SDN中马尔可夫链负载均衡的最优路径分配算法提升网络性能

本文研究了在软件定义网络（Software Defined Network, SDN）环境下，针对传统网络控制与转发的紧耦合问题，所存在的路径分配算法局限性。传统的路径选择算法如短路径优先（Shortest Path First, SPF）往往无法有效应对全局性和实时性方面的挑战。为解决这些问题，研究人员提出了一种基于马尔可夫链负载均衡（Markov chain-load balancing, MC-LB）的路径分配算法。 马尔可夫链是一种数学模型，它用于描述随机过程随时间的演变，通过计算链路之间的转移概率来评估其重要性。在SDN架构中，MC-LB算法利用这些转移概率来动态地分配流量，确保在网络负载变化时仍能保持最佳性能。算法不仅考虑了业务流请求量，还着重于提高网络负载均衡率，即尽量使网络中的流量均匀分布，避免某些节点过载，从而提高整体服务质量和响应速度。 相比于传统的SPF算法，MC-LB算法在多请求场景下能够提供更优的路径分配。实验结果显示，该算法在实际应用中表现出色，能够显著提升网络负载均衡率，最高可达30%，同时也提升了网络业务流请求接受率，达到20%。这表明MC-LB算法不仅实现了负载均衡，还提高了网络的整体性能，对于大规模、高并发的网络环境具有明显优势。 此外，该研究还强调了团队的研究背景，包括王春枝教授、罗晨硕士研究生以及陈宏伟教授等的研究方向，他们分别在软件定义网络、云计算等领域有深入的研究。文章还提到了研究资金支持，包括国家自然科学基金和湖北省自然科学基金项目，这些都反映出该研究在学术上的严谨性和实用性。 总结来说，这篇论文的主要贡献在于提出了一个创新的路径分配算法，通过马尔可夫链的数学工具解决了SDN中负载均衡的问题，为网络设计和管理提供了新的解决方案，有望在未来网络技术发展中发挥重要作用。