网络性能测试与验证方法优化

2023-06-19 理论教育版权反馈

【摘要】：图9-23Wireshark在OC和RC中捕获MSRO消息序列在已建立的平台中，我们考虑了实际的应用程序场景和复杂性实验设置，并建立了生成简单业务需求的业务生成器。对于所提的GES，我们预先设定了可调节比重φ、β和γ分别为50%、33%和33%，以避免模拟环境下实验过于复杂。如图9-25所示，相较于其他方案，GES可以有效地提高资源占用率，特别是当网络负载很重的时候。

为了评估所提议架构的有效性，我们在试验平台建立了软件定义C-RoFN的EON。在数据层中，使用了两个模拟的RoF强度调节器和检测模块，用以在40 GHz频率工作的微波源驱动下产生双边带。在EON中，4个启用了OpenFlow协议的弹性ROADM节点安装了Finisar BV-WSSs。我们使用vSwitch作为代理的软件，根据API来控制硬件，并在控制器和无线与光节点之间进行交互。此外，OFP代理用于模拟数据层中的其他节点，以支持OFP中的MSRO。BBU池和OFP代理是在IBM X3650服务器上运行的VMware ESXi v5.1创建的许多虚拟机上实现的。虚拟操作系统技术使得建立大型扩展的实验拓扑结构变得更加容易。对于基于OpenFlow的MSRO控制平面，OC服务器被分配来支持所提议的架构，并通过3个虚拟机来部署插入MSRO控制、网络虚拟化和PCE策略，其中RC服务器用作无线频率资源监视器和频谱分配。BC服务器被部署为CSO代理，以监视BBUs的计算资源。每个控制器服务器控制相应的资源，而数据库服务器负责维护交通工程数据库、连接状态和数据库的配置。我们部署了与控制器相关的业务信息生成器，它用于实验的批量C-RoFN服务。

基于实验平台，我们设计并验证了在实验中使用的基于C-RoFN的MSRO。实验结果如图9-23至图9-25所示。图9-23是通过在OC中部署Wireshark捕获OFP和RC的信号过程。在这里，我们对C-RoFN的新消息类型进行定义，以支持未来研究中的新功能。10.108.67.21、10.108.50.74和10.108.49.14分别表示RC、OC和BC的IP地址，而10.108.49.23和10.108.49.24则分别代表了相关的OF-BVOSs的IP地址。通过定期查询关于当前OF-BVOSs状态的特性请求消息来监测。OC通过特性回复获得来自OF-BVOSs的信息。当业务请求到达时，RC通过UDP消息发送对MSRO的请求，在那里我们使用UDP消息来简化过程，并减少控制器的性能压力。在收到来自互操作的资源信息后，OC执行GES来计算考虑无线、光网络和BBU资源的多层优化的路径，然后为业务供应保留最佳的无线频率、频谱和处理资源。在完成了GES之后，OC和RC提供了光谱路径，并分配了无线频率，通过流mod消息来控制相应的节点。通过数据包接收安装成功回复，RC响应MSRO成功回复到BC，并更新计算使用以保持同步。

pagenumber_ebook=196,pagenumber_book=185

图9-23　Wireshark在OC和RC中捕获MSRO消息序列

在已建立的平台中，我们考虑了实际的应用程序场景和复杂性实验设置，并建立了生成简单业务需求的业务生成器。图9-24显示了试验平台的前端接口部分，其可根据无线、频谱和BBU资源的调节情况来演示业务供应，这就实现了资源的可视化。如图9-24所示，在MSRO架构中可以同时提供两个从RRH到BBU的业务请求。我们看到这两个业务在不同的路径上都是可接受的，可以在其中显示接口的虚拟拓扑。可以清楚地看到图9-24的底部显示了BBU服务器的当前网络带宽和处理资源状态，以及相应的业务路径的路由信息，包括详细的路径、业务带宽和相关的业务。模拟C-RoFN的光路光谱显示在过滤器上，如图9-25（a）所示。图9-25（a）右下角的数字表示简化的主要特征。MSRO中的无线信号可以在光谱通道进行调制。

pagenumber_ebook=197,pagenumber_book=186

图9-24　实验平台的前端绘图

我们还估计了在繁忙的流量负载场景下MSRO的性能，并与传统的CSO方案[8]在资源占用率和路径配置延迟方面进行了比较。严重的流量负载场景意味着网络中存在批处理的业务，此时负载值可从40 Erlang到150 Erlang。传统的CSO方案只考虑光网络层和应用层资源的跨层优化。本部分研究采用首次命中方式进行频谱分配。请求的带宽随机分布在500 MHz～40 GHz。弹性光网络中的频谱槽为6.25 GHz。我们假设在BBU中每个业务请求的CPU利用率是0.1%～1%间的随机数，每个业务都需要服务器的存储资源是从1～10 GB的一个随机数。业务到达网络的时间服从泊松分布，且每次运行的业务请求数为10万个，每个业务需求的持续时间和到达间隔时间都遵循负指数分布。为了计算式（9-12）至式（9-15），需要预先设定几个权重。φ是预设的CPU和存储比重，以度量它们的重要性。β和γ是预设的BBU、光网络和无线参数的权重。对于所提的GES，我们预先设定了可调节比重φ、β和γ分别为50%、33%和33%，以避免模拟环境下实验过于复杂。该方案中的时变参数将在未来进行研究。根据CPU利用率Utc和内存利用率Utm，首先GES选择BBU层中最好的k候选BBU节点来计算式（9-12）。在无线层和光层中，候选节点中无线和光网络利用率用式（9-13）与式（9-14）来计算，而全局评估因子α可以用式（9-15）来计算。然后根据无线、光和BBU利用情况从k个候选节点中选择具有α最小值的节点作为业务的目标节点。在节点选择后，可以用第一调整策略为源和目的地之间的供应路径的无线频率和频谱进行分配。图9-25（b）、图9-25（c）比较了两个方案在资源占用率和路径供应延迟方面的表现。资源占用率反映了被占用资源占整个无线、光网络和BBU资源的百分比。如图9-25（b）所示，相较于其他方案，GES可以有效地提高资源占用率，特别是当网络负载很重的时候。原因是GES可以在全局范围内优化无线、光和BBU层资源，以最大限度地提高无线覆盖率。图9-25（c）显示，与其他方案相比，GES减少了路径供应延迟，这是因为在业务到达之前，GES选择了目的地BBU，这就导致了计算和路径提供时间的降低。

pagenumber_ebook=198,pagenumber_book=187

pagenumber_ebook=199,pagenumber_book=188

图9-25　过滤频谱的输出、资源占用率和在繁忙的交通负荷场景中各种方案的路径供应延迟

网络性能测试与验证方法优化

相关推荐