基于客观权重确定的数据中心网络性能评估方法.docVIP

基于客观权重确定的数据中心网络性能评估方法 　　摘要：针对大规模数据中心网络如何有效监控网络、发现网络性能瓶颈和潜在故障点，为网络性能优化提供支持成为新的研究课题。然而影响网络性能的因素众多，性能因素的影响程度存在差异，如何给出一个准确的性能评估一直是比较困难的问题。针对上述问题，提出了网络性能评估指标体系，在此基础上进一步提出了一种基于客观权重确定的数据中心网络性能评估方法（PEOWD）。该方法通过采用基于客观权值确定方法动态计算性能权值，利用基于历史参数分布的数据归一化方法，建立了完善的网络性能健康度评估模型。针对天河2真实的网络环境，对网络设备的性能指标进行评估，验证了网络性能评估方法的有效性。 　　关键词：性能评估；客观权重确定；健康值；性能指标 　　中图分类号： TP393.07 　　文献标志码：A 英文标题 　　0引言 　　数据中心不同于传统网络，它是一种具有大规模数据处理和存储功能的基础设施，在物联网和云计算等应用中扮演着重要角色。数据中心集中了各种资源和业务系统，是数据计算、存储的中心，基于标准构建模块实现自动化计算与管理，并以供应链方式提供共享的基础设施、信息处理与应用环境等服务。现代数据中心网络有以下特点： 　　1）数据中心网络规模日益庞大，网络异构复杂。 　　现代数据中心通常具有上万节点的规模，随着网络规模的不断增大，除了通常的树型结构，一些新型的网络结构被提出，例如：Fattree、PortLand[1]、VL2[2]、DCell[3]等，这些新型网络结构能够支持多路径，提供更高的带宽。 　　2）流量行为复杂，拥塞加剧。 　　由于承载的服务类型多种多样，数据中心传输的流量也呈现多样化、波动大、传输速度快等特点；网络设备数量的增加、数据流量的增大，造成网络拥塞加剧，这都给网络性能管理带来了新的挑战。 　　3）应用的多样化。 　　数据中心承载着各种应用，如Web服务、搜索引擎、电子商务、集群计算、分布式文件系统等。这些应用的出现使资源需求和流量分布呈现极大的动态性和不平衡性。 　　4）网络故障率的指数增加。 　　通过对十余个美国数据中心网络的日志进行挖掘分析，发现网络故障主要包括设备故障、链路故障和接口故障。在设备故障中，软件类故障占比约75%，硬件类故障为25%； 其中，接入交换机单设备故障率约为4.5%，汇聚交换机单设备故障率更是高达11.1%。在链路故障中，接入交换机和汇聚交换机之间链路故障的比例也最高，达到58%，这些链路故障会有18%左右的概率影响到网络的连通性[4-5]。 　　5）细粒度的网络性能评估需求。 　　数据中心网络运行的应用通常对网络性能要求严格，需要管理者能更加实时、精确地掌握全网态势和端到端的通信性能，在网络性能下降初期能及时发现和定位网络性能瓶颈及可能故障点，给出一个快速网络性能评估和预测方案。 　　文献[6]采用nProbe工具对大规模网络进行被动测量，该方法结合历史数据得到网络延迟、吞吐率、正常连接率的偏离度，能够反映网络的整体运行情况，但是作为评估参数的TCPflags在TCP连接超时后，会发生TCP重传提高正常TCP连接的比率，可能会造成评估值较大，而无法反映真实的网络情况；文献[7]提出了一种基于支持向量机（Support Vector Machine， SVM）的网络性能评估方法，通过对正常样本和故障样本进行SVM分类训练，结合云模型对网络性能进行评估，该方法提高了评估结果的客观性，但在选择样本和样本归一化处理过程，如果样本的差距比较大，或导致归一化后的参数数据距离参数正常运行值偏离较远，会造成评估结果的不准确；文献[8]主要分析不同事件与网络性能之间的关联，考虑的影响事件较多，由于影响网络性能各个因素之间存在复杂的关联性，单纯考虑每个事件对网络性能的影响，难以发现影响网络性能的关键因素，同时也增加了系统的复杂程度。 　　在性能评估阶段需要对数据进行归一化处理，目前典型的有Zscore标准化方法和minmax标准化方法等[9]。Zscore标准化方法处理后的数据虽然满足正态分布，但会有负值出现；minmax标准化方法得到结果无法解决由于某些设备参数数据max值和min值偏大或偏小，带来的均值严重偏离正常设备数据取值范围的问题[10]。 　　本文提出了一种基于客观权重确定的性能评估方法，该方法具有以下特点： 　　1）提出了基于客观权重的确定原则。区别于复杂的神经网络和机器学习网络需要训练大量的历史数据[11]，以及根据管理员经验的人为权值确定方法，本文采用的基于客观权重的确定原则能够更可观地反映各个设备参数对设备整体性能的影响程度。 　　2）根据历史数据动态调整各性能参数的阈值。由于网络中运行的应用种类繁多，评价网络设备性能好