云計算數(shù)據(jù)中心網(wǎng)絡(luò)的端到端流量計算

韓　冰　宋正江　魯　陽　陳建成

(浙江工業(yè)職業(yè)技術(shù)學(xué)院數(shù)字媒體與信息工程分院設(shè)計與藝術(shù)分院　浙江 紹興 312000)

?

云計算數(shù)據(jù)中心網(wǎng)絡(luò)的端到端流量計算

韓冰宋正江魯陽陳建成

(浙江工業(yè)職業(yè)技術(shù)學(xué)院數(shù)字媒體與信息工程分院設(shè)計與藝術(shù)分院浙江 紹興 312000)

摘要云計算數(shù)據(jù)中心網(wǎng)絡(luò)的流量特征是研究和設(shè)計云計算網(wǎng)絡(luò)的基礎(chǔ)，現(xiàn)有的流量測量研究方法通常要求交換機支持額外功能模塊或具備可編程能力，而目前大多數(shù)云計算數(shù)據(jù)中心網(wǎng)絡(luò)的交換機并不滿足此要求。提出一種基于網(wǎng)絡(luò)層析技術(shù)的端到端流量推理算法，僅使用交換機普遍支持的SNMP(簡單的網(wǎng)絡(luò)管理協(xié)議)數(shù)據(jù)，就能快速準(zhǔn)確地計算出端到端的流量信息。并通過仿真實驗與已有的網(wǎng)絡(luò)層析算法進行比較，結(jié)果表明新算法更適用于大規(guī)模的云計算數(shù)據(jù)中心網(wǎng)絡(luò)，可以在較短的時間內(nèi)得到更準(zhǔn)確的計算結(jié)果，從而為云計算網(wǎng)絡(luò)的設(shè)計和研究提供了重要的參考依據(jù)。

關(guān)鍵詞云計算數(shù)據(jù)中心網(wǎng)絡(luò)網(wǎng)絡(luò)層析SNMP

END-TO-END TRAFFIC CALCULATION FOR CLOUD COMPUTING DATA CENTRE NETWORKS

Han BingSong ZhengjiangLu YangChen Jiancheng

(Department of Digital and Art, Zhejiang Industry Polytechnic College, Shaoxing 312000, Zhejiang, China)

AbstractTraffic characteristic of cloud computing data centre networks is the basis of research and design of cloud computing networks. Current study methods of traffic measurement techniques usually ask the switches supporting additional functional modules or being programmable, however not many of the cloud computing data centre networks can afford such switches. In this paper, we proposed an end-to-end traffic inference algorithm which is based on network tomography. It can rapidly calculate the end-to-end traffic information with high accuracy by only utilising SNMP (simple network management protocol) data ubiquitously supported by switches. Through simulation experiment the algorithm was compared with existing network tomography algorithm, and result showed that the new algorithm was more applicable to large-scale cloud computing data centre networks, and could gain more accurate computing results in short period, so as to provide important reference basis for the design and research of cloud computing networks.

KeywordsCloud computingData centre networkNetwork tomographySNMP

0引言

隨著云計算技術(shù)的高速發(fā)展，云計算數(shù)據(jù)中心網(wǎng)絡(luò)對可靠性的要求也越來越高，很多學(xué)者針對云計算數(shù)據(jù)中心網(wǎng)絡(luò)的設(shè)計與管理展開研究，其中包括網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計[1-3]，路由策略的研究[4-6]，資源分配以及網(wǎng)絡(luò)異常的檢測與診斷[7,8]等。然而對數(shù)據(jù)中心網(wǎng)絡(luò)流量的研究卻存在明顯不足，在一定程度上影響了其他云計算技術(shù)的研究進程。近些年來越來越多的學(xué)者開始注意到研究數(shù)據(jù)中心流量特征的重要性，部分學(xué)者開始研究如何測量并分析數(shù)據(jù)中心網(wǎng)絡(luò)流量的主要特征[9-11]。 文獻(xiàn)[9]重點研究了用于Web service和Mapreduce應(yīng)用的云計算數(shù)據(jù)中心網(wǎng)絡(luò)的流量特征，文獻(xiàn)[10]給出了一般云計算數(shù)據(jù)中心網(wǎng)絡(luò)的流量特征，文獻(xiàn)[9,10]均通過在網(wǎng)絡(luò)交換機上安裝包跟蹤器模塊的方法來測量網(wǎng)絡(luò)的端到端流量。包跟蹤器需要捕捉每個包的源/目的地址信息并匯總到網(wǎng)絡(luò)控制中心，占用了大量的存儲成本和時間成本，當(dāng)網(wǎng)絡(luò)規(guī)模較大時，無法實時地呈現(xiàn)網(wǎng)絡(luò)中所有端到端流量信息。并且無法保證所有的數(shù)據(jù)中心交換機都支持包跟蹤器的模塊安裝。

另一種實時測量網(wǎng)絡(luò)端到端流量的方法是網(wǎng)絡(luò)層析技術(shù)。它通過收集交換機中的SNMP數(shù)據(jù)得到每條網(wǎng)絡(luò)鏈路的總流量，并且建立鏈路總流量與端到端流量之間的線性關(guān)系，最終計算出每個端到端的流量。網(wǎng)絡(luò)層析技術(shù)由于其操作成本低，計算準(zhǔn)確已被廣泛應(yīng)用于IP網(wǎng)與ISP網(wǎng)的端到端流量測量問題中[12-14]。然而文獻(xiàn)[11]的大量實驗數(shù)據(jù)表明，已有的網(wǎng)絡(luò)層析技術(shù)無法直接應(yīng)用于云計算數(shù)據(jù)中心網(wǎng)絡(luò)中。因為云計算數(shù)據(jù)中心網(wǎng)絡(luò)中存在大量的端到端冗余路徑，并且數(shù)據(jù)中心的網(wǎng)絡(luò)流量特征更加復(fù)雜多變。

為了使用最低的成本計算出準(zhǔn)確的端到端流量，本文根據(jù)云計算數(shù)據(jù)中心網(wǎng)絡(luò)的拓?fù)涮攸c，把網(wǎng)絡(luò)劃分為若干子集，將端到端的流量計算問題簡化為 “子集與子集之間的流量”和“子集內(nèi)部端到端流量”的計算，從而解決了云計算數(shù)據(jù)中心網(wǎng)絡(luò)端到端冗余路徑的問題。并在此基礎(chǔ)上提出了一種適用于云計算網(wǎng)絡(luò)流量計算的網(wǎng)絡(luò)層析方法，新方法利用數(shù)據(jù)中心流量的時間相關(guān)性將算法問題建模成線性狀態(tài)空間模型，通過改進的卡爾曼濾波算法最終計算得到每條路徑所承載的流量。實驗證明，相比已有的端到端流量計算方法，新方法更能適用于具有大量冗余路徑和流量特征復(fù)雜的云計算數(shù)據(jù)中心網(wǎng)絡(luò)中，并且計算時間的花費更少、計算的精確度更高。

1背景與問題描述

圖1　傳統(tǒng)云計算數(shù)據(jù)中心網(wǎng)絡(luò)架構(gòu)

圖1為目前應(yīng)用最廣泛的云計算網(wǎng)絡(luò)中心拓?fù)洌龑咏Y(jié)構(gòu)：核心交換機(Core switch)層，聚合交換機(Aggregation switch)層，以及柜頂交換機(Top of Rack switch， 或TOR switch)層，柜頂交換機又稱為TOR交換機。SNMP是當(dāng)前幾乎所有交換機都支持的網(wǎng)絡(luò)管理協(xié)議，也可以理解為交換機各個端口的包(或比特)的計數(shù)器。通過在不同的時間間隔(如1~30分鐘)提取交換機的SNMP數(shù)據(jù)可獲得交換機端口之間鏈路在對應(yīng)時間間隔內(nèi)所承載的總流量。本文重點研究如何根據(jù)鏈路總流量計算得到每個TOR交換機之間的端到端流量。

假設(shè)網(wǎng)絡(luò)中共有m條鏈路，用L={l1,l2,…,lm}表示網(wǎng)絡(luò)中的鏈路，用Y={y1,y2,…,ym}表示每條鏈路所承載的流量。假設(shè)所有TOR交換機之間的總路徑個數(shù)為n，用X={x1,x2,…,xn}表示每個路徑所承載的流量。假設(shè)總共測量了T個時間間隔，用t=1,2,…,T表示每個時間間隔。則xi(t)和yi(t)分別表示在第t個時間間隔內(nèi)相應(yīng)的流量。根據(jù)鏈路流量與端到端流量之間的關(guān)系，可以建立X(t)與Y(t)的線性方程組，如式(1):

Y(t)=AX(t)

(1)

其中，A={aij,1≤i≤m,1≤j≤n}為路由矩陣。矩陣中的每一行表示一條鏈路，每一列代表一個端到端路徑。當(dāng)aij=1時，表示第j個路徑經(jīng)過了第i條鏈路；相反，當(dāng)aij=0時則說明第j個路徑?jīng)]有經(jīng)過第i條鏈路。由于對大多數(shù)的網(wǎng)絡(luò)拓?fù)鋪碚f式(1)并不滿秩，因此存在無數(shù)組解滿足此方程組。在云計算數(shù)據(jù)中心網(wǎng)絡(luò)中存在大量的冗余路徑，這使得式(1)不滿秩的情況更加嚴(yán)重。例如在圖1中，TOR層以上的鏈路總共有24條，而TOR之間的端到端路徑個數(shù)卻超過100。也就是說式(1)存在上百個未知數(shù)，而約束條件僅有24個。當(dāng)網(wǎng)絡(luò)規(guī)模增大時，鏈路與路徑個數(shù)差也會急劇增加。因此，直接從式(1)中求解未知數(shù)X(t)是不可取的。本文下面將提出一種適用于云計算數(shù)據(jù)中心網(wǎng)絡(luò)的流量推理方法，可準(zhǔn)確地從式(1)推理計算出未知數(shù)X(t)。

2網(wǎng)絡(luò)拓?fù)涞姆纸?/p>

云計算數(shù)據(jù)中心網(wǎng)絡(luò)拓?fù)湎鄬τ谄渌嬎銠C網(wǎng)絡(luò)(如IP網(wǎng)，Internet等)，具有其獨有的特性，即網(wǎng)絡(luò)的分層結(jié)構(gòu)以及類似樹狀結(jié)構(gòu)。因此，可根據(jù)數(shù)據(jù)中心網(wǎng)絡(luò)端到端流量的條件獨立性將網(wǎng)絡(luò)拓?fù)浞纸鉃槿舾勺蛹＠纾瑢τ趫D1中的數(shù)據(jù)中心網(wǎng)絡(luò)拓?fù)洌蓪⑵鋭澐譃?個子集C1和C2(如圖2所示)。

圖2　將圖1中的網(wǎng)絡(luò)拓?fù)鋭澐譃閮蓚€子集

條件獨立性是指對于子集C1來說，若經(jīng)過交換機Agg1和Agg2的每個端到端流量是已知的，則所有經(jīng)過交換機TOR1~TOR4的端到端流量也是已知的。在分解了網(wǎng)絡(luò)拓?fù)浜螅评碛嬎鉚OR到TOR流量的問題可轉(zhuǎn)換成推理計算C1和C2之間的端到端流量，以及推理計算C1與C2子網(wǎng)內(nèi)部的端到端流量問題。從圖2中可以看出， C1與C2之間的路徑個數(shù)為2，而兩個子集之間的鏈路個數(shù)為4，相對式(1)，不滿秩的情況得到很大地改善。C1與C2內(nèi)部的端到端流量推理問題也有相似的情況。 在下一小節(jié)中將提出一種推理子集之間端到端流量以及子集內(nèi)部端到端流量的高效推理算法。值得注意的是，本文提出的方法僅能推理出TOR在同一個子集時的端到端流量，兩個TOR不在一個子集時的端到端流量推理方法會在將來的工作中繼續(xù)研究。

3基于線性狀態(tài)空間模型的端到端流量計算算法

文獻(xiàn)[13,14]提出了在IP和ISP網(wǎng)絡(luò)中，端到端流量在一定程度上具有時間相關(guān)性。本文通過對實際云計算數(shù)據(jù)中心的流量分析發(fā)現(xiàn)，在云計算數(shù)據(jù)中心網(wǎng)絡(luò)中，端到端流量同樣存在較強的時間相關(guān)性。因此，將端到端流量計算問題建立成線性狀態(tài)空間模型，并在經(jīng)典的卡爾曼濾波算法的基礎(chǔ)上提出用于數(shù)據(jù)中心網(wǎng)絡(luò)的端到端流量計算算法。

3.1建模

首先將流量計算問題建立成線性狀態(tài)空間模型:

(2)

圖3　建立流量計算的線性狀態(tài)空間模型

在式(2)中， X(t)={x1(t),…,xn(t)}為路徑流量， Y(t)={y1(t),…,ym(t)}為測量到的鏈路流量。F為X(t)與X(t-1)之間的關(guān)系矩陣，表示同一個路徑在相鄰兩個時間間隔內(nèi)流量的關(guān)聯(lián)關(guān)系。 Q(t-1)為獨立同分布的高斯過程，其均值為0，協(xié)方差矩陣為σQ，表示對關(guān)聯(lián)關(guān)系F的不確定程度。 A為路由矩陣，表示X(t)與Y(t)之間的關(guān)聯(lián)關(guān)系。 V(t)同樣為獨立同分布的高斯過程，其均值為0，方差為σV，表示網(wǎng)絡(luò)的觀測噪聲。建立好的流量計算狀態(tài)空間模型如圖3所示。

3.2改進的卡爾曼濾波算法

卡爾曼濾波算法是線性狀態(tài)空間模型算法中性能最好的算法之一，它能夠在模型滿足高斯過程的情況下達(dá)到最優(yōu)解。在流量推理的狀態(tài)空間模型中，假設(shè)路徑流量狀態(tài)xi(t)滿足高斯分布N(μi,σi)，其中將μi作為對路徑流量的估計，σi作為對此估計的不確定程度。根據(jù)高斯分布的性質(zhì)，在xi(t)滿足高斯分布時， yi(t)也同樣滿足高斯分布。這樣卡爾曼濾波將會求出滿足SNMP觀測值的端到端流量的最優(yōu)解。

現(xiàn)有的卡爾曼濾波算法包含兩個步驟:預(yù)測和更新。預(yù)測階段根據(jù)t時間間隔內(nèi)的X(t)狀態(tài)預(yù)測X(t+1)的狀態(tài)，更新階段根據(jù)觀測到的Y(t+1)的狀態(tài)調(diào)整X(t+1)的狀態(tài)。本文為卡爾曼濾波算法添加了反饋的步驟，用更新后的X(t+1)反饋給X(t)，使得X(t)的狀態(tài)得到優(yōu)化調(diào)整。

3.2.1 預(yù)測算法

在預(yù)測階段，根據(jù)X(t)通過式(3)預(yù)測X(t+1)的狀態(tài):

X(t+1)=FX(t)

(3)

式中,F為對角矩陣，對角線上的元素表示狀態(tài)X(t)與X(t+1)的關(guān)聯(lián)系數(shù)。本文將F設(shè)置為單位矩陣，并將σQ設(shè)置為較大值，此時的實驗結(jié)果較為理想。

同時，用式(4)調(diào)整X(t+1)的協(xié)方差矩陣:

(4)

3.2.2 更新算法

首先根據(jù)式(5)計算預(yù)測值與真實值之間的差距:

I(t+1)=Y(t+1)-AX(t+1)

(5)

再根據(jù)差值I(t+1)調(diào)整變量X(t+1)的值，如式(6)所示:

(6)

(7)

同時通過式(8)更新X(t+1)的方差:

(8)

3.2.3 反饋算法

(9)

(10)

同時，調(diào)整X(t)的協(xié)方差為：

(11)

3.2.4 算法偽代碼

輸入:Y(1:T),A,F,X(0),σ(0),σQ(0:T),σV(1:T)輸出:X(1:T)foreacht∈1:T[X(t),σ(t)]←Predict(X(t-1),σ(t-1),σQ(t-1),F);[X(t),σ(t)]←Update(X(t),Y(t),σ(t),σV(t),A)[X(t-1),σ(t-1)]←Smooth(X(t),X(t-1),σ(t),σ(t-1),σQ(t-1),F)endfor

算法輸入T個時間間隔的SNMP數(shù)據(jù)Y(1∶T)，路由矩陣A，每個流量自身的關(guān)系矩陣F以及式(2)中Q和V的協(xié)方差矩陣σQ和σv。此外，還需要為X和X的方差σ以及σQ設(shè)置一個初始值。算法輸出T個時間間隔所有路徑所承載的端到端流量X(1∶T)。

4仿真實驗

4.1實驗設(shè)置

實驗用NS-3構(gòu)建了圖1所示的拓?fù)浣Y(jié)構(gòu)，拓?fù)浒?2個TOR交換機，16個聚合交換機和8個核心交換機。每個機架下面有20臺服務(wù)器，每條鏈路的帶寬設(shè)置為1 Gbps。在創(chuàng)建網(wǎng)絡(luò)拓?fù)浜螅鶕?jù)文獻(xiàn)[9-11]對云計算數(shù)據(jù)中心網(wǎng)絡(luò)流量特征的研究，產(chǎn)生端到端流量:在每個機架下隨機選擇1~10個服務(wù)器向其他所有服務(wù)器發(fā)送數(shù)據(jù)包。當(dāng)服務(wù)器向其他機架下的服務(wù)器發(fā)送數(shù)據(jù)包時，其發(fā)送的數(shù)據(jù)包個數(shù)服從對數(shù)正態(tài)分布Log-N(4,1);當(dāng)向相同機架下的服務(wù)器發(fā)送數(shù)據(jù)包時，發(fā)送數(shù)據(jù)包的個數(shù)服從對數(shù)正態(tài)分布Log-N(10,1)。每個數(shù)據(jù)包大小約1400 個字節(jié)。數(shù)據(jù)流量的路由策略采用數(shù)據(jù)中心網(wǎng)絡(luò)普遍采用的ECMP(等價多路徑路由協(xié)議)協(xié)議[15]。采集各個交換機端口的SNMP數(shù)據(jù)的時間間隔為5分鐘。

4.2算法與評價準(zhǔn)則

將新算法與經(jīng)典的基于網(wǎng)絡(luò)層析技術(shù)的算法SRMF[13]作比較。該算法是目前準(zhǔn)確度最高的網(wǎng)絡(luò)層析算法之一，并且也利用了流量的時間相關(guān)性特征。對兩個算法的性能主要從兩個方面來評價：算法的運算時間和算法的計算準(zhǔn)確度。其中計算準(zhǔn)確度用相對誤差的累積分布函數(shù)(CDRE)來度量，用式(12)來衡量算法的相對誤差(RE)。

(12)

4.3仿真結(jié)果

圖4比較了兩個算法在測量3個時間間隔與測量25個時間間隔SNMP數(shù)據(jù)時的計算誤差。從圖4(a)中可以看出當(dāng)測量3個時間間隔的SNMP數(shù)據(jù)時，新算法與SRMF算法計算誤差累計分布相差并不明顯。而當(dāng)圖4(b)中測量了25個時間間隔時：新算法計算出的端到端流量，相對誤差<0.5的占比90%以上，而已有SRMF算法計算出的端到端流量，相對誤差<0.5的僅占比70%左右。說明隨著時間的推移，新算法能不斷地校準(zhǔn)模型，使模型更符合當(dāng)前的網(wǎng)絡(luò)狀況，從而能夠得到更加準(zhǔn)確的計算結(jié)果。

(a) 3個時間間隔

(b) 25個時間間隔

圖4兩個算法在不同時間間隔下的相對誤差累計分布函數(shù)

表1列出了在不同時間間隔SNMP數(shù)據(jù)的條件下，兩個算法的計算時間差異對比。從表1中可以看出，新算法在時間間隔較少時與SRMF算法的計算時間相差不多。而隨著時間間隔的加大，端到端的流量數(shù)目也不斷增加，SRMF的計算時間也遠(yuǎn)超新算法。當(dāng)時間間隔個數(shù)增加到100時，SRMF無法在有限時間內(nèi)得出結(jié)果，而新算法在此時仍可以在較短時間內(nèi)得出計算結(jié)果。這也說明新算法能夠應(yīng)用于大規(guī)模的云計算數(shù)據(jù)中心網(wǎng)絡(luò)。

表1　兩個算法的計算時間(單位:秒)

5結(jié)語

云計算技術(shù)的發(fā)展研究越來越離不開對數(shù)據(jù)中心網(wǎng)絡(luò)流量特征的深入研究。現(xiàn)有的數(shù)據(jù)中心流量測量技術(shù)對網(wǎng)絡(luò)中的交換機有著較高的要求，無法適用于大多數(shù)的云計算數(shù)據(jù)中心網(wǎng)絡(luò)。普遍應(yīng)用于ISP網(wǎng)絡(luò)的網(wǎng)絡(luò)層析技術(shù)僅利用交換機的SNMP數(shù)據(jù)可推理得到網(wǎng)絡(luò)的端到端流量，但由于數(shù)據(jù)中心網(wǎng)絡(luò)中存在大量冗余路徑，并且流量復(fù)雜多變，現(xiàn)有的網(wǎng)絡(luò)層析算法無法直接應(yīng)用于其中。為了解決以上問題，本文利用云計算數(shù)據(jù)中心網(wǎng)絡(luò)的拓?fù)涮卣鲗⒕W(wǎng)絡(luò)劃分為若干子集，從而大大簡化了算法問題的復(fù)雜程度，并提出一種高效的端到端流量算法，利用流量的時間相關(guān)性，實時準(zhǔn)確地推理計算出網(wǎng)絡(luò)中的所有端到端流量。實驗結(jié)果表明，相比于已有的網(wǎng)絡(luò)層析算法，新算法能夠在更短的時間內(nèi)計算出更準(zhǔn)確的結(jié)果。

參考文獻(xiàn)

[1] Greenberg A,Hamilton J R,Jain N,et al．VL2: A Scalable and Flexible Data Center Network[C]//Proceedings of ACM SIGCOMM，Spain， August 17-21， 2009．

[2] Guo C,Lu G,Li D,et al．BCUBE：A High Performance，Server-centric Network Architecture for Modular Data Centers[C]//Proceedings of ACM SIGCOMM，Spain，August 17-21，2009．

[3] 劉曉茜，楊壽保，郭良敏，等．雪花結(jié)構(gòu)：一種新型數(shù)據(jù)中心網(wǎng)絡(luò)結(jié)構(gòu)[J]．計算機學(xué)報，2011，34(1) :76-86．

[4] Al-Fares M,Radhakrishnan S，Raghavan B, et al．Hedera: Dynamic Flow Scheduling for Data Center Networks[C]//Proceedings of USENIX NSDI, California, April 28-30, 2010．

[5] Jiang J W,Lan T,Ha S，et al．Joint VM Placement and Routing for Data Center Traffic Engineering[C]//Proceedings of IEEE INFOCOM，F(xiàn)lorida，March 25-30，2012．

[6] 羅臘詠，賀鵬，關(guān)洪濤，等．可編程虛擬路由器關(guān)鍵技術(shù)與原型系統(tǒng)[J]．計算機學(xué)報，2013，36(7) : 1349-1363．

[7] Gill P，Jain N,Nagappan N．Understanding Network Failures in Data Centers: Measurement，Analysis，and Implications[C]//Proceedings of ACM SIGCOMM，Toronto，August 15-19，2011．

[8] 金嘉暉，羅軍舟，宋愛波，等．基于數(shù)據(jù)中心負(fù)載分析的自適應(yīng)延遲調(diào)度算法[J]．通信學(xué)報，2011，32(7) : 47-56．

[9] Benson T，Anand A，Akella A，et al．Understanding Data Center Traffic Characteristics[C]//Proceedings of ACM SIGCOMM，New Delhi，August 30-September 3，2010．

[10] Benson T，Akellaa，D.Maltz A．Network Traffic Characteristics of Data Centers in the Wild[C]//Proceedings of ACM IMC, Melbourne, November 1-3, 2010．

[11] Kandula S，Sengupta S，Greenberg A，et al．The Nature of Data Center Traffic: Measurements & Analysis[C]//Proceedings of ACM IMC，Illinois，November 4-6，2009．

[12] Zhang Y，Roughan M，Duffield N，et al．Fast Accurate Computation of Large-scale IP Traffic Matrices from Link Loads[C]//Proceedings of ACM SIGMETRICS，California，June 9-14, 2003．

[13] Zhang Y，Roughan M，Willnger W，et al．Spatio-temporal Compressive Sensing and Internet Traffic Matrice[C]//Proceedings of ACM SIGCOMM， Barcelona，August 17-21，2009．

[14] Soule A，Lakhina A，Taft A，et al．Traffic Matrices: Balancing Measurements [C]//Inference and Modeling Proceedings of ACM SIGMETRICS，Alberta，June 6-10，2005．

[15] Hopps C. Analysis of an Equal-Cost Multi-Path Algorithm [M/OL].Nov 2000. http://www.hjp.at/doc/rfc/rfc2991.html.

中圖分類號TP393.07

文獻(xiàn)標(biāo)識碼A

DOI:10.3969/j.issn.1000-386x.2016.02.076

收稿日期：2014-01-21。浙江省自然科學(xué)基金項目(Y1100137)。韓冰，講師，主研領(lǐng)域：云計算，人工智能，Web挖掘。宋正江，講師。魯陽，講師。陳建成，講師。