數(shù)據(jù)中心網(wǎng)絡(luò)中基于層析重力空間的流量矩陣估計(jì).pdf

1、隨著云計(jì)算、電子商務(wù)、網(wǎng)絡(luò)游戲等Internet應(yīng)用領(lǐng)域的不斷延伸和擴(kuò)展，目前越來(lái)越多的應(yīng)用需要進(jìn)行大規(guī)模的數(shù)據(jù)存儲(chǔ)和應(yīng)用處理，網(wǎng)絡(luò)中的數(shù)據(jù)已然出現(xiàn)爆炸式的增長(zhǎng)。數(shù)據(jù)中心網(wǎng)絡(luò)就是隨著人們對(duì)海量數(shù)據(jù)的高效存儲(chǔ)和處理要求應(yīng)運(yùn)而生的。然而，擴(kuò)展的網(wǎng)絡(luò)規(guī)模和種類繁多的應(yīng)用服務(wù)類型加重了網(wǎng)絡(luò)操作員對(duì)數(shù)據(jù)中心網(wǎng)絡(luò)管理的負(fù)擔(dān)。流量矩陣可以完整描述網(wǎng)絡(luò)中的全部流量狀態(tài)信息，它不僅可以為學(xué)者們研究網(wǎng)絡(luò)中流量問(wèn)題提供基本的網(wǎng)絡(luò)參數(shù)，還是多個(gè)重要領(lǐng)域的關(guān)鍵輸

2、入。但是因?yàn)閿?shù)據(jù)中心網(wǎng)絡(luò)中網(wǎng)絡(luò)規(guī)模較大、結(jié)構(gòu)復(fù)雜，網(wǎng)絡(luò)中的流的行為不穩(wěn)定，流交互非常頻繁，所以直接測(cè)量數(shù)據(jù)中心網(wǎng)絡(luò)中端到端的流量是非常困難的，并且需要花費(fèi)較大的開(kāi)銷。
　　網(wǎng)絡(luò)層析成像技術(shù)是近年來(lái)提出的一種新的推斷網(wǎng)絡(luò)端到端的測(cè)量技術(shù)，它是通過(guò)易取得的鏈路數(shù)據(jù)推斷端到端的流量，目前在傳統(tǒng)的計(jì)算機(jī)網(wǎng)絡(luò)中已有大量的研究成果，然而由于數(shù)據(jù)中心網(wǎng)絡(luò)與傳統(tǒng)網(wǎng)絡(luò)在流量特征、交換機(jī)扮演角色、大量冗余路徑等方面的不同，該技術(shù)不能直接應(yīng)用在當(dāng)前的數(shù)

3、據(jù)中心網(wǎng)絡(luò)。目前針對(duì)樹(shù)型的數(shù)據(jù)中心網(wǎng)絡(luò)結(jié)構(gòu)中獨(dú)特的分層特點(diǎn)，采用分解網(wǎng)絡(luò)的方式可以降低估計(jì)整個(gè)網(wǎng)絡(luò)流量矩陣的復(fù)雜性。然而，樹(shù)形結(jié)構(gòu)的對(duì)稱性又容易使得收集鏈路數(shù)據(jù)過(guò)程中存在數(shù)據(jù)的不完整和不準(zhǔn)確性，鏈路測(cè)量誤差會(huì)對(duì)估計(jì)誤差造成一定的影響。因此，本文主要將層析成像技術(shù)和流量矩陣估計(jì)作為核心研究問(wèn)題，提出了拓?fù)浞纸庀碌幕趯游鲋亓臻g的數(shù)據(jù)中心網(wǎng)絡(luò)流量矩陣估計(jì)算法。本文的主要研究?jī)?nèi)容如下：
　　首先，為了降低數(shù)據(jù)中心網(wǎng)絡(luò)流量矩陣估計(jì)的復(fù)雜

4、性，提出將整個(gè)網(wǎng)絡(luò)分解為多個(gè)相對(duì)獨(dú)立的網(wǎng)絡(luò)單元，稱之為簇，從而將估計(jì)整個(gè)網(wǎng)絡(luò)的流量矩陣降解為估計(jì)多個(gè)小的網(wǎng)絡(luò)單元的流量矩陣。其次，結(jié)合鏈路信息和重力模型結(jié)合得到數(shù)據(jù)中心網(wǎng)絡(luò)的粗粒度流量特征和簡(jiǎn)單的流量矩陣估計(jì)，通過(guò)加入附加的鏈路信息和采用類馬氏距離衡量估計(jì)誤差，提出基于流量特征的層析重力空間的迭代算法（ICGA）。此外，考慮到樹(shù)形數(shù)據(jù)中心網(wǎng)絡(luò)結(jié)構(gòu)具有的對(duì)稱性和收集得到的鏈路數(shù)據(jù)存在適量數(shù)據(jù)丟失和錯(cuò)誤的情況，提出未使用數(shù)據(jù)中心網(wǎng)絡(luò)先驗(yàn)流量

5、特征的簡(jiǎn)單層析重力空間流量矩陣估計(jì)算法（SAWP）。最后，搭建了Network Simulator2（NS-2）仿真平臺(tái)模擬整個(gè)實(shí)驗(yàn)環(huán)境。
　　結(jié)果表明：通過(guò)對(duì)比分析算法的時(shí)間復(fù)雜度，表明在適量數(shù)據(jù)丟失下第二種方法比第一種方法更加簡(jiǎn)單。其次，仿真表明所提的算法在實(shí)際測(cè)量數(shù)據(jù)中比其他算法估計(jì)更加準(zhǔn)確；在少量數(shù)據(jù)丟失的情景下，提出的兩種算法在簇間的流量矩陣估計(jì)下性能更相似；當(dāng)對(duì)獲得的測(cè)量數(shù)據(jù)加入不同層次的噪聲之后，可以發(fā)現(xiàn)估計(jì)的誤差隨