[论文解读] An Alternating Direction Method Approach to Cloud Traffic Management

Chen Feng, Hong Xu+1 more|arXiv (Cornell University)|Jul 31, 2014

Software-Defined Networks and 5G参考文献 33被引用 8

一句话总结

本文提出了一种基于ADMM的新型分布式优化框架，用于云流量管理，将各种问题建模为多设施资源分配问题。与对偶分解及先前的ADMM方法相比，该方法在较弱的凸性假设下实现了更快的收敛速度、更低的计算复杂度以及更少的消息传递开销，通过大量仿真验证了其可扩展性和容错能力。

ABSTRACT

In this paper, we introduce a unified framework for studying various cloud traffic management problems, ranging from geographical load balancing to backbone traffic engineering. We first abstract these real-world problems as a multi-facility resource allocation problem, and then present two distributed optimization algorithms by exploiting the special structure of the problem. Our algorithms are inspired by Alternating Direction Method of Multipliers (ADMM), enjoying a number of unique features. Compared to dual decomposition, they converge with non-strictly convex objective functions; compared to other ADMM-type algorithms, they not only achieve faster convergence under weaker assumptions, but also have lower computational complexity and lower message-passing overhead. The simulation results not only confirm these desirable features of our algorithms, but also highlight several additional advantages, such as scalability and fault-tolerance.

研究动机与目标

• 将多种云流量管理问题（如地理负载均衡和骨干网流量工程）统一在单一优化框架下。
• 解决对偶分解的局限性，包括对步长调节的敏感性以及收敛所需的严格凸性要求。
• 开发收敛速度更快、假设条件更弱的分布式算法，优于现有ADMM类方法。
• 实现适用于大规模云部署的低计算复杂度和低消息传递开销。
• 在真实云网络场景中评估算法的可扩展性和容错能力。

提出的方法

• 将云流量管理问题建模为具有凹效用函数和凸成本函数的多设施资源分配问题。
• 提出两种基于ADMM的分布式算法，利用问题的特殊结构以提升收敛速度和效率。
• 仅使用单一调参参数而非步长，简化参数调节并增强收敛鲁棒性。
• 提出一种无需对偶分解的方法，即使在非严格凹/凸函数下也能实现收敛。
• 设计的算法相比先前的ADMM变体具有更低的计算复杂度和更少的消息传递开销。
• 采用分布式、可并行化的架构，适用于包含数百万变量的大规模云数据中心。

实验结果

研究问题

• RQ1 是否能够通过统一框架对多种云流量管理问题（如地理负载均衡和骨干网流量工程）进行建模？
• RQ2 如何使分布式优化在非严格凸问题上比对偶分解更鲁棒、更高效？
• RQ3 当效用函数和成本函数非严格凸时，基于ADMM的算法具有怎样的收敛特性？
• RQ4 所提算法是否能实现比现有ADMM方法更低的计算和通信开销？
• RQ5 所提算法在大规模云部署中具备多大程度的可扩展性和故障容忍能力？

主要发现

• 当效用函数和成本函数为非严格凹/凸时，所提算法实现O(1/k)的收敛速率；当为严格凹/凸时，收敛速率为O(1/a^k)。
• 收敛条件弱于对偶分解，后者要求严格凹性和凸性。
• 在非严格凸设置下，所提算法收敛速度明显快于对偶分解，后者常因振荡而收敛缓慢。
• 计算复杂度和消息传递开销显著低于其他ADMM类算法。
• 仿真结果证实算法可扩展至大规模用户数量，并对更新失败具有强健的容错能力。
• 该框架成功建模了真实世界中的云流量问题，包括地理负载均衡和骨干网流量工程。