22、机器学习辅助的负载均衡路由方案解析

机器学习辅助的负载均衡路由方案解析

1. 背景与问题提出

随着互联网视频、移动流媒体和IPTV等数字视频服务的迅速发展，分组交换网络中的数据流量急剧增长。由于分组流量具有突发性，传统路由算法难以有效避免网络拥塞。为实现网络路由器的负载均衡，需要引入智能路由方案。

传统基于链路状态的路由算法，如Bellman - Ford算法、链路状态算法和Dijkstra算法等，要求每个路由器了解整个拓扑信息。而分布式路由算法则依靠所有邻居节点迭代寻找到达目的地的最佳路径。

多约束路径（MCP）选择是组合优化家族中的常用方法，用于寻找满足多个约束条件的可用路径。当这些约束相互独立时，它被证明是一个NP完全问题。为实现网络的可靠性和稳定性，大量工作致力于解决服务质量（QoS）路由问题。大多数QoS路由算法通过直观或经验构建来考虑多个约束条件，从而在可接受的计算复杂度内获得可行解。

然而，启发式算法在处理大规模问题时收敛速度较慢，且基于一系列理想假设的解决方案可能不符合物理现实。此外，由于QoS约束的多样性，满足一个约束条件的可行路径可能不满足其他约束条件。因此，提出了一种机器学习辅助的路由方案来解决QoS路由过程。

2. 系统模型

2.1 数据平面中的数据包检测

近年来，软件定义路由器（SDR）伴随着编程语言的发展而出现。SDR可以在处理数据包的同时收集和导出重要的数据包元数据。基于SDR提出了一种分层架构，用于检测分组交换网络并实现负载均衡。
- 本地路由器：监控实时状态，处理到达的数据包，并为其选择下一跳。
- 中央路由器：检测所有底层路由器的队列利用率（QU）和流量模式，然后基于检测结