左 攀，束永安

（安徽大学计算机科学与技术学院，合肥 230601）

0 概述

随着互联网的高速发展和各种计算机技术的不断革新，网络的传输任务变得越来越重，如物联网技术让所有能行使独立功能的普通物体实现互联互通，这使得接入网络的设备增多，产生的网络流量更是呈指数级增长［1］。软件定义网络（Software Defined Network，SDN）作为一种新型网络架构，是优化网络资源管理的新范例，其不仅实现了转控分离和集中控制，而且开放了接口，这使得第三方应用只需要用编程的方式就可以定义一个新的网络功能［2］。SDN作为未来最有发展前景的网络技术之一，越来越多地被应用在网络性能更高的数据中心网络（Data Center Network，DCN）中。

目前，数据中心网络普遍采用基于Clos 架构的网络拓扑，如Fat-Tree［3］、VL2［4］等多根拓扑结构。该类拓扑使一对主机间有多条等价路径可达，极大地缓解了数据传输时不同传输任务对带宽资源的竞争问题，一定程度上实现了负载均衡。但要解决数据中心网络的负载均衡问题仍面临一些挑战。有研究表明，在数据中心网络中，数据流可分为老鼠流和大象流两类，虽然大象流在数量上少于全部网络流的10%，但约80%的网络带宽资源却被大象流占据［5］，且由于大象流的生存周期长，老鼠流经常被大象流阻塞，造成长时间的队列延迟［6］。因此，如何对大象流进行识别和处理，是解决数据中心网络中负载均衡问题的关键。

本文提出一种基于前馈神经网络（Feedforward Neural Network，FNN）的动态多路径负载均衡机制FNN-LB。利用SDN 架构分层解耦的优势，使位于控制 层的SDN 控制器可以 通过OpenFlow 协 议［7］与数据层的交换机进行信息交互，从而收集整个网络的实时状态信息。……