間隔，用t=1,2,…,T表示每個(gè)時(shí)間間隔。則xi(t)和yi(t)分別表示在第t個(gè)時(shí)間間隔內(nèi)相應(yīng)的流量。根據(jù)鏈路流量與端到端流量之間的關(guān)系，可以建立X(t)與Y(t)的線性方程組，如式(1):

Y(t)=AX(t)

(1)

其中，A={aij,1≤i≤m,1≤j≤n}為路由矩陣。矩陣中的每一行表示一條鏈路，每一列代表一個(gè)端到端路徑。當(dāng)aij=1時(shí)，表示第j個(gè)路徑經(jīng)過了第i條鏈路；相反，當(dāng)aij=0時(shí)則說明第j個(gè)路徑?jīng)]有經(jīng)過第i條鏈路。由于對(duì)大多數(shù)的網(wǎng)絡(luò)拓?fù)鋪碚f式(1)并不滿秩，因此存在無數(shù)組解滿足此方程組。在云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)中存在大量的冗余路徑，這使得式(1)不滿秩的情況更加嚴(yán)重。例如在圖1中，TOR層以上的鏈路總共有24條，而TOR之間的端到端路徑個(gè)數(shù)卻超過100。也就是說式(1)存在上百個(gè)未知數(shù)，而約束條件僅有24個(gè)。當(dāng)網(wǎng)絡(luò)規(guī)模增大時(shí)，鏈路與路徑個(gè)數(shù)差也會(huì)急劇增加。因此，直接從式(1)中求解未知數(shù)X(t)是不可取的。本文下面將提出一種適用于云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)的流量推理方法，可準(zhǔn)確地從式(1)推理計(jì)算出未知數(shù)X(t)。

2網(wǎng)絡(luò)拓?fù)涞姆纸?/p>

云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)拓?fù)湎鄬?duì)于其他計(jì)算機(jī)網(wǎng)絡(luò)(如IP網(wǎng)，Internet等)，具有其獨(dú)有的特性，即網(wǎng)絡(luò)的分層結(jié)構(gòu)以及類似樹狀結(jié)構(gòu)。因此，可根據(jù)數(shù)據(jù)中心網(wǎng)絡(luò)端到端流量的條件獨(dú)立性將網(wǎng)絡(luò)拓?fù)浞纸鉃槿舾勺蛹?。例如，?duì)于圖1中的數(shù)據(jù)中心網(wǎng)絡(luò)拓?fù)洌蓪⑵鋭澐譃?個(gè)子集C1和C2(如圖2所示)。

圖2　將圖1中的網(wǎng)絡(luò)拓?fù)鋭澐譃閮蓚€(gè)子集

條件獨(dú)立性是指對(duì)于子集C1來說，若經(jīng)過交換機(jī)Agg1和Agg2的每個(gè)端到端流量是已知的，則所有經(jīng)過交換機(jī)TOR1~TOR4的端到端流量也是已知的。在分解了網(wǎng)絡(luò)拓?fù)浜螅评碛?jì)算TOR到TOR流量的問題可轉(zhuǎn)換成推理計(jì)算C1和C2之間的端到端流量，以及推理計(jì)算C1與C2子網(wǎng)內(nèi)部的端到端流量問題。從圖2中可以看出， C1與C2之間的路徑個(gè)數(shù)為2，而兩個(gè)子集之間的鏈路個(gè)數(shù)為4，相對(duì)式(1)，不滿秩的情況得到很大地改善。C1與C2內(nèi)部的端到端流量推理問題也有相似的情況。 在下一小節(jié)中將提出一種推理子集之間端到端流量以及子集內(nèi)部端到端流量的高效推理算法。值得注意的是，本文提出的方法僅能推理出TOR在同一個(gè)子集時(shí)的端到端流量，兩個(gè)TOR不在一個(gè)子集時(shí)的端到端流量推理方法會(huì)在將來的工作中繼續(xù)研究。

3基于線性狀態(tài)空間模型的端到端流量計(jì)算算法

文獻(xiàn)[13,14]提出了在IP和ISP網(wǎng)絡(luò)中，端到端流量在一定程度上具有時(shí)間相關(guān)性。本文通過對(duì)實(shí)際云計(jì)算數(shù)據(jù)中心的流量分析發(fā)現(xiàn)，在云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)中，端到端流量同樣存在較強(qiáng)的時(shí)間相關(guān)性。因此，將端到端流量計(jì)算問題建立成線性狀態(tài)空間模型，并在經(jīng)典的卡爾曼濾波算法的基礎(chǔ)上提出用于數(shù)據(jù)中心網(wǎng)絡(luò)的端到端流量計(jì)算算法。

3.1建模

首先將流量計(jì)算問題建立成線性狀態(tài)空間模型:

(2)

圖3　建立流量計(jì)算的線性狀態(tài)空間模型

在式(2)中， X(t)={x1(t),…,xn(t)}為路徑流量， Y(t)={y1(t),…,ym(t)}為測(cè)量到的鏈路流量。F為X(t)與X(t-1)之間的關(guān)系矩陣，表示同一個(gè)路徑在相鄰兩個(gè)時(shí)間間隔內(nèi)流量的關(guān)聯(lián)關(guān)系。 Q(t-1)為獨(dú)立同分布的高斯過程，其均值為0，協(xié)方差矩陣為σQ，表示對(duì)關(guān)聯(lián)關(guān)系F的不確定程度。 A為路由矩陣，表示X(t)與Y(t)之間的關(guān)聯(lián)關(guān)系。 V(t)同樣為獨(dú)立同分布的高斯過程，其均值為0，方差為σV，表示網(wǎng)絡(luò)的觀測(cè)噪聲。建立好的流量計(jì)算狀態(tài)空間模型如圖3所示。

3.2改進(jìn)的卡爾曼濾波算法

卡爾曼濾波算法是線性狀態(tài)空間模型算法中性能最好的算法之一，它能夠在模型滿足高斯過程的情況下達(dá)到最優(yōu)解。在流量推理的狀態(tài)空間模型中，假設(shè)路徑流量狀態(tài)xi(t)滿足高斯分布N(μi,σi)，其中將μi作為對(duì)路徑流量的估計(jì)，σi作為對(duì)此估計(jì)的不確定程度。根據(jù)高斯分布的性質(zhì)，在xi(t)滿足高斯分布時(shí)， yi(t)也同樣滿足高斯分布。這樣卡爾曼濾波將會(huì)求出滿足SNMP觀測(cè)值的端到端流量的最優(yōu)解。

現(xiàn)有的卡爾曼濾波算法包含兩個(gè)步驟:預(yù)測(cè)和更新。預(yù)測(cè)階段根據(jù)t時(shí)間間隔內(nèi)的X(t)狀態(tài)預(yù)測(cè)X(t+1)的狀態(tài)，更新階段根據(jù)觀測(cè)到的Y(t+1)的狀態(tài)調(diào)整X(t+1)的狀態(tài)。本文為卡爾曼濾波算法添加了反饋的步驟，用更新后的X(t+1)反饋給X(t)，使得X(t)的狀態(tài)得到優(yōu)化調(diào)整。

3.2.1 預(yù)測(cè)算法

在預(yù)測(cè)階段，根據(jù)X(t)通過式(3)預(yù)測(cè)X(t+1)的狀態(tài):

X(t+1)=FX(t)

(3)

式中,F為對(duì)角矩陣，對(duì)角線上的元素表示狀態(tài)X(t)與X(t+1)的關(guān)聯(lián)系數(shù)。本文將F設(shè)置為單位矩陣，并將σQ設(shè)置為較大值，此時(shí)的實(shí)驗(yàn)結(jié)果較為理想。

同時(shí)，用式(4)調(diào)整X(t+1)的協(xié)方差矩陣:

(4)

3.2.2 更新算法

首先根據(jù)式(5)計(jì)算預(yù)測(cè)值與真實(shí)值之間的差距:

I(t+1)=Y(t+1)-AX(t+1)

(5)

再根據(jù)差值I(t+1)調(diào)整變量X(t+1)的值，如式(6)所示:

(6)

(7)

同時(shí)通過式(8)更新X(t+1)的方差:

(8)

3.2.3 反饋算法

(9)

(10)

同時(shí)，調(diào)整X(t)的協(xié)方差為：

(11)

3.2.4 算法偽代碼

輸入:Y(1:T),A,F,X(0),σ(0),σQ(0:T),σV(1:T)輸出:X(1:T)foreacht∈1:T[X(t),σ(t)]←Predict(X(t-1),σ(t-1),σQ(t-1),F);[X(t),σ(t)]←Update(X(t),Y(t),σ(t),σV(t),A)[X(t-1),σ(t-1)]←Smooth(X(t),X(t-1),σ(t),σ(t-1),σQ(t-1),F)endfor

算法輸入T個(gè)時(shí)間間隔的SNMP數(shù)據(jù)Y(1∶T)，路由矩陣A，每個(gè)流量自身的關(guān)系矩陣F以及式(2)中Q和V的協(xié)方差矩陣σQ和σv。此外，還需要為X和X的方差σ以及σQ設(shè)置一個(gè)初始值。算法輸出T個(gè)時(shí)間間隔所有路徑所承載的端到端流量X(1∶T)。

4仿真實(shí)驗(yàn)

4.1實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)用NS-3構(gòu)建了圖1所示的拓?fù)浣Y(jié)構(gòu)，拓?fù)浒?2個(gè)TOR交換機(jī)，16個(gè)聚合交換機(jī)和8個(gè)核心交換機(jī)。每個(gè)機(jī)架下面有20臺(tái)服務(wù)器，每條鏈路的帶寬設(shè)置為1 Gbps。在創(chuàng)建網(wǎng)絡(luò)拓?fù)浜螅鶕?jù)文獻(xiàn)[9-11]對(duì)云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)流量特征的研究，產(chǎn)生端到端流量:在每個(gè)機(jī)架下隨機(jī)選擇1~10個(gè)服務(wù)器向其他所有服務(wù)器發(fā)送數(shù)據(jù)包。當(dāng)服務(wù)器向其他機(jī)架下的服務(wù)器發(fā)送數(shù)據(jù)包時(shí)，其發(fā)送的數(shù)據(jù)包個(gè)數(shù)服從對(duì)數(shù)正態(tài)分布Log-N(4,1);當(dāng)向相同機(jī)架下的服務(wù)器發(fā)送數(shù)據(jù)包時(shí)，發(fā)送數(shù)據(jù)包的個(gè)數(shù)服從對(duì)數(shù)正態(tài)分布Log-N(10,1)。每個(gè)數(shù)據(jù)包大小約1400 個(gè)字節(jié)。數(shù)據(jù)流量的路由策略采用數(shù)據(jù)中心網(wǎng)絡(luò)普遍采用的ECMP(等價(jià)多路徑路由協(xié)議)協(xié)議[15]。采集各個(gè)交換機(jī)端口的SNMP數(shù)據(jù)的時(shí)間間隔為5分鐘。

4.2算法與評(píng)價(jià)準(zhǔn)則

將新算法與經(jīng)典的基于網(wǎng)絡(luò)層析技術(shù)的算法SRMF[13]作比較。該算法是目前準(zhǔn)確度最高的網(wǎng)絡(luò)層析算法之一，并且也利用了流量的時(shí)間相關(guān)性特征。對(duì)兩個(gè)算法的性能主要從兩個(gè)方面來評(píng)價(jià)：算法的運(yùn)算時(shí)間和算法的計(jì)算準(zhǔn)確度。其中計(jì)算準(zhǔn)確度用相對(duì)誤差的累積分布函數(shù)(CDRE)來度量，用式(12)來衡量算法的相對(duì)誤差(RE)。

(12)

4.3仿真結(jié)果

圖4比較了兩個(gè)算法在測(cè)量3個(gè)時(shí)間間隔與測(cè)量25個(gè)時(shí)間間隔SNMP數(shù)據(jù)時(shí)的計(jì)算誤差。從圖4(a)中可以看出當(dāng)測(cè)量3個(gè)時(shí)間間隔的SNMP數(shù)據(jù)時(shí)，新算法與SRMF算法計(jì)算誤差累計(jì)分布相差并不明顯。而當(dāng)圖4(b)中測(cè)量了25個(gè)時(shí)間間隔時(shí)：新算法計(jì)算出的端到端流量，相對(duì)誤差<0.5的占比90%以上，而已有SRMF算法計(jì)算出的端到端流量，相對(duì)誤差<0.5的僅占比70%左右。說明隨著時(shí)間的推移，新算法能不斷地校準(zhǔn)模型，使模型更符合當(dāng)前的網(wǎng)絡(luò)狀況，從而能夠得到更加準(zhǔn)確的計(jì)算結(jié)果。

(a) 3個(gè)時(shí)間間隔

(b) 25個(gè)時(shí)間間隔

圖4兩個(gè)算法在不同時(shí)間間隔下的相對(duì)誤差累計(jì)分布函數(shù)

表1列出了在不同時(shí)間間隔SNMP數(shù)據(jù)的條件下，兩個(gè)算法的計(jì)算時(shí)間差異對(duì)比。從表1中可以看出，新算法在時(shí)間間隔較少時(shí)與SRMF算法的計(jì)算時(shí)間相差不多。而隨著時(shí)間間隔的加大，端到端的流量數(shù)目也不斷增加，SRMF的計(jì)算時(shí)間也遠(yuǎn)超新算法。當(dāng)時(shí)間間隔個(gè)數(shù)增加到100時(shí)，SRMF無法在有限時(shí)間內(nèi)得出結(jié)果，而新算法在此時(shí)仍可以在較短時(shí)間內(nèi)得出計(jì)算結(jié)果。這也說明新算法能夠應(yīng)用于大規(guī)模的云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)。

表1　兩個(gè)算法的計(jì)算時(shí)間(單位:秒)

5結(jié)語

云計(jì)算技術(shù)的發(fā)展研究越來越離不開對(duì)數(shù)據(jù)中心網(wǎng)絡(luò)流量特征的深入研究?，F(xiàn)有的數(shù)據(jù)中心流量測(cè)量技術(shù)對(duì)網(wǎng)絡(luò)中的交換機(jī)有著較高的要求，無法適用于大多數(shù)的云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)。普遍應(yīng)用于ISP網(wǎng)絡(luò)的網(wǎng)絡(luò)層析技術(shù)僅利用交換機(jī)的SNMP數(shù)據(jù)可推理得到網(wǎng)絡(luò)的端到端流量，但由于數(shù)據(jù)中心網(wǎng)絡(luò)中存在大量冗余路徑，并且流量復(fù)雜多變，現(xiàn)有的網(wǎng)絡(luò)層析算法無法直接應(yīng)用于其中。為了解決以上問題，本文利用云計(jì)算數(shù)據(jù)中心網(wǎng)絡(luò)的拓?fù)涮卣鲗⒕W(wǎng)絡(luò)劃分為若干子集，從而大大簡(jiǎn)化了算法問題的復(fù)雜程度，并提出一種高效的端到端流量算法，利用流量的時(shí)間相關(guān)性，實(shí)時(shí)準(zhǔn)確地推理計(jì)算出網(wǎng)絡(luò)中的所有端到端流量。實(shí)驗(yàn)結(jié)果表明，相比于已有的網(wǎng)絡(luò)層析算法，新算法能夠在更短的時(shí)間內(nèi)計(jì)算出更準(zhǔn)確的結(jié)果。

參考文獻(xiàn)

[1] Greenberg A,Hamilton J R,Jain N,et al．VL2: A Scalable and Flexible Data Center Network[C]//Proceedings of ACM SIGCOMM，Spain， August 17-21， 2009．

[2] Guo C,Lu G,Li D,et al．BCUBE：A High Performance，Server-centric Network Architecture for Modular Data Centers[C]//Proceedings of ACM SIGCOMM，Spain，August 17-21，2009．

[3] 劉曉茜，楊壽保，郭良敏，等．雪花結(jié)構(gòu)：一種新型數(shù)據(jù)中心網(wǎng)絡(luò)結(jié)構(gòu)[J]．計(jì)算機(jī)學(xué)報(bào)，2011，34(1) :76-86．

[4] Al-Fares M,Radhakrishnan S，Raghavan B, et al．Hedera: Dynamic Flow Scheduling for Data Center Networks[C]//Proceedings of USENIX NSDI, California, April 28-30, 2010．

[5] Jiang J W,Lan T,Ha S，et al．Joint VM Placement and Routing for Data Center Traffic Engineering[C]//Proceedings of IEEE INFOCOM，F(xiàn)lorida，March 25-30，2012．

[6] 羅臘詠，賀鵬，關(guān)洪濤，等．可編程虛擬路由器關(guān)鍵技術(shù)與原型系統(tǒng)[J]．計(jì)算機(jī)學(xué)報(bào)，2013，36(7) : 1349-1363．

[7] Gill P，Jain N,Nagappan N．Understanding Network Failures in Data Centers: Measurement，Analysis，and Implications[C]//Proceedings of ACM SIGCOMM，Toronto，August 15-19，2011．

[8] 金嘉暉，羅軍舟，宋愛波，等．基于數(shù)據(jù)中心負(fù)載分析的自適應(yīng)延遲調(diào)度算法[J]．通信學(xué)報(bào)，2011，32(7) : 47-56．

[9] Benson T，Anand A，Akella A，et al．Understanding Data Center Traffic Characteristics[C]//Proceedings of ACM SIGCOMM，New Delhi，August 30-September 3，2010．

[10] Benson T，Akellaa，D.Maltz A．Network Traffic Characteristics of Data Centers in the Wild[C]//Proceedings of ACM IMC, Melbourne, November 1-3, 2010．

[11] Kandula S，Sengupta S，Greenberg A，et al．The Nature of Data Center Traffic: Measurements & Analysis[C]//Proceedings of ACM IMC，Illinois，November 4-6，2009．

[12] Zhang Y，Roughan M，Duffield N，et al．Fast Accurate Computation of Large-scale IP Traffic Matrices from Link Loads[C]//Proceedings of ACM SIGMETRICS，California，June 9-14, 2003．

[13] Zhang Y，Roughan M，Willnger W，et al．Spatio-temporal Compressive Sensing and Internet Traffic Matrice[C]//Proceedings of ACM SIGCOMM， Barcelona，August 17-21，2009．

[14] Soule A，Lakhina A，Taft A，et al．Traffic Matrices: Balancing Measurements [C]//Inference and Modeling Proceedings of ACM SIGMETRICS，Alberta，June 6-10，2005．

[15] Hopps C. Analysis of an Equal-Cost Multi-Path Algorithm [M/OL].Nov 2000. http://www.hjp.at/doc/rfc/rfc2991.html.

中圖分類號(hào)TP393.07

文獻(xiàn)標(biāo)識(shí)碼A

DOI:10.3969/j.issn.1000-386x.2016.02.076

收稿日期：2014-01-21。浙江省自然科學(xué)基金項(xiàng)目(Y1100137)。韓冰，講師，主研領(lǐng)域：云計(jì)算，人工智能，Web挖掘。宋正江，講師。魯陽，講師。陳建成，講師。