УПРАВЛЕНИЕ СЕТЕВЫМ ТРАФИКОМ НА ОСНОВЕ ДИНАМИЧЕСКОГО РАСПРЕДЕЛЕНИЯ ПРОПУСКНОЙ СПОСОБНОСТИ В СЕТИ ИНТЕРНЕТ

Введение

В настоящее время почти все приложения работают через Интернет. Наряду с усложнением интернет-сервисов, резко увеличиваются сети доставки контента (CDN) и использование мобильного Интернета. С развитием технологий и увеличением числа пользователей сложность будет продолжать расти в будущем. Согласно опросу, проведенному компанией CISCO в 2018 году, почти 40% населения мира имеет подключение к Интернету. Следовательно, существует высокий спрос на управление интернет-трафиком. Traffic Engineering (TE) занимается измерением и управлением сетевым трафиком для разработки эффективных алгоритмов маршрутизации и улучшения использования сетевых ресурсов. Когда количество пользователей увеличивается, это вызывает проблемы с доступом к сети. Удаленная настройка устройства, мониторинг производительности сети, проверка использования сетевых ресурсов и обнаружение сетевых сбоев – основные обязанности протокола SNMP, который зачастую используется сетевыми менеджерами для управления сетью. В этой исследовательской работе основное внимание уделяется программно-определяемой сети (SDN) на основе управления трафиком (TE) для мониторинга сетевого трафика, измерения и управления сетевым трафиком для более эффективной обработки по сравнению с традиционной обработкой. SDN – это способ работы с сетевой организацией, который позволяет администраторам сети управлять системой на основе абстрактных функций нижнего уровня. Поскольку статический дизайн традиционной сети не поддерживает динамические, универсальные вычисления и потребности в емкости более сложных ситуаций обработки. SDN обычно ассоциируется с протоколами OpenFlow. Для начала мы предлагаем справочную систему для TE в SDN на основе рейтинга страниц. Он состоит из двух разделов, таких как оценка сетевого трафика и администрирование сетевого трафика. Сетевой трафик оценивался путем мониторинга реальной сети и разбивки системы на различные виды деятельности. Оценка сетевого трафика является предпосылкой для администрирования трафика. Измерение и прогнозирование сетевого трафика является фундаментальным требованием в управлении сетевым трафиком. Балансировка нагрузки трафика, гарантированное планирование сетевой информации – это смежные области управления сетевым трафиком. В данной работе предложено управление сетевым трафиком с использованием рейтинга веб-страниц с целью повышения качества обслуживания.

Миллионы пользователей используют различные широкополосные соединения. Соотношение предоставления полосы пропускания различными поставщиками широкополосных услуг представлено на рисунке 2.

Рисунок 1. Соотношение пропускной способности, предложенной разными поставщиками широкополосных услуг [6].

Различные методы динамического распределения полосы пропускания широко исследуются в литературе [1-5].

Распределение пропускной способности

Теоретическое распределение пропускной способности и реальная пропускная способность всегда различаются. Например, сеть Gigabit Ethernet поддерживает пропускную способность 1000 Мбит / с, но на практике этого невозможно достичь из-за накладных расходов на оборудование и системное программное обеспечение. Следовательно, расчет пропускной способности становится сложной задачей для менеджеров сетевого трафика. Распределение полосы пропускания зависит от многих параметров, такие как тип запущенного приложения, соглашение об уровне обслуживания, производительность оборудования, используемого для реализации. В большинстве случаев сетевые менеджеры учитывают только количество пользователей как основной параметр трафика управления, но также работу, выполняемую пользователем, которая влияет на производительность сети. Например, в группе из 100 пользователей, каждый пользователь не использует сеть одинаково, запросы пользователей конечно коррелируют, но при это все они создают разную нагрузку на сеть и соответствующие моменты времени пользователям необходима разная пропускная способность, отличная от минимально выделенной. Таким образом, традиционное распределение полосы пропускания клиент-сервер приведет к снижению производительности. Как правило, каждому пользователю назначается равная пропускная способность. независимо от области применения. Это приводит к потерям или недостаточность полосы пропускания. По вышеуказанной причине предлагается алгоритм, который делит доступную полосу пропускания в соответствии с рейтингом веб-страницы, т.е. веб-странице с более высоким рейтингом будет назначена более высокая пропускная способность.

Расчет пропускной способности сети

Пропускную способность сети можно рассчитать в два основных этапа:

1. Расчет общей доступной пропускной способности.

2. Расчет необходимой пропускной способности для конкретных приложений на основе параметра.

В зависимости от количества пользователей и их типа приложения необходимо определить пропускную способность, необходимую для каждого приложения. По количеству байтов, переданных в секунду, сетевой анализатор определяет скорость передачи данных в сети. Необходимые кумулятивные байты рассчитываются анализатором сети, а затем трафик захватывается с тестовой рабочей станции. Согласно сетевому трафику, генерируемому каждым пользователем, полоса пропускания назначается каждому пользователю динамически. Количество пользователей и тип приложения будут влиять на совокупную эффективность системы. В данной  работе классификация трафика основана на трех основных полях: рейтинг пользователя для movieId, алгоритм SeLeCT (Self Learning Classifier) [7] и распределение полосы пропускания в соответствии с рейтингом. Кластеризация интернет-трафика производится по рейтингу фильмов из набора кинолент. Модель взвешенной справедливой очереди на основе классов (CBWFQ) рассматривается для кластеризации элементов набора данных, а также для динамического распределения полосы пропускания. Требуемая полоса пропускания различается от сети к сети и от приложения к приложению. Минимальная полоса пропускания, называемая минимальной гарантированной пропускной способностью (MGB), изначально назначается каждому пользователю. На основе распределения вероятностей рейтингов веб-страниц доступная пропускная способность распределяется между остальными пользователями. Система очередей обеспечивает балансировку нагрузки в условиях перегрузки. Реализация будет выполнена с использованием набора данных MovieLens. MovieLens – это справочник фильмов, он содержит рейтинги фильмов случайными пользователями от 1 до 5 в зависимости от их предпочтений. Весь набор данных состоит из 20000263 оценок для 27278 фильмов. Набор данных был создан GroupLens Research  путем сбора оценок 138493 пользователей в период с 9 января 1995 года по 31 марта 2015 года и был изменен 17 октября 2016 года. Клиенты были выбраны для рассмотрения случайным образом. Каждый клиент оценил не менее 20 фильмов. Он идентифицируется уникальным идентификатором пользователя, и никакие другие данные не учитывались. Алгоритм SeLeCT был применен к набору данных кластера. SeLeCT означает самообучающийся классификатор. Это один из эффективных алгоритмов проверки интернет-трафика. SeLeCT – это неконтролируемый алгоритм, основанный на подходе самозапуска для автоматической классификации трафика. Он не требует каких-либо предварительных знаний об окружающей среде или группировке данных. Обеспечивает почти 98% безупречность классификации трафика при администрировании сети. Данные автоматически переключаются между кластерами благодаря адаптивному подходу к заполнению.

Учитывая минимальную гарантированную пропускную способность как всегда, все исследования были выполнены. Минимальная гарантированная пропускная способность  может быть рассчитана как:

 ;

Где,  - весовой коэффициент (рейтинг) для каждой веб-страницы;

 - максимальный цикл передачи, необходимый для каждой веб-страницы;

 - общее количество пользователей, выходящих в Интернет;

 - защитное время между двумя последовательными обращениями;

 - скорость передачи (как в восходящем, так и в нисходящем потоке);

Экспериментальный результат

Алгоритм реализован с помощью MatLab-13 в процессоре Intel Core i3 с частотой 2,20 ГГц, оперативной памяти 8 ГБ. Для реализации предложенного алгоритма использовался набор данных Movielens. Он обеспечивает стандартное распространение фильмов на основе UserId и рейтинга фильмов. Реализация предложенного алгоритма проводилась с учетом первых 100 пользователей, но в таблице 1 приведены значения для первых 30 пользователей.

Таблица-1:сравнение старых и новых полос пропускания.

График, представленный на рисунке 3, отображает сравнение между предыдущим методом и предложенным методом, показывающим использование полосы пропускания. Из графика видно, что предлагаемый метод приводит к оптимальному использованию полосы пропускания.

Рисунок 3. График сравнения требуемой и предлагаемой пропускной способности.

Вывод

Минимальная гарантированная полоса пропускания назначается каждому пользователю, участвующему в сети, что важно для удовлетворения основных требований к пропускной способности. Рассчитанная лишняя пропускная способность распределяется между пользователями с более высоким рейтингом. С помощью этого алгоритма можно эффективно контролировать любые потери или недостаточность полосы пропускания. Следовательно, эффективность всей системы значительно увеличивается. Но в данной работе не принимались во внимание приоритет пользователя или жизнеспособность информации, которая также может играть важную роль в процессе принятия решения о динамическом распределении полосы пропускания для оцениваемых страниц. Эти параметры также можно учитывать для более эффективного распределения полосы пропускания в динамической среде.

1. Захра Джадиди, Эланкайер Ситирасенан, «Метод вероятностной выборки для эффективного анализа на основе потоков», ЖУРНАЛ КОММУНИКАЦИЙ И СЕТЕЙ, ТОМ. 18, стр.818-825, 2019.
2. Рикардо де Оливейра Шмидт, Рамин Садре, Анна Сперотто, «Влияние выборки пакетов на определение параметров канала», IEEE TRANSACTIONS ON NETWORK AND SERVICE MANAGEMENT, 2018 г., стр. 392-405.
3. Мухаммад Шахзад и Алекс X. Лю, «Точное и эффективное измерение задержки для каждого потока без проверки и отметки времени», IEEE / ACM TRANSACTIONS ON NETWORKING,2018.
4. Сяочунь Юнь, , Ипенг Ван, , Юнчжэн Чжан, «Семантический подход к автоматической идентификации сетевых протоколов», IEEE / ACM TRANSACTIONS В СЕТИ,2016.
5. P.C. Сетхи, П. Бехера, «Эффективный алгоритм динамического распределения полосы пропускания для улучшения качества обслуживания сетей», Европейский журнал академических эссе,2017 г., стр.31-35.
6. П. С. Сетхи, «Техника связи UPnP и безопасных групп для построения среды с нулевой конфигурацией с использованием инкрементальной кластеризации», Международный журнал инженерных исследований и технологий (IJERT), 2016.
7. Луиджи Гримаудо, Марко Меллиа, Елена Баралис и Рам Кералапура, «SELECT: самообучающийся классификатор интернет-трафика», IEEE TRANSACTIONS ON NETWORK AND SERVICE MANAGEMENT, 2017.

Все статьи автора «Фадеев Марк Дмитриевич»