基于边缘计算的多用户动态带宽分配方法.pdf

计算机与现代化JISUANJI YU XIANDAIHUA2023年第11期总第339期文章编号：1006-2475（2023）11-0069-06收稿日期：2023-07-03；修回日期：2023-08-08基金项目：国家自然科学基金面上项目（61772221）；广州华商学院校内导师制科研项目（2022HSDS23）作者简介：杨波（1977），男，江西井冈山人，副教授，硕士，研究方向：计算机网络，大数据与人工智能，E-mail:yangbo_。0引 言随着互联网的快速发展，数据中心的重要性日益凸显。但是，数据量的增长和分布使得传统的中心化数据中心面临着一系列问题，包括高昂的运维成本和延迟高等。为了解决这些问题，近年来，边缘计算作为一种新兴技术正在逐渐受到研究者的关注。边缘计算通过在用户设备、网络边缘或物联网设备上处理数据，实现了应用和服务的分离，从而提高了系统的效率和响应速度1-4。此外，边缘计算还能够有效解决数据传输带宽瓶颈和应用延迟等问题，同时提高了网络的安全性。在数据中心承载的大量业务中，边缘计算可以作为数据中心的补充，为复杂的分布式业务提供更加合理的带宽分配和流量调度，有效缓解了数据中心运维压力。当今数据中心的带宽分配和流量调度问题的挑战可以通过边缘计算来解决。边缘计算可以使数据中心的计算、存储和网络资源在边缘节点上得到更好的利用，同时能够更好地满足用户的需求，提高网络中的服务质量。在数据中心中，边缘计算可以将计算资源和存储带宽等从核心网络移动到边缘，以更好地管理和分配网络资源，带来更高效和智能的带宽分配和流量调度算法。另外，边缘计算还可以利用物理距离更近的边缘设备来分担网络资源的负荷，减少数据传输的延迟和流量拥塞，提高数据传输效率，保障数据中心应用的稳定性和服务质量。因此，采用边缘计算的带宽分配方法可以为数据中心的用户提供更加高效、优质的服务，同时在数据存储和处理方面也具有显著的优势。多用户动态带宽分配方法是当前网络领域研究的热点之一。其中，文献 5 中提出的 TWDM-PON动态波长带宽分配算法，通过综合考虑ONU的往返时间、带宽需求和排队时延等因素，采用编码技术和调度顺序的动态调整，有效地降低了排队时延和端到端时延，提高了网络吞吐量。文献 6 中提出的NG-PON2周期性动态带宽分配算法，则针对无源光网络中的动态带宽分配问题，采用自适应能力和基于统计的周期性服务质量策略，实现了对网络资源的合理分配。然而，这些方法仍然存在分配效率不高的问题，需要进一步完善和优化。基于边缘计算的多用户动态带宽分配方法杨波（广州华商学院数据科学学院,广东广州511300）摘要：当前多个集群框架布置在同一个数据中心增加了动态带宽的分配时间。针对这种情况，提出一种基于边缘计算的多用户动态带宽分配方法。该方法采用循环神经网络计算构建分配模型，并通过3层分配机制和边缘框架进行带宽的弹性共享应用。用户业务的优先流转级别通过共享机制设定，促进多用户的业务需求同步传输，同时实现多用户动态带宽的分配。实验结果表明，该新方法可以基于不同的用户规模进行分类，具有高效的分配效率和实用性。关键词：动态带宽；边缘计算；多用户；分配方法中图分类号：TN929.1文献标识码：ADOI:10.3969/j.issn.1006-2475.2023.11.011Multi-user Dynamic Bandwidth Allocation Method Based on Edge ComputingYANG Bo（School of Data Science，Guangzhou Huashang College，Guangzhou 511300，China）Abstract:Multiple cluster frameworks in the same data cente increased the allocation time of dynamic bandwidth.In view of thissituation，researchers proposed a multi-user dynamic bandwidth allocation method based on edge computing.This method uses arecurrent neural network to calculate and construct an allocation model，and applies elastic bandwidth sharing through a three-layer allocation mechanism and link framework.The priority flow level of user business is set through a sharing mechanism to promote the synchronous transmission of business needs among multiple users，while achieving dynamic bandwidth allocationamong multiple users.Experimental results show that the new method can be classified based on different scale of users，and hashigh allocative efficiency and practicability.Key words:dynamic bandwidth；edge calculation；multi-user；distribution method计算机与现代化2023年第11期为解决上述方法中存在的问题，本文以带宽分配为研究基础，通过边缘计算方式设计一个多用户的带宽分配方法，为数据中心的业务应用提供理论支持。1设定3层动态带宽分配机制随着信息技术的发展，用户通过云平台访问成百上千的服务器来获取所需信息。因此，网络带宽的分配能力对用户体验至关重要。为了实现多用户的动态网络带宽分配，本文可以通过设计一个3层树形结构的数据封装机制，并设定一个基准的网络动态带宽分配机制。一般情况下所有的数据流都是从最底层的源节点中上来的，然后再经过中间的交换机将数据回送到最底层的目的节点，基于此，本文将动态网络带宽的数据链路按照上行和下行2种模式进行分析，分别设计2种封装准则。为实现多用户的动态网络带宽分配，需将共享同一组源节点的上行链路以及存在共享的尾部节点的下行链路封装在同一集合中。根据连续的封装准则，不同用户对应的数据中心可以划分出多个链路集合，从而构建数据中心网络。为确保多用户同时段动态带宽分配有效，需要确保链路集合之间无交集状态。具体情况见图1。图13层动态带宽分配机制如图1所示，按照核心层和汇聚层以及边缘层这3个层级组建分配机制，在核心层中设定上行链路与下行链路，汇聚层与边缘层为交换机与节点的放置位置。不同链路在运行时可以避免任意一组链路占据资源，均可以为其他的链路留下更多的带宽。通过3个层级的带宽分配机制设定，意味着动态带宽在分配时需要首先给到链路，然后再细分到每一个数据流中，再被用户所享用。为更好地实现3层带宽的分配，将弹性共享方法应用在链路框架内，具体情况如图2所示。如图2所示，QW1、QW2、QW3分别表示3个链路框架。此次以一条200 Mbps的链路作为实例，其与3个链路框架的组合形式主要为：当第一个链路框架“QW1”没有应用时，若其他 2 组链路框架“QW2”和“QW3”存在应用，且其不能保证最低带宽，那么“QW1”就会将带宽借给“QW2”和“QW3”，这样就都能保证较小的带宽，实现链路中带宽的灵活应用7-8。图2弹性共享带宽应用示意2构建多用户动态带宽分配网络模型为实现多用户动态带宽的分配，需要对网络中的业务流量变化进行分析并建立相应的网络模型。由于网络流量随时间变化而改变，因此网络模型应确保各组数据的相互独立性9-12。以上述设定的 3层动态宽带分配机制为基础，设计经典的神经网络模型，具体结构见图3。图3基于神经网络的多用户动态带宽分配模型当进行动态带宽分配时，循环神经网络（RNN）能够通过学习历史的请求数据，对当前时刻的带宽需求进行预测和分配。首先，将业务请求信息作为训练数据，RNN可以从中学习到不同时间段内不同业务请求的规律和特征。这意味着RNN可以捕捉到在不同时间段内业务请求的变化情况。随后，RNN可以利用学习到的知识来预测未来的带宽需求。通过处理输入数据，RNN能够输出一个在未来时间段内的带宽需求预测结果。这样，在实时的网络环境中，可以根据RNN的预测结果来调整带宽分配策略，从而优化网络的带宽利用效率。在本文中，循环神经网络被选择作为动态带宽分配模型的主要原因是它的特点。在每个隐含层中，RNN都可以利用上一阶段的输出来影响当前输出。这意味着RNN可以在处理业务请求时考虑到其在过去时间段内的相关信息，从而增强了模型的记忆能力和长期依赖关系的建模能力。对于每一个业务请求来说，RNN能够共享其在不同时段内的信息。这意味着RNN可以处理任意长度的用边缘层汇集层核心层上行链路下行链路上行链路下行链路QW1QW2QW3用户用户用户用户QW1QW2QW3用户用户用户用户用户用户lnzxz1xz1xzxl1xl1xlxn1xn1xn702023年第11期户业务请求作为训练信息，并利用这些信息来表示具体带宽的分配情况。通过这种方式，RNN能够捕捉到时间序列中的长期依赖关系和周期性，从而更好地理解和预测未来的带宽需求13-15。其具体计算公式如下：zx=c1()vbzx-1+vnnx+mzlx=c2()vkzx+ml（1）其中，lx为期望的动态带宽分配结果，c1、c2为激活函数。zx为隐含层的实际输出结果16-19，zx-1为上一时间段的输出结果，nx为输入的业务请求数据，vb、vk、vn、mz、ml为共享权重。通过神经网络模型充分获取历史业务请求下的带宽分配情况，将不合理的分配结果进行剔除，并利用边缘计算实现带宽分配。3基于边缘计算实现动态带宽分配当将“边缘计算技术”融合到数据中心的网络结构中时，可以更好地满足多用户的业务需求20-22。这是因为边缘计算节点位于网络边缘，可以在靠近用户的地方处理一部分数据和计算任务，从而减少了数据中心的负担，缩短了数据传输的距离，进而减少了用户在数据中心的服务等待时间。在数据中心的网络结构中，通过为不同的业务设定优先级，根据不同的业务需求进行带宽分配，可以优化网络资源的利用效率，提高服务质量。同时，边缘计算节点与数据中心之间的数据流共享，可以更好地利用现有的网络资源，实现多用户的数据同步传输23-25。基于边缘计算的协同控制模块如图4所示。图4基于边缘计算的协同控制模块如图4所示，将数据流分为迁移流和非迁移流2个部分，其中非迁移流可以作为辅助数据流帮助不同类型的数据进行传输，迁移流的突发性较高，且单次传输量较大，具有严格的迁移时间等规定，若其作为重要组成部分，想要优先传输可能会占据信道，而其他业务则不能满足传输要求，因此当存在迁移流时，需要将其让位于其他的高级优先业务26-27。为满足动态带宽的低时延业务，同时满足迁移流和非迁移流的业务交换，本文基于边缘计算方式提出带宽的分配方法，具体流程如下：1）输入参数：分别为消息的传输时间和数据的保护时间，以及发送优先级业务请求的时隙长度。2）分配授权时隙：在多个查询周期内，当出现用户的业务请求时，判断其业务是属于迁移流还是非迁移流，以此分析分配带宽的负载情况。3）授权边缘长度：在整个业务流转过程中，对流转周期和时隙用边缘长度来表示，体现整个业务需求所需要的长度。4）计算迁移流时隙授权长度：通过步骤2中的判断结果，结合步骤3的授权情况，完成计算。5）计算非迁移流时隙授权：与步骤4一致。6）给定最大优先级：针对划分好的业务结构类型，对用户请求的重要程度进行排序，设定优先分配动态带宽的业务请求类型，根据匹配情况给定其所需的动态带宽。根据上述步骤，为满足业务分配的公平性，对其中主要的参数进行计算，以迁移流作为设计基础，当计算出其所需时隙长度后，即可直接获取非迁移流的时隙长度，具体公式如下：qe,rw=te,rwye,rwumax（2）yqw=r=1ie=1rjqe,rw（3）tiw=()umax-i()pa+ps（4）其中，w为业务查询周期，r表示迁移流数量，qe,rw为在第w个周期内第r个迁移流的传输时隙，te,rw为剩余迁移流的传输时隙，ye,rw为发送所需的时间，umax为最大的查询边缘长度，yqw为授权后的时隙总长度，rj为业务流转的任务序列号，tiw为授权的动态带宽分配的时隙长度，pa为业务传输时间，ps为保护时间，为业务阈值。通过查询不同周期内的迁移流时隙长度计算，以边缘长度对照其分配带宽，在每一个业务请求发出后，根据不同的计算结果，对优先级进行排序，并按照阈值下降的顺序对迁移流或者非迁移流的带宽进行分配。至此，本文基于边缘计算实现了多用户带宽的分配方法设计。4实验与性能分析上文中通过边缘计算设计了新的方法，为验证该方法能够实现带宽的有效分配，采用对比测试的方式完成论证。本文采用基于软件定义网络（SoftwareDefined Network，SDN）模型的分配方法和基于客户端的光纤网络单元（Fiber optic network unit for theclient，ONTs）分组的分配方法作为对照组，分别与本文方法进行对比，验证不同方法的有效性。整个测试按照2个部分进行，第一部分验证不同用户数量下的动态带宽分配效率，即每组方法在用户数量发生变化时，是否具有较快的分配效率；第二部分验证不同距离下多用户集合动态带宽的分配效率。验证不同方法是否具有远距离的分配效果。4.1实验软件与硬件4.1.1实验软件分析实验中设计的不同的业务类型需要不同的带宽杨波：基于边缘计算的多用户动态带宽分配方法71计算机与现代化2023年第11期参数，如表1所示。表1不同的业务类型需要不同的带宽参数业务类型视频会议在线游戏文件下载实时音频流WEB页面加载带宽需求/Mbps1052021时延容忍度/ms1005050050300QoS等级高中低中低不同的业务类型需要不同的带宽参数，以确保满足用户的各种性能需求。在表1中，不同的业务类型对带宽和时延的需求有所不同，ONTs等级也会因此而有所区别。网络管理员可以根据不同的业务类型设置相应的带宽参数，以便有效地分配带宽资源，并优化网络性能。4.1.2实验硬件分析本文选用的主要硬件为边缘计算服务器，其具体参数如表2所示。表2边缘计算服务器参数参数处理器内存/GB存储/TB网络接口边缘计算软件平台机箱电源散热可靠性远程管理界面（IPMI/IP KVM）描述Intel Xeon E5-2680 v4642高带宽千兆以太网OpenStack2U机架式服务器高效的电源设备高效的散热装置Intel RAID指南独立的远程管理接口，可以实现远程访问和管理服务器4.2实验数据分析为保证此次测试的真实性，以上述软件以及硬件为基础，验证不同方法对多用户条件下动态带宽的分配效果，分别以不同的用户数量作为测试基础，以此划定此次测试区间。具体情况如下：1）小基数用户集：用户数量小于等于500人时为一组测试数据，按照100人一组进行划分。2）中基数用户集合：当用户数量超过1000人但不足2000人时，按照每200人为一组测试数据进行划分。3）大基数用户集合：当用户数量超过5000人但小于或等于6000人时，按照2000人一组进行划分。4）超大基数用户集合：当用户数量超过10000人时，人数会控制在20000人，并按照3000人一组进行划分。测试过程均安排在MATLAB测试平台中，分别连接3组方法，通过设计的测试条件，按照步骤进行测试。4.3测试结果分析根 据 设 定 的 4 组 用 户 集 合，将 数 据 上 传 至MATLAB测试平台，并连接3组分配方法，以实际对应的动态带宽为分配基准，测试不同方法的分配时间，见图5。（a）小基数用户集（b）中基数用户集（c）大基数用户集（d）超大基数用户集图5不同用户数量条件下动态带宽分配效率时间/s时间/s时间/s用户/人时间/s0301020本文方法基于SDN模型的分配方法基于ONTs分组的分配方法14000160001000012000120001400016000180001800020000时间/s时间/s时间/s用户/人时间/s0301020本文方法基于SDN模型的分配方法基于ONTs分组的分配方法14000160001000012000120001400016000180001800020000时间/s时间/s时间/s用户/人时间/s0301020本文方法基于SDN模型的分配方法基于ONTs分组的分配方法14000160001000012000120001400016000180001800020000时间/s时间/s时间/s用户/人时间/s0301020本文方法基于SDN模型的分配方法基于ONTs分组的分配方法14000160001000012000120001400016000180001800020000722023年第11期根据图5中内容所示，在本文方法应用下无论是用户数量如何变化，均可以在1.5 s内完成带宽分配，而2组传统方法会受到用户数量的影响，随着用户基数的不断增加，其对动态带宽的分配时间会延长，分别为25 s和32 s，综合上述结果可知，在动态带宽的分配过程中，使用边缘计算可以将计算任务放置在离用户更近的边缘节点处，减少数据的传输距离和传输时间，从而降低了整个系统的时间延迟。本文方法利用边缘计算的优势能够合理分配动态带宽，保证其分配时间。4.4不同距离下多用户动态带宽分配测试结果上一阶段验证了本文方法的有效性，为进一步分析本文方法的可用性，直接以超大基数用户集合作为测试对象，在不同的距离设定下验证每组方法的分配时间，见图6。（a）近距离（b）中距离（c）远距离图6不同距离条件下动态带宽分配效率分析图6可知，本文提出的方法利用边缘计算支持实现了用户的动态带宽分配。通过按照不同标准对动态带宽进行划分，可以更加精确地分配带宽资源，从而有效提高网络传输效率。实验结果进一步验证了本文方法的有效性，显示使用这种方法进行动态带宽分配所需的时间均不超过2.2 s，远远快于传统方法。证明了边缘计算在提供更高带宽和更低时延方面的优越性。边缘计算能够将计算和存储功能推向离用户更近的地方，从而减少数据传输的延迟并提供更快的响应速度。本文方法充分利用边缘计算的优势，为动态带宽分配提供了可行的解决方案。具有更高的实用性和广泛的推广前景。通过在实际网络环境中应用这种动态带宽分配方法，可以提升网络性能、提高用户体验，并使带宽资源得到更有效的利用。因此，本文的研究成果可以提升网络传输效率和推动边缘计算技术的应用。5结束语本文研究在边缘计算基础上设计了新的动态带宽分配方法，并通过对比实验证明了其有效性，可实现多用户以及远距离的带宽分配，具有高效率和可用性。然而，由于研究时间有限，本方法在设计中存在少许不足之处。例如，在实验过程中只涉及了分配效率验证，而对实际的动态带宽数值分析较少，因此存在局限性。下一步的研究将针对该问题进行深入分析，提出更全面的分配方法，为其实际应用提供理论基础。参考文献：1 陈行政，李聪波，李丽，等.面向能效的多工步数控铣削工艺参数多目标优化模型 J.计算机集成制造系统，2016，22（2）:538-546.2 毛水强，洪健，任华，等.面向电力物联网的5G移动边缘计算任务卸载方法 J.电测与仪表，2022，59（2）:105-111.3 朱思峰，孙恩林，柴争义.移动边缘计算场景下基于免疫优化的任务卸载 J.西安电子科技大学学报，2022，49（1）:152-160.4 贾觐，暴占彪.改进GA的边缘计算任务卸载与资源分配策略 J.计算机工程与设计，2021，42（11）:3009-3017.5 孙皓，杜俐洁，何荣希.TWDM-PON中基于网络编码的动态波长带宽分配算法 J.光通信技术，2021，45（11）:23-30.6 冯平兴，郑美芳，李文翔.NG-PON2中的周期性动态带宽分配算法 J.光通信技术，2022，46（5）:11-14.7 LE T H T，TRAN N H，LEANH T，et al.Auction mechanism for dynamic bandwidth allocation in multi-tenantedge computing J.IEEE Transactions on Vehicular Technology，2020，69（12）:15162-15176.8 HE S X，WANG T Y，WANG S W，et al.Mobility-drivenuser-centric AP clustering in mobile edge computing-based ultra-dense networksJ.Digital Communicationsand Networks，2020，6（2）:210-216.9 TORRES E，REALE R，SAMPAIO L，et al.A SDN/OpenFlow framework for dynamic resource allocation based onbandwidth allocation model J.IEEE Latin America Transactions，2020，18（5）:853-860.10 YAN Y D，YANG J，LIU C J，et al.On the actuator dynamics of dynamic control allocation for a small fixed-wing 700距离/m500时间/s030600800102040本文方法基于SDN模型的分配方法基于ONTs分组的分配方法 2000距离/m1000时间/s03015002500102040本文方法基于SDN模型的分配方法基于ONTs分组的分配方法 700距离/m500时间/s030600800102040本文方法基于SDN模型的分配方法基于ONTs分组的分配方法 2000距离/m1000时间/s03015002500102040本文方法基于SDN模型的分配方法基于ONTs分组的分配方法杨波：基于边缘计算的多用户动态带宽分配方法73计算机与现代化2023年第11期UAV with direct lift control J.IEEE Transactions on Control Systems Technology，2020，28（3）:984-991.11 RUFFINI M，AHMAD A，ZEB S，et al.Virtual DBA:Virtualizing passive optical networks to enable multi-serviceoperation in true multi-tenant environments J.Journal ofOptical Communications and Networking，2020，12（4）:B63-B73.12 XUE X W，NAKAMURA F，PRIFTI K，et al.SDN enabled flexible optical data center network with dynamicbandwidth allocation based on photonic integrated wavelength selective switch J.Optics Express，2020，28（6）:8949-8958.13 HOSSEN M，HANAWA M.Delay and energy efficient dynamic bandwidth allocation algorithm for hybrid opticaland wireless sensor networksJ.Optical Fiber Technology，2020，55:102159-102159.14HAMMADI A A.A framework for an energy-efficient bandwidth allocation approach through dynamic ONTs groupingin flexible GPON access networks J.International Journalof Communications，Network and System Sciences，2020，13（1）:1-14.15 MUSTAPHA O Z，HU Y F，SHERIFF R E，et al.Evaluation of bandwidth resource allocation using dynamic LSPand LDP in MPLS for wireless networksJ.InternationalJournal of Computing and Digital Systems，2020，9（2）:139-146.16 UZAWA H，HONDA K，NAKAMURA H，et al.Dynamicbandwidth allocation scheme for network-slicing-basedTDM-PON toward the beyond-5G era J.Journal of Optical Communications and Networking，2020，12（2）:A135-A143.17 CHU X，LENG Z.Multiuser computing offload algorithmbased on mobile edge computing in the Internet of ThingsenvironmentJ.Wireless Communications and MobileComputing，2022（1）.DOI:10.1155/2022/6107893.18 ZHU W J，XIANG T C，SHANG B X，et al.Research onelectrical power quality disturbance recognition methodbased on edge computing and LightGBM C/2021 3rd International Conference on Computer Science Communication and Network Security（CSCNS2021）.2022.DOI:10.1051/itmconf/20224501028.19 GAO Y，ZHANG H R，YU F，et al.Joint computationoffloading and resource allocation for mobile-edge computing assisted ultra-dense networks J.Journal of Communications and Information Networks，2022（1）:96-106.20TONG M L，WANG X X，LI S，et al.Joint offloading decision and resource allocation in mobile edge computing-enabled satellite-terrestrial network J.Symmetry，2022，14（3）.DOI:10.3390/sym14030564.21LU L P，ZHOU J.Research on mining of applied mathematics educational resources based on edge computing anddata stream classification J.Mobile Information Systems，2021.DOI:10.1155/2021/5542718.22 ZHANG X J，HUANG C，GU D W，et al.Privacy-preserving statistical analysis over multi-dimensional aggregated data in edge computing-based smart grid systemsJ.Journal of Systems Architecture，2022，127.23 SEO Y S，HUH J H.GUI-based software modularizationthrough module clustering in edge computing based loT environmentsJ.Journal of Ambient Intelligence and Humanized Computing，2022，13（3）:1625-1639.24QIU H，LI T.Auction method to prevent bid-rigging strategies in mobile blockchain edge computing resource allocation J.Future Generations Computer Systems，2022，128:1-15.DOI:10.1016/j.future.2021.09.031.25XUE F，HAI Q R，DONG T T，et al.A deep reinforcementlearning based hybrid algorithm for efficient resourcescheduling in edge computing environment J.InformationSciences，2022，608:362-374.26 LI J，YANG Z P，WANG X W，et al.Task offloadingmechanism based on federated reinforcement learning inmobile edge computingJ.Digital Communications andNetworks，2023，9（2）:492-504.27 BARANWAL G，KUMAR D，VIDYARTHI D P.BARA:Ablockchain-aided auction-based resource allocation inedge computing enabled industrial internet of thingsJ.Future Generations Computer Systems:FGCS，2022，135:333-347.sium on Networked Systems Design and Implementation（NSDI 15）.2015:219-234.20 HENZINGER M R，KLEIN P，RAO S，et al.Fastershortest-path algorithms for planar graphsJ.Journal ofComputer and System Sciences，1997，55（1）:3-23.21 RAICIU C，HANDLY M，WISCHIK D.Coupled Congestion Control for Multipath Transport ProtocolsEB/OL.（2011-10-01）2022-11-08.https:/datatracker.ietf.org/doc/html/rfc6356.22 ABUALIGAH L，DIABAT A，MIRJALILI S，et al.Thearithmetic optimization algorithm J.Computer Methods inApplied Mechanics and Engineering，2021，376:113609.DOI:10.1016/j.cma.2020.113609.23 GAO Z，ZHUANG Y，CHEN C，et al.Hybrid modifiedmarine predators algorithm with teaching-learning-basedoptimization for global optimization and abrupt motiontrackingJ.Multimedia Tools and Application，2022，82（3）:19793-19828.24 YANG X S，DEB S.CUCKOO search via Lvy flights C/2009 World Congress on Nature&Biologically InspiredComputing（NaBIC）.2009:210-214.25 GitHub.MininetEB/OL.2022-11-08.https:/ QvS.Open vSwitch Home PageEB/OL.2022-11-08.http:/www.openvswitch.org/.27 GitHub.Faucetsdn/ryuEB/OL.2022-11-08.https:/ DHALIWAL H K，LUNG C H.Load balancing using ECMPin multi-stage Clos topology in a datacenterC/2018IEEE Conference on Dependable and Secure Computing（DSC）.2018.DOI:10.1109/DESEC.2018.8625147.29 YE J L，CHEN C，CHU Y H.A weighted ECMP load balancing scheme for data centers using P4 switches C/2018IEEE 7th International Conference on Cloud Networking（CloudNet）.2018.DOI:10.1109/CloudNet.2018.8549549.30 EBERHART R，KENNEDY J.Particle swarm optimizationC/Proceedings of the IEEE International Conference onNeural Networks.1995，4:1942-1948.（上接第68页）74