Método de equilibrio de carga para un centro de datos basado en KDN mediante la aplicación de una red neuronal
Resumen
El crecimiento de los servicios de aplicaciones en la nube entregados a través de centros de datos con diferentes demandas de tráfico revela las limitaciones de los métodos tradicionales de equilibrio de carga. Con el objetivo de asistir a escenarios en evolución y mejorar el rendimiento general de la red, este documento propone un método de equilibrio de carga basado en una Red Neuronal Artificial (ANN) en el contexto de las Knowledge-Defined Networking (KDN). Las KDN buscan aprovechar las técnicas de Inteligencia Artificial (AI) para el control y operación de redes de computadoras. Las KDN amplían las Redes Definidas por Software (SDN) con telemetría avanzada y análisis de red al introducir el así llamado Plano de Conocimiento. La ANN es capaz de predecir el rendimiento de la red de acuerdo con los parámetros de tráfico. El método incluye el entrenamiento del modelo ANN para elegir el camino con menos carga. Los resultados experimentales muestran que el rendimiento del centro de datos basado en las KDN ha mejorado enormemente.
Descargas
Citas
Akyildiz, I. F., Lee, A., Wang, P., Luo, M., & Chou, W. (2014). A roadmap for traffic engineering in sdn-openflow networks. Computer Networks, 71, 1-30.
Al-Fares, M., Loukissas, A., & Vahdat, A. (2008). A scalable, commodity data center network architecture. ACM SIGCOMM Computer Communication Review, 38(4), 63-74.
Al-Fares, M., Radhakrishnan, S., Raghavan, B., Huang, N., & Vahdat, A. (2010). Hedera: Dynamic flow scheduling for data center networks. In Nsdi, 10).
Al Sallami, N. M., & Al Alousi, S. A. (2013). Load balancing with neural network. (IJACSA) International Journal of Advanced Computer Science and Applications, 4(10).
Andersson, J., & Termander, E. (2015). Performance management in software defined networking.
Bishop, C. M. (1995). Neural networks for pattern recognition. Oxford University Press.
Du, Q., & Zhuang, H. (2015). Openflow-based dynamic server cluster load balancing with measurement support. Journal of Communications, 10(8), 16-21.
Heaton, J. (2008). Introduction to neural networks with java. Heaton Research, Inc.
Hopps, C. (2000, November). Analysis of an equal-cost multi-path algorithm. https://tools.ietf.org/html/rfc2992. ([accessed: 9 Aug. 2018])
Kreutz, D., Ramos, F. M., Esteves Verissimo, P., Esteve Rothenberg, C., Azodolmolky, S., & Uhlig, S. (2015). Software-defined networking: A comprehensive survey. proceedings of the IEEE, 103(1), 14-76.
Li, Y., & Pan, D. (2013). Openflow based load balancing for fat-tree networks with multipath support. In Proc. 12th ieee international conference on communications (icc’13), Budapest, Hungary (pp. 1-5).
Mestres, A., Rodriguez-Natal, A., Carner, J., Barlet-Ros, P., Alarcón, E., Solé, M.,... others (2017). Knowledge-defined networking. ACM SIGCOMM Computer Communication Review, 47(3), 2-10.
Mininet. (2017). An Instant Virtual Network on your Laptop (or other PC).Retrieved from http://mininet.org/
O.N.F. (2013). Openflow switch specification, tech. rep., oct. 2013. Retrieved from https://www.opennetworking.org/images/stories/downloads/sdn-resources/onf-specifica
Phaal, P. (2004). sflow version 5. Retrieved from http://www. sflow. org/sflow_version_5. txt
Rotsos, C., Mortier, R., Madhavapeddy, A., Singh, B., & Moore, A. W. (2012). Cost, performance & flexibility in openflow: Pick three. In Communications (ICC), 2012 IEEE International Conference on (pp. 6601-6605).
Yang, C.T., Su, Y.W., Liu, J.C., & Yang, Y.-Y. (2014). Implementation of load balancing method for cloud service with open flow. In Cloud computing technology and science (cloudcom),2014 IEEE 6th International Conference (pp. 527-534).
Zhang-Shen, R. (2010). Valiant load-balancing: Building networks that can support all traffic matrices. In Algorithms for next generation networks (pp. 19-30). Springer.
