数据中心网络coflow调度机制结构构建及仿真

详细信息    查看全文 | 推荐本文 |

英文篇名：Data center network coflow scheduling mechanism structure construction and simulation 作者：李维虎 ; 张顶山 ; 崔慧明 ; 周龙 ; 朱志挺 ; 谢挺 英文作者：Li Weihu;Zhang Dingshan;Cui Huiming;Zhou long;Zhu Zhiting;Xie Ting;State Grid Silver Power Supply Company;National Digital Exchange System Engineering Technology Research Center; 关键词：数据中心 ; 网络 ; 语义相关流 ; 调度机制 ; 性能 英文关键词：data centres;;network;;semantic correlation flow;;scheduling mechanism;;performance 中文刊名：DZCL 英文刊名：Electronic Measurement Technology 机构：国网白银供电公司;国家数字交换系统工程技术研究中心; 出版日期：2019-05-23 出版单位：电子测量技术 年：2019 期：v.42;No.318 语种：中文; 页：DZCL201910015 页数：4 CN：10 ISSN：11-2175/TN 分类号：84-87

摘要

重新构建得到了一种coflow调度算法-DeepCS,将coflow资源视图看成是需要进行后续处理的图像,根据之前学习策略来达到coflow的最佳调度效果。利用DNN提取特征参数时不必通过人为手动的方法进行设计,通过单独学习过程便可实现,给出深度增强学习系统。训练输入包含了各项网络与任务情景,并以动作概率分布作为输出,EPiSOdE作为单位开展训练过程。仿真结果得到:当coflow到达速率变大后,将会导致所有算法需要更长的coflow完成时间,此时调度算法流时间与的工作压力都会增加,从而形成更长的coflow平均完成时间;在较低的coflow到达速率下,VARYS和DeepCS具有相似的性能,都比PFABRiC的性能更好,并且DeepCS性能提升最快。
        DeepCS, a kind of coflow scheduling algorithm, is obtained through reconstruction. The coflow resource view is regarded as the image to be processed later, and the optimal scheduling effect of coflow is achieved according to the previous learning strategy.The feature parameters extracted by DNN need not be designed by manual method, and can be realized by separate learning process.The training input includes various network and task situations, with the motion probability distribution as the output, and EPiSOdE as the unit to carry out the training process.The simulation results are as follows: when the coflow reaches a larger rate, all algorithms will need longer coflow completion time. At this point, the flow time and working pressure of the scheduling algorithm will increase, thus forming a longer average coflow completion time.Under the lower coflow arrival rate, VARYS and DeepCS have similar performance, both of which are better than PFABRiC, and DeepCS has the fastest performance improvement.

引文

[1] 樊自甫,张丹,李书.基于软件定义网络的数据中心网络负载均衡算法研究[J].计算机工程与科学,2018,40(6):1017-1022.
    [2] 钱伟强.基于海量存储云调度机制的云网络数据存储算法[J].国外电子测量技术,2017,36(3):27-30.
    [3] 邓有林.大型Web网络数据中心资源高效挖掘技术研究[J].现代电子技术,2018,41(3):120-123.
    [4] 王跃飞,曹三峰,毕翔,等.一种基于时隙动态分配的FlexRay系统通信机制[J].电子测量与仪器学报,2015,29(2):179-186.
    [5] 高赐威,曹晓峻,闫华光,等.数据中心电能管理及参与需求侧资源调度的展望[J].电力系统自动化,2017,41(23):1-7.
    [6] 曹晓峻,高赐威,李德智,等.数据网络与电力网络混合运行建模及其参与系统经济运行[J].中国电机工程学报,2018,38(5):1448-1456.
    [7] 樊自甫,李书,张丹.基于流量调度的SDN数据中心网络拥塞控制算法[J].计算机科学,2017,44(Z1):266-269,273.
    [8] 马铭冀,张晓蕾,杨继家.云时代下数据中心网络技术研究[J].科技创新与应用,2017(15):99.
    [9] 黄忠建,代红兵,王蕾.嵌入式Forth操作系统实时调度算法研究[J].计算机应用研究,2019(10):1-2.
    [10] 许文庆,余庚.SDN架构下数据流量调度算法的设计[J].光通信研究,2018(3):5-8,20.
    [11] 陈睿,庞海萍,郝丽,等.Powerlink协议异步调度机制的建模与分析[J/OL].计算机工程与应用:1-10.http://kns.cnki.net/kcms/detail/11.2127.tp.20181101.0950.013.html.
    [12] 邹云峰,陈宇,邱文玮,等.边缘计算环境下服务质量感知的资源调度机制[J].电子技术与软件工程,2018(18):178-179.
    [13] 胡智尧,李东升,李紫阳.数据中心网络流调度技术前沿进展[J].计算机研究与发展,2018,55(9):1920-1930.
    [14] 马腾,胡宇翔,张校辉.基于深度增强学习的数据中心网络coflow调度机制[J].电子学报,2018,46(7):1617-1624.
    [15] 黄鸿,莫李思,孙罡.一种基于端口聚合流量的Coflow调度机制[J].通信技术,2018,51(7):1594-1601.
    [16] 蔡震震,唐鹏,胡建斌,等.深度卷积神经网络实现硬性渗出的自动检测[J].计算机科学,2018,45(Z2):203-207.
    [17] 郭智,宋萍,张义,等.基于深度卷积神经网络的遥感图像飞机目标检测方法[J].电子与信息学报,2018,40(11):2684-2690.
    [18] 郝春亮,沈捷,张珩,等.大数据背景下集群调度结构与研究进展[J].计算机研究与发展,2018,55(1):53-70.
    [19] 郑振,乔庐峰,陈庆华,等.星载IP交换机中变长调度Clos交换结构的设计[J].通信技术,2016,49(3):361-367.
    [20] 王珊珊,季海波,司鹏,等.基于NS3的LTE网络圆形边界下移动模型的仿真[J].小型微型计算机系统,2015,36(11):2531-2535.