基于改进蚁群算法的SDN数据中心流调度研究

朱素霞，龙翼飞，孙广路，李纯锋

摘要：目前在软件定义数据中心网络中，基于蚁群算法的流调度策略在对路径进行选择时存在收敛过慢和搜索停滞等缺点，容易导致数据中心网络时延过高和资源利用率低等问题。为此，提出一种基于蚁群改进的流调度算法。该算法以最大化平均链路带宽利用率为优化目标，将流调度问题抽象为整数线性规划模型，通过重定义蚁群算法中的信息素更新方式对大流的重路由路径进行求解。仿真实验表明，该算法与传统的经典流调度算法和基于蚁群算法的流调度策略相比，能够更有效地提升网络平均对分带宽，同时降低网络传输时延和丢包率，充分利用网络资源。

关键词：软件定义网络;流调度;数据中心网络;蚁群算法;信息素

DOI：10.15938/j.jhust.2022.01.001

中图分类号： TP391.4    文献标志码： A    文章编号： 1007-2683（2022）01-0001-07

Improved Ant Colony Algorithm for Network Flow

Scheduling in SDN Data Center

ZHU Suxia，LONG Yifei，SUN Guanglu，LI Chunfeng

（School of Computer Science and Technology， Harbin University of Science and Technology， Harbin 150080， China）

Abstract：At present， in the software defined data center network， the flow scheduling strategy based on ant colony algorithm has the disadvantages of too slow convergence and search stagnation in path selection， which easily leads to the problems of excessively high data center network delay and low resource utilization. Therefore， this paper proposes an improved flow scheduling algorithm based on ant colony. In this algorithm， the flow scheduling problem is abstracted as an integer linear programming model to maximize the average link bandwidth utilization， and the reroute path is solved by redefining pheromone updating mode in ant colony algorithm. The simulation results show that this algorithm can effectively improve the average bandwidth of the network， reduce the transmission delay and packet loss rate， and make full use of the network resources， compared with the traditional classical flow scheduling algorithm and the flow scheduling strategy based on ant colony algorithm.

Keywords：software defined network; flow scheduling; data center network; ant colony algorithm; pheromone

0引言

隨着互联网业务的不断扩展，数据中心作为其内容的承载体，承载着巨大的网络流量，对带宽的需求日益攀升。由于传统的网络拓扑无法满足其对带宽的需求[1]，为此，诸如FatTree[2]、DCell[3]、PortLand[4]等新型数据中心网络拓扑相继被提出。其中，FatTree网络拓扑结构在当今应用尤为广泛。另外，通过对数据中心网络流量特征的研究，Benson等人发现在数据中心网络里大流数量占比虽然不足网络流总数量的10%，但其却占了网络流量总带宽的80%[5]。由此可以得出大流是影响数据中心网络性能的主要因素。因此，如何对网络中的大流进行合理又高效的路由不仅是保障数据中心内各类应用服务质量的前提，也是当今数据中心流量调度领域研究的热点问题[6]。

传统网络在配置和管理等方面缺乏灵活性，无法适应现代化数据中心发展的需求。针对这一问题，新兴的网络体系架构—软件定义网络（software defined network，SDN）应运而生[7]，它将网络数据的控制和转发进行解耦，使其具有集中式架构的特性，能够从全局的角度更加灵活地对网络流量进行调度。虽然SDN架构相比传统网络架构在流量调度方面具有很大优势，但其仍然存在流量负载分配不合理的问题，无法充分利用网络资源[8]。

蚁群算法作为一种启发式算法，已被广泛应用于离散域路径规划中的网络路由问题及其他应用场合[9-11]。目前已有的基于蚁群的流调度算法在对链路信息素更新时，没有明显差异化地更新链路信息素。这不仅会致使算法收敛速度过慢，导致网络传输时延过高，而且也无法很好地解决路径搜索产生的停滞问题。为此，本文针对链路信息素更新规则进行改进，提出了一种基于蚁群改进的流调度算法（ant colony improvement flow scheduling，ACIFS）。

本文的主要贡献如下：

1）根据网络链路负载，差异化地初始全网链路信息素，使得空闲链路获得更高的信息素初值，从而有效地降低蚁群算法在初期对链路选择的随机性，使其更加偏向于选择负载更低的链路。

2）针对链路信息素挥发系数，设计了一种阶段性信息素挥发系数。在迭代初期，其值相对较大，以提高蚂蚁初期对新路径的探索能力，随着迭代次数的增加，逐渐降低其值，进而改善算法的收敛速度。

3）针对链路信息素更新规则，结合奖惩制度，提出了一种最优最差全局信息素更新规则。仅对本轮迭代最优和最差路径上的链路信息素进行额外的“奖励”和“惩罚”，淘汰较差路径的同时突出较优路径。

1相关工作

针对数据中心网络的流量调度问题，目前主流方法主要分为确定性方法和非确定性方法两大类[12]。确定性方法针对特定的输入产生相同的输出，非确定性方法对于相同的输入可能会有不同的输出。

在确定性算法中，传统的等价多路径算法（equalcost multipath，ECMP）[13]是将多条数据流按照静态散列的方式分配到多条等价路径上，这可能导致多条大流被分到同一路径，进而引发碰撞，造成网络拥塞。Li J等[14]是利用多属性综合模糊评估机制，提出了模糊综合评估算法（fuzzy synthetic evaluation mechanism，FSEM），通过对候选路径上各属性值的加权评估，选择最优路径对流量进行路由。然而当流量过大导致拥塞后，该算法并没有解决办法。Yang X 等[15]提出了一种基于 KDijkstra的负载均衡算法。该算法先是利用KDijkstra算法计算出主机间若干条备选路径，之后则通过高响应率优先算法（high response ratio first，HRRF）在备选路径中选出最佳路径作为流调度路径。虽然这样可以提高网络流量传输效率，但总体链路利用率偏低。

在非确定性算法中，AlFares M等[16]针对数据中心网络流调度问题提出了Hedera动态流量调度系统。其中，提出的全局最先匹配算法（global first fit，GFF）虽然将大流调度到满足其需求的路径上，缓解了网络拥塞，但由于其是采用贪心的思想对路径进行选择，因此所选路径可能不是全局最优路径。Wang C等[17]提出了一种基于蚁群优化的链路负载均衡算法（link load balancing ant colony optimization，LLBACO），该算法针对蚁群优化算法的路径搜索规则，将链路负载、时延和丢包率作为影响蚂蚁选择下一节点的因素，让蚂蚁选择最宽和最短的路径，虽然算法能够有效地平衡网络链路负载，但收敛速度过慢。曲桦等[18]提出了一种基于蚁群优化的负载均衡算法（ant colony optimizationbased load balancing，LBACO）。该算法对所有到达目的节点的蚂蚁进行信息素更新，虽然加快了算法的收敛速度，但是会导致路径搜索的停滞，使其陷入局部最优。Xue H等[19]提出了一种基于遗传蚁群优化的动态负载均衡算法（geneticant colony optimization，GACO）。该算法将遗传算法和蚁群算法进行了融合，在蚁群算法生成的路径基础上，利用遗传算法中的交叉和变异操作产生新的路径，有效地扩大了路径的搜索范围，避免了搜索的停滞，但是相应地存在一个问题就是产生的新路径可能并不存在。

2ACIFS算法设计

2.1流调度处理流程

本文对进入数据中心的网络流量默认采用ECMP的方式进行路由。根据全网状态信息，计算当前全网负载均衡度，并判断其是否大于指定阈值，若小于，则说明当前网络处于相对均衡状态，无需采取任何措施，否则，采用ACIFS算法对流经边缘交换机的大流进行重调度。

2.2流调度问题数学建模

流调度问题实质是根據路径信息选择合适的路径将流从源节点调度到目的节点。本文将流调度问题抽象化为整数线性规划模型进行求解。问题的具体建模描述如下：

对于经典的FatTree数据中心网络拓扑结构，可以将其抽象为一个有向图G=（H∪S，E）。其中，H与S分别代表主机节点集合和交换机节点集合，E则代表链路集合。网络中共有m条链路，其中，链路可表示为lij，i，j∈H∪S，另外，定义链路的最大负载为Cij。网络中共有n条流，流的集合可以表示为F={f1，f2，…，fn}，定义其中一条流fk为一个三元组（sk，dk，bk），k∈{1，2，…，n}，sk∈H表示源主机节点，dk∈H表示目的主机节点，bk表示流fk的所占带宽。

本文的优化目标是最大化平均链路带宽利用率，即在避免网络拥塞的同时将网络资源利用率最大化。对目标函数的具体定义如式（1）所示：

Max∑{（i，j）∈E}（∑1≤k≤nbkij/Cij）m（1）

其中：∑1≤k≤nbkij表示链路lij的实际负载;bkij表示流fk在链路lij上实际占用带宽。

其约束条件如下：

∑1≤k≤nbkij≤Cij，（i，j）∈E（2）

0≤bkij≤Cij，i，j∈H∪S，k∈{1，2，…，n}（3）

∑{j：（sk，j）∈E}bkskj-∑{j：（j，sk）∈E}bkjsk=bk，k=1，2，…，n（4）

∑{j：（dk，j）∈E}bkdkj-∑{j：（j，dk）∈E}bkjdk=-bk，k=1，2，…，n（5）

∑{j：（i，j）∈E，i≠sk，dk}bkij=∑{j：（j，i）∈E，i≠sk，dk}bkji，k=1，2，…，n（6）

式（2）代表流容量约束，即任意一条链路上的总流量应小于等于链路容量。式（3）代表流所占带宽约束，即流fk的所占带宽应大于等于0，不能为负值，且小于链路容量。式（4）～（6）定义了流守恒约束，表示流fk从源主机流出到流入目的主机期间途经的任意节点流入和流出的流量相等。

在对流调度问题建模后，本文将其映射到蚁群算法中，为获得具体大流调度方案，这里采用ACIFS算法对上述模型进行求解。

2.3全网负载均衡度的设定

在网络流量处于高峰期时，为避免因网络拥塞而导致的链路负载不均。本文为此设定一个全网负载均衡度δ，用于判断当前网络是否处于负载均衡状态。这里引用数学中的标准差概念，使用离散程度反应均衡度，同时为避免其因短期的极值而导致不必要的重路由，本文采用一段时间内的均值作为其结果，以消除短时间内网络波动产生的影响。具体全网负载均衡度定义如式（7）所示：

δ（t）=1P∑Tt=T-P1m∑ml=1（load（t）-loadl（t））2（7）

其中：P代表统计周期;T代表当前时间;load（t）表示在t时刻所有的链路平均负载;loadl（t）表示在t时刻链路l的实时负载。

针对全网负载均衡度，这里设置一个阈值δ*用来衡量当前网络负载情况。其中δ*的值通过实验来确定。

2.4ACIFS大流调度算法

蚁群算法作为一种启发式算法[9]，被广泛应用于路径寻优问题，其核心思想是根据蚁群在觅食过程中释放在路径上的信息素去引导其找到最优路径。本文利用蚁群算法的思想对上述模型进行求解。将蚂蚁经过的路径转化为大流调度的可行解，相应整个蚁群所组成的路径集合即为大流调度的解空间。其中，引导蚂蚁选择路径的启发信息可以抽象为网络状态信息，随着迭代次数的增加，路径越优信息素含量就越高。最终，在正反馈的作用下整个蚁群将收敛到最优路径上，即此时得到的路径为大流调度的最优路径。

本文提出的ACIFS算法对蚁群算法的信息素更新方式还有相关参数进行了重定义，算法具体执行步骤如下：

1）为了避免ACO算法中初期链路信息素的匮乏，这里根据链路负载情况，对全网链路信息素进行差异化初始。具体方法如下：首先，将所有链路按照负载进行升序排列;然后，将负载最低的前20%链路信息素初始化为τmax;最后，将剩余的链路信息素初始化为0.8τmax。这样可以在搜索初期，有效减轻蚂蚁搜索的盲目性，使其更加倾向于选择空闲的链路。

2）设定算法最大迭代次数为Imax，蚂蚁寻找目的节点最多途经跳数为Nmax，蚂蚁数量为x，同时将所有蚂蚁放置在源节点。其中，对于每只蚂蚁Ak（k=1，2，…，x）都有一个禁忌表，避免其重复访问同一个节点。

3）在规定跳数Nmax内，蚂蚁Ak根据转移概率Pkij选择下一跳交换机节点。具体转移概率如式（8）所示：

Pkij=[τij（t）]α·[ηij（t）]β∑z∈allowedk[τiz（t）]α·[ηiz（t）]βj∈allowedk

0others（8）

其中：Pkij表示螞蚁Ak从节点i转移到节点j的概率;α代表信息素的重要程度;β代表启发信息的重要程度;τij（t）表示在t时刻链路lij上的信息素含量。ηij（t）为启发函数，表示在t时刻链路lij上的启发信息，具体计算方式如式（9）所示：

ηij（t）=1∑1≤k≤nbkij（t）（9）

其中∑1≤k≤nbkij（t）表示在t时刻链路lij的实际负载。链路负载越低时，被选择的概率就越高。

4）当所有蚂蚁都完成一次迭代后，采用最优最差全局信息素更新规则对链路信息素进行更新。相比ACO算法中对所有到达目的节点的蚂蚁所经过路径上的信息素进行更新，这里则通过进一步沉积信息素的方式奖励最优路径，进一步挥发信息素的方式惩罚最差路径。这样有利于更快地排除相对较差的路径，同时突出较好的路径，进而提高算法的收敛速度，具体最优最差全局信息素更新规则如式（10）所示：

τgbij（t+1）=（1-ρphase）·τij（t）+Δτij（t）（10）

其中：τgbij（t+1）表示本轮迭代后链路lij上的信息素含量;ρphase为阶段性信息素挥发系数，具体计算方式如式（11）所示。

ρphase=0.5if Icur<0.3Imax and pcur=pall

0.4others

0.3if Icur>0.7Imax（11）

其中：Icur代表算法当前迭代次数;pcur代表本轮迭代最优路径;pall代表至今为止最优路径。Δτij（t）表示本轮迭代链路lij上的信息素增量，具体计算方式如式（12）和（13）所示。

Δτij（t）=∑xk=1Δτkij（t）（12）

Δτkij（t）=1/LbestAk is best ant

1/Lworst-1/LbestAk is worst ant

0others（13）

其中：Δτkij（t）表示蚂蚁Ak在迭代过程中释放在链路lij上的信息素;Lbest和Lworst则分别表示在本轮迭代成功到达目的节点的最优和最差蚂蚁所经过的路径长度，即交换机节点间跳数。其中，源节点和目的节点间跳数越少，其所经过路径上的信息素沉积量就越大，这有利于蚂蚁选择更短的路径，从而降低网络的传输时延。

其次，这里采用对本轮迭代最优和最差路径进行更新。由于每轮迭代的结果可能不同，这使得更多路径上的信息素将会得到沉积，从而可以有效地防止搜索过早地陷入局部最优。

此外，就阶段性信息素挥发系数而言，初期其值偏高，有利于蚂蚁对路径进行更加全面地搜索。随着迭代次数的增加，其值逐渐降低，可以让蚂蚁渐进地汇集到最优路径上，从而避免算法过早或过晚的收敛。另外，当本轮迭代最优路径和至今为止迭代最优路径相同时，则说明算法已有收敛趋势。如果该现象发生在算法初期，则说明其过早地陷入了局部最优，理应保持其相对较高的挥发值。

5）当算法到达指定迭代次数Imax时，则根据优化目标选出最优路径，并将其作为大流调度的最终路由方案。

在算法执行期间，ACO算法中节点间链路信息素会随迭代次数的增加差值越来越大，容易导致路径搜索过早停滞，从而错过更优的路径。本文为避免上述现象的发生，将链路信息素范围限制在一定区间内，即τij∈[τmin，τmax]，τmax>τmin>0。其中，当信息素在更新过程中大于τmax时，则将其设置为τmax，反之，当信息素在更新过程中小于τmin时，则将其设置为τmin。其中，τmin代表信息素的下限值，τmax代表信息素的上限值。

3仿真与结果分析

为了验证本文所提出的ACIFS算法性能，这里采用平均对分带宽和端到端的往返时延，还有丢包率作为算法性能评价指标，在FatTree网络拓扑结构下进行实验测试。为进一步展现ACIFS算法的优势，本文将对比在目前数据中心中应用广泛的ECMP算法[13]和基于GFF算法的Hedera动态流量调度系统[16]，还有基于蚁群算法[9]的流调度策略。

3.1仿真环境参数设置

1.3.1网络环境

本实验采用Mininet[20]网络仿真工具來模拟真实数据中心网络环境。实验拓扑采用k=4的FatTree网络拓扑，具体如图1所示。

其中，内部的虚拟交换机采用支持OpenFlow协议的OpenvSwitch。相关网络环境参数如表1所示。

1.3.2控制器

本实验采用开源的Ryu[21]控制器，并在上面实现了ACIFS等算法原型。其中，ACIFS算法的参数设定将直接影响其性能。为此，本文针对流调度问题的模型约束进行大量的仿真实验，通过对实验结果的研究进行算法的参数设置。具体ACIFS算法的参数如表2所示。

1.3.3通信模式

关于虚拟主机之间通信模式，本文采用随机通信模式和交错通信模式。其中，在随机通信模式Random里，网络中虚拟主机之间以相等的概率进行随机通信，在交错通信模式Staggered（pEdge，pPod）里，pEdge表示同一边缘交换机内主机间通信概率，而pPod则表示同一Pod内不同子网主机之间通信概率，相应不同Pod间主机通信概率为1pEdgepPod。

为了公平起见，本实验针对交错通信模式采用具有不同特点的两种流量模型，分别为Staggered（0.4，0.4）、Staggered（0.2，0.4）。这里使用Iperf工具生成相应流量模型，同时对每组流量模型重复测试10次，每次测试运行时间为60s。另外，测试期间使用bwmng工具对网络带宽进行监测，对每组流量模型测试结果取平均值作为最终实验结果。

3.2算法性能分析

针对平均对分带宽，具体实验结果对比如图2所示。从图中可以明显发现，无论在哪种流量模型下，ACIFS算法在平均对分带宽上都高于ECMP和GFF，还有ACO算法。其中，在Random流量模型下，ACIFS算法较ECMP提高了约27%，较GFF提高了约20%，较ACO提高了约13%。在Staggered（0.2，0.4）流量模型下，ACIFS算法较ECMP提高了约35%，较GFF提高了约16%，较ACO提高了约10%。在Staggered（0.4，0.4）流量模型下，ACIFS算法较ECMP提高了约6%，较GFF提高了约4%，较ACO提高了约3%。

针对包的平均往返时延，具体实验结果对比如图3所示。从图中不难发现，不管在哪种流量模型下，ACIFS算法在网络数据包的平均往返时延上都优于ECMP和GFF，还有ACO算法。其中，在Random流量模型下，ACIFS算法较ECMP降低了约45%，较GFF降低了约39%，较ACO降低了约18%。在Staggered（0.2，0.4）流量模型下，ACIFS算法较ECMP降低了约49%，较GFF降低了约41%，较ACO降低了约19%。在Staggered（0.4，0.4）流量模型下，ACIFS算法较ECMP降低了约36%，较GFF降低了约32%，较ACO降低了约27%。

针对丢包率，具体实验结果对比如图4所示。从图中各算法在不同流量模型下的丢包率可以看出，在任何流量模型下，ACIFS算法在丢包率上都低于ECMP和GFF，还有ACO算法。其中，在Random流量模型下，ACIFS算法较ECMP降低了约47%，较GFF降低了约28%，较ACO降低了约14%。在Staggered（0.2，0.4）流量模型下，ACIFS算法较ECMP降低了约66%，较GFF降低了约43%，较ACO降低了约24%。在Staggered（0.4，0.4）流量模型下，ACIFS算法较ECMP降低了约46%，较GFF降低了约41%，较ACO降低了约29%。

综上所述，总体来看，Random流量模型下的网络整体性能介于Staggered（0.2，0.4）和Staggered（0.4，0.4）流量模型中间。当Pod内相同子网流量占比较高时，由于跨Pod通信的大流数量相对较少，这导致大流发生冲突的概率较低。因此，Staggered（0.4，0.4）流量模型相对其它流量模型总体平均对分带宽偏高，同时，包平均往返时延和丢包率偏低。另外，由于大流冲突相对较少，所以ACIFS算法在平均对分带宽方面相对其它算法没有很明显的提升。但随着跨Pod间流量占比的提高，越来越多的大流在Pod间通信，因此，大流调度方案的不同将很大程度地影响网络的整体性能。

其中，由于ECMP算法没有考虑当前网络状态，仅采用散列的方式对流量进行调度，这将导致多条大流被分配到同一路径上，从而引发严重的网络拥塞。GFF算法虽然根据当前网络链路带宽，将大流调度到第一条满足其带宽需求的路径上，有效缓解了网络拥塞，但其考虑因素过于单一，可能错过更优的路径。ACO算法则根据各种网络状态信息，利用蚂蚁并行搜索对大流调度路径进行求解，进一步减轻了网络拥塞。ACIFS算法在ACO算法的基础上通过改进信息素的更新方式，不仅提高了算法的收敛速度，使蚂蚁可以更快地找到较优路径，同时也防止了其错失其它更好路径，进而获得了相对更佳的调度方案。实验结果表明，ACIFS算法相对其它算法在提升网络吞吐量的同时很大程度地降低了网络传输时延和丢包率。

针对平均链路带宽利用率，具体实验对比结果如图5所示。从图中可以看出，随着模拟时间的增加，网络中链路带宽利用率也在不断地增长。其中，在25s之前，链路带宽利用率增长较快。这是由于初期网络流量刚进入网络，仅仅占用了网络中一部分链路带宽。但随着时间的推移，流量将快速填充网络中剩余的链路带宽，期间流冲突相对较少，所以算法之间性能差距不明显。而在25s以后，网络中流量趋于稳定。其中，ECMP算法由于没有对流量进行重调度，所以在流量稳定后其链路带宽利用率保持不变。GFF算法在30s到35s和55s到60s期间没有对大流进行重调度致使链路带宽利用率没有改变，这是因为在这段时间内没有满足大流带宽需求的链路。另外，ACIFS算法和ACO算法的链路带宽利用率增长趋势相近，但由于ACIFS算法弥补了ACO算法在大流调度方面的缺陷，所以其增长幅度较ACO算法相对偏大。

4结语

本文针对基于蚁群的流调度算法容易导致网络传输时延过高和网络资源利用率低等问题，提出了ACIFS算法。利用差异化、奖惩、限制三种策略对ACO算法中信息素的处理模式进行改进，并将其应用到流调度问题中进行求解，从而得出大流调度方案。通过对比ECMP和GFF，还有ACO算法的实验结果，验证了本文所提出的ACIFS算法通过对大流的合理调度，不仅获得了在平均对分带宽上的提升，而且还有效地降低了网络传输时延和丢包率，全面提高了网络性能。

参 考 文 献：

[1]HAMMADI A， MHAMDI L. A Survey on Architectures and Energy Efficiency in Data Center Networks[J]. Computer Communications， 2014， 40： 1.

[2]ALFARES M， LOUKISSAS A， VAHDAT A. A Scalable， Commodity Data Center Network Architecture[C]//ACM SIGCOMM Computer Communication Review. ACM， 2008， 38（4）： 63.

[3]GUO C， WU H， TAN K， et al. Dcell： A Scalable and Faulttolerant Network Structure for Data Centers[C]//ACM SIGCOMM Computer Communication Review. ACM， 2008， 38（4）： 75.

[4]NIRANJAN MYSORE R， PAMBORIS A， FARRINGTON N， et al. Portland： A Scalable Faulttolerant Layer 2 Data Center Network Fabric[C]//ACM SIGCOMM Computer Communication Review. ACM， 2009， 39（4）： 39.

[5]BENSON T， AKELLA A， MALTZ D A. Network Traffic Characteristics of Data Centers in the Wild[C]//Proceedings of the 10th ACM SIGCOMM conference on Internet Measurement. ACM， 2010： 267.

[6]GREENBERG A， HAMILTON J， MALTZ D A， et al. The Cost of a Cloud： Research Problems in Data Center Networks[J]. ACM SIGCOMM Computer Communication Review， 2008， 39（1）： 68.

[7]MCKEOWN N， ANDERSON T， BALAKRISHNAN H， et al. OpenFlow： Enabling Innovation in Campus Networks[J]. ACM SIGCOMM Computer Communication Review， 2008， 38（2）： 69.

[8]KREUTZ D， RAMOS F， VERISSIMO P. Towards Secure and Dependable Softwaredefined Networks[C]//Proceedings of the Second ACM SIGCOMM Workshop on Hot Topics in Software Defined Networking. ACM， 2013： 55.

[9]DORIGO M， STTZLE T. Ant Colony Optimization： Overview and Recent Advances[M]//Handbook of Metaheuristics. Springer， Cham， 2019： 311.

[10]孟慶岩，王晶晶. 基于蚁群算法的分区拣货法的改进与实例研究[J]. 电子设计工程， 2021， 29（11）：44.

MENG Qingyan，WANG Jingjing. The Improvement and Case Study of the Partition Picking Method Based on Ant Colony Algorithm[J]. Electronic Design Engineering， 2021， 29（11）：44.

[11]胡治锋， 陈冬方， 李庆奎， 等. 基于模拟退火蚁群算法的拣货路径规划[J]. 电子设计工程， 2021， 29（24）：80.

HU Zhifeng， CHEN Dongfang， LI Qingkui， et al. Picking Path Planning Based on Simulated Annealing Ant Colony Algorithm[J]. Electronic Design Engineering， 2021， 29（24）：80.

[12]NEGHABI A A， NAVIMIPOUR N J， HOSSEINZADEH M， et al. Load Balancing Mechanisms in the Software Defined Networks： a Systematic and Comprehensive Review of the Literature[J]. IEEE Access， 2018， 6： 14159.

[13]HOPPS C. Analysis of An Equalcost Multipath Algorithm[S]. RFC2992， IETF， 2000.

[14]LI J， CHANG X， REN Y， et al. An Effective Path Load Balancing Mechanism Based on SDN[C]// Trust， Security and Privacy in Computing and Communications （TrustCom）， 2014 IEEE 13th International Conference on. IEEE， 2014： 527.

[15]YANG X， WANG L. SDN Load Balancing Method Based on KDijkstra[J].International Journal of Performability Engineering， 2018， 14（4）.

[16]ALFARES M， RADHAKRISHNAN S， RAGHAVAN B， et al. Hedera： Dynamic Flow Scheduling for Data Center Networks[C]//Nsdi. 2010， 10（8）： 89.

[17]WANG C， ZHANG G， XU H， et al. An ACObased Link Loadbalancing Algorithm in SDN[C]//2016 7th International Conference on Cloud Computing and Big Data （CCBD）. IEEE， 2016： 214.

[18]曲桦，赵季红，樊斌，等.软件定义网络中应用蚁群优化的负载均衡算法[J].北京邮电大学学报，2017，40（3）：51.

QU Hua， ZHAO Jihong， FAN Bin， et al. Ant Colony Optimization for Load Balance in Software Defined Network[J]. Journal of Beijing University of Posts and Telecommunications， 2017，40（3）：51.

[19]XUE H， KIM K T， YOUN H Y. Dynamic Load Balancing of SoftwareDefined Networking Based on GeneticAnt Colony Optimization[J]. Sensors， 2019， 19（2）： 311.

[20]LANTZ B， HELLER B， MCKEOWN N. A Network in a Laptop： Rapid Prototyping for Softwaredefined Networks[C]//Proceedings of the 9th ACM SIGCOMM Workshop on Hot Topics in Networks. ACM， 2010： 19.

[21]STANCU A L， HALUNGA S， VULPE A， et al. A Comparison Between Several Software Defined Networking Controllers[C]//Telecommunication in Modern Satellite， Cable and Broadcasting Services （TELSIKS）， 2015 12th International Conference on. IEEE， 2015： 223.

（編辑：王萍）