考虑带宽限制的网络通信负载自适应均衡方法

罗伟华

(福建信息职业技术学院 物联网与人工智能学院,福建 福州 350000)

随着网络通信的不断发展和应用的广泛推广,在网络通信过程中,某些节点或链路可能会出现负载过重的情况,导致延迟增加、丢包率上升等问题。通过采用负载自适应均衡策略,可以及时调整流量分布,避免节点或链路的负载过重,从而提高网络的吞吐量和响应速度,提升用户体验。[1-2]针对网络通信负载自适应均衡,宋锦华等提出基于移动边缘计算的通信网络动态负载均衡方法。首先基于信道状态设置传输策略,以开销最小为目标,利用边缘计算方法切换网络基站,实现动态负载均衡。[3]向征提取基于改进拉格朗日松弛算法的通信网络负载均衡优化方法,基于链路时延、丢包率等设置限制条件,构建通信网络路由模型;采用改进的拉格朗日松弛算法求解模型,实现网络通信负载均衡。[4]在以上研究成果的基础上,进一步提升网络通信负载均衡效果,提出考虑带宽限制的网络通信负载自适应均衡方法。

1 网络通信流量信息监测

网络通信流量信息可以通过应用程序编程接口函数映射出来,包括与远程主机连接、文件下载和创建文件等。因此,本文使用自动运行和分析文件的工具Cuckoo沙箱提取网络流量的动态调用序列。通过在主机上启动客户机中的样本,可以提取网络数据流量。网络通信流量的主要指标为大象流,其监测可以通过流量统计机制实现,在此基础上利用计数器统计出可用带宽下每个周期内各条流的数据信息接收情况,由此获取流量带宽。链路x上第l条通信流的可用传输带宽计算公式为：

(1)

式(1)中：TT和Tt分别代表流量在网络通道T以及t时刻所传输的字节数。在此基础上设定链路带宽中用于区分大小流量的区分阈值,若D(xl)超过所规定的阈值,则视为大象流,执行监测操作,反之则不做监测。[5]

当链路负载超过了链路可用带宽将会直接导致流量拥塞,降低链路利用率,链路利用率的表达式如下：

(2)

式(2)中：B(xl)描述链路容量,即可用传输带宽;Zx和Ux分别代表链路端口发送和接收的字节数。从而得出单位时间内产生流量度量值：

(3)

式(3)中,R为单位时间内产生的网络流量,δ为负指数分布参数,P1为网络流量属于老鼠流的概率,θ1为老鼠流大小,P2为流量属于大象流的概率,θ2为大象流大小。

根据流量度量值计算结果,判断待调度流量,具体计算公式为：

(4)

式(4)中,r为平均传输速率在链路带宽中的占比,λ为流量生存时间。根据待调度流量的大小,确定调度主动队列后,考虑到部分节点易产生拥塞问题,采用尾部丢弃策略对流量数据主动队列进行调整,按照调整的顺序完成网络通信流量信息监测。

2 网络通信流量信息预处理

上节获得的网络通信流量信息监测结果中含有大量干扰信号,影响后续的负载均衡效果。因此引入小波变换算法对监测流量信息进行相空间重构,展开去噪预处理。

(5)

式(5)中,g是镜像滤波器系数;h是等效滤波器系数。

按照时间间隔υj=2j-1抽取fj和dj,通过分形滤波方法压缩处理网络流量中存在的噪声,根据滤波函数fF分形维数的变化情况对网络流量展开滤波处理。网络流量当噪声含量较多时,较为曲折,函数fF的值较大;网络流量当噪声含量较小时,函数fF的值较小。[6]在模糊参数控制的基础上建立流量信息去噪公式：

(6)

式(6)中,β是模糊控制参量。

当网络流量中的噪声较多时,降低参量β;当网络流量中的噪声较少时,参数β的值接近1,此时网络流量不发生变化。通过上述公式获得去噪后的网络流量,其中每个信号描述的是原始流量的相空间重构结果。

由于网络流量大数据体量过大,分布较为随机,若在去噪后直接对其进行应用,会大幅度地增加后续带宽均衡的运算量,降低提出方法的整体效率。故采用分簇聚类算法对去噪后的网络流量数据进行进一步聚类处理,为后续研究进行奠定基础。

设置网络流量大数据的初始分簇聚类中心为{c1,c2,…,cj,…,cK},去噪后的网络流量大数据xi与聚类中心cj之间的距离计算公式为：

(7)

式(7)中,cov(xi,cj)为xi与cj的协方差数值;σ(xi)与σ(cj)分别为xi与cj的方差数值;εij为是距离计算误差调整项,其取值范围为[0,1]。[7-8]

当d(xi,cj)达到最小值时,将网络流量数据xi划分到分簇聚类中心cj的簇中。以分簇聚类平均数值作为下一次分簇聚类中心,重复迭代进行分簇聚类操作,直至满足算法迭代停止条件为止。[9]以网络流量大数据X={x1,x2,…,xi,…,xn}作为分簇聚类算法输入变量,输出结果即为网络流量大数据分簇聚类结果,记为CK={c1,c2,…,cj}。由此完成网络通信流量信息的去噪和聚类预处理,作为网络通信负载自适应均衡模型输入的基础数据。

3 考虑带宽限制构建网络通信负载自适应均衡模型

为更加精准地控制网络通信负载达到均衡,首要环节是构建链路信道传输模型,以此为基础获取链路负载,为后续自适应均衡奠定基础。

网络通信链路传输码元之间采用固定间隔分布(分布间隔距离记为d),利用采样周期抽头间隔采样模式获取通信链路信道传输模糊度函数,表达式为：

(8)

式(8)中,m为第j条通信链路中存在传输节点的总数量;sj(t)为第j个通信链路信道传输节点的状态特征量;t为流量传输当前时间;α为传输节点状态特征量辅助衡量因子,取值范围为[0,1];ηj(t)为通信链路信道输出结果的调整项,其决定着输出矩阵的精准度。通信链路负载冲激响应模型表达式为：

(9)

式(9)中,βj(t)为通信链路中第j个传输节点的冲激响应系数;χj(t)为通信链路中第j个传输节点的传输谱密度特征量;δj(t-Ts)为通信链路中第j个传输节点的负载响应时延参量。其中,Ts为传输节点负载响应时间。

以上述公式为基础,构造通信链路负载计算公式：

(10)

式(10)中,ζj(t)为第j条通信链路的负载数值;γ为模糊度权重系数;I为通信链路负载数值标准处理参量;εj(t)为通信链路负载数值调整项,其需要根据通信链路负载实际情况进行设置。

上述过程完成了通信链路信道传输模型的构建与链路负载计算公式的构造,为后续负载均衡模型奠定基础。

以负载自适应均衡为优化目标,通信网络逻辑拓扑中各通信链路的数据流量相等,即各信道负载均衡,[10]保证模型目标函数最小化,此时实现负载自适应均衡。负载自适应均衡模型公式如下所示：

(11)

式(11)中,A、B均为权重矩阵,作用是平衡传输性能与带宽开销;U为网络通信节点可用的信道;G描述通信网络逻辑拓扑;h描述G中逻辑链路的极限容量。

网络通信负载自适应均衡可以有效利用有限的带宽资源,避免某些节点或链路被过度拥塞,从而提高整体网络的性能和响应速度。带宽限制意味着在网络中存在带宽狭窄或拥塞的环境。通过负载自适应均衡,可以将网络通信负载均匀地分配到可用带宽资源上,避免出现单一节点或链路负载过重的情况,从而实现负载均衡,提高整体吞吐量。在带宽受限的情况下,某些节点或链路的负载可能会超出其所分配的带宽限制,导致流量越限。通过进行负载自适应均衡,可根据带宽限制动态调整负载分布,避免流量越界,确保网络通信在可控范围内进行。

综上所述,网络通信负载自适应均衡模型需要设立带宽限制条件。为了使通信网络链路流量达到均衡状态,G中通信链路i,j的数据均衡流量λi,j需要满足在网络最大链路负载之下,即：

λi,j≤λmax

(12)

G中链路i,j上流量不能超过G带宽容量极限值,即：

λi,j≤Y(xl)Kij

(13)

其中,Y(xl)即信道带宽利用率,带宽使用率越小,网络流量数据队列等待时间越短。

在以上限制条件约束下,求解负载自适应均衡模型的最优值。

4 基于灰狼算法实现网络通信负载自适应均衡

灰狼算法是一种基于自然界中灰狼的群体行为而发展起来的全局优化算法。它模拟了灰狼群体的社会行为,在解决优化问题时展现出很高的效率和鲁棒性。本文采用灰狼算法对上节获得的负载自适应均衡模型求解。将混沌理论中的Kent映射引入灰狼算法的种群初始化中,公式如下所示：

(14)

式(14)中,zl为第l次迭代计算后的猎物位置;δ为混沌映射的一般参数;zmax,p代表第p只灰狼与猎物的最远距离;zmin,q为第q只灰狼与猎物的最短距离;zl,q为第q只灰狼与猎物的距离。

在负载自适应均衡模型中设置最大迭代次数,计算群体中所有灰狼个体的适应度值,公式如下所示：

(15)

式(15)中,y为灰狼个体;ε1、ε2均为惯性权重的调节因子。

当灰狼追寻到猎物后会包围猎物,根据距离控制参数与动态变步长,更新灰狼个体位置。这一过程反映的是流量带宽的相对分配,公式如下所示：

(16)

式(16)中,J为动态变步长;E代表动态变步长的向量;T代表当前迭代次数;φ为的是收敛因子向量。

根据更新后的个体位置重新计算群体中的适应度,当达到最大迭代次数时输出最佳适应度值,进而实现网络通信自适应负载均衡。设网络通信节点的数量为X个,在第a个控制周期内共运行m个服务器,计算节点CPU资源的相对配额τ,公式如下所示：

(17)

根据τ可得到负载均衡的控制误差,将控制误差作为受控变量。负载自适应均衡控制需要在第a周期内确定m值,并保证第a+1周期内所有网络节点的控制误差最小化,即满足如下公式：

(18)

式(18)中,μ为遗忘因子,用于表示控制器对前一控制周期中误差的遗忘速度。

控制通信传输任务合理分配至调度节点所在的链路,进行负载加载控制,使得负载加载指令与最初的链路传输指令误差最小,由此实现网络通信负载自适应均衡。

5 结果与分析

为测试设计的网络通信负载自适应均衡方法的性能,选择某市通信运营商的通信网络作为测试背景。在这个通信网络中,包含200个通信节点和5个通信基站,形成了100条通信链路。利用multisim仿真平台的ns-3工具将设计的网络通信负载自适应均衡方法进行程序配置,将文献[3]方法和文献[4]方法作为对比方法。

Jain氏公平性均衡指数是一种衡量通信网络负载均衡性的关键指标,Jain氏公平性均衡指数越高,则表明通信网络负载均衡性越高。测试获得三种方法的Jain氏公平性均衡指数如图1所示。

图1 均衡指数测试结果

由图1可知,在不同数量的通信链路下,设计方法应用后获得的Jain氏公平性均衡指数均大于其他方法。获得的Jain氏公平性均衡指数高于0.9,表明设计方法应用后通信网络负载均衡性更高。网络通信链路的时延越短,说明负载均衡方法应用后通信传输任务合理分配至调度节点所在的链路,拥堵情况较少。三种方法负载均衡下的网络通信时延测试结果,如表1所示。

表1 通信网络时延测试结果

分析表1中的数据可知,采用设计方法可以更快地完成网络通信链路的负载均衡,可以将通信传输任务合理分配至调度节点所在的链路,解决了拥堵问题。进一步验证不同方法的吞吐量,测试不同方法对网络通信链路的负载均衡效果。三种测试方法的多链路吞吐量测试结果,如图2所示。

图2 网络通信吞吐量测试结果

据图2可知,在通信链路增大的情况下,本文设计方法的吞吐量大于其他两种方法,且呈现持续增大的现象,说明该方法可以均衡不同链路的性能,在具备较低平均响应时间的前提下可以拥有更高的吞吐量,验证了本文设计方法的有效性。

6 结论

研究考虑带宽限制的网络通信负载自适应均衡方法。对网络通信流量信息进行监测,并对监测流量信息进行去噪和聚类预处理;以负载自适应均衡为优化目标,构建负载自适应均衡模型和约束条件;采用灰狼算法求解均衡模型,实现网络通信负载自适应均衡。实验结果表明：该方法的均衡指数和网络通信吞吐量较高,网络通信时延较低,有效提升了通信网络负载均衡性。