ارائه روشی نوین مبتنی بر الگوریتم تکاملی گرگ خاکستری برای توازن بار کنترل‌کننده در شبکه‌های مبتنی بر نرم‌افزار با استفاده از مهاجرت پویای سوئیچ

نوع مقاله : مقاله پژوهشی فارسی

نویسندگان

1 گروه فتا، دانشکده فاوا، دانشگاه علوم انتظامی امین

2 گروه کامپیوتر، دانشکده فنی و مهندسی، دانشگاه آزاد تهران مرکزی، تهران، ایران.

چکیده

شبکه مبتنی بر نرم­افزار (SDN) در بسیاری از سناریوهای مدرن شبکه به مدلی محبوب برای کنترل و مدیریت متمرکز تبدیل‌شده است. بااین‌حال، برای مراکز داده بزرگ با صدها هزار سرور و چندین هزار سوئیچ، حالت کنترل‌کننده تک باعث می‌شود سیستم از عدم مقیاس‌پذیری و قابلیت اطمینان رنج ببرد. استفاده از معماری توزیع‌شده می‌تواند عملکرد سیستم را بهبود بخشد، اما محدودیت اصلی این کار نگاشت ایستا بین سوئیچ و کنترل‌کننده است که ممکن است منجر به عدم تعادل بار در کنترل‌کننده‌ها شود. استفاده از چندین کنترل‌کننده توزیع‌شده در SDN برای بهبود مقیاس‌پذیری و قابلیت اطمینان، جایی که هر کنترل‌کننده یک بخش ثابت از شبکه را مدیریت می‌کند، استفاده‌شده است. درروش پیشنهادی، یک کنترل‌کننده متعادل (بالکن)، به‌عنوان طرحی برای انتقال پویای سوئیچ SDN برای دستیابی به تعادل بار بین کنترل‌کننده‌های SDN با هزینه مهاجرت کم به کار گرفته‌شده است. تصمیم‌گیری برای مهاجرت توسط نظارت بر اساس ترافیک شبکه انجام می‌شود. برای تعادل بار در شبکه مبتنی بر نرم‌افزار، از یک استراتژی انتقال سوئیچ مرحله‌ای استفاده می‌شود و کنترل‌کننده هدف توسط الگوریتم گرگ خاکستری انتخاب می‌گردد. نتایج نشان می‌دهد که زمان پاسخ روش پیشنهادی 13% بهتر از روش بالکن است. همچنین با افزایش نرخ ارسال به 8.33%، توان عملیاتی کنترل‌کننده در مقایسه با روش بالکن بهبود می‌یابد. لذا، تعادل بار روش پیشنهادی عملکرد بهتری نسبت به کارهای پیشین دارد.

کلیدواژه‌ها


  1. -Y. Hong et al., “Achieving high utilization with software-driven WAN,” presented at the SIGCOMM’13: ACM SIGCOMM 2013 Conference, Aug. 2013.
  2. Cohen, L. Lewin-Eytan, J. S. Naor, and D. Raz, “On the effect of forwarding table size on SDN network utilization,” presented at the IEEE INFOCOM 2014 - IEEE Conference on Computer Communications, Apr. 2014.
  3. Wang, Y. Guo, F. Hao, T. V. Lakshman, and S. Chen, “Scotch,” presented at the CoNEXT ’14: Conference on emerging Networking Experiments and Technologies, Dec. 2014.
  4. Yu, Y. Wang, K. Pei, S. Zhang, and J. Li, “A load balancing mechanism for multiple SDN controllers based on load informing strategy,” presented at the 2016 18th Asia-Pacific Network Operations and Management Symposium (APNOMS), Oct. 2016.
  5. Liang, R. Kawashima, and H. Matsuo, “Scalable and Crash-Tolerant Load Balancing Based on Switch Migration for Multiple Open Flow Controllers,” presented at the 2014 Second International Symposium on Computing and Networking (CANDAR), Dec. 2014.
  6. A. Dixit, F. Hao, S. Mukherjee, T. V. Lakshman, and R. Kompella, “ElastiCon,” presented at the the tenth ACM/IEEE symposium, 2014.
  7. Zhou, Y. Wang, J. Yu, J. Ba, and S. Zhang, “Load balancing for multiple controllers in SDN based on switches group,” presented at the 2017 19th Asia-Pacific Network Operations and Management Symposium (APNOMS), Sep. 2017.
  8. P.-C. Lin and Z. Tsai, “Hierarchical Edge-Cloud SDN Controller System With Optimal Adaptive Resource Allocation for Load-Balancing,” IEEE Systems Journal, vol. 14, no. 1, pp. 265–276, Mar. 2020.
  9. Al-Tam and N. Correia, “On Load Balancing via Switch Migration in Software-Defined Networking,” IEEE Access, vol. 7, pp. 95998–96010, 2019.
  10. Liu, Y. Wang, J. Zhang, H. Liao, Z. Liang, and X. Liu, “AAMcon: an adaptively distributed SDN controller in data center networks,” Front. Comput. Sci., vol. 14, no. 1, pp. 146–161, Mar. 2019.
  11. Rupani, N. Punjabi, M. Shamdasani, and S. Chaudhari, “Dynamic Load Balancing in Software-Defined Networks Using Machine Learning,” in Proceeding of International Conference on Computational Science and Applications, Springer Singapore, 2020, pp. 283–292.
  12. Montazerolghaem and M. H. Yaghmaee, “Load-Balanced and QoS-Aware Software-Defined Internet of Things,” IEEE Internet Things J., vol. 7, no. 4, pp. 3323–3337, Apr. 2020.
  13. Kulakov, A. Kohan, S. Kopychko, and R. Cherevatenko, “Load Balancing in Software Defined Networks Using Multipath Routing,” in Advances in Computer Science for Engineering and Education III, Springer International Publishing, pp. 384–395, January 2021.
  14. Zhao, X. Wang, Q. He, C. Zhang, and M. Huang, “PLOFR: An Online Flow Route Framework for Power Saving and Load Balance in SDN,” IEEE Systems Journal, vol. 15, no. 1, pp. 526–537, Mar. 2021.
  15. Cello, Y. Xu, A. Walid, G. Wilfong, H. J. Chao, and M. Marchese, “BalCon: A Distributed Elastic SDN Control via Efficient Switch Migration,” presented at the 2017 IEEE International Conference on Cloud Engineering (IC2E), Apr. 2017.
  16. Xu et al., “Dynamic Switch Migration in Distributed Software-Defined Networks to Achieve Controller Load Balance,” IEEE J. Select. Areas Commun., vol. 37, no. 3, pp. 515–529, Mar. 2019.
  17. Mirjalili, S. M. Mirjalili, and A. Lewis, “Grey Wolf Optimizer,” Advances in Engineering Software, vol. 69, pp. 46–61, Mar. 2014.
  18. Hu, J. Zhang, L. Wang, and D. Qiao, “An Improved Switch Migration Approach to Controller Load Balancing in SDN,” presented at the 2017 2nd International Symposium on Advances in Electrical, Electronics and Computer Engineering (ISAEECE 2017), 2017.
  19. Dixit, F. Hao, S. Mukherjee, T. V. Lakshman, and R. Kompella, “Towards an elastic distributed SDN controller,” SIGCOMM Comput. Commun. Rev., vol. 43, no. 4, pp. 7–12, Sep. 2013.
  20. Bozorg-Haddad, Ed., “Advanced Optimization by Nature-Inspired Algorithms,” Springer Singapore, 2018.