流量分配算法探索.ppt

网络流量分配算法 ——基于时延和跳数;摘要;;1　理论分析;;;;虽然Tk(λk) 没有精确的表达式，但从统计的观点来看，如果其统计平均时延能够估算的话，也可以进行统计优化的流量分配。在广域网中，流量的变化并不如想象中的剧烈，至少在5min内感觉不到明显的变化。所以可以对每条LSP 进行时延测量，因为5 min 的时间远远大于时延测量的间隔时间。因此一条LSP 可以看作一个M/ M/ 1 服务模型。其平均时延T =1/(μi- αλ)，据此可以估算出LSPi 的平均剩余处理能力μi。根据上述分析在一个时延测量时间段内可以认为μi为常量。根据估算的μi 值就可以进行基于平均统计资源占用最小的流量分配计算。本文正是基于统计平均资源占用最小进行流量分配的。;2　算法描述;算法的详细步骤描述如下:;;3　仿真分析;图4 给出了在不同情况下的各个LSP 流量分配示意图. 从图中可以看出在跳数相同的情况下, 对于处理能力相同的LSP1、LSP2、LSP3 来说, 由于LSP1 上的固有流量在不断上升, 因此新分配到该LSP 上的流量在不断下降; 而对LSP2 与LSP3 来说, 由于其固有流量在不断下降, 因此新分配到这2条LSP 上的流量是不断上升的, 这正是流量工程算法所要达到的目标; 而对于LSP4, 尽管其处理能力比较大, 由于其固有流量在不断上升, 因此在该LSP 新分配的流量先增加, 不久后就一直在减小.对于第2 种情况, 由于LSP3 跳数的增加, 导致其新分配的流量很少, 并且新增流量也非常缓慢, 新增的流量大部分都转移到LSP2 上去了, 这导致LSP4上的新增流量变化也比较缓慢. 在同样情况下, 第3种情况更清楚地显示了跳数的增加对流量分配的影响. 前2 种情况下可以看出LSP2 的新分配的流量增加非常快, 而第3 种情况下, 由于其跳数增加得比较明显, 因此其新分配的流量增加得非常缓慢, 而LSP1 同样也下降得非常缓慢, 这表明算法根据的是资源占用最小原则来实现对流量的分配.;图4 不同情况 下的LSP 流量 分配结果;为了更清楚地比较本算法的效果, 仿真了2 种情况下的资源占用情况. 一种为使用本文算法, 一种不使用该算法, 而采用平均分配( 不考虑LSP 的固有流量及其带宽) 流量的情况. 仿真条件与上述条件相同. 图5 给出了2 种情况下的资源占用情况. 从图5 中可以看出, 在使用本算法的情况下, 资源占用仅为不使用本算法情况下的0. 5 左右, 很大程度上缩小了资源占用. 这意味着本算法能够有效地转移流量、优化资源利用, 尽量避免某一条LSP 发生拥塞.;在上述仿真中, 算法的收敛性在不同情况下有所不同, 但一般情况下算法在学习15 次左右就能收敛. 图6 给出了上述仿真中2 种情况下的收敛学习曲线. 从学习曲线可以看出在不同情况下, 学习收敛曲线有所不同, 具体反映为如果各个LSP 之间性能( 时延与跳数之积) 相差不大, 则收敛速度会快一些,反之则慢一些. 但总的看来整个收敛一般不会超过20 次就能达到稳定状态.;4　结束语