基于差分進化融合蟻群算法的數據中心流量調度機制

代榮榮，李宏慧，付學良

（內蒙古農業大學 計算機與信息工程學院，呼和浩特 010011）

0 引言

近年來，數據中心已逐漸成為互聯網信息化世界的重要組成部分［1］。隨著其規模擴大，導致通信量快速增長，并且網絡帶寬的需求也日益增長［2］。數據中心網絡大多采用樹形拓撲結構，存在根節點限制網絡帶寬、擴展困難等問題［3］。因此，越來越多的學者開始致力于研究適用于當今數據中心網絡的更高效的網絡結構。其中胖樹型（Fat-Tree）拓撲因其結構簡單的特點，普遍被數據中心網絡使用；并且由于兩個節點間存在多條空閑路徑［4］，易于實現網絡沖突時的重路由，可以有效提高網絡帶寬。

在傳統的數據中心網絡架構中，路由算法無法收集和了解整個網絡的動態信息，故網絡流量難于實現全局優化的調度。軟件定義網絡（Software Defined Network，SDN）利用控制器可以實時掌握整個網絡使用狀況，更精準地實現網絡流量的調度，為互聯網技術的發展提供了新的技術支持。到目前為止，等價多路徑路由（Equal-Cost Multi-Path routing，ECMP）算法［5］已經普遍用于網絡流量調度中。對于同一目的節點，ECMP 算法計算的等價可用路徑不止一條，它會對每一條數據流進行哈希散列運算，根據哈希值將數據流均勻分布到這些路徑中，從而實現網絡的負載均衡。研究表明，現今數據中心網絡流量分為大象流和老鼠流這兩種數據流［6］。大象流所占數量并不多，但持續時間長，承載著高達90%的數據量［7］。因為ECMP 算法無法動態觀測網絡的通信狀態，所以當網絡中出現大象流時，容易出現同一條路徑中有多條數據流的情況，導致負載不均衡和網絡資源利用率低等。

針對ECMP 算法在調度大象流中存在的問題，本文提出了一種差分進化（Differential Evolution，DE）融合蟻群（Ant Colony Optimization，ACO）算法（combination of DE and ACO algorithm，DE-ACO）的大象流調度機制，來實現流量的全局動態調度。本文首先介紹解決SDN 數據中心網絡的流量調度問題的相關工作，對該問題進行數學建模；然后設計差分進化（DE）融合蟻群（ACO）算法的流量調度方法DE-ACO 求解該優化模型；最后對其進行仿真實驗，驗證流量調度的性能。

1 數據中心網絡流量調度問題分析及建模

1.1 數據中心網絡流量調度問題分析

Al-Fares 等［8］提出了Hedera 動態流量調度機制，并將它實現在SDN 數據中心網絡多級交換機拓撲上，利用從交換機上獲得的實時數據流狀態信息來識別大流，并通過全局首選（Global First Fit，GFF）算法計算沒有沖突的路徑，繼而交換機重新路由數據流，實現網絡對方帶寬的最大化和流量調度開銷的最小化。該方法首次結合了SDN 技術與數據中心網絡流量調度，為這方面的研究提供了新的理論基礎。

Curtis 等［3］提出了Mahout 方法，通過檢測終端主機的連接緩存而不是網絡中的交換機來識別大象流。所有沒有標記為大象流的數據流仍然由ECMP 算法路由。只有當檢測到大象流時，才通過帶內信號機制通知控制器將大象流包匹配到高優先級流表，從而保證大象流的傳輸。實驗結果表明，Mahout 方法減少了交換機浪費，并且在檢測大象流方面比所有對比的流統計數據快一個數量級。

Chakraborty 等［9］研究了數據中心網絡中流量的完成時間和時延，提出了一種簡單有效的多路徑路由方案。該方案采用了將大象流拆分為老鼠流進行轉發的思想，并結合基于虛擬局域網（Virtual Local Area Network，VLAN）的路由方案對大象流進行調度，減少聚合交換機上的流完成時間和流表項的資源消耗。

劉振鵬等［10］提出了一種基于網絡負載的動態流量調度方案，解決了ECMP 算法不考慮流量特性、容易產生鏈路沖突的問題。該方案通過SDN 控制器獲取全局網絡信息，周期性采集接入層交換機的數據流信息，計算接入層交換機的流量閾值，為占用較大帶寬的數據流選擇最佳路徑。實驗結果表明，該方案能夠提高數據中心網絡的負載均衡效果。

朱素霞等［11］提出了一種基于大流調度的軟件定義數據中心網絡負載均衡（Large-flows Routing Load Balancing，LRLB）算法。該算法結合了SDN 和網絡流量的特性，將負載均衡問題轉化為多商品流問題，根據大象流的負載狀態對其重路由，從而減少其在流量分布不均勻的問題上的影響。

近幾年來，隨著群體智能算法的提出，研究人員將其用于解決SDN 流量調度優化問題。比如，林智華等［12］提出了一種在胖樹數據中心網絡拓撲下的離散粒子群優化流量調度（Discrete Particle Swarm Optimization Flow Scheduling，DPSOFS）算法，通過對粒子群算法的二進制改進形成離散粒子群算法，并結合收集到的全局網絡視圖，求解出最優的網絡重路由方案。DPSOFS 算法可以提高收斂速度，獲得更好的流量調度路徑。

李宏慧等［13］提出了基于蟻群算法的SDN 數據中心網絡流量調度算法（network flow scheduling algorithm of SDN data center based on Ant Colony Optimization algorithm，ACOSDN），通過對大象流調度問題建模，基于蟻群算法對優化模型進行求解，得到全局最優路徑對大象流進行重路由，實現數據中心網絡鏈路的最大利用率的有效降低和網絡對分帶寬的提高；但因ACO-SDN 前期的收斂速度不夠快且易陷入局部最優，容易導致大象流二次沖突。

因此，本文提出了一種基于差分進化融合蟻群算法的流量調度機制DE-ACO。DE-ACO 從網絡全局的角度，根據網絡實時狀態，首先調用差分進化算法選取多條可用路徑，再通過蟻群算法動態地去近似尋找全局最優路徑；然后在ECMP 基礎上重路由擁塞鏈路上的大象流，從而有效地解決傳統數據中心網絡流量調度缺乏對全局網絡信息的感知問題，實現網絡負載均衡，提高網絡資源利用率。

1.2 數據中心網絡流量調度問題建模

本文對流量調度問題進行了建模，在鏈路容量范圍內，通過流量調度優化其目標函數，使流量可以在每條鏈路上都實現均勻分布，從而實現網絡負載均衡。具體建模描述如下。

將數據中心網絡拓撲表示為圖G(S，L)，其中：S為所有網絡節點（交換機）的集合，節點si∈S（i=1，2，…，|S|）；L表示網絡中所有鏈路的集合，鏈路l∈L的容量為Cl，其鏈路利用率為ul。Li和分別為鏈路集合L的子集，其中任意li∈Li以si為端點，并且數據流經由li流入節點si；任意∈以si為端點，且數據流經由流出節點si。將數據中心網絡中導致擁塞的數據流集合表示為E，數據流e∈E的帶寬為be，數據流e的源節點和目的節點分別用和表示。變量表示數據流e是否途經鏈路l。

鏈路利用率ul定義為所有通過鏈路l的數據流e的總帶寬與鏈路l容量Cl的比值。最大鏈路利用率（Maximum Link Utilization，MLU）umax是指數據流途經的所有鏈路中利用率的最大值。則流量調度問題的優化目標［13］，即最小化網絡中的最大鏈路利用率，可用式（1）表示：

在達到上述優化目標時，流量調度應滿足約束條件（2）～（6）：

式（2）說明通過鏈路l的數據流e總帶寬不應超過鏈路容量Cl；式（3）表示如果節點si為數據流e的源節點，則數據流e只從該節點流出；式（4）說明若節點si為e的目的節點，則e只流入該節點；式（5）表示若si為e的中間節點，則該節點流入及流出的數據流量相同；式（6）定義變量的取值范圍。

動態流量調度要快速確定需要重路由的數據流以及如何對其進行重路由。考慮到老鼠流持續時間相對較短，如果對其進行重路由極可能會增加不必要的開銷，所以本文在發生網絡擁塞時主要對大象流進行重路由。該模型的本質是一種線性規劃數學模型，當網絡中包含的大象流數目較多時，其效果較為明顯；同時，考慮到當相同路徑的多條數據流發生網絡擁塞時，被重路由到同一條鏈路的概率非常大，仍會發生新的網絡擁塞問題，本文利用差分進化融合蟻群算法求解該模型的最優解，來降低重路由到同一條鏈路的幾率，并防止二次擁塞。

2 差分進化融合蟻群算法的流量調度機制

2.1 大象流重路由調度機制

本文首先利用差分進化算法得到多條滿足條件的可用路徑，為避免差分進化算法陷入局部最優以及重路由后的二次擁塞問題，再融合一種近似尋路最優算法的蟻群算法，進一步對多條可用路徑進行精細化搜索得到一條最短路徑，從而確保最終所選路徑既是最短路徑又可避免被重復選擇，防止產生負載不均。本文提出的DE-ACO 流量調度算法進行大象流調度的流程如圖1 所示，具體步驟如下所述。如何利用差分進化算法和蟻群算法進行求解的詳細說明見2.2 節和2.3 節。

圖1 DE-ACO大象流調度機制流程Fig.1 DE-ACO elephant flow scheduling process

1）通過sflow-rt 網絡信息收集器，持續收集數據中心網絡鏈路狀態信息。

2）對于途經數據中心網絡的數據流，用ECMP 算法來進行調度，并對鏈路上的數據流進行大小流的區分。

3）若大象流途徑的某條鏈路的最大鏈路利用率大于閾值60%，則執行步驟4）～6），否則轉步驟1）。

4）選取與該大象流同源目的節點的50 條可用路徑，作為重路由的備選路徑。

5）調用差分進化算法，根據sflow-rt 收集器收集到的當前網絡狀態，從50 條備選路徑中計算出多條可用備選路徑。

6）將多條可用備選路徑作為融合蟻群算法的初始化，來更進一步地選取最優路徑。

7）將得到的全局最優路徑轉換成流表項，通過控制器下發給各交換機，重路由大象流，同時轉步驟1）。

2.2 調用差分進化算法計算可用路徑

差分進化（DE）算法是1997 年由Storn 等［14］在遺傳算法基礎上提出的。DE 算法是一種自適應全局優化算法，通過迭代變異進化，保留適應度好的個體。DE 算法原理簡單，控制參數少且收斂速度快［15］。

依據當前數據中心網絡的網絡拓撲和每條鏈路的鏈路利用率，計算出滿足約束條件式（4）～（6）的多條可用備選路徑。算法的輸入為數據中心網絡中鏈路的當前利用率和存儲在解空間R的多條大象流備選路徑，輸出為多條可用備選路徑。算法具體步驟如下所述。

步驟1 算法初始化。

1）將循環控制變量t設置為1 并設定最大迭代次數MaxT。

2）將根據Yen 算法［16］生成的與導致擁塞大象流同源同目的節點的k-最短路徑保存到解空間R。

3）從解空間R中依次選取M個個體Xi作為初始種群Pop。其中，個體Xi為一整條完整路徑。如式（7）所示，每一條路徑由n條鏈路l組成。

4）為實現式（1）所示的最小化最大鏈路利用率的優化目標，將適應度函數定義為如式（8）所示：

其中：H(Xi)為個體Xi的長度即路徑長度，MaxU(Xi)為路徑個體Xi里所有鏈路中的最大鏈路利用率值，a和b為影響因子。個體Xi適應度函數F(Xi)將本文1.2 節中的流量調度模型中的最小化問題轉化為最大化問題，方便后續調用差分進化融合蟻群算法（DE-ACO）進行求解最優解。

步驟2 進行變異操作。

DE 算法中的變異操作采取從種群Pop中隨機選擇3 個個體來生成變異個體［15］。考慮到在網絡中需要保持路徑的連續性，本文將在第t次迭代中將個體Xi(t)中最大鏈路利用率大于閾值H的鏈路替換為相鄰且不擁堵的一條或幾條鏈路形成新路徑個體Vi(t)。圖2 給出了變異操作示例。其中，圓圈si表示每一個交換機節點，直線lj為一條鏈路，連接si和si+1兩個相鄰交換機。

圖2 變異操作示例Fig.2 Variation operation example

假設圖2（a）所示的路徑中連接鏈路l3的利用率大于閾值，則對其進行替換。利用Yen 算法，以鏈路l3的兩個端點s2和s3分別為源和目的節點，生成k-最短路徑并保留到變異候選解空間R'。再從R'中選取所有鏈路的最大鏈路利用率均小于閾值H且在解空間R'中長度最短的候選路徑l*，如圖2（b）所示。將擁堵鏈路l3替換成滿足條件的候選路徑l*，生成如圖2（c）所示的變異個體Vi(t)。

步驟3 進行交叉操作。

在第t次迭代中，從區間［0，1］中選取一個隨機數r。若r大于交叉因子cr，保留變異個體Vi(t)，并轉至步驟4。

若r小于等于交叉因子cr，將個體Xi(t)和變異個體Vi(t)進行交叉操作，但考慮到變異個體Vi(t)是由Xi(t)變異所得，在完成交叉操作后可能交叉個體Ui(t)與原個體Xi(t)完全相同，從而造成無效交叉。本文為避免出現無效交叉現象，針對傳統交叉操作進行了重新定義。首先從種群Pop中隨機選取一條與變異個體Vi(t)同源同目的節點的路徑作為交叉備選個體W(t)；再與變異個體Vi(t)進行交叉操作，即將變異個體Vi(t)與交叉備選個體W(t)按順序遍歷每一個節點，當出現第一個公共節點時，則將公共節點后的鏈路全部進行互換后得到新的交叉個體Ui(t)，由此確保經過變異操作的結果可以順利保留到下一代種群中。

具體交叉操作示例如圖3 所示，圖3 中的標識說明與步驟2 相同。假設已從種群中隨機選取一條交叉備選路徑W(t)（圖3（a）），它與變異個體Vi(t)（圖2（c））進行交叉操作。可以看出W(t)和Vi(t)按順序遍歷第一個公共節點為，確定公共節點為后將W(t)和Vi(t)從公共節點到目的節點之間的所有鏈路進行互換，得到如圖3（b）所示的交叉個體Ui(t)。

圖3 交叉操作示例Fig.3 Crossover operation example

步驟4 進行選擇操作。

依據式（8）計算交叉個體Ui(t)的適應度值，若Ui(t)的適應度值優于當前個體Xi(t)的適應度值，則在第t次迭代中的交叉個體Ui(t)取代當前個體Xi(t)保留到下一代種群Pop中；否則，仍然保留當前個體Xi(t)。

步驟5 如果達到迭代條件要求，退出循環；否則，跳轉至步驟2。

2.3 調用蟻群算法選取全局最優路徑

在流量調度中調用差分進化算法的弊端在于個體的差異會隨著進化迭代不斷變小，導致出現陷入局部最優和收斂速度在后期逐步變慢等現象，因此本文選擇調用蟻群（ACO）算法對其進行優化，尋求全局最優路徑。

蟻群算法是由Marco Dorigo 首先提出來的一種模擬蟻群在覓食過程中尋找最優路徑的行為的啟發式近似優化算法［17］。螞蟻與螞蟻之間依靠各自所釋放的信息素來相互完成信息的交換和傳遞，并且蟻群中的螞蟻們會向著信息素濃度高的路徑進行搜索；途經信息素濃度高的路徑的螞蟻也會釋放信息素，導致該路徑的信息素濃度會越來越高；最后，整個蟻群的螞蟻就會沿著信息素濃度最高的路徑到達食物源［13］，該路徑即為最優路徑。蟻群算法采用這種多個個體同時進行并行計算，極大提高了算法的計算能力和運行效率，適用于多目標；但前期信息素匱乏會導致收斂速度慢。關于收斂速度的問題，本文首先根據差分進化算法得到的多條可用路徑作為初始化信息素濃度，為大象流計算出全局最優路徑，其中以當前鏈路利用率和多條可用路徑作為輸入，輸出一條全局最優路徑。算法具體步驟如下。

步驟1 初始化算法參數。

設置螞蟻數量為N，每只螞蟻A自帶記錄走過節點的禁忌表TA，差分進化算法輸出的多條可用路徑設為初始化信息素。

步驟2 進行螞蟻移動操作。

設置數據流的源節點為螞蟻穴，目的節點為食物位置。所有螞蟻從蟻穴出發，此時禁忌表為空。每一只螞蟻A在遍歷多條可用路徑中，可以移動到下一個可到達的節點時，需依據各條鏈路信息素τ和啟發信息η計算出移動概率如式（9）所示；再按照輪盤賭法選擇下一節點進行移動，并將此節點添加到禁忌表TA中。

步驟3 更新信息素。

1）為更真實地模擬螞蟻覓食的自然現象，需依據信息素揮發因子ρ對當前所有信息素進行揮發后，再進行信息素的更新。

2）當所有螞蟻到達目的節點sd或禁忌表TA達到上限時，表示第t次迭代結束。根據式（10）更新第t+1 次的鏈路信息素

3）若t未達到最大迭代次數，轉至步驟2 繼續下一輪循環；否則，轉至步驟4。

步驟4 選取全局最優路徑。

當t大于最大迭代次數時，停止循環。在所有到達目標節點的螞蟻禁忌表中按照最小化最大鏈路利用率的優化目標選取最優路徑，返回給控制器進行重路由。

3 實驗與結果分析

為驗證所提出的DE-ACO 算法的性能，本文將與目前數據中心網絡中普遍應用的ECMP 算法和采用群體智能算法進行流量調度中效果較好的ACO-SDN 進行對比。用平均對分帶寬和最大鏈路利用率作為衡量算法性能的指標［13］：對分帶寬［18］指的是把一個網絡平均分成兩個相同的子網，這兩個子網中所有的鏈路在規定的單位時間內通過的數據流流量的總帶寬；最大鏈路利用率是指在網絡傳輸時，網絡所有路徑的鏈路利用率值中鏈路利用率達到最高的值。當在同一個負載情況下，對分帶寬越大表示網絡吞吐量越大，最大鏈路利用率越低則表示網絡的鏈路利用分配均勻，沒有造成某一條鏈路利用過度的情況，即網絡負載均衡性能越好。

3.1 實驗環境

3.1.1 網絡拓撲結構

實驗采用Mininet 仿真平臺模擬拓撲，用Python 構建一個k=4 的Fat-Tree 網絡拓撲結構。其中，所有交換機均為OpenFlow 交換機共20 臺，接入層交換機連接16 臺主機，各條鏈路帶寬設定為100 Mb/s。

3.1.2 通信模式

為了正確評估本文所提出的DE-ACO 流量調度算法，實驗中數據流的大小服從指數分布，其中指數函數的參數r=0.23。產生每條流的時間間隔服從泊松分布，每條流的持續時間為60 s，取第20～40 s 時間段的數據流作為有效實驗數據。

本文使用流量生成工具Iperf，并對其進行二次開發，通過擴展Mininet 的內部命令，生成3 種不同通信模式的數據流。這3 種不同的通信模式如下所述。

1）隨機模式Random。網絡中隨機選取源主機和目的主機，同時生成流量的方式和流量的大小都是隨機產生的。

2）間隔模 式Stride（i）。編 號x的主機 向編號 為（x+i）modn的主機傳輸數據，其中n為網絡中主機數量。

3）交錯模式Staggered（p1，p2）。每臺主機以概率p1 向同屬于一個接入層交換機的主機發送數據，以概率p2 向同屬于一個pod 的主機發送數據，以概率1-p1-p2 向其他pod 內主機發送數據［13］。

3.1.3 算法相關參數設置

算法相關參數設置會直接對流量調度優化算法的效果產生影響，本文以優化流量調度問題的目標函數為目的，并依據文獻［15，19-22］的研究結果和對比多次仿真實驗結果后進行相關參數的設置。其中，DE-ACO 的主要參數設置如表1 所示。

表1 DE-ACO主要參數值Tab.1 Major parameter values of DE-ACO

通過多次仿真實驗發現，當迭代次數在50～100 時，算法性能均穩定，本文選取MaxT=50 以減輕Floodlight 控制器的運算負荷。為實現最小化最大鏈路利用率，本文選取a=1，b=10 作為當前適應度函數值產生的權重。實驗將兩節點間的路徑固定為11 跳。當k=4 時，Fat-Tree 網絡拓撲中超過11跳的路徑所需路由時間過長，易造成網絡不可達，所以設置途經最多的節點數是10。

3.2 平均對分帶寬比較

由于數據中心網絡中的數據流類型復雜且流量龐大，仿真實驗決定選取3.1.2 節中3 種通信模式在虛擬主機之間進行通信。為了實驗的公平性，在3 種通信模式下均調用3 種流量調度算法，各算法分別進行20 組仿真實驗并記錄實驗數據，再經過平均值計算得到最終的實驗結果，如圖4～6所示。

3.2.1 Random通信模式

在Random 通信模式下，對3 種算法分別都進行了兩組隨機通信模式的實驗Random1、Random2，結果如圖4 所示。從圖4 中可以看出，在平均對分帶寬上DE-ACO 算法相較于ECMP 和ACO-SDN 算法分別提高了29.42%～36.26%和5%～11.51%。

圖4 Random模式下平均對分帶寬比較Fig.4 Comparison of average bisection bandwidth in Random mode

3.2.2 Stride通信模式

為模擬網絡負載不均衡，便于仿真真實網絡的流量復雜性，在Stride（i）間隔模式下，分別取i=2、4、6 這3 種通信方式做3 組對比實驗Stride（2）、Stride（4）和Stride（6）。從圖5 中可知，在3 種間隔模式下，DE-ACO 算法的平均對分帶寬都優于其他兩種對比算法。其中，DE-ACO 算法的平均對分帶寬相較于ECMP 算法提高了32.04%～34.78%，相較于ACOSDN 算法提高了2.50%～12.07%。

圖5 Stride 模式下平均對分帶寬比較Fig.5 Comparison of average bisection bandwidth in Stride mode

3.2.3 Staggered通信模式

在Staggered 交錯模式下，用Staggered（0，0.2）和Staggered（0，0.4）兩種交錯模式進行實驗，以Staggered（0，0.2）模式為例，在通信實驗中每一臺主機向同一個pod 發送流的概率是0.2，則向除了同pod 以外的剩余主機發送數據流的概率為0.8。從圖6 中可知，DE-ACO 算法的平均對分帶寬優于ACO-SDN 算法，而ACO-SDN 的平均對分帶寬數值比ECMP 算法有所提高，但低于DE-ACO 算法。其中，在Staggered（0，0.2）交錯模式下DE-ACO 算法相較于ECMP 平均對分帶寬提高了50.07%，相較于ACO-SDN 算法提高了36.74%；在Staggered（0，0.4）下，DE-ACO 算法相較于ECMP算法提高了8.45%，相較于ACO-SDN 算法的平均對分帶寬提高了2.98%。

圖6 Staggered模式下平均對分帶寬比較Fig.6 Comparison of average bisection bandwidth in Staggered mode

3.3 最大鏈路利用率比較

為更全面地驗證DE-ACO 算法的流量調度能力，本文對DE-ACO 算法、ECMP 算法和ACO-SDN 算法做了最大鏈路利用率（MLU）的對比實驗。最大鏈路利用率也是一個評價流量調度算法能否更好實現網絡負載均衡的重要指標，它能夠反映網絡鏈路使用情況，如果網絡負載不平衡，網絡負載高的鏈路易發生網絡擁塞，網絡負載低的鏈路會因為鏈路沒有得到充分利用而造成鏈路冗余的情況，從而導致平均對分帶寬降低。

為逼近真實的網絡負載不均衡情況，實驗選取了Stride（6）通信模式對比ECMP、ACO-SDN、DE-ACO 的最大鏈路利用率值。為達到實驗的公平性，對每一種算法進行20組實驗，每組數據流傳輸持續時間為60 s。最后計算所有的最大鏈路利用率值的累積分布函數值（Cumulative Distribution Function，CDF），設置每個區間的頻度為0.1，得到如圖7 所示的折線圖。圖7 中橫坐標代表MLU，縱坐標為累積分布函數值CDF，3 條曲線為ECMP、ACO-SDN、DE-ACO算法對應的累積分布函數曲線。從圖7 可知，ECMP 算法MLU 都分布 在70%～85%，ACO-SDN 算法的MLU 在60%～75%，而DE-ACO 算法相較于ECMP 和ACO-SDN 算法MLU 降低了5%左右，大部分集中在60%～67%。

圖7 Stride模式下最大鏈路利用率比較Fig.7 Comparison of maximum link utilization in stride mode

綜上所述，在3 種通信模式下，DE-ACO 算法平均對分帶寬均高于ECMP算法和ACO-SDN算法。由于ECMP算法是根據哈希值將數據流均勻分配到不同的等價路徑中，未考慮網絡的實時狀態，導致大象流的調度無法被妥善地處理，故容易出現數據流沖突增多及鏈路擁塞等情況。由此可見，ECMP算法的平均對分帶寬相比其他兩種調度算法較低。而ACO-SDN 算法雖然可以實時獲取大象流經過的鏈路信息，但由于該算法前期初始化的信息素較少，易導致收斂速度慢，故其實驗結果比DE-ACO 算法較差，但優于ECMP 算法。本文提出的DE-ACO 算法利用差分進化算法計算出多條可用路徑后，融合蟻群算法進一步精細化搜索并選擇一條全局最優路徑，從而優于ECMP 算法和ACO-SDN 算法，在提升對分帶寬和降低最大鏈路利用率這兩個方面的能力顯而易見。

4 結語

針對傳統數據中心網絡中存在網絡擁塞和易發生二次擁塞等問題，本文提出了差分進化融合蟻群算法的數據中心網絡流量調度機制。該機制通過sflow-rt 收集并標記出擁堵的大象流所在的路徑后，利用差分進化算法計算出若干條可用路徑，再融合蟻群算法來模仿螞蟻覓食的行為在這若干條可用路徑中搜索全局最優的路徑，以達到網絡負載均衡的目的。通過在Mininet 仿真平臺進行實驗的結果表明，相較于ECMP 算法和ACO-SDN 算法，DE-ACO 算法能夠完成對對分帶寬的提高，防止重路由后的二次擁塞來有效緩解網絡負載不均。雖然本文實驗取得了較好的實驗成果，但仍存在著一些問題，比如，因為真實的數據中心網絡搭建所需成本和消耗的資源巨大，所以未能在真實網絡環境中進行測試；而且本文實驗采用的是單控制器，易在網絡中造成單點故障，所以下一步工作希望可以實現SDN 的多控制器調度機制，并擴大實驗規模，也可以結合不同種類的控制器來細化流量調度方案。