基于稳定匹配的数据中心网络大数据流调度问题研究与实现

As infrastructure for efficient large scale data computing and storage services, Data Center Networks (DCN) have been widely recognized to be important for applications and services of cloud computing and receiving an increasing focus from industries, government and academic researchers. Due to the special architecture and service requirements, many traditional protocols and algorithms for Internet fail to work in data center networks. And it becomes essential for the success of data center to design efficient and flexible approaches specially for DCN. In this project, we intend to apply stable matching theory to the scheduling in data center networks, especially for the scheduling of elephant flows. Through ensuring the stability and convergency of the output matching, the fairness of varied sides in the data center is satisfied and service requirements of data centers are achieved. Finally, we'll develop the prototype system of small scale data centers to evaluate and justify the methods proposed. The research results will have important directive to the research of scheduling problem in data centers.

数据中心网络作为一种有效的大规模数据存储和处理的基础设施，在云计算、物联网等应用中扮演着愈加重要的角色，并得到很多大型企业、政府机构的大力支持和科技工作者的高度重视。由于数据中心网络特殊的结构与服务需求，许多传统的协议与算法都无法满足。本项目将稳定匹配理论引入到数据中心网络中，创新性地利用两方及三方稳定匹配模型进行建模和分析，来解决数据中心网络中的大数据流（Elephant Flow）相关的调度问题。通过对匹配结果的稳定性及收敛性的分析和保证，来满足匹配各方的公平性，同时达到数据中心网络的服务需求。最后，我们还将开发实际的原型系统，搭建小型的数据中心，对我们提出的算法进行测试和评估。研究成果将对解决数据中心网络的调度问题提供一个新的视角，具有重要的理论意义和应用价值。

数据中心网络作为云计算、大数据等应用的关键支撑平台和基础设施，在云计算、大数据、物联网等应用中扮演着重要角色。因此，对数据中心网络有效地资源调度至关重要。由于数据中心网络特殊的网络结构、资源虚拟化等特点，以及应用服务的特殊需求，许多传统的网络协议与资源调度算法都无法满足数据中心网络的特殊需求。本项目中，我们将稳定匹配理论引入到数据中心网络中，根据资源虚拟化等特点，创新性地利用两方及三方稳定匹配模型进行建模分析，来解决数据中心网络中的大数据流（Elephant Flow）相关的资源调度问题。通过对匹配结果的稳定性及收敛性的分析和保证，来满足匹配各方的公平性，同时达到数据中心网络的服务需求。..在本课题研究中，我们共发表相关论文14篇，其中包括SCI检索论文4篇，CCF推荐A类论文2篇。这些研究成果主要分为三个方面：.(1) 基于Fat-tree结构的大数据流两方稳定匹配调度问题研究：重点研究Fat-tree结构下的数据中心网络中传输时间较长、易产生拥塞的大数据流的调度问题，通过应用两方稳定匹配模型，以充分利用数据中心网络的对切带宽等资源，并且同时保证各方之间的公平性。提出了Fincher解决方案，通过对传统两方稳定匹配算法改进的基础上，保证了在O(f^2)时间内算法收敛；.(2) 基于大数据流的应用（VMs）、计算资源和存储资源的综合分配问题研究：利用三方稳定匹配模型，对基于大数据流的应用（VMs）、计算资源和存储资源的综合分配问题进行建模和分析，提出了SMB解决方案，并保证了能够找到一个稳定匹配；.(3) 基于策略感知（Policy-aware）的大数据流资源调度问题的研究：研究了在大数据流环境下（如VM的迁移等），用户策略（Policy，也即Service Chain）对数据中心网络资源调度带来的影响，即基于策略感知的资源调度问题，并利用两方稳定匹配思想，分别提出了PLAN、Sync等解决方案，有效的提高了虚拟机的迁移，以及虚拟机和网络功能的耦合调度效率。.以上工作均通过基于NS3的仿真或POX+Mininet实验平台进行了验证。..本课题的研究将两方及三方稳定匹配理论应用到数据中心网络资源调度问题中，有效的解决了数据中心网络大数据流、虚拟机及网络功能等的调度等问题。