面向智慧醫(yī)療云的SDN動態(tài)負(fù)載均衡方法

1、 面向智慧醫(yī)療云的SDN 動態(tài)負(fù)載均衡方法摘 要： 文中引入軟件定義網(wǎng)絡(luò)(SoftwareDefinedNetwork,SDN)對智慧醫(yī)療云進行網(wǎng)絡(luò)管理,并且針對傳統(tǒng) SDN控制器存在單點失效和負(fù)載均衡的問題,設(shè)計了智慧醫(yī)療分布式SDN 控制器系統(tǒng).SDN 控制系統(tǒng)分為 SDN 控制器集群、數(shù)據(jù)轉(zhuǎn)發(fā)平面和智慧醫(yī)療云服務(wù)系統(tǒng) 層. 在此基礎(chǔ)上,提出一種實時負(fù)載動態(tài)自調(diào)節(jié)的快速負(fù)載均衡算法DAF(DynamicAdaptiveandFastLoadBalancing).在該算法中,負(fù)載信息感知組件周期性地采集自己的負(fù)載信息,自動地進行控制器間的負(fù)載信息交互;控制器的負(fù)載值超過閾值時,會觸發(fā)交換機遷

2、移動作,以動態(tài)配置交換機與控制器之間的映射關(guān)系.實驗結(jié)果表明,面向智慧醫(yī)療云的分布式SDN 控制系統(tǒng)的性能良好,且 DAF 算法能夠快速地實現(xiàn)SDN 控制器間的負(fù)載均衡,提升了智慧醫(yī)療云的網(wǎng)絡(luò)吞吐量.關(guān)鍵詞：智慧醫(yī)療云,軟件定義網(wǎng)絡(luò),負(fù)載均衡,單點失效,控制器集群目 錄 TOC o 1-3 h z u HYPERLINK l _Toc11843387 1.引 言 PAGEREF _Toc11843387 h 3 HYPERLINK l _Toc11843388 2.相關(guān)工作 PAGEREF _Toc11843388 h 4 HYPERLINK l _Toc11843389 2.1.智慧醫(yī)療 P

3、AGEREF _Toc11843389 h 4 HYPERLINK l _Toc11843390 2.2.SDN 控制器 PAGEREF _Toc11843390 h 5 HYPERLINK l _Toc11843391 3.智慧醫(yī)療SDN 控制器的系統(tǒng)架構(gòu) PAGEREF _Toc11843391 h 6 HYPERLINK l _Toc11843392 4.動態(tài)自調(diào)節(jié)的快速負(fù)載均衡策略 PAGEREF _Toc11843392 h 7 HYPERLINK l _Toc11843393 4.1.相關(guān)定義 PAGEREF _Toc11843393 h 7 HYPERLINK l _Toc118

4、43394 4.2.動態(tài)自調(diào)節(jié)的快速負(fù)載均衡算法 PAGEREF _Toc11843394 h 9 HYPERLINK l _Toc11843395 5.實驗結(jié)果與分析 PAGEREF _Toc11843395 h 17 HYPERLINK l _Toc11843396 5.1.實驗環(huán)境 PAGEREF _Toc11843396 h 17 HYPERLINK l _Toc11843397 5.2.均衡性能 PAGEREF _Toc11843397 h 18 HYPERLINK l _Toc11843398 5.3.系統(tǒng)吞吐量 PAGEREF _Toc11843398 h 20 HYPERLIN

5、K l _Toc11843399 6.結(jié)束語 PAGEREF _Toc11843399 h 20 引 言隨著智慧醫(yī)療云網(wǎng)絡(luò)規(guī)模的不斷增大,醫(yī)療云網(wǎng)絡(luò)變得越來越復(fù)雜.基于傳統(tǒng)網(wǎng)絡(luò)架構(gòu)的醫(yī)療網(wǎng)絡(luò)體系龐大、結(jié)構(gòu)復(fù)雜、更新困難,對新業(yè)務(wù)的支持日漸不堪重負(fù),這使得醫(yī)療云網(wǎng)絡(luò)的維護與管理變得極其困難且成本高昂. 同時,隨著醫(yī)療數(shù)據(jù)的增多,醫(yī)療云網(wǎng)絡(luò)的數(shù)據(jù)傳輸效率也成為了一個亟待解決的問題.SDN 技術(shù)作為一種邏輯集中的新網(wǎng)絡(luò)體系架構(gòu),將傳統(tǒng)封閉的網(wǎng)絡(luò)體系解耦為數(shù)據(jù)平面、控制平面和應(yīng)用平面,支持通過軟件編程來對網(wǎng)絡(luò)進行控制管理,提高了實現(xiàn)和部署網(wǎng)絡(luò)新技術(shù)和新協(xié)議的靈活性和可操作性. 研究者們開始將SDN 技

6、術(shù)應(yīng)用于智慧醫(yī)療云,使醫(yī)療云網(wǎng)絡(luò)的管理更簡單化、自動化、智能化,通過SDN 控制器選擇數(shù)據(jù)傳輸路徑、控制鏈路帶寬等多種方式提高了網(wǎng)絡(luò)資源的利用率和醫(yī)療數(shù)據(jù)的傳輸速率.Bedhief等人提出了一種面向智慧醫(yī)療、智慧城市的物聯(lián)網(wǎng)架構(gòu),結(jié)合 SDN 和 Docker技術(shù),使用一個 POX 控制器來管理SDN 網(wǎng)絡(luò),提升了物聯(lián)網(wǎng)設(shè)備之間的數(shù)據(jù)傳輸性能.Suzuki等人提出了一種新的構(gòu)建動態(tài) VPN 的方法,并使用 OpenFlow 控制器遠程控制 VPN 路由器,保證了醫(yī)療信息在各醫(yī) 療 機 構(gòu) 之 間 的 流 通 安 全 性.Izaddoost 等 人利 用SDN 控制器選擇醫(yī)療數(shù)據(jù)的最佳傳輸路徑,

7、解決了醫(yī)療云網(wǎng)絡(luò)中的數(shù)據(jù)傳輸擁塞問題,提高了實時醫(yī)療數(shù)據(jù)的處理效率. 采用單一的SDN 控制器管理醫(yī)療云網(wǎng)絡(luò),雖然能改善數(shù)據(jù)傳輸?shù)男阅?但也帶來了單一控制器失效所造成的整個醫(yī) 療云網(wǎng)絡(luò)癱瘓的問題. 因此,不少研究者提出使用多控制器的方式來避免單一節(jié)點失效的問題.然而,采用多控制器將使到達控制器集群的流量是動態(tài)變化的,且控制器和交換機之間的靜態(tài)配置會導(dǎo)致控制器之間的負(fù)載不均衡,從而降低網(wǎng)絡(luò)性能.針對上述問題,本文基于 SDN 控制器 Floodlight),設(shè)計了面向智慧醫(yī)療云的分布式SDN 控制器集群系統(tǒng),提出了一種基于 醫(yī) 療 云 網(wǎng) 絡(luò) 中 控 制 器 節(jié) 點 負(fù) 載 信 息 的 負(fù) 載

8、均 衡算法動態(tài)自 調(diào) 節(jié) 的 快 速 負(fù) 載 均 衡 算 法 DAF(Dynamic AdaptiveandFastLoadBalancing).相關(guān)工作智慧醫(yī)療近年來,智慧醫(yī)療的研究主要集中在醫(yī)療應(yīng)用管理、醫(yī)療數(shù)據(jù)傳輸、醫(yī) 療 數(shù) 據(jù) 安 全、醫(yī) 療 設(shè) 備 監(jiān) 控 等 方 面.Silva 等人提出了一種基于SDN 并支持上下文感知移動方法的網(wǎng)絡(luò)框架,該網(wǎng)絡(luò)框架保障了巴西智慧醫(yī)療系統(tǒng)的網(wǎng)絡(luò)連通性和醫(yī)療云應(yīng)用的服務(wù)質(zhì)量.Hu等人提出了基于 POF 的源路由協(xié)議,其改善了轉(zhuǎn)發(fā)平面的效率,提高了醫(yī)療數(shù)據(jù)的傳輸速率.Moustafa等人基于 WebRTC 實現(xiàn)了遠程用戶、醫(yī)療設(shè)備與醫(yī)療云數(shù)據(jù)中心的通

9、信,并對醫(yī)療云中的醫(yī)療設(shè)備進行了實時的遠程監(jiān)控.Boussada等人基于上下文感知,提出了一種保障醫(yī)療云中醫(yī)療數(shù)據(jù)安全性的方法,該方法能 保護病人的個人隱私.上述文獻大多利用了SDN 技術(shù),使得醫(yī)療云的網(wǎng)絡(luò)自動化管理和性能得到提升,但都未涉及醫(yī)療云網(wǎng)絡(luò)中控制平面性能的研究.在醫(yī)療云的網(wǎng)絡(luò)中,控制平面的性能對整個網(wǎng)絡(luò)的性能起著決定性作用,而控制器作為控制平面的核心,成 為了提升控制平面性能的關(guān)鍵.SDN 控制器目前,針對SDN 多控制器的負(fù)載均衡問題的解決辦法大致分為兩類:集中式?jīng)Q策型和分布式?jīng)Q策型.Dixit等人提出了“ElastiCon”,用一個負(fù)載均衡器收集整個控制平面的負(fù)載信息,并根據(jù)負(fù)

10、載信息相應(yīng)地增加或減少控制池中控制器的數(shù)量;同時還提出了交換機遷移協(xié)議,實現(xiàn)了負(fù)載的遷移.但是,其對控制器的負(fù)載狀態(tài)的評估及目標(biāo)控制器的選擇并無具體描述.Bari等人通過添加監(jiān)控模塊實時收集所有控制器的流量數(shù)據(jù),并根據(jù)流量的實時變化向過載控制器發(fā)送命令,對交換機進行動態(tài)調(diào)整.但是,該方法對遷移代價的衡量較為單一.分布式?jīng)Q策型,即每個控制器通過收集其他所有控制器 的負(fù)載信息以獲知全網(wǎng)控制器的負(fù)載信息,并在本地執(zhí)行負(fù)載均衡策略.Zhou等人提出了一種允許每個控制器在本地執(zhí)行的負(fù)載均衡策略,實現(xiàn)了控制器間的負(fù)載均衡. 文獻在文獻的基礎(chǔ)上降低了控制器間負(fù)載信息的交互頻率,但其控制器負(fù)載狀態(tài)的評估條件單

11、一. 這類方法不需要監(jiān)控模塊,但控制器間負(fù)載信息的交互會增加控制器的 負(fù)載,從而增加負(fù)載均衡完成的時間.智慧醫(yī)療SDN 控制器的系統(tǒng)架構(gòu)本文基于 Floodlight控制器，利用若干個控制器節(jié)點組成的集群構(gòu)建了分布式控制平面,從而進行智慧醫(yī)療云的網(wǎng)絡(luò)管理.系統(tǒng)架構(gòu)從上至下分為層,第層是SDN 控制器集群,第 層是數(shù)據(jù)轉(zhuǎn)發(fā)平面,第 層是智慧醫(yī)療云服務(wù)系統(tǒng).系統(tǒng)架構(gòu)如圖所示.圖 面向智慧醫(yī)療的SDN 控制器系統(tǒng)架構(gòu)Fig SDN controller system architecture for smart healthcareSDN 控制器集群由包含負(fù)載均衡模塊的多個 SDN 控制器節(jié)點組成.

12、該層是整個網(wǎng)絡(luò)的控制核心,通過調(diào)用網(wǎng)絡(luò)視圖的全局?jǐn)?shù)據(jù),進而操作交換機,實現(xiàn)對整個醫(yī)療網(wǎng)絡(luò)的管理和控制.數(shù)據(jù)轉(zhuǎn)發(fā)平面由多個 OpenFlow 交換機組成. 該層基于OpenFlow 協(xié)議,按照控制器集群下發(fā)的流表對醫(yī)療數(shù)據(jù)進行轉(zhuǎn)發(fā)傳輸.智慧醫(yī)療云服務(wù)系統(tǒng)是指部署在各醫(yī)院的醫(yī)療信息化系統(tǒng),主要負(fù)責(zé)采集和處理醫(yī)療數(shù)據(jù).本文采用動態(tài)自調(diào)節(jié)的快速負(fù)載均衡策略實現(xiàn)智慧醫(yī)療 系統(tǒng)網(wǎng)絡(luò)中控制器間的負(fù)載均衡,并在SDN 控制器中設(shè)計了負(fù)載均衡模塊用于執(zhí)行負(fù)載均衡策略.負(fù)載均衡模塊主要由負(fù)載信息感知、負(fù)載信息交互、負(fù)載均衡決策和交換機遷移 個部分組成.負(fù)載信息感知部分負(fù)責(zé)周期性地采集系統(tǒng)中各控制器的負(fù)載信息;負(fù)載

13、信息交互部分負(fù)責(zé)控制器間負(fù)載信息的交互操作,即每個控制器將本地采集的負(fù)載信息發(fā)送給其他控制器;負(fù)載均衡決策部分負(fù)責(zé)根據(jù)整體控制器的負(fù)載情況做出均衡負(fù)載的決策;交換機遷移部分負(fù)責(zé)執(zhí)行交換機的遷移動作.動態(tài)自調(diào)節(jié)的快速負(fù)載均衡策略動態(tài)自調(diào)節(jié)的快速負(fù)載均衡策略根據(jù)控制器的實時負(fù)載狀態(tài),對控制器間的負(fù)載進行動態(tài)調(diào)整. 當(dāng)系統(tǒng)中有過載控制器時,會觸發(fā)控制器執(zhí)行負(fù)載均衡策略,即由 DAF 算法選擇出過載控制器、遷移交換機及接收遷移交換機的控制器,并執(zhí)行交換機遷移動作,使控制器間的負(fù)載達到均衡狀態(tài).相關(guān)定義源控制器:需將其 master角色的交換機遷移至其他控制器的控制器.目標(biāo)交換機:執(zhí)行遷移動作的交換機.

14、 目的控制器:接收目標(biāo)交換機的控制器.本文用到的相關(guān)符號及其含義如表所列.表 相關(guān)符號及其含義 動態(tài)自調(diào)節(jié)的快速負(fù)載均衡算法DAF 算法通過動態(tài)調(diào)節(jié)醫(yī)療云網(wǎng)絡(luò)中控制器間的負(fù)載, 快速地實現(xiàn)控制器間的負(fù)載均衡,提高了醫(yī)療云網(wǎng)絡(luò)的吞吐量.DAF 算法的具體執(zhí)行過程如算法所示.算法 DAF(Lnow ,Lpre,Thr,T,Rt,count,q,x ,x , ,)輸入:Lnow,Lpre,Thr,T,Rt,count,q,x,x,輸出:LoadBalanceFlag(TrueorFalse) loadBalanceFlagFalse while(t nT) loadInforming(Lnow,Lp

15、re,q,Thr) whileLnow!dooverLoadIdssrcControllerSelect(Lnow,Thr,count)targetSwId,targetRstargetSwitchSelect(Rs,overLoadId) dstConIddstConSelect(x,x,targetSwId,targetRs,Rt)將id 為targetSwId 的交換機從id 為overLoadId 的控制器遷移至id為dstConId的控制器 loadBalanceFlagTrue負(fù)載信息交互每個控制器需周期性地將自己的負(fù)載信息發(fā)送給其他控制器,并存儲和處理其他控制器的負(fù)載信息,以實現(xiàn)

16、控制器間的負(fù)載信息交互.雖然控制器間周期性地交互負(fù)載信息會減少負(fù)載均衡決策的時間,但會給控制器增加額外的處理開銷和通信開銷,特別是當(dāng)控制器在相鄰時刻的負(fù)載值變化較小時,向其他控制器發(fā)送負(fù)載信息是多余的操作. 為了減少這些開銷,我們基于文獻提出了一種新的抑制算法,該算法能減少負(fù)載信息交互的次數(shù),其具體描述如算法所示.算法 LoadInforming(Lnow ,Lpre,q,Thr)輸入:Lnow,Lpre,q,ThrV ,V,V,V Thrq,Vm VmVmVm,m輸出:Informingloadinformation (TrueorFalse) LoadInformFlagFalse if(

17、Lnow (Thrq)then for(i:) if(LnowVi & LpreVi)(LnowVi & LpreVi) LoadInformFlagTruebreakendif endfor LpreLnow elseLoadInformFlagTrue因此將作為選擇目的控制器的一個參數(shù). 因為控制器和交換機之間每一跳的延遲幾乎是固定的,所以本文用控制器到交換機的跳數(shù)值代替控制器和交換機之間的 RTT 值.率Roverload(算法第 行),然后將過載控制器根據(jù)過載率進行降序排序,并選擇過載率最大的控制器作為源控制器該算法把至負(fù)載閾值與q 的差值分為 個區(qū)間,當(dāng)控制器前一時刻的負(fù)載和當(dāng)前時刻

18、的負(fù)載值屬于同一區(qū)間時, 控制器將不發(fā)送負(fù)載信息給其他控制器. 通過這種方法,可以減少因控制器間頻繁的負(fù)載信息交互操作造成的冗余開 銷,但這種方法會導(dǎo)致某控制器在當(dāng)前時刻的負(fù)載與其他控 制器記錄的該控制器負(fù)載值存在偏差.這種偏差對控制器的影響分為兩種情況:)該控制器的負(fù)載低,即使接收目標(biāo)交換機,也仍然不會過載;)該控制器的負(fù)載較高,它可能會因接收了目標(biāo)交換機而變成新的過載控制器.為避免發(fā)生第二種情況,設(shè)計算法中的區(qū)間長度呈遞減趨勢,使得越接近負(fù)載閾值的控制器越頻繁地發(fā)送負(fù)載信息給其他控制器. 此外,還增加了一個權(quán)值q,q 一般取值大于或等于一臺交換機可能對控制器增加的負(fù)載值.當(dāng)控制器的當(dāng)前負(fù)載

19、大于或等于負(fù)載閾值與q 之間的差值時,表示該控制器的負(fù)載值發(fā)生了上述偏差,因被選為目的控制器而成為新過載控制器的概率很高, 因此設(shè)計該控制器發(fā)送當(dāng)前負(fù)載信息給其他控制器.通過上述兩種方式,可有效避免負(fù)載偏差帶來的負(fù)面影響. 負(fù)載均衡決策負(fù)載均衡決策部分負(fù)責(zé)選擇過載情況最嚴(yán)重的控制器作為源控制器,然后決策出目標(biāo)交換機進行遷移,并決策出目的 控制器來接收目標(biāo)交換機.)源控制器選擇策略在控制器集群中,只會出現(xiàn)一臺控制器過載或多臺控制器過載兩種情況.針對這兩種情況,我們提出了一種源控制器選擇算法,如算法所示.)目標(biāo)交換機選擇策略確定執(zhí)行負(fù)載均衡策略的源控制器后,需在源控制器作為 master控制器的交

20、換機中選擇目標(biāo)交換機. 通過負(fù)載感知部分,測量出每個交換機向源控制器提出的平均packet_in消息請求速率Rs.Rs值越大,表示源控制器需要處理該交換機的請求越多,即該交換機消耗源控制器的負(fù)載越多. 為了降低源控制器的負(fù)載,將控制器管理的所有交換機按Rs值進行降序排序,并選擇Rs值最大的交換機作為目標(biāo)交換機.算法的具體描述如算法所示.算法 targetSwitchSelect(Rs,overLoadId)輸入:overLoadId,Rs輸出:targetSwId,targetRs switchsIdgetSwitchs(overLoadId) for(i:switchsIdsize() Rs

21、getRs(switchsIdi) MapswitchsIdi,Rs switchPkt endforOrderSwitchPktswitchPktsortbyRsdesc targetSwId,targetRsgetthefirstkeyofOrderSwitchPkt returntargetSwId,targetRs)目的控制器選擇策略一個交換機可以擁有一個 master角色的控制器和多個算法 srcControllerSelect(L ,Thr,count)slave角色的控制器. 對于每個目標(biāo)交換機,其多個slave角色的控制器都可以接受它的遷移. 為此,我們提出了一種目的控制器選擇

22、算法,用于從多個slave角色的控制器中選擇優(yōu)先權(quán)值最高的控制器作為目的控制器來接收遷移交換機. 算法的具體描述如算法所示。該算法根據(jù)過載控制器的數(shù)量分情況分別進行處理. 當(dāng)只有一臺控制器處于過載狀態(tài)時,選擇這臺控制器作為源控制器(算法第 行). 當(dāng)同時有多臺控制器處于過載狀態(tài)時,若這些過載控制器選擇的目的控制器相同,那么該目的控制器在接收目標(biāo)交換機之后可能會成為新的過載控制器. 為解決這個問題,首先通過式()計算每個過載控制器的過載該算法中,若選擇負(fù)載值最小的控制器作為目的控制器, 則可能會出現(xiàn)目的控制器與目標(biāo)交換機之間的 RTT 最大的情況,會降低數(shù)據(jù)的傳輸性能.為避免發(fā)生這種情況,綜合考

23、慮控制器的負(fù)載值和目的控制器與目標(biāo)交換機的 RTT 值兩個因素,給每個空閑控制器分配一個優(yōu)先權(quán)值Pri:Pridesx (ThrdesLdes)x R()為確保目的控制器不會因接收目標(biāo)交換機而變成新的過載控制器,在選擇目的控制器的過程中,控制器還需滿足式()所示的約束條件:Lmig (ThrdesLdes)() 交換機遷移交換機遷移組件主要負(fù)責(zé)交換機的動態(tài)遷移.為了避免在遷移交換的過程中出現(xiàn)丟包的情況,采用圖 所示的無縫遷移交換機方法.圖 交換機動態(tài)遷移的流程圖Fig Flowchartofdynamicmigrationofswitchboard首先,源控制器CA 發(fā)送一個交換機遷移請求消息

24、給目標(biāo)控制器CB .為了維持SW 交換機流表的一致性,保證一直有且只有一個控制器處理交換機的消息,CA 控制器下發(fā)一個偽流表至交換機SW .因為偽流表不匹配任何數(shù)據(jù)流,所以不會影響 OpenFlow 網(wǎng)絡(luò). 然后,CB 發(fā) 送一個更改其角色為equal的消息至SW ,CB 會收到交換機的回復(fù)消息,并告知CA自己的角色已經(jīng)更改為equal. 為確保交換機中所有消息都已處理完畢,CA 發(fā)送 barrier消息至交換機. 交換機在處理完barrier消息后回復(fù)CA .最后,CA 下發(fā)偽流表刪除消息至交換機SW ,SW 刪除偽流表后通知所有與之相連的控制器進行角色更改.在收到通知消息后,CA 將設(shè)置角

25、色為slave,CB將設(shè)置角色為 master,并開始負(fù)責(zé)管理SW .算法性能分析DAF 算法包含了 個子算法(即算法 算法),因而其性能取決于每個子算法的優(yōu)劣.在負(fù)責(zé)負(fù)載信息交互的算法 中,需循環(huán)判斷控制器前一時刻的負(fù)載和當(dāng)前時刻的負(fù)載值是否屬于同一區(qū)間,循環(huán)次,時間復(fù)雜度和空間復(fù)雜度都是 O().在文獻提出的算法中,負(fù)載信息交互需循環(huán)n次,時間復(fù)雜度是 O(n)O(). 因此,DAF 算法中) HYPERLINK http:/mininet/ http:/mininetorg ) HYPERLINK http:/sourceforge/ http:/sourceforgenet/proje

26、cts/cbench的負(fù)載信息交互算法的時間復(fù)雜度有所優(yōu)化.為獲取以過載率為Value 的過載控制器集合,算法遍歷了n 個控制器,計算控制器的過載率,并對控制器按過載率進行排序,時間復(fù)雜度是 O(nnlgn),空間復(fù)雜度是 O(n). 算法 需要計算n個交換機的 Rs值,時間復(fù)雜度和空間復(fù)雜度均為 O(n),并采用 Collectionssort()方法對 map 進行排序,時間復(fù)雜 度 為O(nlgn),空間復(fù)雜度為 O(n),因而算法的總時間復(fù)雜度為O(nnlgn),總空間復(fù)雜度為 O(n). 最后,算法 需遍歷n個備選目的控制器,計算并保存控制器的優(yōu)先權(quán)值,并對控制器按優(yōu)先權(quán)值進行排序,

27、時間復(fù)雜度為 O(nnlgn),空間復(fù)雜度為 O(n).個子算法的時間復(fù)雜度 分 別 為 O(),O(nnlgn),O(nnlgn),O(nnlgn);空間復(fù)雜度分別為 O(),O(n),O(n),O(n).因此,DAF 算法的總時間復(fù)雜度為 O(nlgn),總空間復(fù)雜度為 O(n).DAF 算法占用的內(nèi)存空間少,運行效率高,能夠快速地實現(xiàn)控制器間的負(fù)載均衡,增加網(wǎng)絡(luò)的吞吐量.實驗結(jié)果與分析本文通過仿真實驗來驗證 DAF 算法的有效性,比較該算法與現(xiàn)有的靜態(tài)配置算法的系統(tǒng)吞吐量,并與文獻中的算法對比負(fù)載均衡策略的完成時間.實驗環(huán)境本文使用 Mininet)模擬醫(yī)療云網(wǎng)絡(luò),并進行相關(guān)實驗.實驗中

28、搭建了 個 OpenFlow 控制器節(jié)點和 個 OpenFlow交換機.每臺控制器連接不同數(shù)量的交換機,每個交換機除了連接一個 master控制器,還連接另外兩個控制器作為slave控制器.交換機S ,S ,S 與控制器 A(CA ),B(CB ),C(CC )相連,其中 CA 為 master控制器,CB 和CC 為slave控制器.交換機S ,S 與個控制器相連,其中CB 為 master控制器，CA 和CC 為slave控制器. 交換機S 連接的 個控制器中,CC 為 master控制器,CA 和CB 為slave控制器. 每個 OpenFlow 交換機都連接一個主機.通過 Cbench

29、)測試可得,單個控制器每秒最多處理個數(shù)據(jù)包.設(shè)定系統(tǒng)負(fù)載閾值為 ,負(fù)載監(jiān)測周期Ts,權(quán)值參數(shù) , , , ,x ,x , , .均衡性能為驗證 DAF 算法的可行性,本文通過注入大量數(shù)據(jù)包的方式使部分控制器的負(fù)載超過閾值,從而觸發(fā)負(fù)載均衡策略. 通過觀察系統(tǒng)中各控制器的負(fù)載狀態(tài)是否由不均衡狀態(tài)變成均衡狀態(tài),來驗證 DAF 算法實現(xiàn)控制器間負(fù)載均衡的可行性.同時,通 過 與 文 獻 提 出 的 算 法 進 行 對 比,來 驗 證DAF 算法是否縮短了負(fù)載均衡的完成時間.實驗測試步驟:主機間模擬智慧醫(yī)療云服務(wù)系統(tǒng)之間發(fā)送醫(yī)療數(shù)據(jù)包,交換機將醫(yī)療數(shù)據(jù)包封裝在packet_in報文中并發(fā)送給控制器.設(shè)

30、定交換機發(fā)送 packet_in 消息的速率為每秒個;從第s開始,調(diào)整交換機發(fā)包速率為每秒個.實驗結(jié)果如圖所示圖 負(fù)載均衡的完成時間Fig Completiontimeofloadbalancing由圖可知,在前s,因為醫(yī)療云系統(tǒng)中控制器的負(fù)載沒有超出其處理范圍,所以靜態(tài)算法和 DAF 算法的吞吐量近似相等. 在第s時,兩種算法的系統(tǒng)吞吐量都急劇下降.這是因為packet_in請求量的增多導(dǎo)致了控制器間的負(fù)載不均衡.控制器A 接收的 packet_in 數(shù)量超過了其處理能力,緩沖區(qū)溢出導(dǎo)致packet_in數(shù)據(jù)包丟失,從而造成系統(tǒng)吞吐量下降.但是,靜態(tài)算法的系統(tǒng)吞吐量從第s開始基本維持在較低水平,而 DAF 算法的系統(tǒng)吞吐量從第s開始逐漸上升,并恢復(fù)至正常水平.這是因為 DAF 算法使得過載CA 的部分負(fù)載轉(zhuǎn)移至CC ,且不會造成CC 過載,從而增加了智慧醫(yī)由圖可知,在前s,因為packet_in數(shù)據(jù)包請求量少且請求速率穩(wěn)定,所以 個控制器的負(fù)載值基本保持不變. 第s時,packet_in數(shù)據(jù)包請求量增多,引起CA ,CB ,CC 的負(fù)載急劇增加,導(dǎo)致CA 的負(fù)載超過了其閾值,觸發(fā)了交換機遷移動作,并將部分負(fù)載轉(zhuǎn)移至CC .因此,在第s到s間,CC 的負(fù)載上升,CA 的負(fù)載下降.在第s時,負(fù)載均衡過程執(zhí)行完畢,完成時間在s