探究分布式网络监控系统中网链路负荷均衡方法

李兴来

（山信软件股份有限公司 莱芜自动化分公司，山东 济南 271104）

0 引言

网链路负荷不均衡是分布式网络监控系统中的一种较为常见的现象，一旦发生这种情况，不但影响网络数据传输速度，而且也会造成大量数据的堆积和累加，使得网络运行压力增大。而基于蚁群算法的网链路负荷均衡法能够有效避免丢包现象的发生，同时，也能够缩短网络自适应时间，使网络带宽的利用率得到大幅提升。由此可以看出，网链路负荷均衡法是解决网络资源与流量分布不均，以及有效缓解网络拥塞压力的一条有效路径。

1 蚁群机制模型的构建思路

蚊群算法属于一种仿生学群智能算法，这种算法的主要机理是由一群无智能或者具有轻微智能的个体通过相互协作、相互促进而表现出智能行为，进而使一些复杂的问题变得简单化。基于这一算法，首先需要建立一个能够与分布式网络监控系统相融合的蚁群机制模型，然后通过对蚁群行为的模拟，使个体之间的信息素能够相互传递，以此评估出数据信息素浓度。目前，造成网拥塞的主要原因是由于网络传输数据过于集中，而且所处的位置与路径恰恰是阻塞网络数据传输的通道，因此，利用蚁群机制模型，能够促使分布式网络监控系统中网链路负荷的均衡分配，这也相当于给数据信息的传输开启了一条顺畅之路，在这种情况之下，网络数据不会出堆积与拥堵现象，这不仅解决了网络拥塞的情况，而且也使网络带宽的利用率得到大幅提升[1]。

1.1 蚁群机制模型构建原理

在构建蚁群机制模型时，首先需要选择一个最优路径，而这一路径的选择完全基于蚁群中的信息素，当最优路径确定以后，可以对网络数据进行分流，这就使得网络荷载被分化为多条路径，数据传输通道也因此而开启，这时，网络拥塞现象也将不复存在。从网络荷载的分担机制可以看出，蚁群机制模型构建原理实际上是仿照和模拟了生物蚁群的群体行为，被优化的路径恰恰可以看作蚁群所释放出的信息素浓度，当这一浓度被削弱以后，再通过蚁群间的相互竞争，使得处于各路径的信息素能够相互作用，并且在这一过程中，寻求到最优的路径。

1.2 构建方法

在构建蚁群机制模型时，首先需要确定模型参数，假设蚁群的寻优路径分别为L1, L2, …, Ln.那么在t时刻模拟蚁群中的个体x，从节点n1运动到节点n2的概率P可以用下面这个计算式予以表示。

2 网链路负荷均衡的实现路径

2.1 网链路负荷实现均衡控制的基本条件

当蚁群机制模型构建完毕，应当选择一个合理的链路，来对网链路负荷进行均衡控制，这一过程所需要的参数包括信息素浓度以及数据信息的流量。首先，可以假定蚁群的每一个单体分别表示数据大小不同的数据包，这些数据包需要在一定的带宽链路上进行传输。此时，由于蚁群的机制模型已经建立，因此，每一条路径上面的信息素将得到时时更新，在这种情况下，处于边缘的信息素将决定常量因子的数值的大小，另外的蚁群单体将增加边缘的信息素。而被蒸发掉的信息素的多少即是蒸发率，当蒸发率升高，信息素的堆积状况也将消除[2]。

2.2 网络拓扑结构

决定分布式网络监控系统性能的主要参数是路径中的带宽与延时，当这两个参数值处于稳定状态时，实现网链路负荷均衡控制的要素则与网络环境动态息息相关[3]。因此，为了能够均衡控制网链路负荷，应对带宽处用率、丢包率以及路径上的延时这三个变量参数进行动态调整，另外，网络流量数值也需要进行优化，经过优化和调整以后，一个清晰的网络拓扑结构也将形成，如图1。

图1 分布式网络监控系统拓扑结构简图

从图1中可以看出，蚁群个体的起始原点分别用1、2、3进行标注，而这些蚁群若想到达到目标地点，可选的路径有许多条，但是，遵循“路径最优化”原则，可以选择最短的路径，在图1中，1-4-5-9, 2-4-5-9, 3-4-5-9三个路径与其它路径相比，到达目标地点的距离相对较短，因此，也可以判定这三条路径为最优路径。如果每一个蚁群个体都集中在最优路径上面，那么在路径带宽相同的情况下，蚁群个体在同一条路径上的堆积数量将不断累加，这时，数据传输路径将受阻，进而出网络拥塞现象，当这一现象出现以后，带宽利用率将大幅降低，网络不均衡现象也表现的尤为突出[4]。

3 网链路负荷均衡法有效性实验结果分析

3.1 仿真实验过程描述

为了验证网链路负荷均衡法的有效性，技术人员可以通过仿真实验的方法来判定网链路负荷均衡法是否能够解决网络拥塞现象[5]。该仿真实验所参照的算法主要包括两种，一种是粒子群算法，一种是蚁群算法。

这两种算法在路径转移概率与路径信息素两大关键要素的控制方面，如果基于蚁群算法，来实现网络监控系统中网链路负荷均衡，则实现可能性较高，控制效果较好，各项指标的控制水平能够达到最优化，而且与传统的算法相比，基于这种算法的解决网络拥塞的方法更加实用，可行性更高。因此，通过仿真实验可以得出验证结果，即随着网络信息素的不断累加，蚁群个体数量也不断增长，在这种情况下，如果应用蚁群算法，建立一个蚁群机制模型对蚁群中的个体进行控制，不但能够有效抑制每一条路径上面的信息素，同时，当信息素累加到一定程度后，将触及极限值，这时，累加速度也趋于平稳，信息素的数量也得到有效控制，进而使分布式网络监控系统中的网链路负荷实现均衡分配，这就有效解决了网络数据拥塞的情况。

3.2 仿真实验结果分析

通过这一实验，能够确定基于蚁群算法的网链路负荷均衡法，在控制丢包率、缓解网络数据传输压力、改善网络数据流量状况等方面均取得了较为理想的应用效果。首先，在控制丢包率方面，如果沿用过去的粒子均衡法，不但操作过程困难，丢包率高，而且随着时间的改变，丢包率波动值也始终表现出高低不均的情况，而采用蚁群算法，来实现网链路负荷均衡，恰恰可以有效解决这一问题，丢包率能够始终控制在一个最低的水平线上面。另外，基于蚁群算法而建立的网络监控系统，可以对各条路径当中的数据信息进行有效监控，如果某一条路径上的数据超出负荷极限，那么该条链路也将处于锁定状态，如果始终保持在负荷极限以下，这些蚁群个体也将顺利通过这条链路。因此，可以得出最终的实验结论，即：蚁群机制模型可以准确各路径中的信息素浓度，并对浓度进行实时监控，如果浓度超标，则可以实时进行调整和优化，这时，分布式网络监控系统中的网链路负荷也将实现均衡分配，网络数据拥塞现象也将得到有效解决[6]。

4 结束语

网络拥塞直接影响网络数据的传输速度，在这种情况下，网络用户的体验满意率也将大打折扣，而基于蚁群算法而采取的网链路负荷均衡法，不但可以准确判断出网络各条路径中的信息素浓度，同时，也可以对各项数据信息进行合理分配与优化配置，进而使网络数据传输过程更加顺畅无阻。