Forgalom igény tudatos hálózat tervezés
Készítette:
Szecsődi Imre
Programtervező informatikus
MSc
Budapest, 2020
Témavezető:
Dr. Lukovszki Tamás
Egyetemi docens, PhD
Megjegyzés
- A diplomamunka a C. Avin, K. Mondal, and S. Schmid. Demand-aware network design with minimal
congestion and route lengths cikket ([4]) vette alapjául.
Motiváció
- A technika előrehaladásával egyre nagyobb lett a feldolgozandó adatok mennyisége
- Adattárházakban a szerverek közötti kommunikáció is megnövekedett ezáltal
- A jelenlegi hálózatok a legrosszabb esetre vannak tervezve, azaz, hogy majdnem teljes sávszélességű, kétirányú kapcsolat álljon fent bármelyik két szerver között
- A valós kommunikáció nem ezt a sémát követi, hanem túlnyomó részt megadott párok között történik a legtöbb kommunikáció
Valós forgalmi adatok ([5])
- Microsoft Research ProjecToR adatai, Microsoft adattárházában 250 ezer szervert 5 production klaszterben elosztva
Hálózat tervezési stratégiák
- A technika fejlődésével elérhetővé váltak eszközök arra, hogy egy adott hálózatot újra konfiguráljunk, attól függően milyen terhelés éri
- pl, korábbi kommunikációs minták alapján
- Két fő optimalizációs lehetőség van, legyen rövid az út (a) vagy legyen minimális a torlódás (b)
- A cikk bemutat egy módszert arra, hogy lehet mindkettőre majdnem optimális megoldást adni egyszerre (c)
Újrakonfigurálás megvalósítása
- Átlag hálózatok statikusan vannak konfigurálva, nem sok lehetőséget adva annak, hogy változtassunk
- pl. Ethernet switch
Újrakonfigurálás megvalósítása
- Optikai switchek már újra tudják konfigurálni magukat, de ezek "lassúak"
Újrakonfigurálás megvalósítása ([5])
- Microsoft Research - ProjecToR, lézer segítségével kiváltani az optikai swticheket
- 12 µs váltás idő ( 2500x gyorsabb mint egy optikai hálózati switch)
Forgalom igény tudatos hálózat tervezés probléma
- Vegyünk egy hálózatot meghatározott számú csomóponttal
- A hálózathoz tartozik egy demand mátrix, ami leírja a valószínűségét annak, hogy \(i\) forrásból mekkora eséllyel lesz adat küldve \(j\) célba
- A cél, hogy ezen adatból egy olyan hálózati séma készítése, ami kis torlódást és rövid utakat eredményez, ez mellett még skálázható is
Példa ([4])
Formális felírás
- Adott N darab csúcspont V = {1, ..., N}, és egy kommunikációs séma \( M_D \), ami egy N×N mátrix
- A mátrix \((i, j)\) eleméhez tartozik egy \(p(i, j)\) valószínűség, ahol \(i\) a forrás csomópont és \(j\) a cél
- A bemeneti mátrix ábrázolható egy irányított \(G_D\) gráfban, ahol az élsúlyok a két pont közötti kommunikációs valószínűségek
- Az algoritmus feltétele, hogy a mátrix ritka legyen
Formális felírás
- Egy N hálózatra a torlódást és az úthosszt útválasztási sémával fogjuk definiálni
- Egy útválasztási séma az N hálózatra \(\Gamma(N)\), ami a \(\Gamma_{uv}\) utak halmaza, ahol \((u, v)\) párok különböző utakat jelölnek
Torlódás
- (Definíció 1) A torlódást egy \(\Gamma(N)\) útválasztási sémán a \(D\) demand mátrix segítségével írjuk fel: \[C(D, \Gamma(N)) = \max_{e \in \Gamma(N)} \sum_{e \in \Gamma(uv)} p(u,v) \]
Úthossz
- (Definíció 2) Az átlag súlyozott úthosszt egy \(\Gamma(N)\) útválasztási sémán a \(D\) demand mátrix segítségével írjuk fel: \[L(D, \Gamma(N)) = \sum_{(u,v) \in D} p(u,v) \cdot d_{\Gamma(N)}(u, v) \] ahol a \(d_{\Gamma(N)}(u, v)\) az útvonal hosszát jelöli
Skálázhatóság
- A hálózatot skálázhatóra kell tervezni, ezért meghatározunk egy \(\Delta\) konstans fokszámot, ami a maximális csatlakozások számát fogja meghatározni egy adott csomóponthoz
EgoTree - EgoFák
- Az Egofa egy torlódásra és úthosszra optimalizált fa hálózat egy csomópontra nézve
- Az Egotree-t definiáljuk a következő módon, \[EgoTree(s, \bar{p}, \Delta) \]
- \(s\) a forrás csomópont
- \(\bar{p}\) a szomszédainak eloszlásai
- \(\Delta\) fokszám
- Ez közel optimális megoldást ad torlódásra és úthosszra
\(EgoTree(s, \bar{p}, \Delta)\) algoritmus
- \(s\) a gyökér elem, \(\Delta\) fokszámmal, üres fa
- Rendezzük sorba \(\bar{p} = \{p1, p2, ..., p_k\}\) valószínűségeket csökkenő sorrendben
- Kezdjük rárakni a fára a csomópontokat, a gyökér elemre legfeljebb \(\Delta\) levél kerülhet
- Mikor elértük a \(\Delta\) levelet, a következő csomópontokat mindig a legkisebb összesített súlyú levélre kapcsoljuk rá, itt már legfeljebb két levele lehet minden fának
\( \{.24, .2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}\)
s
\( \{.2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}\)
\(p_1(.24)\)
\(S_1 = .24\)
s
\( \{.1, .1, .1, .1, .07, .05, .02, .01, .01\}\)
\(p_1(.24)\)
\(S_1 = .24\)
s
\(S_2 = .20\)
\(p_2(.20)\)
\( \{.1, .1, .1, .07, .05, .02, .01, .01\}\)
\(p_1(.24)\)
\(S_1 = .24\)
s
\(S_2 = .20\)
\(p_2(.20)\)
\(p_3(.10)\)
\(S_3 = .10\)
\( \{.1, .1, .07, .05, .02, .01, .01\}\)
\(p_1(.24)\)
\(S_1 = .24\)
s
\(S_2 = .20\)
\(p_2(.20)\)
\(p_3(.10)\)
\(S_3 = .10\)
\(S_4 = .10\)
\(p_4(.10)\)
\( \{.1, .07, .05, .02, .01, .01\}\)
\(p_1(.24)\)
\(S_1 = .24\)
s
\(S_2 = .20\)
\(p_2(.20)\)
\(p_3(.10)\)
\(S_3 = .20\)
\(S_4 = .10\)
\(p_4(.10)\)
\(p_5(.10)\)
\( \{.07, .05, .02, .01, .01\}\)
\(p_1(.24)\)
\(S_1 = .24\)
s
\(S_2 = .20\)
\(p_2(.20)\)
\(p_3(.10)\)
\(S_3 = .20\)
\(S_4 = .20\)
\(p_4(.10)\)
\(p_5(.10)\)
\(p_6(.10)\)
\( \{.05, .02, .01, .01\}\)
\(p_1(.24)\)
\(S_1 = .24\)
s
\(S_2 = .27\)
\(p_2(.20)\)
\(p_3(.10)\)
\(S_3 = .20\)
\(S_4 = .20\)
\(p_4(.10)\)
\(p_5(.10)\)
\(p_6(.10)\)
\(p_7(.07)\)
\( \{.02, .01, .01\}\)
\(p_1(.24)\)
\(S_1 = .24\)
s
\(S_2 = .27\)
\(p_2(.20)\)
\(p_3(.10)\)
\(S_3 = .25\)
\(S_4 = .20\)
\(p_4(.10)\)
\(p_5(.10)\)
\(p_6(.10)\)
\(p_7(.07)\)
\(p_8(.05)\)
\( \{.01, .01\}\)
\(p_1(.24)\)
\(S_1 = .24\)
s
\(S_2 = .27\)
\(p_2(.20)\)
\(p_3(.10)\)
\(S_3 = .25\)
\(S_4 = .22\)
\(p_4(.10)\)
\(p_5(.10)\)
\(p_6(.10)\)
\(p_7(.07)\)
\(p_8(.05)\)
\(p_9(.02)\)
\( \{.01\}\)
\(p_1(.24)\)
\(S_1 = .24\)
s
\(S_2 = .27\)
\(p_2(.20)\)
\(p_3(.10)\)
\(S_3 = .25\)
\(S_4 = .23\)
\(p_4(.10)\)
\(p_5(.10)\)
\(p_6(.10)\)
\(p_7(.07)\)
\(p_8(.05)\)
\(p_9(.02)\)
\(p_{10}(.01)\)
\( \{\}\)
\(p_1(.24)\)
\(S_1 = .24\)
s
\(S_2 = .27\)
\(p_2(.20)\)
\(p_3(.10)\)
\(S_3 = .25\)
\(S_4 = .24\)
\(p_4(.10)\)
\(p_5(.10)\)
\(p_6(.10)\)
\(p_7(.07)\)
\(p_8(.05)\)
\(p_9(.02)\)
\(p_{10}(.01)\)
\(p_{11}(.01)\)
\((\alpha, \beta)\)-cl-DAN algortimus
- Felosztjuk a hálózat csúcsait két halmazra, \(H\) - magas és \(L\) - alacsony fokszámúakra fele-fele arányban
- Az alacsony fokszámú csúcsok fokszáma legfeljebb \(2\rho\)
- Megkeressük az összes olyan \((u, v)\) élt, ahol \(u\) és \(v\) is a magas fokszámú halmazba tartozik
- Az ilyen éleket a gráfban kiegészítjük egy segítő csomóponttal, \(l \in L\), az eredeti csomópontok között megszüntetjük az élt, és felveszünk két új élt \((u, l)\) és \((v, l)\)
- Minden segítő \(l\) csúcs választásakor egy még nem felhasználtat válasszunk az \(L\) halmazból
\((\alpha, \beta)\)-cl-DAN algortimus
- 4. Meghatározunk egy mátrixot, ami első lépésben az eredeti
- Ahol segítő csomópontot vettünk fel, ott az útvonal hosszához hozzá kell még adni az \(l\)-el való áthaladást is, és törölni kell az eredeti pontok közti élt
- Ezután elkészítjük a magas halmaz csúcsaira a \(T_u\) fát, ahol a valószínűségeket a mátrixból kiolvassuk, \(\Delta = 12\rho\) fokszámmal, ez közel optimális megoldást ad mindkét megközelítésre
\((\alpha, \beta)\)-cl-DAN algortimus
- 5. Mivel \(u\) és \(v\) pontok közt egy \(l\) segítő csomópont van használva, ezért \(T_u\) és \(T_v\) módosításra szorul. Alakítsuk át először \(T_u\)-t \(T'_u\)-ra
- Ha \(l \notin T_u\), \((p(u, l) = 0)\), akkor \(l\) átveszi \(v\) helyét \(T'_u\)-ban
-
Ha \(l \in T_u\), \((p(u, l) \gt 0)\), akkor két lehetőségünk van:
- Ha \((p(u, l) \gt (p(u, v))\), akkor töröljük \(v\)-t a fából
- Ha \((p(u, l) \le (p(u, v))\), akkor \(l\) átveszi \(v\) helyét \(T'_u\)-ban
- \(T'_v\) hasonlóan számítjuk ki, ezzel garantálva, hogy \(T'_u\) és \(T'_v\) közötti kommunikáció az \(l\) csomóponton keresztül fog áthaladni
5. lépés vizualizálása
\((\alpha, \beta)\)-cl-DAN algortimus
- 6. Konstruáljuk meg az új N hálózatot, vegyük az előbb készített egofákat és vegyük az uniójukat, azaz húzzuk be az összes olyan élet amik szerepeltek a fákban
- De mivel nem csak magas fokú csomópontok közt történhetett adatforgalom, ezért még vegyük hozzá az N hálózathoz azokat az éleket is, ahol mindkét csomópont alacsony fokszámú volt
\((\alpha, \beta)\)-cl-DAN algortimus példa
\((\alpha, \beta)\)-cl-DAN algortimus példa
\((\alpha, \beta)\)-cl-DAN algortimus példa
Véletlen gráfok
- Barabási-Albert modell, komplex hálózatok egy modellje ([1])
- "preferential attachment", az újonnan becsatlakozó csomópontnak m már a hálózatban szereplő csomópontra kell kapcsolódnia
Véletlen gráfok
- 2. Erdős-Rényi modell ([2])
- az \(n\) csúcsú gráf éleit \(p\) valószínűséggel húzzuk be bármely két csúcs között, egymástól függetlenül.
Véletlen gráfok
- 3. Csillaggráf ([3])
- \(n\) csúcs esetén van egy központi csúcs a gráfban, amivel a maradék \(n-1\) csúcs kapcsolatban áll
Kiterjesztett modell
- A diplomamunka alatt, több az Egófához hasonló fa építési startégia meg lett vizsgálva:
- EgoBalance
- Huffman fa
- Sorfolytonos fa
- Random fa
- A cl-DAN algorimtus is kapott egy módosítást arra, hogy hogyan sorolja be a magas és alacsony halmazokat
EgoBalance
- Az cl-DAN algoritmus csere lépésének módosítása
- A cseréljük ki a szükséges csúcsokat, de mikor a szülő nélkül gyerekeket akarjuk visszacsatlakoztatni a gráfra, használjuk ki az EgoFa tulajdonságát, ami torlódásra nézve optimálisan szúrja be az elemeket
Huffman fa
- Vegyük a gyökérhez kapcsolódó csúcsok valószínűségét egy vektorba
- Rendezzük a vektort növekvő sorrendbe
- Vonjuk össze a vektor legelső két elemét, majd helyezzük vissza a vektorba és rendezzük újra növekvő sorrendbe
- Ezt addig csináljuk amíg az elemek száma nem éri el a maximális fokszámot - Elkészült a Huffman fa
-
Köztes csomópontokat töltsük ki
- A gyökérre kapcsolódó ágakon gyűjtsük össze az összes levelet
- Rendezzük sorba a leveleket nehézség szerint csökkenő sorrendbe
- Építsünk teljes fát az ágon
\( \{.24, .2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}\)
s
\( \{\}\)
s
\(p_1(.24)\)
\(p_2(.20)\)
\(p_3(.10)\)
\(p_4(.10)\)
\(p_5(.10)\)
\(p_6(.10)\)
\(p_7(.07)\)
\(p_8(.05)\)
\(p_9(.02)\)
\(p_{10}(.01)\)
\(p_{11}(.01)\)
\( \{\}\)
s
\(p_1(.24)\)
\(p_2(.20)\)
\(p_3(.10)\)
\(p_4(.10)\)
\(p_5(.10)\)
\(p_6(.10)\)
\(p_7(.07)\)
\(p_8(.05)\)
\(p_9(.02)\)
\(p_{10}(.01)\)
\(p_{11}(.01)\)
\((.02)\)
\( \{\}\)
s
\(p_1(.24)\)
\(p_2(.20)\)
\(p_3(.10)\)
\(p_4(.10)\)
\(p_5(.10)\)
\(p_6(.10)\)
\(p_7(.07)\)
\(p_8(.05)\)
\(p_9(.02)\)
\(p_{10}(.01)\)
\(p_{11}(.01)\)
\((.02)\)
\((.04)\)
\( \{\}\)
s
\(p_1(.24)\)
\(p_2(.20)\)
\(p_3(.10)\)
\(p_4(.10)\)
\(p_5(.10)\)
\(p_6(.10)\)
\(p_7(.07)\)
\(p_8(.05)\)
\(p_9(.02)\)
\(p_{10}(.01)\)
\(p_{11}(.01)\)
\((.02)\)
\((.04)\)
\((.09)\)
\( \{\}\)
s
\(p_1(.24)\)
\(p_2(.20)\)
\(p_3(.10)\)
\(p_4(.10)\)
\(p_5(.10)\)
\(p_6(.10)\)
\(p_7(.07)\)
\(p_8(.05)\)
\(p_9(.02)\)
\(p_{10}(.01)\)
\(p_{11}(.01)\)
\((.02)\)
\((.04)\)
\((.09)\)
\((.16)\)
\((.20)\)
\( \{\}\)
s
\(p_1(.24)\)
\(p_2(.20)\)
\(p_3(.10)\)
\(p_4(.10)\)
\(p_5(.10)\)
\(p_6(.10)\)
\(p_7(.07)\)
\(p_8(.05)\)
\(p_9(.02)\)
\(p_{10}(.01)\)
\(p_{11}(.01)\)
\((.02)\)
\((.04)\)
\((.09)\)
\((.16)\)
\((.20)\)
\((.20)\)
\( \{\}\)
s
\(p_1(.24)\)
\(p_2(.20)\)
\(p_3(.10)\)
\(p_4(.10)\)
\(p_5(.10)\)
\(p_6(.10)\)
\(p_7(.07)\)
\(p_8(.05)\)
\(p_9(.02)\)
\(p_{10}(.01)\)
\(p_{11}(.01)\)
\((.02)\)
\((.04)\)
\((.09)\)
\((.16)\)
\((.20)\)
\((.20)\)
\((.36)\)
\( \{\}\)
s
\(p_1(.24)\)
\(p_2(.20)\)
\(p_3(.10)\)
\(p_4(.10)\)
\(p_5(.10)\)
\(p_6(.10)\)
\(p_7(.07)\)
\(p_8(.05)\)
\(p_9(.02)\)
\(p_{10}(.01)\)
\(p_{11}(.01)\)
\((.02)\)
\((.04)\)
\((.09)\)
\((.16)\)
\((.20)\)
\((.20)\)
\((.36)\)
\( \{\}\)
s
\(p_1(.24)\)
\(p_2(.20)\)
\(p_3(.10)\)
\(p_4(.10)\)
\(p_5(.10)\)
\(p_6(.10)\)
\(p_7(.07)\)
\(p_8(.05)\)
\(p_9(.02)\)
\(p_{10}(.01)\)
\(p_{11}(.01)\)
\((.02)\)
\((.04)\)
\((.09)\)
\((.16)\)
\((.20)\)
\((.20)\)
\((.36)\)
\( \{\}\)
s
\(p_1(.24)\)
\(p_2(.20)\)
\(p_3(.10)\)
\(p_4(.10)\)
\(p_5(.10)\)
\(p_6(.10)\)
\(p_7(.07)\)
\(p_8(.05)\)
\(p_9(.02)\)
\(p_{10}(.01)\)
\(p_{11}(.01)\)
\(S_1 = .24\)
\(S_2 = .20\)
\(S_3 = .20\)
\(S_4 = .36\)
Sorfolytonos és Random fa
- Vegyük a gyökérhez kapcsolódó csúcsok valószínűségét egy vektorba
- Rendezzük a vektort csökkenő sorrendbe
- Random fa esetén keverjük meg a vektor elemeit
- Építsünk teljes fát, ahol csomópont kapcsolódik a gyökér elemre
\( \{.24, .2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}\)
s
\( \{.2, .1, .1, .1, .1, .07, .05, .02, .01, .01\}\)
\(p_1(.24)\)
\(S_1 = .24\)
s
\( \{.1, .1, .1, .1, .07, .05, .02, .01, .01\}\)
\(p_1(.24)\)
\(S_1 = .24\)
s
\(S_2 = .20\)
\(p_2(.20)\)
\( \{.1, .1, .1, .07, .05, .02, .01, .01\}\)
\(p_1(.24)\)
\(S_1 = .24\)
s
\(S_2 = .20\)
\(p_2(.20)\)
\(p_3(.10)\)
\(S_3 = .10\)
\( \{.1, .1, .07, .05, .02, .01, .01\}\)
\(p_1(.24)\)
\(S_1 = .24\)
s
\(S_2 = .20\)
\(p_2(.20)\)
\(p_3(.10)\)
\(S_3 = .10\)
\(S_4 = .10\)
\(p_4(.10)\)
\( \{ .1, .07, .05, .02, .01, .01\}\)
\(p_1(.24)\)
\(S_1 = .34\)
s
\(S_2 = .20\)
\(p_2(.20)\)
\(p_3(.10)\)
\(S_3 = .10\)
\(S_4 = .10\)
\(p_4(.10)\)
\(p_5(.1)\)
\( \{ .07, .05, .02, .01, .01\}\)
\(p_1(.24)\)
\(S_1 = .44\)
s
\(S_2 = .20\)
\(p_2(.20)\)
\(p_3(.10)\)
\(S_3 = .10\)
\(S_4 = .10\)
\(p_4(.10)\)
\(p_5(.1)\)
\(p_6(.1)\)
\( \{.05, .02, .01, .01\}\)
\(p_1(.24)\)
\(S_1 = .44\)
s
\(S_2 = .27\)
\(p_2(.20)\)
\(p_3(.10)\)
\(S_3 = .10\)
\(S_4 = .10\)
\(p_4(.10)\)
\(p_5(.1)\)
\(p_6(.1)\)
\(p_7(.07)\)
\( \{.02, .01, .01\}\)
\(p_1(.24)\)
\(S_1 = .44\)
s
\(S_2 = .32\)
\(p_2(.20)\)
\(p_3(.10)\)
\(S_3 = .10\)
\(S_4 = .10\)
\(p_4(.10)\)
\(p_5(.1)\)
\(p_6(.1)\)
\(p_7(.07)\)
\(p_8(.05)\)
\( \{.01, .01\}\)
\(p_1(.24)\)
\(S_1 = .44\)
s
\(S_2 = .32\)
\(p_2(.20)\)
\(p_3(.10)\)
\(S_3 = .12\)
\(S_4 = .10\)
\(p_4(.10)\)
\(p_5(.1)\)
\(p_6(.1)\)
\(p_7(.07)\)
\(p_8(.05)\)
\(p_9(.02)\)
\( \{.01\}\)
\(p_1(.24)\)
\(S_1 = .44\)
s
\(S_2 = .32\)
\(p_2(.20)\)
\(p_3(.10)\)
\(S_3 = .13\)
\(S_4 = .10\)
\(p_4(.10)\)
\(p_5(.1)\)
\(p_6(.1)\)
\(p_7(.07)\)
\(p_8(.05)\)
\(p_9(.02)\)
\(p_{10}(.01)\)
\( \{\}\)
\(p_1(.24)\)
\(S_1 = .44\)
s
\(S_2 = .32\)
\(p_2(.20)\)
\(p_3(.10)\)
\(S_3 = .13\)
\(S_4 = .11\)
\(p_4(.10)\)
\(p_5(.1)\)
\(p_6(.1)\)
\(p_7(.07)\)
\(p_8(.05)\)
\(p_9(.02)\)
\(p_{10}(.01)\)
\(p_{11}(.01)\)
Módosított fa építés
- Az első lépése a cl-DAN algoritmikusnak a csúcsok besorolása
- A cikk szerint osszuk fel fele-fele arányban, de az alacsonyak ne haladják meg a \(2\rho\) fokszámot
- A módosított változtat, hogy csak azok kerüljenek magas csúcsok közé, amik elérik a \(2\rho\) fokszámot
- Ezzel csökken a megépítendő fák mennyisége
- Csillaggráf esetén jelentős a változás
Eredmények
Eredmények
Eredmények
Eredmények
Irodalomjegyzék
[1] Wikipédia - Barabási–Albert-modell
[2] Wikipédia - Csillaggráf
[3] Wikipédia - Erdős–Rényi modell
[4] C. Avin, K. Mondal, and S. Schmid. Demand-aware network design with minimal congestion and route lengths, April 2019
[5] M. Ghobadi, D. Kilper, R. Mahajan, A. Phanishayee, N. Devanur, J. Kulkarni, G. Ranade, P.-A. Blanche, H. Rastegarfar, and M. Glick. ProjecToR: Agile Reconfigurable Data Center Interconnect, 2016
Köszönöm a figyelmet!
Formagol igény tudatos hálózat tervezés
By Imre Secodi
Formagol igény tudatos hálózat tervezés
- 95