基于蟻群優(yōu)化的數(shù)據(jù)中心網(wǎng)絡(luò)負(fù)載均衡算法

朱國(guó)暉，史思潮，翟鵬宇

(西安郵電大學(xué) 通信與信息工程學(xué)院，陜西 西安 710121)

在互聯(lián)網(wǎng)發(fā)展初期，主要通過(guò)傳統(tǒng)的負(fù)載均衡技術(shù)改善網(wǎng)絡(luò)流量擁塞問(wèn)題。當(dāng)網(wǎng)絡(luò)中的用戶(hù)產(chǎn)生了流量，負(fù)載均衡設(shè)備根據(jù)流量的目的IP，通過(guò)服務(wù)器將流量分配到相應(yīng)的鏈路中去。隨著大數(shù)據(jù)等技術(shù)飛速發(fā)展，網(wǎng)絡(luò)的規(guī)模也越來(lái)越大，尤其在數(shù)據(jù)中心網(wǎng)絡(luò)中，需要提供的業(yè)務(wù)也越來(lái)越多，因此會(huì)產(chǎn)生大量的流量。傳統(tǒng)的負(fù)載均衡技術(shù)不能滿(mǎn)足網(wǎng)絡(luò)中多業(yè)務(wù)對(duì)流量的需求，從而會(huì)引發(fā)網(wǎng)絡(luò)擁塞問(wèn)題。并且傳統(tǒng)的數(shù)據(jù)中心網(wǎng)絡(luò)拓?fù)浜?jiǎn)單，很難解決鏈路擁塞問(wèn)題，從而導(dǎo)致網(wǎng)絡(luò)傳輸速率較低。因此，研究人員提出了胖樹(shù)[1](Fat-Tree)、BCube[2]等多種網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，可以為網(wǎng)絡(luò)提供更多的鏈路，便于實(shí)現(xiàn)數(shù)據(jù)中心網(wǎng)絡(luò)的負(fù)載均衡。

在數(shù)據(jù)中心網(wǎng)絡(luò)中，使用最為廣泛的是等價(jià)多路徑[3](Equal Cost Multi Path, ECMP)算法，由于其為靜態(tài)路由算法，不能適應(yīng)網(wǎng)絡(luò)流量的實(shí)時(shí)變化，因此當(dāng)網(wǎng)絡(luò)的流量急劇增加會(huì)使網(wǎng)絡(luò)產(chǎn)生擁塞現(xiàn)象。隨著網(wǎng)絡(luò)中業(yè)務(wù)種類(lèi)的不同，產(chǎn)生的流量大小也不同。為了可以更好地調(diào)度網(wǎng)絡(luò)中的流量，充分利用網(wǎng)絡(luò)資源，將數(shù)據(jù)中心網(wǎng)絡(luò)中的流量按照大小劃分為大象流和老鼠流[4-5]。傳統(tǒng)的ECMP算法會(huì)將網(wǎng)絡(luò)中的大象流調(diào)度到同一路徑中，使得鏈路產(chǎn)生擁塞現(xiàn)象，導(dǎo)致網(wǎng)絡(luò)負(fù)載不均衡現(xiàn)象。文獻(xiàn)[6]中提出了Hedera策略，可以隨著網(wǎng)絡(luò)中實(shí)時(shí)變化的動(dòng)態(tài)流量而調(diào)整策略，將占用鏈路容量的10%作為大象流，通過(guò)全局優(yōu)先匹配流量調(diào)度(Global First Fit, GFF)算法在網(wǎng)絡(luò)中搜索，將得到的第一條滿(mǎn)足大象流分配的路徑作為大象流路由。隨著網(wǎng)絡(luò)中流量不斷擴(kuò)大，大象流可調(diào)度的路徑將會(huì)不斷減少。因此，Hedera策略不能保證所有數(shù)據(jù)流都能合理的調(diào)度，易使得網(wǎng)絡(luò)產(chǎn)生擁塞現(xiàn)象，并且導(dǎo)致網(wǎng)絡(luò)資源不能充分的利用。文獻(xiàn)[7]提出一種差異化調(diào)度算法，將網(wǎng)絡(luò)中的流量劃分為老鼠流和大象流，并且分別提出不同的算法進(jìn)行調(diào)度。大象流通過(guò)封鎖島路徑設(shè)置算法，老鼠流則使用多路徑算法，通過(guò)分配合理的加權(quán)值將老鼠流分配到多路徑中，并且隨著網(wǎng)絡(luò)流量變化動(dòng)態(tài)地調(diào)整策略。文獻(xiàn)[8]中提出粒子群優(yōu)化算法，主要針對(duì)網(wǎng)絡(luò)中的大象流進(jìn)行調(diào)度。在網(wǎng)絡(luò)中設(shè)定一個(gè)閾值，當(dāng)負(fù)載超過(guò)設(shè)定的閾值時(shí)，通過(guò)調(diào)度優(yōu)化的粒子群算法重新路由網(wǎng)絡(luò)中的大象流，避免鏈路產(chǎn)生擁塞現(xiàn)象。文獻(xiàn)[9]同樣設(shè)定閾值，當(dāng)網(wǎng)絡(luò)中的負(fù)載超過(guò)設(shè)定的閾值，大象流負(fù)載均衡機(jī)制通過(guò)將大象流劃分為多個(gè)老鼠流，并且在選擇下一跳交換機(jī)時(shí)，將負(fù)載最小作為選擇條件。最終將大象流分配到其他路徑中，避免產(chǎn)生擁塞現(xiàn)象。文獻(xiàn)[10]針對(duì)大象流易導(dǎo)致?lián)砣麊?wèn)題，對(duì)可調(diào)度的路徑進(jìn)行加權(quán)值計(jì)算，將大象流合理地分配到多條路徑中，從而實(shí)現(xiàn)網(wǎng)絡(luò)負(fù)載均衡。文獻(xiàn)[11]以最小化最大鏈路利用率為目標(biāo)，提出了基于蟻群算法的軟件定義網(wǎng)絡(luò)(Ant Colony Optimization-Software Defined Network，ACO-SDN)機(jī)制。通過(guò)建立整型線(xiàn)性規(guī)劃(Integral Linear Programing，ILP)模型，將擁堵的鏈路通過(guò)調(diào)度蟻群算法重新路由，實(shí)現(xiàn)負(fù)載均衡的效果。但是，該蟻群算法收斂速度變慢，對(duì)網(wǎng)絡(luò)整體性能都有影響。

針對(duì)ECMP算法調(diào)度大象流易產(chǎn)生鏈路擁塞導(dǎo)致網(wǎng)絡(luò)負(fù)載不均衡現(xiàn)象，在Fat-Tree拓?fù)浣Y(jié)構(gòu)下，擬提出基于蟻群優(yōu)化的動(dòng)態(tài)鏈路負(fù)載均衡(Dynamic Load Balancing based on Ant Colony Optimization，DLB-ACO)算法。該算法首先計(jì)算一個(gè)周期內(nèi)的鏈路負(fù)載方差，降低瞬時(shí)負(fù)載極值對(duì)負(fù)載均衡度的影響，避免資源的浪費(fèi)。其次，對(duì)蟻群算法的路徑選擇概率引入混沌策略和分段調(diào)節(jié)揮發(fā)因子，增強(qiáng)算法的全局搜索能力，可以較大概率地計(jì)算出全局最優(yōu)路徑，實(shí)現(xiàn)網(wǎng)絡(luò)的負(fù)載均衡。最后，通過(guò)與ECMP算法和GFF算法對(duì)比，驗(yàn)證所提DLB-ACO算法的有效性。

1 問(wèn)題描述

在數(shù)據(jù)中心網(wǎng)絡(luò)中，ECMP算法調(diào)度大象流會(huì)導(dǎo)致鏈路產(chǎn)生擁塞現(xiàn)象，使得網(wǎng)絡(luò)負(fù)載不均衡。因此，所提DLB-ACO算法通過(guò)在SDN控制器中部署相關(guān)模塊功能實(shí)現(xiàn)數(shù)據(jù)中心負(fù)載均衡，總體實(shí)現(xiàn)的框架如圖1所示，其由控制器與Fat-tree網(wǎng)絡(luò)拓?fù)鋬蓚€(gè)部分組成。

圖1 DLB-ACO總體框架

由圖1可以看出，SDN控制器包括流量監(jiān)控、大象流檢測(cè)、負(fù)載均衡度計(jì)算、DLB-ACO調(diào)度路徑計(jì)算和流量管理等5個(gè)模塊。Fat-tree網(wǎng)絡(luò)主要由主機(jī)和交換機(jī)組成，在數(shù)據(jù)中心網(wǎng)絡(luò)對(duì)于大象流的整體調(diào)度的具體步驟如下。

步驟1流量監(jiān)控模塊主要功能是監(jiān)控整個(gè)數(shù)據(jù)中心網(wǎng)絡(luò)的數(shù)據(jù)流，并將數(shù)據(jù)流信息傳遞給大象流檢測(cè)模塊。

步驟2大象流檢測(cè)模塊主要檢測(cè)是否有大象流，如果有，將信息傳遞給負(fù)載均衡度計(jì)算模塊。

步驟3負(fù)載均衡度計(jì)算模塊主要計(jì)算網(wǎng)絡(luò)鏈路的帶寬方差，判斷整個(gè)網(wǎng)絡(luò)的負(fù)載均衡度，當(dāng)網(wǎng)絡(luò)中大象流超過(guò)設(shè)定的閾值，就調(diào)度DLB-ACO算法模塊。

步驟4DLB-ACO算法模塊主要為大象流的調(diào)度重新計(jì)算轉(zhuǎn)發(fā)路徑，并將計(jì)算出的轉(zhuǎn)發(fā)路徑下發(fā)給流量管理模塊。

步驟5流量管理模塊把計(jì)算出的轉(zhuǎn)發(fā)路徑下發(fā)到數(shù)據(jù)中心網(wǎng)絡(luò)中的流表項(xiàng)中，并由其完成大象流的重路由。

2 DLB-ACO算法實(shí)現(xiàn)

介紹針對(duì)大象流易導(dǎo)致數(shù)據(jù)中心網(wǎng)絡(luò)擁塞現(xiàn)象提出的DLB-ACO算法實(shí)現(xiàn)整體過(guò)程，描述針對(duì)負(fù)載方差易受短時(shí)間內(nèi)鏈路已用帶寬極值的影響，并進(jìn)行部分改進(jìn)。最后，詳述蟻群優(yōu)化算法過(guò)程。

2.1 大象流流量調(diào)度機(jī)制

所提DLB-ACO算法首先設(shè)定閾值，以鏈路的負(fù)載方差作為網(wǎng)絡(luò)的負(fù)載均衡度。當(dāng)鏈路的負(fù)載方差大于設(shè)定的閾值時(shí)，觸發(fā)網(wǎng)絡(luò)中的負(fù)載均衡算法，控制器根據(jù)當(dāng)前的網(wǎng)絡(luò)情況通過(guò)優(yōu)化的蟻群算法對(duì)大象流進(jìn)行調(diào)度，從而計(jì)算出最佳路徑，最終實(shí)現(xiàn)網(wǎng)絡(luò)的負(fù)載均衡。DLB-ACO負(fù)載均衡算法的流程如圖2所示。

圖2 DLB-ACO負(fù)載均衡算法流程

由圖2可以看出，DLB-ACO算法包括以下5個(gè)具體實(shí)現(xiàn)步驟。

步驟1當(dāng)網(wǎng)絡(luò)中的主機(jī)產(chǎn)生流量，并發(fā)送到數(shù)據(jù)中心網(wǎng)絡(luò)中時(shí)，網(wǎng)絡(luò)首先會(huì)調(diào)用ECMP靜態(tài)路由算法對(duì)流量進(jìn)行調(diào)度。物理層中的交換機(jī)會(huì)周期性地收集鏈路中的數(shù)據(jù)流信息，并傳遞給控制器。

步驟2控制器中sflow收集器會(huì)處理收集來(lái)的信息，并根據(jù)數(shù)據(jù)流的大小分類(lèi)。將超過(guò)鏈路容量的10%劃分為大象流，并且計(jì)算鏈路利用率。

步驟3控制器判斷計(jì)算出大象流經(jīng)過(guò)的鏈路利用率是否大于閾值60%[11]。如果大于該閾值，轉(zhuǎn)到步驟4，否則轉(zhuǎn)到步驟1。

步驟4根據(jù)鏈路的實(shí)時(shí)信息，控制器調(diào)用改進(jìn)的蟻群算法重新路由大象流。將計(jì)算出的流表項(xiàng)轉(zhuǎn)發(fā)給交換機(jī)。

步驟5交換機(jī)根據(jù)流表項(xiàng)重新路由大象流。之后，轉(zhuǎn)到步驟2。

2.2 網(wǎng)絡(luò)負(fù)載均衡度改進(jìn)

在所提DLB-ACO算法中，控制器可以獲取到全網(wǎng)絡(luò)的鏈路信息，并且計(jì)算出網(wǎng)絡(luò)的負(fù)載均衡度。通過(guò)計(jì)算全局鏈路已用帶寬方差[12]作為網(wǎng)絡(luò)的負(fù)載均衡度。t時(shí)刻的網(wǎng)絡(luò)鏈路負(fù)載方差表達(dá)式為

(1)

在目前網(wǎng)絡(luò)中，鏈路已用帶寬隨時(shí)間波動(dòng)較大，易造成網(wǎng)絡(luò)資源浪費(fèi)。為降低此影響，在鏈路負(fù)載方差中引入平滑機(jī)制，某一時(shí)刻的鏈路負(fù)載不均衡狀態(tài)會(huì)觸發(fā)不必要的負(fù)載均衡算法。因此，需要忽略網(wǎng)絡(luò)中某一時(shí)刻鏈路負(fù)載的極值。

通過(guò)計(jì)算一段時(shí)間內(nèi)鏈路使用帶寬變化情況，可以降低網(wǎng)絡(luò)中某時(shí)刻產(chǎn)生的極值影響，使得計(jì)算出的方差值更加接近數(shù)據(jù)中心網(wǎng)絡(luò)實(shí)際的波動(dòng)情況。一個(gè)周期內(nèi)網(wǎng)絡(luò)鏈路負(fù)載方差計(jì)算的表達(dá)式為

(2)

式中：P表示周期時(shí)間；T表示當(dāng)前時(shí)刻。

2.3 改進(jìn)的蟻群優(yōu)化算法

2.3.1 選擇策略

混沌現(xiàn)象是一種隨機(jī)的現(xiàn)象，與大自然生物、物理及地理都有一定的聯(lián)系，并且被廣泛地應(yīng)用在計(jì)算機(jī)技術(shù)的加密和圖像處理中。為了增加路徑選擇的多樣性，在選擇下一節(jié)點(diǎn)的概率中引入混沌現(xiàn)象，可以使得選擇下一節(jié)點(diǎn)的路徑數(shù)增加。

Logistic映射產(chǎn)生混沌序列[13]的計(jì)算表達(dá)式為

Xi+1=μXi(1-Xi)

(3)

i∈{1,2…,n},μ∈(0,4],Xi∈(0,1)

式中，μ表示控制參數(shù)。

蟻群算法融合混沌策略之后的轉(zhuǎn)移概率為螞蟻從i到j(luò)之間的選擇路徑概率，其表達(dá)式為

(4)

式中：Xij表示節(jié)點(diǎn)i到節(jié)點(diǎn)j產(chǎn)生的混沌變量；τij(t)表示t時(shí)刻節(jié)點(diǎn)i與節(jié)點(diǎn)j路徑上的信息素；τiu(t)表示t時(shí)刻節(jié)點(diǎn)i與節(jié)點(diǎn)u路徑上的信息素；ηiu(t)表示節(jié)點(diǎn)i到節(jié)點(diǎn)u的啟發(fā)式因子；ηij(t)為節(jié)點(diǎn)i到節(jié)點(diǎn)j的啟發(fā)式因子，表示信息素τ的重要程度；β為啟發(fā)式η的相對(duì)重要程度；Sk為螞蟻k在t時(shí)刻可以選擇的下一節(jié)點(diǎn)集合。

信息素更新的表達(dá)式為

τij(t+1)=(1-ρ)τij(t)+Δτij(t)

(5)

(6)

信息素初始化表達(dá)式為

(7)

2.3.2 分段調(diào)節(jié)信息素?fù)]發(fā)因子

考慮蟻群算法在后期階段容易陷入局部最優(yōu)解，并且收斂速度也會(huì)隨之降低。其中，揮發(fā)因子ρ對(duì)收斂速度和搜索能力都會(huì)產(chǎn)生一定的影響。ρ過(guò)大，會(huì)降低算法的收斂速度；ρ過(guò)小，會(huì)降低全局搜索能力，得到的路徑不一定是全局最優(yōu)路徑。因此，所提算法將揮發(fā)因子引入分段調(diào)節(jié)，在不降低收斂速度的同時(shí)，提高算法的全局搜索能力，可以較大概率地得到全局最優(yōu)解，其調(diào)節(jié)的表達(dá)式為

(8)

式中：M表示最大迭代次數(shù)；N表示算法當(dāng)前執(zhí)行的迭代次數(shù)。將算法分為前期、中期、后期和末期等4個(gè)階段，每個(gè)階段對(duì)信息素?fù)]發(fā)因子都有對(duì)應(yīng)的取值。

在經(jīng)典的蟻群算法上做出改進(jìn)，通過(guò)在路徑選擇概率中引入混沌策略，增加可能選擇路徑的數(shù)量，可以較大概率上得到全局最優(yōu)解。同時(shí)，對(duì)揮發(fā)因子進(jìn)行分段調(diào)節(jié)，增加蟻群算法的全局搜索能力和收斂速度。具體步驟如下。

步驟1將算法中所有參數(shù)初始化，螞蟻的總數(shù)為m，最大的迭代次數(shù)為M，數(shù)據(jù)中心的鏈路總數(shù)初始化為L(zhǎng)。

步驟2根據(jù)式(7)初始化鏈路的信息素濃度。

步驟3當(dāng)為第k只螞蟻時(shí)，根據(jù)式(4)選擇選擇下一跳節(jié)點(diǎn)(交換機(jī))。

步驟4如果沒(méi)有達(dá)到目的節(jié)點(diǎn)，繼續(xù)重復(fù)步驟3，直達(dá)目的節(jié)點(diǎn)。

步驟5根據(jù)迭代的次數(shù)選擇式(8)、式(6)和式(5)更新鏈路上的信息素。

步驟6當(dāng)k≠m時(shí)，重復(fù)執(zhí)行步驟3，直到k=m。

針對(duì)蟻群算法在后期存在收斂速度較低的問(wèn)題，對(duì)蟻群算法做出了改進(jìn)。通過(guò)分段調(diào)節(jié)揮發(fā)因子使得算法具有較強(qiáng)的全局搜索能力的同時(shí)還可以有較高的收斂速度，并且對(duì)路徑選擇概率引入混沌策略，增加路徑選擇的數(shù)目，可以更大概率上獲得全局最優(yōu)路徑。

3 實(shí)驗(yàn)結(jié)果及分析

為驗(yàn)證所提的DLB-ACO算法的性能，在Mininet仿真平臺(tái)搭建的Fat-Tree數(shù)據(jù)中心網(wǎng)路拓?fù)渲校c其他兩種算法比較，分別將最大鏈路利用率、吞吐量和網(wǎng)絡(luò)時(shí)延作為最終的性能評(píng)價(jià)指標(biāo)。

3.1 實(shí)驗(yàn)設(shè)置

3.1.1 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

在Mininet[14]仿真平臺(tái)上，搭建k=4的網(wǎng)絡(luò)架構(gòu)，SDN下的Fat-tree拓?fù)鋱D如圖3所示，每個(gè)鏈路的容量均為100 Mbit·s-1。

圖3 SDN下的Fat-tree拓?fù)鋱D

3.1.2 參數(shù)設(shè)置

蟻群參數(shù)設(shè)置對(duì)蟻群算法影響較大，通過(guò)文獻(xiàn)[11]研究和綜合多次試驗(yàn)結(jié)果進(jìn)行設(shè)置，迭代次數(shù)設(shè)置為75，流量統(tǒng)計(jì)周期為1 s，大流監(jiān)控周期為5 s，負(fù)載監(jiān)控周期為5 s。兩節(jié)點(diǎn)之間為11跳，其他主要參數(shù)值如表1所示。

表1 蟻群算法主要參數(shù)值

通過(guò)以上參數(shù)設(shè)置，將所提算法與ECMP算法和GFF算法相比較。

3.2 鏈路利用率、延時(shí)和吞吐量分析

為了驗(yàn)證ECMP算法、GFF算法與所提DLB-ACO算法的性能，設(shè)定在交錯(cuò)通信模式下Staggered(0,0.3)，將第一個(gè)數(shù)據(jù)中心基本物理設(shè)計(jì)單元(Point of Delivery,Pod)中的主機(jī)作為數(shù)據(jù)源產(chǎn)生數(shù)據(jù)流并發(fā)送，使得鏈路中有較高的負(fù)載，達(dá)到可以檢測(cè)算法的性能。

3.2.1 平均吞吐量

吞吐量可以清楚地反映出算法對(duì)網(wǎng)絡(luò)實(shí)時(shí)的影響情況，表示在單位時(shí)間內(nèi)網(wǎng)絡(luò)可以傳輸?shù)臄?shù)據(jù)量，并且還能反映出網(wǎng)絡(luò)狀態(tài)的優(yōu)劣情況。ECMP算法、GFF算法和DLB-ACO這3種算法在不同流量負(fù)載下的吞吐量對(duì)比情況如圖4所示。

圖4 不同流量負(fù)載下的平均吞吐量

由圖4可以看出，ECMP算法和GFF算法的吞吐量分別在負(fù)載80 Mbit·s-1、85 Mbit·s-1時(shí)達(dá)到最大值，之后呈下降趨勢(shì)。通過(guò)不同的負(fù)載情況對(duì)比3種算法，可以看出所提的DLB-ACO算法吞吐量一直高于其他兩種算法。

3.2.2 平均時(shí)延

算法的性能影響網(wǎng)絡(luò)狀態(tài)和數(shù)據(jù)流的傳輸時(shí)間，計(jì)算數(shù)據(jù)流的平均傳輸時(shí)延可以有效地反映出算法對(duì)網(wǎng)絡(luò)系統(tǒng)的影響。ECMP算法、GFF算法和DLB-ACO等3種算法在不同流量負(fù)載下的平均傳輸時(shí)延情況如圖5所示。

圖5 不同流量負(fù)載下的平均時(shí)延

由圖5可以看出，ECMP算法、GFF算法及所提DLB-ACO算法的平均延遲時(shí)間：在負(fù)載30 Mbit·s-1之前，3種算法的延遲基本相差不大；在負(fù)載60 Mbit·s-1后，GFF算法和DLB-ACO算法與ECMP算法相差較大，GFF算法相對(duì)于DLB-ACO算法平均延遲時(shí)間逐漸變大；當(dāng)負(fù)載到達(dá)最高100 Mbit·s-1時(shí)，DLB-ACO算法相較于ECMP算法和GFF算法分別降低了延遲時(shí)間的38%和22%。

3.2.3 最大鏈路利用率

鏈路利用率可以反映出鏈路的使用情況，不同負(fù)載下ECMP算法、GFF算法和DLB-ACO這3種算法鏈路利用率如圖6所示。

圖6 不同負(fù)載下的鏈路利用率

由圖6可以看出，DLB-ACO算法的性能最好，因?yàn)楫?dāng)網(wǎng)絡(luò)中的信息有變化時(shí)，該算法會(huì)對(duì)網(wǎng)絡(luò)鏈路信息實(shí)時(shí)更改。當(dāng)有鏈路的負(fù)載均衡度超過(guò)閾值時(shí)，則啟動(dòng)DLB-ACO算法，對(duì)檢測(cè)出的大象流重路由，避免了網(wǎng)絡(luò)的擁塞機(jī)率。ECMP算法不能根據(jù)網(wǎng)絡(luò)的當(dāng)前信息及時(shí)作出調(diào)整，因此鏈路擁塞的機(jī)率和最大鏈路利用率會(huì)變大。GFF算法是根據(jù)大象流達(dá)到的先后順序進(jìn)行重路由，有一定的局限性。因此，所提DLB-ACO算法最大鏈路利用率最高。

4 結(jié)語(yǔ)

針對(duì)數(shù)據(jù)中心網(wǎng)絡(luò)中傳統(tǒng)路由算法調(diào)度大象流容易造成網(wǎng)絡(luò)負(fù)載不均衡現(xiàn)象，提出了基于蟻群優(yōu)化的動(dòng)態(tài)負(fù)載均衡DLB-ACO算法。所提算法首先計(jì)算出一個(gè)周期內(nèi)的鏈路負(fù)載方差，降低瞬時(shí)負(fù)載極值對(duì)負(fù)載均衡度的影響，然后對(duì)蟻群算法的路徑選擇概率引入混沌策略，增強(qiáng)蟻群算法的全局搜索能力。同時(shí)，分段調(diào)節(jié)揮發(fā)因子，增強(qiáng)算法的收斂速度，并且可以較大概率地計(jì)算出全局最優(yōu)路徑，實(shí)現(xiàn)網(wǎng)絡(luò)的負(fù)載均衡。最后，為了驗(yàn)證所提DLB-ACO算法的有效性，將其與ECMP算法和GFF算法對(duì)比。在網(wǎng)絡(luò)負(fù)載為90 Mbit·s-1時(shí)，所提算法的平均吞吐量明顯高于其他兩種算法。當(dāng)負(fù)載最高時(shí)，DLB-ACO算法與ECMP算法和GFF算法相比，時(shí)延分別降低了38%和22%。實(shí)驗(yàn)結(jié)果表明，ECMP和GFF算法整體性能低于所提DLB-ACO算法，所提算法對(duì)網(wǎng)絡(luò)整體性能有所改進(jìn)，分別在平均吞吐量和時(shí)延和最大鏈路利用率有所改善。