Desarrollo de un sistema adaptativo para el balanceo de tráfico en centros de datos mediante controladores SDN y metodologías KDN

Abstract

El aumento del tráfio interno en centros de datos, que incluye flujos pequeños (mice) y flujos grandes (elephants), crea situaciones dinámicas de congestión que mecanismos tradicionales de balanceo de tráfico, como ECMP y DRILL, no gestionan de una manera óptima. El presente trabajo está basado en la metodología de redes definidas por conocimiento (KDN), en la cual sugiere que los controladores de redes definidas por software (SDN) pueden alcanzar capacidades de observación, aprendizaje y decisión adaptativa. Se desarrolló un sistema de control inteligente basado en Deep Q-Learning (DQN) en la cual un agente previamente entrenado, elige las rutas mínimas en una topología FatTree utilizando información del estado de los enlaces. Con esto se logra un mejor balanceo del tráfico y tiempo de finalización de flujos (FCT). Su rendimiento se evalúa con diferentes niveles de tráfico que incluyen procesos ON/OFF con flujos mice y elephants, y comparándolo con ECMP y DRILL.