2020智能网络控制和流量调优.pdf

智能网络控制和流量调优 （2020年） SDN/NFV/AI标准与产业推进委员会 2020年9月 2 版权声明 本白皮书版权属于SDN/NFV/AI标准与产业推进委员会，并受法 律保护。转载、摘编或利用其它方式使用本白皮书文字或者观点，应 注明“来源：SDN/NFV/AI标准与产业推进委员会”。违反上述声明， 本联盟将追究其相关法律责任。 目录 版权声明 . 2 1. 智能网络控制和流量调优概述 . 6 2. 智能网络控制和流量调优场景研究 . 6 2.1. 5G承载场景 . 6 2.2. MPLS网络场景 . 6 2.3. 云化网络IP骨干网场景 . 7 3. 智能流量控制与优化需求研究 . 7 3.1. 流量调优对象 . 7 3.2. 存量网络拥塞控制与预防 . 8 3.2.1. 业务调整数量最少 . 8 3.2.2. 带宽利用率均衡 . 8 3.2.3. 带宽利用率与业务调整数量均衡 . 9 3.2.4. 资源抢占 . 9 3.3. 全网流量均衡 . 10 3.3.1. 带宽占用最小 . 10 3.3.2. 时延最小 . 10 3.3.3. Cost 最小 . 11 3.3.4. 全网负载均衡 . 11 4. 智能网络控制架构 . 12 4.1. 网络状态采集/感知 . 12 4.2. AI智能分析 . 12 4.3. SDN控制器 . 13 5. 智能网络控制和流量调优关键技术 . 13 5.1. 路由计算算法 . 13 5.1.1. Greedy算法 . 13 4 5.1.2. KSP算法 . 14 5.2. 路径优化算法 . 14 5.2.1. 粒子群算法PSO( Particle Swarm Optimization) . 15 5.2.2. 模拟退火算法，SA( Simulated Annealing) . 15 5.2.3. 遗传算法 . 16 5.3. Telemetry采集技术 . 17 6. 现网部署应用效果 . 17 6.1. 流量调优效果案例 . 17 6.1.1. 资源最大利用 . 18 6.1.2. 拥塞控制 . 19 6.1.3. 资源负荷分担 . 20 6.2. 流量拥塞调优实际效果 . 20 前言 全网流量优化是业界比较棘手的难题，同时也是噬待解决的问题。它不光可 以提升产品竞争力，同时也可以节约成本，提升网络资源利用率。在SDN出现 之前，网络是分布式的，传统的方法无法实现全网优化； 随着SDN技术的发展和成熟，SDN控制器具有网络全局资源信息，包括全 网拓扑、链路带宽、流量等信息，通过引入人工智能技术，从而为解决全网流量 优化问题提供了一种行之有效的手段。 6 1. 智能网络控制和流量调优概述 全网流量优化是业界比较棘手的难题，同时也是噬待解决的问题。它不光可以提升产品 竞争力，同时也可以节约成本，提升网络资源利用率。在SDN出现之前，网络是分布式的， 传统的方法无法实现全网优化；传统网络主要存在以下问题： 1）网络规划、部署复杂 2）路径分布式计算，无全局视角 3）带宽利用率低，很难达到最优 4）难以实时响应网络流量变化 5）运维复杂，对运维人员要求高 6）网络流量可视化差 随着SDN技术的发展和成熟，SDN控制器具有网络全局资源信息，包括全网拓扑、链 路带宽、流量等信息，通过引入人工智能技术，从而为解决全网流量优化问题提供了一种行 之有效的手段。 2. 智能网络控制和流量调优场景研究 2.1. 5G承载场景 5G技术带来的大带宽，低时延，海量连接特性对移动承载网提出了更高的要求，需要 5G网络能够感知业务流量趋势的变化，对流量进行预测，提前通知运维人员进行处理，防 止未来业务增长而造成局部拥塞，导致业务受损。这就要求引入智能化技术，对现网流量进 行智能调优和趋势预判，确保不出现由于流量拥塞而影响5G业务体验。当网络链路流量超 过设置门限后，需要及时对链路上的流量进行优化调整，将低优先级业务疏导到其他空余链 路上。如果流量不具备绕行条件，则需要采取在入口限速低优先级业务流量，降低拥塞链路 带宽，始终确保5G高优先级业务SLA质量。 2.2. MPLS网络场景 随着各类融合业务的发展，要求网络可以提供固定业务和移动业务的统一承载，承载家 庭用户、商业用户、移动基站等各种类型业务，将城域网、骨干网以及接入网合并成一个 MPLS域，整个网络基于统一的IP/MPLS技术承载多种业务，真正实现一张网承载所有业 务。这种场景下，要求网络能够根据业务的要求和用户优先级不同，实现对不同流量的灵活 调度和调优，提升网络利用效率，保障各类业务的体验。 2.3. 云化网络IP骨干网场景 近年来，业务云化的趋势加速，给用户和内容的快速迁移带来更大便利性，同时也使 得呈网状结构的IP骨干网流量模型更加难以预测，导致实际网络的利用率与基于流量预测 的网络规划之间出现大的偏离。采用分布式路由控制面的IP骨干网，流量转发路径选路规 则固定而流量流向和大小却时刻动态变化，从而导致网络中流量分布不均衡。虽然运维部门 可以通过IGP metric和BGP路由策略调整对流量进行疏导，但是这种手动方式在带来很大 运维压力的同时也很难做到根据流的快速变化实时准确地进行调优策略的分析与配置。在现 有IP骨干网之上增加集中控制层和智能应用层，基于对网络大数据的采集、学习和分析， 并结合策略对业务流量和网络资源进行持续优化调度，可以实现智能、高效的IP骨干网。 3. 智能流量控制与优化需求研究 3.1. 流量调优对象 流量调优的主要对象是链路和隧道。发生的主要原因是链路流量发生拥塞、链路SD裂 化、隧道时延裂化等。 表3-1：流量调优调优对象 当判定链路/隧道带宽利用率超阈值、链路/隧道质量劣化超阈值、隧道流量突发等情况 时，可触发流量调优。 如表2-1所示，可选择如下调优对象进行调优： 1）链路 当网络中有链路拥塞时，可选择拥塞的链路本身进行优化，优化策略包括： （1）增加拥塞链路的带宽 （2）增加拥塞链路的传输通道 2）隧道 8 当网络中有链路拥塞时，还可以对拥塞链路所承载的隧道进行优化： （1）隧道选择： 可根据拥塞链路所承载的各条隧道的实时带宽进行排序，选择TOP N隧道进 行调优。同时要结合隧道的优先级、及隧道排除等因素 （2）优化策略： 改变隧道的传输路径 当网络中有隧道拥塞时，则调优对象为拥塞的隧道，其优化策略有： （1）增加隧道的配置带宽 （2）增加隧道的传输路径（如：LSP） 3.2. 存量网络拥塞控制与预防 3.2.1. 业务调整数量最少 拥塞调整都是基于周期内统计的的实际流量进行，以降低流量的最大利用率为目标进行 调整。 通过将拥塞的链路作为尽力排除的节点约束，基于Dijkstra算法进行相对较短的路径计 算，可以有效的绕开拥塞路径，同时结合遗传算法，进行相对较优的组合优化。具体流程如 下： 1. 根据拥塞门限，寻找拥塞的链路，及拥塞链路上的可以调整的业务； 2. 对拥塞的业务，将初始拥塞链路作为尽力排除节点，基于Dijkstra算法算出N条可以 调整的路径； 3. 对算出的路径，进行若干次随机组合，并且保证规划带宽不超限，流量利用率不限，然 后作为遗传算法的初始种群，之后种群总是选择扰动较小的达标解进行后代遗传和交叉 变异，若干次迭代后，选择扰动最小的解，作为返回的部署方案 3.2.2. 带宽利用率均衡 拥塞调整都是基于周期内统计的的实际流量进行，以降低流量的最大利用率为目标进行 调整。 通过将拥塞的链路作为尽力排除的节点约束，基于Dijkstra算法进行相对较短的路径计 算，可以有效的绕开拥塞路径，同时结合遗传算法，进行相对较优的组合优化。具体流程如 下： 1. 根据拥塞门限，寻找拥塞的链路，及拥塞链路上的可以调整的业务； 2. 对拥塞的业务，将初始拥塞链路作为尽力排除节点，基于Dijkstra算法算出N条可以 调整的路径； 3. 对算出的路径，进行若干次随机组合，并且保证规划带宽不超限，然后作为遗传算法的 初始种群，之后种群总是选择最大利用率较小且扰动也较小的解进行后代遗传和交叉变 异，若干次迭代后，选择最大利用率较小的解，作为返回的部署方案。 3.2.3. 带宽利用率与业务调整数量均衡 拥塞调整都是基于周期内统计的的实际流量进行，以降低流量的最大利用率同时兼顾扰 动量为目标进行调整。 通过将拥塞的链路作为尽力排除的节点约束，基于Dijkstra算法进行相对较短的路径计 算，可以有效的绕开拥塞路径，同时结合遗传算法，进行相对较优的组合优化。具体流程如 下： 1. 根据拥塞门限，寻找拥塞的链路，及拥塞链路上的可以调整的业务； 2. 对拥塞的业务，将初始拥塞链路作为尽力排除节点，基于Dijkstra算法算出N条可以 调整的路径； 3. 对算出的路径，进行若干次随机组合，并且保证规划带宽不超限，然后作为遗传算法的 初始种群，之后种群总是选择最大利用率较小的解进行后代遗传和交叉变异，若干次迭 代后，选择最大利用率较小且扰动也较小的解，作为返回的部署方案。 3.2.4. 资源抢占 3.2.4.1. 抢占扰动数量最少 隧道开通与隧道优化的过程中，都有可能出现业务部署问题。在隧道开通时，在存量网 络下，对新的请求算路时，由于网络的剩余带宽不足，会出现算路失败的现象。在拥塞场景 优化中，优化后网络中的个别链路还是会存在拥塞现象，即优化效果不明显。针对这两种常 见情况，我们设计了一种基于请求优先级进行资源抢占的功能。允许高优先级的请求去抢占 低优先级请求的路径，尽量满足高优先级请求的部署。 在进行资源抢占时，希望抢占涉及到的请求数量尽可能少，即有抢占扰动数量最少的目 标。该算法的步骤如下: 1、根据优先级门限，过滤得到需要进行抢占的高优先级请求，按照优先级从高到低排 序。逐个对请求进行抢占部署。 2、针对单个高优先级请求，找到其路径中带宽不足或者拥塞的链路集合，建立集合中 链路与其涉及到的低优先级请求的映射关系。 3、用启发式算法对选择要拆除的低优先级请求，该过程中将拆除请求数量最小作为优 化目标。直至算法收敛，返回要拆除的低优先级请求集合。 3.2.4.2. 抢占低优先级 在进行资源抢占时，希望抢占涉及到的请求对应的优先级越低越好，用需要拆除的请求 的优先级之和去衡量这个目标，该算法的步骤如下: 1、根据优先级门限，过滤得到需要进行抢占的高优先级请求，按照优先级从高到低排 10 序。逐个对请求进行抢占部署。 2、针对单个高优先级请求，找到其路径中带宽不足或者拥塞的链路集合，建立集合中 链路与其涉及到的低优先级请求的映射关系。 3、用启发式算法对选择要拆除的低优先级请求，该过程中用需要拆除的请求的优先级 之和最小作为优化目标。直至算法收敛，返回要拆除的低优先级请求集合。 3.2.4.3. 抢占数量与优先级均衡 在进行资源抢占时，希望同时权衡抢占涉及到的请求数量和优先级之和，即将二者联合 起来考虑，属于多目标优化问题。该算法的步骤如下: 1、根据优先级门限，过滤得到需要进行抢占的高优先级请求，按照优先级从高到低排 序。逐个对请求进行抢占部署。 2、针对单个高优先级请求，找到其路径中带宽不足或者拥塞的链路集合，建立集合中 链路与其涉及到的低优先级请求的映射关系。 3、用启发式算法对选择要拆除的低优先级请求，该过程中将拆除请求数量和优先级之 和赋予不用的权值系数进行加和，使其最小作为优化目标。直至算法收敛，返回要拆除的低 优先级请求集合。 3.3. 全网流量均衡 3.3.1. 带宽占用最小 当网络中业务部署方式不得当时，会导致带宽占用值较大，针对该问题，我们设计了一 种全网带宽占用优化的算法，使用该算法可以保证当前网络中所有请求部署成功的情况下降 低带宽占用值，提升网络性能。该算法结合了贪婪算法与启发式算法的特征，步骤如下： 1、查找过滤可以进行调整的业务：对当前网络中已经部署的业务，根据优先级门限和 “保护”业务（需要进行路径保护，不能调整的业务）过滤得到可以调整的业务，并按照优 先级和带宽大小进行排序。 2、结合Open-CSPF框架，设置各个业务算路过程中的权值阅读器为跳数阅读器，以保 证对每个业务进行算路时是按照跳数最小的原则进行。 3、对步骤1中的业务逐个算路并部署进网络，得到一个较优的解，在该解的基础上， 引入启发式算法，以网络中带宽与跳数乘积之和作为解的性能好坏的衡量值，试图寻找更优 的解，直至算法收敛，返回最终解。 经过全部优化后的网络，较优化前性能会有提升。 3.3.2. 时延最小 与带宽占用全局优化类似，当网络中业务部署方式不得当时，会导致带宽时延乘积较大， 影响网络的传输性能，针对该问题，我们设计了一种全网带宽时延优化的算法，使用该算法 可以保证当前网络中所有请求部署成功的情况下降低带宽与时延乘积之和，提升网络性能。 该算法结合了贪婪算法与启发式算法的特征，步骤如下： 1、查找过滤可以进行调整的业务：对当前网络中已经部署的业务，根据优先级门限和 “保护”业务（需要进行路径保护，不能调整的业务）过滤得到可以调整的业务，并按照优 先级和带宽大小进行排序。 2、结合Open-CSPF框架，设置各个业务算路过程中的权值阅读器为cost阅读器，以保 证对每个业务进行算路时是按照cost最小的原则进行。 3、对步骤1中的业务逐个算路并部署进网络，得到一个较优的解，在该解的基础上， 引入启发式算法，以网络中带宽与cost 乘积之和作为解的性能好坏的衡量值，试图寻找更 优的解，直至算法收敛，返回最终解。 经过全部优化后的网络，较优化前性能会有提升。 3.3.3. Cost 最小 与带宽占用全局优化类似，当网络中业务部署方式不得当时，会导致带cost乘积较大， 影响网络的传输性能，针对该问题，我们设计了一种全网带宽cost 优化的算法，使用该算 法可以保证当前网络中所有请求部署成功的情况下降低带宽与时延，提升网络性能。该算法 结合了贪婪算法与启发式算法的特征，步骤如下： 1、查找过滤可以进行调整的业务：对当前网络中已经部署的业务，根据优先级门限和 “保护”业务（需要进行路径保护，不能调整的业务）过滤得到可以调整的业务，并按照优 先级和带宽大小进行排序。 2、结合Open-CSPF框架，设置各个业务算路过程中的权值阅读器为时延阅读器，以保 证对每个业务进行算路时是按照时延最小的原则进行。 3、对步骤1中的业务逐个算路并部署进网络，得到一个较优的解，在该解的基础上， 引入启发式算法，以网络中带宽与时延乘积之和作为解的性能好坏的衡量值，试图寻找更优 的解，直至算法收敛，返回最终解。 经过全部优化后的网络，较优化前性能会有提升。 3.3.4. 全网负载均衡 针对全网离线优化带宽负载均衡问题，依旧采用贪婪+遗传的策略。流程如下所示： 1、保留优化前请求及路径信息，并存储至初始种群中。 2、拆除待优化的请求，然后根据优先级和带宽值对待优化请求进行排序，以保证优先 计算高优先级大带宽的业务路径。 2、基于单路径BwLB算法，为每个请求预分配一条可选路径，并作为遗传算法的初始 种群。 3、使用遗传算法，对初始种群进行交叉、变异和选择操作，不断生成新的染色体，并 保留较优的染色体继续进行交叉和变异。以此类推，直至算法结束，从最终的种群中挑选出 最优的染色体作为批量路径的可行解。 12 4、如果最优染色体的带宽利用率不优于优化前结果则返回路径优化失败。有过优于优 化前结果，则返回优化成功。 4. 智能网络控制架构 如图4-1所示为智能网络控制的总体架构，主要包括：网络状态采集/感知、AI智能分 析、SDN控制器等部分。 图4-1：智能网络控制总体架构 4.1. 网络状态采集/感知 整个网络的流量、质量等信息，都通过统一网络状态感知模块进行采集，包括： 1）通过Telemetry/Snmp/Netconf，采集链路/隧道的流量信息 2）通过Netflow，采集业务流信息 3）通过TWAMP，采集链路/隧道的质量信息 对采集后的原始网络数据进行统一存储，可供SDN控制器、AI智能分析模块进行订阅 4.2. AI智能分析 网络状态采集/感知模块收集的原始网络数据，经过处理后上报到AI 智能分析模块进 行智能分析，生成智能策略，下发SDN控制器执行，AI智能分析模块具备如下能力： 1）数据适配器，灵活对接各类数据源 2）支持机器学习、深度学习、强化学习等各类AI算子 3）提供可视化AI建模和流水线编排 4）智能策略生成能力 4.3. SDN控制器 SDN控制器依据AI智能分析模块生成的策略，根据智能网络优化算法，计算网络优化 的调整对象、及调整策略等，再将计算后的结果下发至网络设备，从而实现智能网络控制的 目的 5. 智能网络控制和流量调优关键技术 5.1. 路由计算算法 5.1.1. Greedy算法 贪心算法（又称贪婪算法）是指，在对问题求解时，总是做出在当前看来是最好的 选择。也就是说，不从整体最优上加以考虑，他所做出的是在某种意义上的局部最优解。 贪心算法不是对所有问题都能得到整体最优解，关键是贪心策略的选择，选择的贪 心策略必须具备无后效性，即某个状态以前的过程不会影响以后的状态，只与当前状态 有关。目前贪心算法主要用于单条路由计算。主要的计算策略包含最短路、最小时延、 最大带宽、负载均衡等。 贪心算法的典型算法是Dijkstra算法。Dijkstra算法是从拓扑图中的某个顶点出发 到达另外一个顶点的所经过的边的权重和最小的一条路径，称为最短路径。 如下图拓扑所示，边上的属性分别表示metric和bandwidth。那么计算出的A-D 点的最优路径为A-B-C-D,cost=3. 14 图5-1 Dijkstra算法示意 5.1.2. KSP算法 KSP算法主要用于计算K优路径。它的核心算法依然是Dijkstra算法。然后通过删除 算法来实现K优寻路。 Deletion Algorithm 删除算法的核心是通过在有向图中已有的最短路径上删除某条 弧，并寻找替换的弧来寻找下一条可选的最短路径。删除算法实际上是通过在有向图中增加 附加节点和相应的弧来实现的。 如下图拓扑所示，边上的属性分别表示metric和bandwidth。那么计算出的A-D 点的K=2时两条路径分别为A-B-C-D,cost=3;A-C-D,cost=4。 图5-2 KSP算法示意 5.2. 路径优化算法 我们要解决网络流量优化问题，依靠传统手段难以解决，需要引入机器学习为代表的 各类AI算法，基于对网络海量数据分析，进行AI模型的训练，在网络流量分析、流量预测、 异常分析、网络仿真、故障诊断等方面发挥核心作用。 机器学习在网络控制和优化的各类应用场景中得到广泛应用，主要包含粒子群算法、 遗传算法、模拟退火算法等算法。 5.2.1. 粒子群算法PSO( Particle Swarm Optimization) 设想这样一个场景：一群鸟在随机搜索食物 。已知：1）在这块区域里只有一块食物; 2） 所有的鸟都不知道食物在哪里; 3） 但它们能感受到当前的位置离食物还有多远. 那么:找到食物的最优策略是什么呢？搜寻目前离食物最近的鸟的周围区域，根据自己飞行 的经验判断食物的所在。PSO正是从这种模型中得到了启发：信息的社会共享。 1）每个寻优的问题解都被想像成一只鸟，称为“粒子”。所有粒子都在一个D维空间进行 搜索；2）所有的粒子都由一个适应度函数值以判断目前的位置好坏；3）每一个粒子必须 赋予记忆功能，能记住所搜寻到的最佳位置。即个体经历过的最好位置；4）每一个粒子还 有一个速度以决定飞行的距离和方向。这个速度根据它本身的飞行经验以及同伴的飞行经验 进行动态调整；5）在所有粒子的最佳位置中挑选出最优的作为当前全局最优解 粒子群算法算法流程如下： 图5-3 粒子群算法流程 5.2.2. 模拟退火算法，SA( Simulated Annealing) 热力学上，退火现象指物体逐渐降温的物理现象，温度愈低，物体的能力状态会低；够 低后，液体开始冷凝与结晶，在结晶状态时，系统的能量状态最低。大自然在缓慢降温（退 火）时，可找到最低能量状态：结晶。但是，如果过程过急过快，快速降温（淬炼）时，会 导致不是最低能态的非晶形态。 慢工出细活，缓缓降温，使得物体分子在每一个温度时，能够有足够时间找到安顿位置， 则逐渐的，到最后可得到最低能态，系统最安稳。 16 图5-4 退火算法示意 5.2.3. 遗传算法 遗传算法是基于达尔文的自然选择和遗传学机理的生物进化理论而提出的一种优化计 算模型，通过模拟自然进化过程达到求解问题最优解的目的。结合自然界生物进化论，给出 遗传算法的重要概念。 （1）基因（Gene）：它是遗传算法的最小组成单元，对实际问题进行编码时，它可以是一 个二进制位，实数或字符。 （2）染色体（Chromosome）：它是遗传物质的主要载体，表示待求解的一个解，一条染 色体对应一个个体，由多个基因组成，是遗传算法的基本操作单位。 （3）种群（Population）：它是由一定数量的染色体组成，构成待求解问题的解空间，是 遗传算法的搜索空间。 （4）适应度（Fitness）：它是根据生物进化理论中“优胜劣汰”的进化原理而提出的一个 量化的概念，表示个体所对应的解的优劣，常用适应度函数表示。 （5）选择（Choose）：计算每个个体的适应度值，采用某种方法从上一代种群中选择一定 数量的优良解遗传到下一代。 （6）交叉（Crossover）：两个染色体的部分基因进行交换以产生新一代的个体，该过程 体现了信息交叉的思想，是遗传算法中最主要的遗传操作。 （7）变异（mutation）：根据变异因子的大小改变个体中的基因值以产生新一代的个体。 遗传算法的算法流程如下： 图5-5 遗传算法流程 5.3. Telemetry采集技术 一种新型的数据采集协议。基于Google开源项目gRPC实现，提供了比传统采集协 议更快速的采集通道。拥有支持被采集方主动上报数据、能灵活定制采集内容等特点。综上 而言Telemetry采集技术具有高度可扩展性，可以支持更大的网络规模。 6. 现网部署应用效果 6.1. 流量调优效果案例 假设给定网络拓扑模型: 图6-1 网络拓扑 网络初始信息如下表6-1: 表6-1 网络初始信息表 18 路径1 S1-A-B-C-E1 路径2 S1-A-C-E1 路径3 S2-A-B-C-E2 路径4 S2-A-C-E2 路径5 S3-A-B-C-E3 路径6 S3-A-C-E3 业务请求属性表6-2: 表6-2 业务请求属性表 属性业务 起始点 终点 大小 业务1 S1 E1 40M 业务2 S2 E2 30M 业务3 S3 E3 20M 基于以上信息分别举例四种优化场景: 网络最大资源利用 拥塞控制与预防 资源负荷分担 路由并发计算与恢复 6.1.1. 资源最大利用 优化前业务部署情况表6-3： 表6-3 优化前业务部署情况表 属性业务 路径 1 路径2 路径3 路径4 路径5 路径6 最大链路利用 率 业务1 60% 业务2 业务3 优化前业务部署特征： 1) 链路A-C，对应的链路利用率为60% 2) 链路A-B、B-C利用率都为零 3) 链路负载不均衡 优化后业务部署情况表6-4： 表6-4 优化后业务部署情况表 属性业务 路径 1 路径2 路径3 路径4 路径5 路径6 最大链路利用 率 业务1 33.3% 业务2 业务3 优化后业务部署特征： 1) 链路A-C拥有网络最大链路带宽利用率为33.3%； 2) 链路A-B、B-C利用率为26.7%； 3) 链路负载均衡。 6.1.2. 拥塞控制 假设条件: 1) 网络中已有3个业务部署， 2) 对应的业务属性和部署方式分别如上页图6-1，表6-2所示 3) 此时有一个新的业务4请求需要部署进网络中，大小为110M且起始点是S1,终点是 E1。 问题分析，观察现网络状态不难发现: 1) 无论业务是经过路径1或路径2都会导致链路拥塞现象 2) 需要调整前3个业务中的一个或者几个业务的传输路径 3) 保证业务4能够成功部署进网络 4) 同时使得整个网络处于均衡状态 路径优化后效果表6-5： 表6-5 路径优化后效果表 属性业 务 路径 1 路径2 路径3 路径4 路径5 路径6 最大链路利用 率 业务1 80% 业务2 业务3 业务4 表6-4路径调整到表6-5前后对比： 1) 只改变了业务1的传输路径 2) 源抢占时，希望同时各链路带宽利用率为60%、60%、80%是网络所能达到的最优平 3) 各链路带宽利用率为60%、60%、80%是网络所能达到的最优平衡状态。 20 6.1.3. 资源负荷分担 假设条件: 1) 网络中已有3个业务部署， 2) 对应的业务属性和部署方式分别如图6-1、表6-2 3) 有一个新的业务4请求需要部署进网络 4) 大小为150M且起始点是S1,终点是E1 问题分析，观察现网络状态不难发现: 5) 即使使用上文所述”拥塞控制与预防“技术也不能将业务4成功部署， 6) 考虑资源负荷分担的方式，利用剩余碎片资源承载更多业务，即将业务4 拆分之后进 行传输。 表6-6 路径优化 属性业务 路径 1 路径2 路径3 路径4 路径5 路径6 最大链路利用率 业务1 80% 业务2 业务3 业务5 业务6 业务部署后特征： 1) 将业务4拆分成等价的业务5和业务6进行传输 2) 大小分别为80M、70M 3) 最终网络中各链路的带宽利用率大小一致 6.2. 流量拥塞调优实际效果 进行十组测试，每组随机生成1000隧道，设定利用率目标是50%，调整策略是负载 均衡，算法优化目标是尽力降低最大利用率。最终可以将利用率降低到阈值以下，但是调整 隧道很多、扰动率很大。 复用该十组请求。设定利用率目标是50%，调整策略改成负载均衡&扰动控制，算法 优化目标是尽可能控制扰动、且尽可能降低最大利用率。可以得到最终可以将利用率降低， 但扰动相对变得很小，此时最终的利用率升高。 致谢 感谢以下各位专家在本报告编制过程中的贡献： 中国联通集团，郭爱鹏 中兴通讯，张嗣宏