[论文解读] Real-Time Fair Resource Allocation in Distributed Software Defined Networks

Zaïd Allybokus, Konstantin Avrachenkov+2 more|arXiv (Cornell University)|Nov 27, 2017

Software-Defined Networks and 5G参考文献 28被引用 8

一句话总结

本文提出FD-ADMM，一种基于增广拉格朗日乘子法（ADMM）的分布式算法，用于在大规模分布式软件定义网络（SDN）中实现低延迟、公平的资源分配。该算法在每次迭代中均保证可行性，并能快速收敛至α-公平带宽分配，在动态流量条件下，其可行性与响应速度均优于标准的对偶分解方法。

ABSTRACT

The performance of computer networks relies on how bandwidth is shared among different flows. Fair resource allocation is a challenging problem particularly when the flows evolve over time.To address this issue, bandwidth sharing techniques that quickly react to the traffic fluctuations are of interest, especially in large scale settings with hundreds of nodes and thousands of flows. In this context, we propose a distributed algorithm that tackles the fair resource allocation problem in a distributed SDN control architecture. Our algorithm continuously generates a sequence of resource allocation solutions converging to the fair allocation while always remaining feasible, a property that standard primal-dual decomposition methods often lack. Thanks to the distribution of all computer intensive operations, we demonstrate that we can handle large instances in real-time.

研究动机与目标

• 解决在包含数百个节点和数千个动态流的大规模分布式SDN环境中实现低延迟、公平资源分配的挑战。
• 克服标准原始-对偶分解方法在收敛过程中常违反约束的局限性。
• 设计一种适合在多个SDN控制器之间部署的分布式算法，同时将控制器间通信开销降至最低。
• 确保在迭代过程中生成的每个中间解均保持可行，从而在时间敏感的网络场景中实现即时部署。
• 在动态流量条件下，证明其在收敛速度和可行性方面优于经典拉格朗日对偶分解（LAGR）方法。

提出的方法

• 将α-公平资源分配问题重新表述为一致性优化问题，以实现在SDN控制器域之间的分布式计算。
• 应用增广拉格朗日乘子法（ADMM）将全局问题分解为可由各域控制器并行求解的局部子问题。
• 提出一种新颖的惩罚参数调节策略，可自适应调整以提升收敛速度与解的质量。
• 通过在整个ADMM过程中保持原始可行性，确保每次迭代均保持可行，而标准对偶方法可能产生不可行的中间解。
• 设计算法为完全分布式，使控制器可独立运行，仅通过对偶变量和一致性约束进行同步。
• 实现一个分布式控制平面，其中每个控制器管理其本地网络域，并仅与相邻控制器或中心实体通信，从而最小化通信开销。

实验结果

研究问题

• RQ1 基于ADMM的分布式算法能否在具有动态流量的大规模SDN网络中实现低延迟、可行且公平的带宽分配？
• RQ2 在动态流量变化条件下，所提出的FD-ADMM算法与经典拉格朗日对偶分解（LAGR）方法相比，在可行性与收敛速度方面表现如何？
• RQ3 自适应惩罚参数调节对分布式算法的收敛速率与解质量有何影响？
• RQ4 与标准对偶分解方法不同，该算法是否能在网络状态快速变化期间仍保持所有迭代的可行性？
• RQ5 该算法能否在大规模网络实例（例如6000个请求）中有效扩展，同时在短运行时间（例如5秒）内保持接近最优的性能？

主要发现

• FD-ADMM在每次迭代中均产生可行解，而LAGR方法在动态流量变化期间持续违反约束，因此不适合实时部署。
• 在具有不同流权重的实时场景中，FD-ADMM即使在事件之间仅进行10次迭代，其平均最优性差距也显著低于LAGR。
• 在静态场景中，运行时间为5秒时，FD-ADMM在所有测试实例规模（100至6000个请求）下均实现了接近最优的可行解，而LAGR对于大规模实例仍远未达到最优。
• 该算法表现出快速收敛特性，高质量的可行解从首次迭代起即可获得，从而支持毫秒级带宽调整以响应流量波动。
• FD-ADMM中的自适应惩罚参数调节显著提升了收敛速度与解质量，优于固定参数方法。
• 实验结果表明收敛速率与链路平均负载之间可能存在相关性，但需进一步研究以确认该关系。