SDN驱动的网络流量负载均衡路由优化算法
作者：忘忧期刊网 来源：文阅范文部 日期：2022-11-21 08:48人气：
摘 要：在5G网络数据流量剧增的背景下，针对5G网络流量负载均衡问题提出并评估了两种基于软件定义网络驱动的路由搜索优化算法。首先，建立了软件定义网络多约束数据传输路径选择模型；然后，针对所提模型提出了一种流量负载均衡广度优先搜索(load balancing scheme with breadth-first-search, LBB)路径优化算法，在广度优先搜索的过程中，设定一个动态流量阈值对链路进行实时监测，旨在寻找源节点到目标节点的最优数据传输路径；为了减少甚至避免不必要的搜索所造成的空间开销，进一步提出了基于深度优先搜索的迭代深化搜索(iterative deepening search with depth first search, IDDFS)路径优化算法，该算法限制了数据传输路径的每次搜索深度，并在搜索过程中优先选择可用带宽最大的链路进行深度优先搜索迭代优化。仿真结果表明了所提算法在资源利用率和网络吞吐量这两项关键性能指标上的优越性能。
关键词: 5G网络; 软件定义网络;流量负载均衡;路由算法;
Traffic load balancing routing optimization algorithms in SDN-driven networks
MIN Xiaofei
LI Jing ZHANG Zhaohui
School of Mathematics and Statistics, Xidian University
Abstract：Under the context of the explosion of the traffic data in 5G network, two SDN-driven routing searching optimization algorithms are proposed and evaluated to solve the traffic load balancing problems. Firstly, a multi-constraints data transmission routing selection model of SDN network is established. Then, a traffic load balancing scheme with breadth-first-search (LBB) optimization algorithm is proposed to solve the model. In the process of breadth first search (BFS), LBB sets a dynamic traffic threshold to monitor the link in real time, which aims to find the optimal data transmission routing from the source node to the target node. To further reduce or even avoid the space overhead caused by the unnecessary searching, an iterative deepening search with depth first search (IDDFS) optimization algorithm is proposed, which selects the link with the highest available bandwidth. During the routing searching, IDDFS optimizes the iterative depth first search (DFS). Simulation results show that the proposed algorithms have the excellent performance in resource utilization and network throughput.
Keyword：5G network; Software-Defined Networking; traffic load balancing; routing algorithm;
0 引 言
5G网络是新一代移动通信网络，其主要目标是提升网络数据流传输效率的同时优化网络资源分配效率、减少网络运营支出成本(operating expenditure, OPEX)等[1]。5G网络主要由三部分组成：无线接入网（radio access network, RAN）、核心网 (core network, CN)以及软件定义网络(software-defined networking, SDN)[2]。作为5G通信网络拓扑系统的重要组成部分，SDN分离了网络的数据层和控制层[3,4,5,6,7,8]，使得跨异构设备和网络去配置网络服务质量(quality of service, QoS)变得可行，并且可以通过控制网络中的流量负载机制完成不同网络资源的分配优化，实现了从设备可编程到网络可编程的转变，为研发网络新应用和未来互联网技术提供了一种新的解决方案。
传统的网络资源分配问题大多侧重于任务卸载和网络开销之间的权衡，以保证网络QoS或最小化网络开销为目标[9,10]。文献[11]针对用户资源申请与网络可用资源最优配置问题，建立了基于SDN的资源分配多目标优化模型，满足了不同用户的QoS需求。文献[12]提出了一种SDN控制器上的强化学习方案，旨在最小化网络链路的最大利用率，从而减少网络服务中断干扰。文献[13]提出了一种基于接收器的拥塞控制方案—RecFlow，该方案利用OpenFlow提供的路径可见性来解决数据中心传输问题。文献[14]通过评估SDN，利用散列函数来调度流，对拥塞较少的路径进行优先级排序，优化了数据传输效率。
文献[15]提出了一种基于SDN的复杂多路径数据传输优化策略—HiQoS，该策略通过改进Dijkstra算法优化了数据多路径转发效率。文献[16]利用类似的方法，选择具有最大带宽和可用性的路径，提出了一种自适应多路径供应方案。在文献[17]中，Al-Najjar等人初步探讨了在静态链路情况下如何更好地使用SDN控制多宿主终端主机中的网络流。文献[18]采用不同的流量负载均衡算法进一步在动态链路容量的网络场景中扩展了这一贡献。另外，现代优化算法、神经网络算法以及机器学习算法在基于SDN流量控制的资源分配问题中也展现出了良好的性能[19,20,21,22,23,24,25,26,27,28,29,30,31]。
随着5G时代的到来，组网规模和用户数量急剧增加，这就导致部署网络功能设备的开销越来越大，同时也出现了5G网络底层设备运行管理困难、失效率高等问题。Bagaa等人引入QoS感知的网络配置和多路径转发协议，通过考虑用户的移动环境以及QoS需求提出了一种启发式路径重计算(heuristic paths re-computation, HPR)算法[2]。该算法在满足合理计算时间的前提下，降低了网络OPEX，使得运营商在支持SDN的网络中，能够在考虑移动性的情况下有效地分配网络资源、减少甚至消除过度供应。然而，文献[2]并没有考虑网络整体流量负载均衡和资源利用率联合问题，无法直接用于新的5G虚拟网络范式。
为了满足用户多样性服务需求的同时确保网络QoS，本文提出了两种基于SDN驱动的路由优化算法：LBB路径优化算法以及基于深度优先搜索的IDDFS路径优化算法。LBB算法首先将用户接入的所有eNodeB节点看作一个超级源节点进行数据的接入，在保证用户服务请求的同时满足网络QoS，然后在传统广度优先搜索(breadth first search, BFS)算法的基础上设定了一个动态流量负载均衡控制阈值。当网络检测到链路流量负载均衡参数超过实时动态流量阈值时，再次优化路径分配，在保证OPEX的同时提高了网络资源的利用率。而IDDFS算法在每次数据传输路径搜索中对搜索深度进行限制，在当前限制的深度下以最大带宽优先搜索目标节点，如果搜索不到目标节点，则增加深度重新进行搜索，直至找到目标节点。
IDDFS算法通过迭代去找寻可行解，如果在寻路的两点之间不存在可行解，算法搜索最优路径时会没有方向地一直增加深度陷入循环，影响算法执行效率。而在LBB算法中一旦搜索不到目标节点，算法会立即终止此次搜索，不再进行迭代，保证算法后续的运行，在满足合理计算时间的前提下实现负载均衡；而相较于LBB算法，IDDFS算法在保证负载均衡的同时有效地缩减了空间开销。
1 网络模型与系统建模
1.1 网络模型
本文将5G网络抽象为一个带权有向图G(V,E,W)，其中E代表网络中边的集合，W表示带宽集合，V=C∪O∪R∪S代表网络中节点的集合，C、O、R、S分别代表用户集、开放式虚拟交换机（Open Virtual Switch，OVS）的集合、建立的超级源节点以及超级汇点(终端服务器)。E中边(u,v)的权值wu,v代表节点u和节点v之间的带宽容量。详细的符号对照表如表1所示。
网络拓扑示意图如图1所示，假设每个用户c与网络接入通信节点eNodeB间的通信方式是无线(虚线)的；不同的OVS之间的通信是有线(实线)的；对于用户和服务器之间的通信方式，客户端和接入点eNodeB之间的第一跳是无线接口，而通向服务器的其余网络链路是有线的。
1.2 问题数学建模
为了尽可能缩减网络开销，本文的优化目标是最小化虚拟节点使用数，用布尔函数yo判断o∈O是否作为转发节点，如果o被选作转发节点，yo=1，否则为0；SDN控制器在为接入用户选择路径时，需要考虑网络中用户请求数据与服务器接收数据的流量守恒原理，用布尔函数xi,j判断节点之间的选择关系，当i是j的孩子节点时，xi,j=1，否则为0；定义一个整数变量矩阵FS，表示转发到该服务器的流量。FS中的每个元素FSi,j代表从i转发到j的流的数量，其中i∈C∪O，j∈O∪S，建立的多约束数学模型如下：
式(2)表示每个用户只能连接到一个相应的OVS来接收和传输数据流量；式(3)表示链路中每一跳转发的数据流量等于用户申请的数据流量，并且输入流量等于输出流量；式(4)表示实际转发的流量不能超过两个节点之间的链路带宽上限；式(5)表示客户端和服务器之间的数据传输路径不存在任何环路。
由于上述的数学模型是一个NP难问题，因此本文将通过两个近似优化算法LBB以及IDDFS对该模型进行求解。
2 一种流量负载均衡广度优先搜索优化算法LBB
文献[2]基于Dijkstra算法提出了改进的HPR算法，在较短的时间内实现了用户和服务器之间的最优路径分配。然而该算法一旦选择了接入点之后，数据传输路径会一直被使用到与该接入点相连的链路带宽不满足用户申请的带宽要求时才停止，导致网络中的其他节点一直处于休眠状态，造成了休眠状态节点资源的浪费，降低了资源分配效率。
为了避免局部流量负载过大同时提高节点资源利用率，并且尽可能地减少网络OPEX，LBB算法在实现过程中加入了一个动态流量负载均衡阈值，具体路径优化过程如算法1所示。
首先定义流量负载均衡参数公式
其中，rk(t)代表第t个用户接入时活跃链路k的利用率，r¯代表当前活跃链路的平均利用率，n为活跃链路的数目，t为接入用户的个数。
根据实验，本文选取流量负载均衡参数的中位数φ为动态流量负载均衡控制阈值。算法开始，初始化Φ为空集，然后执行一个循环以计算并存储用户和终端服务器之间的数据传输路径。在算法内部循环中，为了避免路径拓扑中的V和E在计算新路径时被覆盖而丢失路径信息，将两个临时变量集合V1和E1分别初始化为V和E。步骤(3)-(5)移除不满足转发条件的链路和节点。
接下来，步骤(6)和步骤(7)执行寻找用户c和终端服务器S之间的路径进程，从超级源点R进行BFS，若此时是第一个用户直接存储其路径，否则将Source记作接入点；如果Source到下一个节点的链路流量负载参数小于φ，则把下一个节点标记为Source，否则，暂时屏蔽此路径；从Source重新进行BFS，直到搜索到S，则输出最终使用的OVS集合并更新权值进行下一轮搜索。
图2分别给出了HPR算法和LBB算法实现过程的网络拓扑示例。假设一个移动网络由四个eNodeB、一组编号为1到8的OVS节点和两个服务器(Sever)组成。网络初始配置如图2(a-1)、2(b-1)所示，删除所有已用资源得到当前拓扑图G，其中不满足用户申请带宽要求的链路用红色表示。如图2(a-2)所示，在HPR算法中，当用户1申请接入网络时，由于此时没有接入点eNodeB，则按照定义的权值使用Dijkstra算法进行寻路，得到最终路径上使用的虚拟节点是OVS 1和OVS 4，将OVS 1选为接入点。如图2(a-3)所示，当用户2接入网络时，由于此时基站eNodeB1和OVS 1之间的带宽仍然满足条件，因此仍然选择OVS 1作为接入点，继续使用Dijkstra算法进行寻路，最终激活了OVS 1、4进行数据传输。
LBB算法在保证网络QoS的前提下将所有的eNodeB节点映射为一个超级源点，对接入节点的资源进行统一分配控制，超级源点可以动态地选择与OVS 1、2、3建立数据传输链路。在图2(b-2)中，当用户1申请接入网络时，选择OVS 1作为接入点直接进行BFS，此时网络激活OVS 1和OVS 4。如图2(b-3)所示，当用户2申请接入网络时，仍然选择OVS 1作为接入点，当选取OVS 4作为下一个节点时监测到流量负载参数大于实时动态阈值φ，则回溯到OVS 1，从OVS 1重新进行BFS搜索到OVS 7，激活了OVS 1、 4、7进行数据传输。
3 基于深度优先搜索的迭代深化搜索路由优化算法IDDFS
LBB算法旨在通过链路动态控制阈值和搜索回溯的方法优化路径配置，使网络链路流量处于均衡的状态。BFS实现的过程中每一步都需要存储当前节点所连接的所有节点以及路径信息，然而，随着网络拓扑规模的增大，这会造成非常大的空间开销，这种以空间换取时间的方法会影响算法的有效性。为了降低算法的空间开销，进一步提出了一种基于深度优先搜索的迭代深化搜索优化算法IDDFS。在IDDFS算法中，每次搜索都对搜索深度进行限制，并在搜索过程中选择可用带宽最大的链路，如果在当前限制深度下搜索不到目标节点，增加一层深度重新进行搜索，直至找到目标节点。由于搜索深度是从小到大递增，因此可以保证所得解深度最小且缩减了空间开销。
IDDFS具体路径优化过程如算法2所示，初始化后相同于算法1，步骤(3)-(5)对虚拟网络拓扑进行优化处理。在步骤(6)中，从给定的最小深度mindepth开始按照带宽大小进行深度优先搜索，如找到目标节点(即服务器S)，则输出搜索路径，否则加一跳深度继续搜索下一层，直至搜索到S。
图3给出了LBB算法和IDDFS算法的网络拓扑实现过程示例图。如图3(a-1)所示，在LBB算法中，当用户1申请接入10Mbps的带宽时，直接进行BFS搜索，在搜索过程中，OVS 1、2、3、4、5、7、6、9按层次存储在堆栈中。最后，激活的节点是OVS 1、4。而在IDDFS中，每次搜索之前都会设置一个最小搜索深度，在图3(b-1)中，如果我们设置最小搜索深度为2，选择OVS 1和OVS 7存储在堆栈中，但是还没有找到目标结点（即服务器节点 9），则需要将最小搜索深度增加1，再次进行DFS搜索，此时存储的虚拟节点为OVS 1、7、9。最终激活了OVS 1、7进行数据传输。虽然两个算法激活的OVS数量都是两个，但IDDFS在寻路过程中需要的堆栈存储空间比LBB少得多。
4 仿真实验
为了验证所提算法的有效性，本文通过多次重复实验，将LBB算法、IDDFS算法、HPR算法与经典的Dijkstra算法从激活的OVS数与网络吞吐量两个指标进行仿真比较。网络吞吐量的计算方式为WC×h，其中WC为接入用户申请的带宽，h为最终选择路径的跳数。实验的仿真环境为Win10 64位系统、CPU处理器Intel Core i5-4300U 2.50 GHz，内存4.00 GB，仿真软件Matlab2020b、Visual Studio 2022。具体实验方案为：(1) 固定OVS个数，改变接入用户的数量；(2) 固定用户数，改变网络中的OVS数量。
4.1 动态流量负载均衡控制阈值对资源利用率的影响
在第2节中，本文给出了流量负载均衡参数σ(t)的定义，其代表第t个用户接入网络时活跃链路利用率的标准差，σ(t)值越小代表网络负载越均衡；反之，其值越大表示链路负载差别越大，即负载不均衡。在LBB算法中，本文通过实验验证了阈值为中位数时算法性能最优，如图4所示，该实验给出了随着接入用户个数从10到100时不同阈值对LBB算法性能的影响。
在仿真实验中，固定网络中的OVS数量为25，网络拓扑中的链路带宽上限在[100,180]Mb区间服从随机分布，接入带宽区间为[10,30]Mb。实验模拟了多个用户申请不同接入带宽大小时资源利用率在两种不同阈值下的性能对比：1.选用每个用户接入时当前负载均衡参数σ(t)为阈值；2.将σ(t)与前t−1个负载均衡参数放在一起取中位数φ作为阈值。
由图4可以看出，当接入用户数从10增加到100时，选择中位数φ作为动态流量负载均衡控制阈值时算法都要优于选择σ(t)作为阈值时激活的OVS数，平均OVS利用率分别为31.4%和25.5%，前者平均利用率高出后者接近6%。因此，本文选择中位数φ作为动态流量负载均衡控制阈值。
4.2 固定OVS个数，改变接入用户数对不同解决方案的影响
图5给出了接入用户个数从10到100对HPR、LBB、IDDFS以及Dijkstra算法性能的影响。在仿真实验中，固定网络中的OVS数量为25，网络拓扑中的链路带宽上限在[100,180]Mb区间服从随机分布，接入带宽区间为[10,30]Mb，实验模拟了多个用户申请不同大小的接入带宽时的性能。
从图5(a)中可以看出，随着接入用户数量从10增加至100，Dijkstra算法激活的OVS数量从2增加至18，HPR算法从2增加至16，LBB算法从6增加至22，而IDDFS算法从7增加至23。LBB算法以及IDDFS算法的OVS使用数量始终多于HPR和Dijkstra算法，这是因为Dijkstra算法基于贪心思想在每次寻路时永远选择跳数最少的链路，而HPR算法则是倾向于复用已经激活的链路和OVS，一旦选择了接入点eNodeB后，数据传输路径会一直被使用直至该接入点相连的链路带宽不满足用户申请的带宽要求时才会重新配置网络，而LBB算法和IDDFS算法则是根据链路带宽的负载能力去进行路径选择，有效地提高了节点资源的利用率。在接入用户数量为70时，IDDFS算法首先进入稳定状态，此时不需要激活新的OVS。而当用户数大于80时，拓扑中的活跃链路带宽接近上限，此时IDDFS算法会选择新的OVS进行深度优先搜索，进一步优化了节点资源的利用率。
从图5(b)中可以看出，IDDFS算法的网络吞吐率最高。尤其在接入用户数超过70时，IDDFS的网络吞吐量优化率更高，这就说明在大规模通信网络中IDDFS算法具有更好的QoS。另外从图中可以看出，随着接入用户数的增加，Dijkstra算法的网络吞吐量近似成线性增加，这是因为在寻路过程中，Dijkstra算法选择跳数最少的路径，
而这样的路径在拓扑中存在多条，对比图5(a)可以看到，虽然Dijkstra算法激活的OVS数比HPR多，但是其吞吐量却是最低的，即便激活了新的OVS，Dijkstra算法在后续中继节点的选择中依然倾向于那些已经激活且可以实现更小跳数的OVS，而LBB算法和IDDFS算法则通过及时激活其余休眠OVS，有效解决了前期用户占用带宽以及网络带宽占用率倾斜所导致的流量负载不均衡问题，避免了节点资源的浪费。
4.3固定用户数，改变网络中的OVS数量对不同解决方案的影响
图6给出了不同OVS数量对四种算法性能的影响。在图6(a)和图6(b)中，网络拓扑中的接入用户数固定为25个；在图6(c)和图6(d)中，网络拓扑中的接入用户数固定为50个。
由图6(a)可以看出，当固定的用户数量为25个时，随着OVS数量的增多，Dijkstra算法激活的OVS数从8个增加至18个，HPR算法从7个增加至16个，LBB算法也是从8个增加至18个，IDDFS算法从10个增加至20个。
从图6(b)可以看出，当OVS数量超过30个时其网络吞吐量增加速率达到最快，此时吞吐量增加率达到33.7%。LBB算法和IDDFS算法在OVS使用数以及网络吞吐量两项KPIs上都明显优于HPR算法和Dijkstra算法，这是因为HPR算法优先选择其先前已经激活的OVS构建数据通信路径，Dijkstra算法则是优先选择跳数最少的链路，造成了许多可用链路的浪费，这两种算法都容易造成部分路径的拥塞从而导致数据的损失。LBB算法和IDDFS算法通过将网络中的数据流量均匀地分配到网络中其他链路上有效地减少了路径拥塞的概率，提高了网络的吞吐量。
从图6(c)中可以看出，当固定的用户数量为50个时，Dijkstra算法激活的OVS数从7个增加至18个，HPR算法从7个增加至16个，LBB算法从10个增加至23个，IDDFS算法从15个增加至35个，IDDFS的资源利用率最大。
从图6(d)中可以看出，Dijkstra算法的网络吞吐量从400Mb增加至1250Mb，HPR算法从580Mb增加至1530Mb，LBB算法从810Mb增加至2570Mb，IDDFS算法从1230Mb增加至3580Mb。
表4给出了接入用户数为25个时网络中OVS的平均使用数、最大利用率和平均利用率；表5给出了接入用户数为50个时网络中OVS的平均使用数、最大利用率和平均利用率。图6以及表4、表5反应了当增大网络规模时（当接入用户数从25个增加至50个时），IDDFS算法的资源的利用率以及网络的吞吐量相较于其余3种算法的优化效果更加明显，IDDFS更适用于大规模通信网络的数据传输。
5 结 论
本文针对5G网络中支持SDN架构的资源分配优化问题，利用SDN的特点及优势，考虑网络流量负载均衡，改进了HPR算法。其中LBB算法通过对虚拟网络设置动态流量负载均衡控制阈值的方式实时优化了网络链路的拓扑结构，而IDDFS算法通过限制每次搜索深度，减少甚至避免不必要的搜索，缩减了空间开销。LBB算法和IDDFS算法充分考虑了流量负载均衡问题，提升了网络路径的传输效率以及网络的总吞吐量，提高了网络资源利用率，优化了网络资源配置效率。仿真结果验证了本文所提两种算法在数据转发方面的优异性能。
参考文献
[1] ALSENWI M, TRAN N H, BENNIS M, et al. Intelligent resource slicing for eMBB and URLLC coexistence in 5G and beyond: A deep reinforcement learning based approach [J]. IEEE Transactions on Wireless Communications, 2021, 20(7): 4585-4600.
[2] BAGAA M, DUTRA D L C, TALEB T. On SDN-Driven network optimization and QoS aware routing using multiple paths [J]. IEEE Transactions on Wireless Communications, 2020, 19(7): 4700-4714.
[3] ZHONG H, XU J, CUI J, et al. Prediction-based dual-weight switch migration scheme for SDN load balancing [J]. Computer Networks, 2022: 108749.
[4] HUANG X, ZENG M, XIE K. Intelligent traffic control for QoS optimization in hybrid SDNs [J]. Computer Networks, 2021, 189: 107877.
[5] ZHONG H, FAN J, CUI J, et al. Assessing Profit of Prediction for SDN controllers load balancing [J]. Computer Networks, 2021, 191: 107991.
[6] ROJASA E, AMINB R, GUERREROC C, et al. Challenges and Solutions for hybrid SDN [J]. Computer Networks, 2021: 108198.
[7] CHAI R, YANG X, DU C, et al. Network cost optimization-based capacitated controller deployment for SDN [J]. Computer Networks, 2021, 197: 108326.
[8] 鲁垚光，王兴伟，李福亮，等. 软件定义网络中的动态流量负载均衡与节能机制[J]. 计算机学报, 2020, 43(10): 1969-1982.
[9] 黄晓舸, 崔艺凡, 张东宇, 等. 基于MEC的任务卸载和资源分配联合优化方案[J]. 系统工程与电子技术, 2020, 42(6): 1386-1394.
[10] ZHANG Y, WANG Y, FAN B. SDN based optimal user cooperation and energy efficient resource allocation in cloud assisted heterogeneous networks [J]. IEEE Access, 2017, 5(99): 1469-1481.
[11] 鲍楠，左加阔，胡晗，等. 基于SDN的网络资源选择多目标优化算法[J]. 通信学报, 2019, 40(2): 51-59.
[12] ZHANG J H, YE M H, GUO Z H, et al. CFR-RL: Traffic engineering with reinforcement learning in SDN [J]. IEEE Journal on Selected Areas in Communications, 2020, 38(10): 2249-2259.
[13] KHAN A Z, QAZI I A. RecFlow: SDN-based receiver-driven flow scheduling in datacenters [J]. Cluster Computing-The Journal of Networks Software Tools and Applications, 2020, 23(1): 289-306.
[14] HUSSAIN S A, AKBAR S, RAZA I. A dynamic multipath scheduling protocol (DMSP) for full performance isolation of links in software defined networking (SDN)[C]//2017 2nd Workshop on Recent Trends in Telecommunications Research (RTTR). Palmerston North, New Zealand: IEEE, 2017: 1-5.
[15] YAN J Y, ZHANG H L, SHUAI Q J, et al. HiQoS: An SDN-based multipath QoS solution [J]. China Communications, 2015, 12(5): 123-133.
[16] SAHHAF S, TAVERNIER W, COLLE D, et al. Adaptive and reliable multipath provisioning for media transfer in SDN-based overlay networks [J]. Computer Communications, 2017, 106: 107-116.
[17] AL-NAJJAR A, LAYEGHY S, PORTMANN M. Pushing SDN to the end-host, network load balancing using OpenFlow[C]//2016 IEEE international conference on pervasive computing and communication workshops (percom workshops). Sydney, Australia: IEEE, 2016: 1-6.
[18] AL-NAJJAR A, KHAN F H, PORTMANN M. Network traffic control for multi-homed end-hosts via SDN [J]. IET Communications, 2020, 14(19): 3312-3323.
[19] ZHANG M L, DOU Y, CHONG P H J, et al. Fuzzy Logic-Based resource allocation algorithm for V2X communications in 5G cellular networks [J]. IEEE Journal on Selected Areas in Communications, 2021, 39(8): 2501-2513.
[20] 赖英旭，蒲叶玮，刘静. 基于最小代价路径的交换机迁移方法研究[J]. 通信学报, 2020, 41 (2): 131-142.
[21] CHANG Z X. Dynamic intelligent resource allocation for emergency situations [J]. Peer-to-Peer Networking and Applications, 2021, 14(4): 2487-2494.
[22] 胡春宇，刘卫东，于天翔，等. 基于无人机实时数据多波次任务规划模型分析[J]. 系统工程与电子技术, 2021, 43(3): 747-754.
[23] ZHAO Y X, CHEN Y Y, JIAN R L, et al. A resource allocation scheme for SDN-based 5G ultra-dense heterogeneous networks[C]//2017 IEEE Globecom Workshops (GC Wkshps), Singapore: IEEE, 2017: 1-6.
[24] XUE H, TAE K K, YONG Y H. Dynamic load balancing of software-defined networking based on genetic-ant colony optimization [J]. Sensors, 2019, 19(2): 1-17.
[25] LEE C, JUNG J, CHUNG J M. DEFT: Multipath TCP for high speed low latency communications in 5G networks [J]. IEEE Transactions on Mobile Computing, 2020, 20(12): 3311-3323.
[26] WANG Q T, SHOU G C, LIU Y Q, et al. Implementation of multipath network virtualization with SDN and NFV [J]. IEEE Access, 2018, 6: 32460-32470.
[27] LI J M, HU X L, ZHANG M Q. Research on dynamic switch migration strategy based on FMOPSO[C]//2018 IEEE 3rd Advanced Information Technology, Electronic and Automation Control Conference (IAEAC). Chongqing, China: IEEE, 2018: 913-917.
[28] KIM S, EBAY S K, LEE B, et al. Load balancing for distributed SDN with harmony search[C]//2019 16th IEEE Annual Consumer Communications & Networking Conference (CCNC). Las Vegas, NV, USAL: IEEE, 2019: 1-2.
[29] SHAER I, SIDEBOTTOM G, HAQUE A, et al. Efficient execution plan for egress traffic engineering[J]. Computer Networks, 2021, 190: 107938.
[30] SELLAMI B, HAKIRI A, YAHIA S B, et al. Energy-aware task scheduling and offloading using deep reinforcement learning in SDN-enabled IoT network[J]. Computer Networks, 2022, 210: 108957.
[31] GHARBAOUI M, CONTOLI C, DAVOLI G, et al. An experimental study on latency-aware and self-adaptive service chaining orchestration in distributed NFV and SDN infrastructures[J]. Computer Networks, 2022, 208: 108880.
热门排行
