面向云數據中心的多業務差異化流量管理優化策略

王耀民，王霞，董易，高蓮，張松海，施心陵

（云南大學信息學院，云南 昆明 650504）

1 引言

云計算技術的迅速發展帶動傳統數據中心向云數據中心轉變，越來越多的互聯網新興業務和用戶聚集云端[1-2]，業務和用戶數量的增長使云數據中心的流量規模持續增大。然而，目前大部分云數據中心仍然采用傳統數據中心的網絡架構和技術[2]，已難以適應其流量管理的需求，尤其是承載多業務、面向多用戶的運營商云數據中心。

近年來興起的軟件定義網絡（SDN,software defined networking）云數據中心[3-4]，實現了流量的全局集中管理和靈活的細顆粒優化[5]。云計算技術使業務越發多元化，用戶的業務體驗也存在差異化的需求，如何使SDN 云數據中心具備多元化和差異化的流量管理能力成為需要進一步解決的問題。

目前，國內外產學界對于SDN 數據中心或云數據中心流量管理優化的研究，主要是根據流量管理需求或優化目標，建立相應的數學模型，通過合適的算法求解。研究涵蓋如下方面。

1)通過靜態閾值識別“大象流”“老鼠流”或特定范圍的流量，將此類流量作為優化對象，根據所設計流量管理方法對其進行優化。Al-Fares 等[6]提出Hedera 流量調度方案，通過模擬退火算法求解數據中心“大象流”的優化路徑。文獻[7]設計一種數據中心FISH 流量管理策略，在流量突發的情況能對“老鼠流”進行合理管理優化。但由于靜態閾值匹配多業務差異化流量能力較弱，難以實現多業務差異化流量的全局優化管理，無法滿足云數據中心多業務流量差異化的性能需求。

2)應用智能優化算法求解流量優化方案，解決SDN 數據中心流量管理問題。Zhanikeev[8]將遺傳算法（GA,genetic algorithm）應用于數據中心端到端的路徑優化，提高流量管理效率。Mohammadi 等[9]應用教學優化（TLBO,teaching learning based optimization）算法求解多媒體多播流量的管理方案，以提升業務服務質量。文獻[10]通過蟻群優化（ACO,ant colony optimization）算法求解SDN 數據中心網絡分段路由，提高數據中心網絡吞吐量。文獻[11]將流量調度問題轉化為背包問題，借鑒離散粒子群優化（PSO,particle swarm optimization）算法得到最優流量調度方案。GA、ACO 和PSO 等傳統智能優化算法能快速收斂，但這些算法容易陷入局部最優，多數算法不具備多模特性[12]，若用于解決多業務差異化流量管理問題存在一定的局限性。

3)SDN 數據中心流量管理的優化方案通常是基于網絡瞬時信息的最優解或近似最優解[13]。流量管理是一個時間相關性問題，若只對信息采集時刻有效的唯一最優解失效，則需要再次求解最優解，這樣必然影響流量管理的效率。流量管理策略具備多模優化能力，能同時得到多個滿足條件差異化優化方案，提高流量管理效率。同時多個流量管理方案能更好地兼顧云數據中心流量管理的多維決策需求，提升運營管理水平。

綜上，當前關于數據中心流量管理研究成果，不能很好地滿足運營商云數據中心多業務差異化的流量管理需求。

為此，本文以運營商SDN 云數據中心為研究對象，針對其多業務差異化的流量管理需求，綜合考慮網絡性能、流量特征和業務體驗等因素，提出了面向云數據中心的多業務差異化流量管理優化策略。本文的主要貢獻和工作如下。

1)基于運營商云數據中心實際的業務流行度和業務流量周期特征，建立業務流行度概率統計函數和業務周期流量函數。

2)針對運營商云數據中心流量管理需求，設計與之匹配的SDN 云數據中心流量管理規則，構建多業務差異化（MSD,multi-service differentiated）流量管理模型，以解決運營商云數據中心流量管理問題。

3)提出云數據中心流量管理的MSD-FTO 策略，針對MSD 模型設計，改進斐波那契樹優化（FTO,Fibonacci tree optimization）算法，實現云數據中心多業務差異化流量管理多維、多約束的多模自適應尋優。

4)通過Mininet 搭建運營商云數據中心測試平臺，驗證MSD-FTO 策略的有效性。結果表明，MSD-FTO 策略具備穩定的全局尋優能力和靈活的多模自適應特性。同等條件下，其尋優能力優于遺傳算法（GA）和改進遺傳算法（IGA,improved genetic algorithm）。而且，MSD-FTO 策略能根據需要求解多個差異化流量管理方案，對多業務流量進行合理的差異化管理，流量管理效果優于ECMP（equal-cost multi-path），能有效提升網絡性能和業務體驗，滿足運營商云數據中心多業務差異化流量管理需求。

2 云數據中心多業務流量描述

本節針對運營商云數據中心的運營特點和流量特征，重點考慮業務流行度和業務周期兩方面，建立業務流行度概率統計函數和業務周期流量函數。

2.1 業務流行度

業務流行度表示各種業務對于用戶的吸引程度，如世界杯、奧運會等賽事期間的4K 高清視頻；京東“618”和淘寶“雙11購物節”期間的電子商務業務；節慶活動有關的新聞、互動視頻等。流行度高的業務更容易吸引用戶關注和使用。某運營商云數據中心在“雙11購物節”期間的周流量統計如圖1所示。根據運營商云數據中心運營實際，結合各業務歷史流量信息，設計業務流行度概率統計函數，如式(1)所示。

圖1 云數據中心周流量統計

其中，Sk表示業務k的累計活躍用戶數；γk(t)為業務k的獨立性因子，是時間函數，表示多個業務間相互獨立且具有時間相關性。

通常云數據中心宏觀用戶規模與所處城市或地區人口、經濟等相關，短期內趨于相對穩定的狀態。當用戶集中關注部分業務時，其他業務關注度必然下降，各業務的流行度具有差異性。本文根據業務流行度概率統計分布，通過提高熱門業務的服務質量以提升用戶體驗的普遍滿意度。文獻[14]研究表明了關注和提升重點或熱點業務的服務質量，對提升網絡性能和用戶體驗具有重要作用。

2.2 業務周期流量

某運營商云數據中心在2018世界杯期間和淘寶“雙11購物節”期間的相關業務流量統計如圖2所示。

研究表明，云數據中心各業務流量具有顯著的周期性特征[15]。如2018世界杯賽事集中在北京時間的凌晨時段；各電商購物節、重大節慶活動相關業務流量峰值也為某特定時段等，各業務周期也存在明顯的差異性。

根據運營商云數據中心業務流量的歷史信息和業務周期特征，歸一化建立業務周期流量函數，如式(2)所示。

其中，bk表示業務k的流量需求；λk(t)是時間函數，表示業務k時間相關的流量變化因子；Tk表示業務k的周期，反映業務k平均峰值流量的時間區間。

3 SDN 云數據中心流量管理設計

基于運營商云數據中心的多業務流量特征，設計SDN 云數據中心流量管理規則，構建多業務差異化流量管理模型，解決運營商云數據中心的多業務差異化流量管理問題。

3.1 流量管理規則設計

為滿足云數據中心多業務差異化流量管理的要求，SDN 云數據中心可充分發揮其全局集中控制和細顆粒流量管理優勢，應用SDN 集中控制器的流量統計、流量分析和流表管理等功能模塊[16-17]，設計合理的流量管理規則，實現多業務差異化流量管理的目標。SDN 云數據中心流量管理規則邏輯框架如圖3所示。

圖3 流量管理規則邏輯框架

結合云數據中心歷史流量統計和各業務流量特征分析，將業務流量定義為如下2類。

定義1可預知隨機型流量。如2018世界杯的4K 高清視頻、IPTV 業務流量；電商購物節的相關業務流量或重大活動的相關業務流量等。此類流量可結合歷史信息分析或經驗預知，具有相對穩定周期性和計劃性特征，但用戶對這些業務的選擇仍然具有隨機性。

定義2非可預知突發型流量。如網絡故障、網絡突發事件等。此類流量不可提前預知、突發性強，流量突變容易造成網絡擁塞，嚴重影響網絡性能和業務體驗。

設計與流量分類定義相匹配的流量管理規則如下。

規則1針對可預知隨機型流量，結合歷史流量統計信息和運營經驗，依據業務流行度和業務可預知周期設置對應同步時鐘，當進入業務可預知周期時，根據歷史同期業務流量統計確定業務流量需求，如式(3)所示，SDN 集中控制器激活多業務差異化流量管理策略，確保可預知周期內的網絡性能和業務體驗。

其中，Bk(τ)表示業務k歷史同期流量函數，δk表示業務k的流量優化決策權重，T′k表示業務k的可預知周期。當周期結束后系統恢復常態，業務流量通過ECMP 進行管理。

規則2針對非可預知突發型流量，通過SDN集中控制器流量分析模塊識別異常流量。當發現異常流量，且持續時間超過異常流量觀察期，如式(4)所示，SDN 集中控制器激活多業務差異化流量管理策略，對異常流量進行優化，避免網絡性能下降，保障業務服務質量。

設置觀察期Δt，能避免網絡中的瞬時突發流量引起頻繁的流量管理，保障網絡穩定性。Δt與SDN云數據中心的網絡平面、控制平面以及業務流量特征等關聯，需根據具體情況進行討論和設置。

3.2 流量管理模型設計

云數據中心中各類業務對時延、分組丟失和帶寬等網絡性能需求具有明顯差異[18]。為實現云數據中心的多業務差異化流量管理，需要構建多元化業務差異化性能需求的流量優化模型，達到增強網絡性能和業務體驗的目的。

設計云數據中心網絡為有向圖Graph=(N,A)，如圖4所示。其中N是網絡節點集合，A是鏈路集合，圖4中Nodei與Nodej間鏈路分別表示為向量(i,j)和向量(j,i)，(i,j)∪(j,i)∈A，表明鏈路中的流量具有方向性。

圖4 云數據中心網絡

用K表示業務集合，業務k∈K。表示業務k是否經過鏈路(i,j)，(i,j)∈A。業務端到端性能開銷如式(5)所示。

式(5)的各符號定義如表1所示。

表1 符號定義

設計最小化多業務依概率端到端性能開銷作為優化目標，如式(6)所示。

目標函數為

約束條件為

式(7)表示業務流量滿足業務周期流量函數約束，式(8)、式(9)分別表示各業務滿足對應的分組丟失、時延的閾值約束，式(10)表示業務k是否經過鏈路(i,j)。

將業務流行度概率統計加入目標函數，實現多業務依概率流量管理，增強流量管理的針對性。業務周期流量函數依歷史流量信息設計，具有與各業務相匹配的自適應特征，將其作為約束條件可強化流量管理模型的動態自適應能力。

至此，本文構建了適配運營商云數據中心的多業務差異化流量管理模型。由模型可知，運營商云數據中心多業務差異化流量管理是一個依概率的多維、多約束和多模優化問題，也是一個NP-hard問題[9]。本文擬針對所設計的MSD 模型，改進斐波那契樹優化算法，提出一種云數據中心流量管理的MSD-FTO 策略，通過在流量管理可行域內全局局部交替迭代的多模自適應尋優，求解多業務差異化流量管理方案，達到提升網絡性能和業務服務質量的目的。

4 流量管理MSD-FTO 策略設計

4.1 FTO 多維尋優

斐波那契樹優化算法是一種基于斐波那契法和黃金分割法思想設計的智能優化算法[12,19]，斐波那契法和黃金分割法用于求解一維單峰函數的最優性已得到了證明[20]。然而，多業務差異化流量管理是一個多維問題，需要將斐波那契法和黃金分割法的最優性從一維拓展到多維，設計FTO 基本結構，其全局和局部點在多維可行域中，需滿足式(11)的比例關系和式(12)的線性關系。

其中，向量xa、xb為全局端點，xc為局部試探點，Fi為斐波那契數列第i項。

通過FTO 基本結構全局和局部點的多維迭代，形成算法全局局部交替迭代尋優過程，迭代過程全局點滿足隨機性，局部點具有啟發式信息。FTO 全局局部交替迭代尋優過程如同在問題的可行域構建了一張“搜索網”，如圖5所示。全局搜索的“擴展”和局部搜索的“收縮”，既保證算法全局和局部搜索的均衡性，又確保迭代尋優過程漸近收斂逐步逼近最優解，還可有效避免FTO 尋優陷入局部最優，保證多業務差異化流量管理方案的最優性。

圖5 FTO 算法全局局部搜索示意

FTO 迭代計算過程中將尋優得到的可行解存儲起來，可對尋優過程和結果進行回溯，此記憶功能提高了算法啟發能力和優化效率，對于解決流量管理的優化問題具有實用價值。

4.2 FTO 多約束處理

云數據中心流量管理屬于多約束優化問題，FTO 應具備多約束處理能力。本文設計一種約束沖突規則[21]，簡便有效地處理流量管理的多約束，其基本思想如下。

1)FTO 尋優過程產生的所有可行解需進行沖突度評估：如符合式(7)～式(10)的各項約束條件，則沖突度保持不變；若違背一項約束條件，則沖突度加1。

2)FTO 篩選可行解的過程中，通過式(6)目標函數值和沖突度共同決策，可行解的函數值越優、沖突度越小，則此解越優；反之則越差。

FTO 約束沖突規則在處理流量管理多約束的過程中并未改變目標函數結構或引入額外參數，利用FTO 迭代尋優的記憶功能減少可行解篩選的計算量，提高約束處理的效率，保證算法的簡便性。在云數據中心流量管理實際應用中，應考慮各約束之間的優先級和重要性，以提高多約束處理靈活性。

4.3 MSD-FTO 策略流量管理優化

多業務差異化的流量管理MSD-FTO 策略尋優過程可分為初始化、全局搜索、局部搜索和FTO 樹生成等。

1)初始化。在流量管理問題的可行域中，端點集合S依概率隨機生成滿足斐數的初始化端點，即|S|=Fi。

2)全局搜索。在流量管理問題的可行域中，依概率生成滿足全局隨機性點G，如式(13)所示。

其中，d表示維度，mini和 maxi為可行域第i維的上下界，函數unrand(mini,maxi)保證G點第i維的全局隨機性。

全局點G和端點集合S內的所有點按照FTO基本結構生成Fi個新試探點，如式(14)所示。

其中，d表示維度，表示全局點G與端點集合S第i個端點新生成的局部點，表示全局點G與端點集合S第i個端點的第j維試探點。

全局搜索共生成Fi+1個新增點，一個滿足全局隨機性的全局點G和Fi個符合黃金分割法局部試探點。

3)局部搜索。在流量管理的可行域中，將端點集合S中函數值最優端點fbest與S的其余所有端點根據FTO 基本結構，生成Fi-1個滿足斐數特性的新局部試探點，如式(15)所示。

其中，d表示維度，表示當前函數值最好的端點fbest與其余第i個端點新生成的局部點表示當前函數值最好的端點fbest與第i個端點的第j維的試探點。

4)FTO 樹生成。FTO 全局和局部搜索交替迭代尋優，根據目標函數值保留函數值較優的Fi+1個端點，更新端點集合S，即|S|=Fi+1。當達到最大迭代次數N后，構造滿足斐數的N層FTO 樹結構。如圖6所示。

根據多業務差異化流量管理模型設計的FTO樹結構，對于解決實際問題針對性強。當然，FTO樹結構還可以根據實際問題進行相應適配調整，提高了算法解決實際問題的普適性。

FTO 計算復雜度與全局、局部點數量和FTO樹結構有關[20]。本文針對流量管理問題設計的FTO樹結構依據斐數線性增長，故運算簡單，復雜度為，其中，C為迭代斐數和，N為迭代次數，Ns為端點集合。

圖6 FTO 樹結構生成過程

然而，隨著算法迭代次數的增加，滿足斐數的全局、局部點數量快速增長必然會影響算法效率，考慮云數據中心流量管理實際，設置FTO 樹結構的剪枝機制，如式(16)所示。

其中，num 為問題的可行解數量，Fi為斐數大小，n為斐數序列。若所需解個數num＝3，則Fi＝5，如圖7所示。

圖7 FTO 剪枝樹結構

云數據中心網絡性能、業務流量和用戶需求具有極強的動態特征，流量管理要綜合考慮網絡全局性、業務差異化、商業需求和政策規范等多重因素[22]。MSD-FTO 策略應該具備差異化的多模自適應尋優能力，根據需要尋優到多個符合條件差異化的流量管理方案，更好地適應云數據中心流量管理的多維決策和動態特征。因此，MSD-FTO 差異化尋優能力對云數據中心流量管理具有重要的實用價值和現實意義。

4.4 MSD-FTO 策略差異化尋優設計

根據對云數據中心流量特征的分析，本文設計了距離參數，如式(17)所示。使MSD-FTO 策略具備差異化的多模尋優能力。

其中，DX,Y表示X與Y的歐氏距離；d表示維度；Xj與Yj表示迭代過程中任意變量X與Y的第j維坐標；R表示距離參數，其值根據奈奎斯特采樣定理和MSD 模型目標函數變化頻率來確定；f表示目標函數的最大變化頻率。

FTO 全局局部交替迭代尋優得到的可行解之間，通過式(17)進行兩兩比較。

1)若DX,Y

2)若DX,Y>R，則兩解均保留。

如圖8所示，多業務差異化流量管理問題可行域中，FTO 通過距離參數R能夠實現多模問題尋優。但是，當收斂到多個目標極值的ε-鄰域，且ε→0時，FTO 全局隨機點G在該ε-鄰域生成的概率趨近于0，因而，可能造成算法收斂慢或收斂停滯的問題[12]。

圖8 FTO 差異化流量管理示意

為提高MSD-FTO 策略的多模尋優能力和效率，考慮本文設計的運營商云數據中心流量管理規則與MSD 模型在實際應用中可預知流量周期與業務的差異化性能需求等，都是可明確的特定可行域。故設計與FTO 距離參數R相結合的末梢自適應半徑r，將其定義為一個針對特定可行域范圍的全局點生成規則，如式(18)所示。

其中，末梢自適應半徑r表示流量管理可行域中，端點集合S在MSD 模型約束條件范圍內最優點fbest和最差點fworst的歐氏距離。

距離參數R引入末梢自適應半徑r能調整多模尋優時全局隨機點G的生成域，提高多目標極值的ε-鄰域上全局點G的生成概率，使MSD-FTO 策略具備多模自適應尋優能力，增強尋優能力和收斂效率，對于解決本文提出的多業務差異化流量管理具有實用性。文獻[12]已對末梢自適應半徑的有效性和收斂效率進行了驗證。

MSD-FTO 策略流程如下所示。

1)初始化流量管理可行域端點集合S

2)whilei<=N

3)begin FTO

4)F1=F2=1

5)fori>2

6)Fi=Fi-2+Fi-1

7)MSD-FTO_()根據式(13)生成全局隨機點G

8)for eachs∈Sdo

9)G與s按照式(12)產生Fi個局部試探點

10)end for

11)確定集合S中最優值點fbest

12)for eachs∈Sdo

13)fbest與其余的端點s按黃金分割等比例生成Fi-1新的局部點

14)end for

15)MSD-FTO_R()根據式(18)生成全局點G

16)for eachs∈Sdo

17)ifDX,Y

18)S←the better solution

19) else ifDX,Y>Rthen

20)S←both solutions

21)end if

22)end for

23)S←Fi+1形成新的端點集合S

24)判斷迭代次數是否達到N，否則轉到MSD-FTO_()

25)根據式(16)輸出流量管理的差異化方案

26)end for

27)end

28)end while

針對構建的MSD 模型，設計FTO 樹結構，將斐波那契法和黃金分割法的最優性從一維拓展到多維，解決流量管理的多維問題；設計FTO 約束沖突規則處理流量管理的多約束問題。FTO 全局局部交替迭代尋優使算法不易陷入局部最優，確保流量管理方案的最優性。

結合運營商云數據中心流量特征和運營管理需求，設計距離參數R和末梢自適應半徑r，使MSD-FTO策略具備差異化自適應尋優能力，一次尋優得到多個差異化的流量管理優化方案，提高云數據中心多業務差異化流量管理的多維決策能力和優化效率。

5 實驗與分析

5.1 實驗環境搭建

本文提出的MSD-FTO 策略，主要針對運營商云數據中心流量管理問題，由于云數據中心承載多業務，面向多用戶不具備重復實驗或實驗過程復現的條件，故通過Mininet[23]＋POX[24]平臺，搭建一個模擬SDN 云數據中心，如圖9所示。實驗過程盡可能使用云數據中心網絡真實數據進行模擬。平臺配置為：2臺DELL R720，雙Xeon E5620，2.4 GHz，內存8 GB，硬盤600 GB。

圖9 Fat-tree 實驗拓撲結構

5.2 FTO 尋優效果分析

本文借助Matlab2016a 進行仿真實驗，通過FTO 尋優與云數據中心流量特征近似的各類多峰函數極值點，如表2所示，驗證FTO 對于多業務差異化方案的尋優能力和多模自適應特性。

表2 多峰函數

算法參數配置如表3所示，重復實驗30次，記錄尋優結果均值，如圖10所示。

由圖10的結果可知，FTO 可以一次性找到所有多峰函數的全部極值點，且尋優結果的精度較高。如函數f3有一個全局最優解和一個局部最優解，FTO 能以較少的迭代次數一次性找到極值點，未出現收斂停滯問題。部分性能不佳的優化算法尋優過程容易陷入局部最優解或收斂停滯，可能無法找到函數次優解。尋優結果充分體現了FTO 良好的尋優能力和靈活多模自適應特性。

表3 FTO 求解多峰函數參數設置

可見，將FTO 應用于多業務差異化流量管理方案的尋優時，能保證求解方案的最優性，而且按需得到滿足條件的差異化流量管理方案，能提高云數據中心流量差異化管理能力和流量優化的多維決策水平。

5.3 MSD-FTO 策略有效性分析

本文設計實驗以Iperf[25]作為流量產生工具，模擬云數據中心網絡中的業務流量，通過對流量管理規則定義的可預知隨機型流量和非可預知突發型流量進行分類管理，驗證MSD-FTO 策略有效性。同時由于ECMP 與運營商云數據中心的真實網絡場景類似，因此MSD-FTO 策略與ECMP 比較，可驗證該策略應用于運營商云數據中心的有效性和合理性。

對于可預知隨機型流量，根據規則1，當進入可預知周期時，激活MSD-FTO 策略進行針對性的多業務差異化流量管理。重復實驗30次，流量變化均值如圖11所示。

從圖11中可以看出，時間軸25為起始時刻，當激活MSD-FTO 策略進行流量管理后，鏈路中的業務流量呈逐步下降趨勢；未激活MSD-FTO 策略依然采用ECMP 進行流量管理，鏈路中的流量持續增大直至出現鏈路擁塞。同等條件下，MSD-FTO策略能對流量進行合理轉發和優化，流量管理能力優于ECMP。

運營商云數據中心的多業務與多用戶間流量以南北向流量為主，網絡節點均存在多條等價路徑，針對其網絡和業務流量特征，MSD-FTO 策略能高效完成可預知隨機型流量的管理優化，達到流量管理的預期效果。

對于非可預知突發型流量的管理，根據規則2考慮云數據中心的實際情況，通常SDN 集中控制器中流量監控模塊的數據采集周期為5～10 min/次，故模擬實驗中的異常流量觀察期Δt設置為10 min。重復實驗30次，平均結果如圖12所示。

圖10 多峰函數的尋優結果

圖11 可預知隨機型流量管理

圖12 非可預知突發型流量管理

當SDN 集中控制器的流量分析模塊識別出非可預知突發流量，并達到異常流量觀察期上限，即異常流量持續時間達到10 min 后，激活MSD-FTO策略對突發流量進行管理優化。從圖12中可以看出，MSD-FTO 策略使高于歷史流量閾值的異常流量下降，逐步恢復到正常范圍；未激活MSD-FTO策略依然使用ECMP 進行流量管理，突發流量持續高于歷史閾值，這樣可能造成流量不均或網絡擁塞，影響業務體驗。MSD-FTO 策略能對網絡中出現的突發流量進行優化，有效避免網絡擁塞，保證網絡性能和業務服務質量。

模擬實驗結果表明，MSD-FTO 策略能對云數據中心可預知隨機型流量和非可預知突發型流量進行合理和有效的管理優化，避免網絡鏈路擁塞，保證網絡性能和業務服務質量。后續在實際運營商云數據中心部署MSD-FTO 策略時，應統籌考慮網絡規模、流量特征以及流量管理差異化需求等各種因素，確保MSD-FTO 策略在實際環境中的應用效果。

5.4 MSD-FTO 策略尋優效果比較分析

本文設計MSD 模型的優化目標是最小化多業務依概率端到端性能開銷，與文獻[26]所設計模型相似，應用FTO 與文獻[26]中的遺傳算法（GA）和改進遺傳算法（IGA）進行尋優效果比較分析。

Mininet 平臺及業務相關參數配置參考文獻[27]，FTO 參數設置為N=300，num=3；GA、IGA 參數設置為種群規模80，交叉概率0.6，變異概率0.1，最大迭代次數300。重復實驗30次，最小化多業務依概率端到端性能開銷尋優結果均值如表4所示。

表4 依概率端到端性能開銷尋優結果均值

從表4可以看出，針對本文所設計的MSD 模型，同等條件 FTO 尋優結果優于GA 和IGA 的尋優結果，而且FTO 能夠一次尋優得到多個差異化的流量管理方案，文獻[26]中GA 和IGA 不具備多模優化能力。相比之下，FTO 簡便、高效，其穩定的全局尋優能力和靈活的多模自適應特性與所設計MSD 模型匹配，對解決運營商云數據中心多業務差異化流量管理問題具有實用價值。

本文選取云數據中心流行度較高的4K、IPTV和Web 業務進行模擬實驗，驗證MSD-FTO 策略多業務差異化的流量管理能力。根據4K、IPTV 和Web 業務實際，將業務獨立性因子γk(t)分別設置為1.1、1.0和0.9；流量變化因子λk(t)分別設置為0.7、0.8和0.95。各業務性能參數如表5所示，重復實驗30次，結果如圖13所示。

圖13 多業務流量管理分析

從圖13可以看出，MSD-FTO 策略具備多業務差異化的優化管理能力，一次尋優可根據需要得到多個差異化的方案。文獻[26]中GA 和IGA由于算法不具備多模能力，一次尋優只能得到唯一解，若需多個方案需要進行多次尋優，隨著業務數量的增加流量管理優化效率必然受到影響。因此，MSD-FTO 穩定的全局尋優能力和靈活的多模自適應特性，能滿足云數據中心多業務差異流量管理需求。

5.5 多業務差異化性能比較分析

云數據中心4K、IPTV 和Web 這3類業務具有明顯的差異化性能要求。對3類業務進行模擬實驗，性能參數如表5所示。對比ECMP 和MSD-FTO 策略對3類業務網絡時延和分組丟失率性能的影響，通過Mininet 平臺ping 測和統計各類型業務性能指標，重復實驗30次，結果均值如圖14所示。

表5 各業務性能參數

圖14 ECMP 與FTO 業務質量比較

從圖14中可以看出，MSD-FTO 策略能更有效地保證多業務的服務質量，同等條件4K、IPTV 和Web 業務的網絡時延和分組丟失率指標整體優于ECMP 管理優化的結果。實驗表明，MSD-FTO 策略能對多業務流量進行合理和有效的管理，滿足運營商云數據中心多業務差異化流量管理需求，有效提升云數據中心網絡性能和業務體驗。

模擬環境與真實網絡場景存在一定差異，后續將結合運營商云數據中心真實場景進一步驗證和優化各參數的設置，提高MSD-FTO 策略在真實網絡的適用性。

6 結束語

為提高運營商云數據中心多業務差異化的流量管理能力，綜合考慮網絡性能、流量特征和業務體驗等因素，提出一種面向云數據中心的流量管理優化策略。針對運營商云數據中心流量特征，構建SDN 云數據中心多業務差異化流量管理規則與模型，提出多業務差異化流量管理的MSD-FTO 策略，通過Mininet 搭建模擬平臺驗證MSD-FTO 策略有效性。結果表明，MSD-FTO 策略能對多業務流量進行合理的差異化管理，提升了網絡性能和業務體驗，MSD-FTO 策略一次尋優得到多個滿足條件的差異化流量管理方案，能提高流量管理的時效性和靈活性，對于運營商云數據中心具有理論和實用價值。

下一步研究工作，計劃在真實云數據中心網絡中部署MSD-FTO 策略，進一步調試和驗證該策略的有效性和實用性，實現運營商云數據中心多業務流量的差異化管理優化。