高速公路：自适应隔离不同传输路径上的大象和老鼠流

随着数据中心的广泛部署，其网络资源竞争变得异常激烈。数据中心网络（DCN）需要处理不同类型的数据流，包括大象流和老鼠流，它们分别对应于大数据传输和低延迟敏感的网络应用。大象流通常由数据备份和虚拟机迁移等应用产生，而老鼠流则是对延迟高度敏感的流，例如网页浏览和在线社交网络服务。为了满足这两种流的性能需求，即高吞吐量和低延迟，就需要在它们之间找到一个折衷的解决方案。然而，传统上，由于在共享链路上无法区分这两种流的传输，使得这一问题很难得到有效解决。 为了改善这个问题，本研究提出了一种名为Freeway的流量调度方案，它利用数据中心通常采用的基于Clos拓扑（例如Fat-tree/VL2）的特点，提出了一种能够自适应地将传输路径分别划分为低延迟路径和高吞吐量路径的方案。这种方案的核心思想是基于源和目的之间存在多条最短路径的事实，通过算法动态调整这两种路径的数量以适应实时流量的变化。在此基础上，文章提出了一种区分流量类型的调度和转发方法，以充分利用带宽资源。仿真结果表明，Freeway方案能够显著降低老鼠流的延迟，并且相比Hedera算法，提高了9.2%的吞吐量。 数据中心的快速发展和广泛应用，带来了对高性能通信网络的巨大需求。数据中心网络在互联网服务中扮演着至关重要的角色，例如提供Web服务、视频内容分发、在线社交网络等。这些服务的流量特性差异显著，因此数据中心网络的设计必须要能够同时满足不同类型的流量需求。其中的挑战之一就是如何有效地在相同物理基础设施上隔离和管理大象流和老鼠流。大象流由于其数据量庞大，会占用大量带宽，而老鼠流虽然数据量小，但对延迟非常敏感。 要解决这一问题，传统的网络架构设计往往采取静态的网络资源分配策略，但这种方法难以适应流量需求的动态变化，导致整体网络资源的利用率不高。因此，研究者们提出了基于Clos拓扑的数据中心网络架构，该架构提供了多条从源到目的的最短路径，使得可以在不同的路径上实施不同的调度策略。Freeway方案正是基于这样的思想，能够根据实时流量状况动态调整路径的分配，从而对不同的流类型实施不同的处理策略。 Freeway方案中的流量调度策略具体包括了如何动态地控制和调整不同路径的数量，以及如何在分离的传输路径上采用不同的调度和转发方法。这样的设计不仅能够满足高吞吐量的目标，也能够提供低延迟的服务，充分挖掘了带宽资源的潜力。文章通过仿真结果验证了Freeway方案的有效性，展示了与现有技术相比，在保证高吞吐量的同时，显著降低老鼠流延迟的能力。 本研究聚焦于数据中心网络中两种典型流量的管理和优化问题，提出了一种创新的流量调度方案。通过有效区分和管理大象流和老鼠流，Freeway方案旨在解决目前数据中心网络中普遍存在的带宽资源竞争问题。通过自适应地调整传输路径并采用专门的调度和转发策略，该方案不仅提高了网络资源的利用率，还改善了老鼠流的延迟问题，并增加了整体网络吞吐量。这些成果为数据中心网络设计提供了新的思路，对未来的数据中心网络性能提升具有重要指导意义。