软件定义无线网络的负载均衡算法

2021-03-11严朝阳吴广富

重庆邮电大学学报(自然科学版) 2021年1期

陈铸，严朝阳，吴广富，王林

(1.中国电子科技集团公司第十研究所成都 628007. 2.重庆邮电大学移动通信技术重点实验室重庆 400065)

0 引言

近年来，移动智能终端的数量与日俱增。根据中国互联网络信息中心第40次中国互联网络发展状况统计报告，截至2018年12月，中国手机网民规模达到8.17亿，占总网民的98.5%；而在2013年12月，中国手机网民的人数有5亿，仅占总网民的80.9%。无线局域网(wireless local area networks，WLAN)因为其价格便宜、高带宽等优点，是移动用户主要无线连接方式。为了适应移动用户业务的快速增长，越来越多的无线接入点被建立并广泛应用到家庭、餐厅、超市、机场等场景。据不完全统计，2014年全球约有4 700万无线接入点，但是在2018年已经增加了8倍。

当前的802.11设备的无线接入点(access point，AP)选择决策是基于接收信号强度指示(received signal strength indication，RSSI)进行实施的，终端仅选择关联信号强度最大的AP[1]。在一些特殊的场景(如会议室、体育馆等)，大量的无线终端试图在短时间内连接一个信号质量好的AP，从而导致部分AP超负载工作，产生低吞吐率和负载不均等问题，严重影响用户上网体验；而有些接入点则处于闲置或轻载状态，浪费了大量无线资源。在当前的无线网络架构下，实施负载均衡策略仍存在一些困难。首先，传统架构下的管理机制缺乏灵活性，很难在已部署的AP上添加新的用户关联控制机制；其次，给所有AP配置转发规则和避免冲突规则等方面需要大量投资；最后，由于AP间缺乏协同，造成邻近AP信号之间相互干扰。因此，需要具有集中控制能力的网络架构，使网络变得更具弹性和扩展性。

软件定义网络(software defined network，SDN)作为一种新型的网络架构[2-3]，允许网络管理员通过抽象较低级别的功能管理网络，将网络中的控制层和数据层分开实现定制编程。在SDN架构中，OpenFlow是集中控制器和网络转发设备的标准通信接口，可以实现SDN的可编程，允许控制器控制交换机的行为[4-5]。OpenFlow可以屏蔽不同厂家交换机的差异，为选择基础设施(交换机，AP等)提供更多便利。因此，SDN网络管理员可以在控制器上编程，将设计好的负载均衡策略应用到网络中。

当前，研究人员已经提出了一些无线网络负载均衡问题的解决方案。文献[6]考虑了RSSI和无线终端数量，提出一种最小负载优先(least load first，LLF)策略，用户终端选择关联终端数最小的AP。在全球移动通信系统(global system for mobile communications，GSM)网络环境中，因为每次语音呼叫产生相同的语音流量，选择终端数量作为负载度量标准是合适的。但在WLAN环境中，由于每个用户终端产生的流量具有较大的差异，以蜂窝环境下的终端数量去衡量WLAN环境的负载量显然是不合理的。最强信号强度优先(strongest signal first，SSF)方法是802.11的AP关联机制[7]，该方法被广泛用在负载切换策略上[8-9]。802.11k修正案也尝试着解决负载均衡问题[10]，需要对AP和无线客户端进行修改，会造成额外的硬件开销。文献[11]提出了一种控制用户AP关联的最小带宽公平分配的解决方案，虽然可以减少负载不平衡，但是会造成带宽分配的不公平。

针对无线局域网中负载不均问题，本文提出一种基于软件定义无线网络(software defined wireless network, SDWN)的负载均衡策略。该策略采用AP带宽使用占比作为负载指标，利用SDWN控制器，周期性地检查当前网络中各AP的负载状态。利用负载平衡因子判断当前网络负载情况，如果检测到网络负载不均，综合考虑当前终端的占用带宽、AP负载和终端到AP的RSSI等影响，引导部分终端重关联至轻载AP以平衡网络负载，从而提高用户服务质量。

1 系统架构

不失一般性，假设当前网络覆盖如图1，各AP覆盖区域均有重叠，OpenFlow能使所有AP通过有线基础设施与控制器相连。SDWN架构如图2，控制器作为软件定义网络的操作实体，通过南向接口获取物理层的资源；并通过北向接口与应用层交互以实现网络逻辑。控制器拥有当前无线网络的全局视图，实时掌握网络拓扑中的资源分布情况。通过控制器，在应用层部署负载均衡策略，使网络资源分配更加合理。

SDWN控制器周期性地采集各AP的资源状态信息，并评估当前网络状态的业务负载是否均衡。把AP分为3种状态，即轻载AP、均衡AP和超载AP[12]。轻载AP可以接受从邻近AP卸载过来或者新加入网络的终端；超载AP不再接受其他终端的接入，可以把关联该AP的部分终端卸载至轻载AP，以降低该AP的负载级别；均衡AP只接受新加入网络的终端，不接受从超载AP切换而来的终端。

图1 AP重覆盖的SDWN系统Fig.1 SDWN system with overlapping APs

图2 SDWN架构Fig.2 Architecture of SDWN

2 负载均衡算法

2.1 负载度量标准

在负载均衡系统中，负载度量标准是关键要素之一。本文以各AP使用的带宽占总容量的比率作为衡量负载是否均衡标准。

(1)

负载平衡因子β越小，说明当前系统各AP间的使用带宽资源比率越接近，系统的负载状态越均衡；反之，则说明此时系统的负载状态不均衡。因此，可以通过仿真或实测数据设置阈值ζ，当β<ζ时，说明当前时刻系统处于负载均衡状态。理想状态下，即当β=0时，系统处于完美负载均衡状态。

为了确定当前各AP的负载状态，需要把各AP负载同系统平均负载作比较，即负载状态判决门限因子φ定义为系统平均负载，即

(2)

如果APi的负载小于φ(即Rused_i<φ)，则该APi为轻载AP；如果APi的负载位于(φ，φ+Δφ)之间(即φφ+Δφ)，则该APi为超载AP。为了平衡网络负载，超载AP需要把与之关联的部分终端卸载至轻载AP。其中，Δφ为预先设定的调整值，一般根据仿真或实测值确定。图3是接入点状态示意图，位于灰色区域的AP2是均衡AP，AP1和AP3分别是轻载AP和超载AP，AP3应该把部分负载移交给AP1以平衡网络负载。

图3 接入点状态示意图Fig.3 Status of APs

2.2 切换对象的选择

在SDWN中，利用位于应用层的负载均衡算法，周期性检测当前网络负载是否失衡。当网络处于负载失衡时，把超载AP下的部分用户终端卸载至轻载AP。如果随机选择部分终端进行卸载，会产生大量低效的卸载决策。本文利用负载平衡因子精确查找候选终端，以尽可能地减少卸载终端数量。

如果选择第m个超载接入点中的第j个用户终端UEmj作为候选终端，则UEmj的吞吐率最接近于U值，U=(Rused_m-Rused_avg)×Vtotal_m。其中，Rused_m表示第m个超载接入点的带宽使用率，Vtotal_m表示第m个超载接入点的总带宽，m=1,2,3,…，j=1,2,3,…。

为候选终端选择合适的切换AP。需要判断轻载AP是否具备接收候选终端的条件。

RSSIreceive_k>RSSIneed_min

(3)

Vremain_k_min>Vneed

(4)

(3)—(4)式中：RSSIreceive_k表示候选终端接收到第k个轻载接入点的信号强度；RSSIneed_min表示候选终端进行卸载所需的最小信号强度；Vremain_k_min为第k个轻载接入点所剩带宽的最小值；Vneed表示候选终端进行卸载所需的带宽。(3)式是为了满足终端切换所要达到的信号强度切换门限；(4)式保证候选终端寻找的AP剩余容量需求。

综合考虑候选终端来自轻载AP接收的信号强度和轻载AP的剩余容量，定义加权值K作为评判标准。选择K值最大的AP作为候选终端的切换对象。

Kk=αXRSSIreceive_k+(1-α)XVremain_k,

XRSSIreceive_k∈(0,1),

(5)

XVremain_k∈(0,1)

(6)

(7)

(5)—(7)式中：Kk为第k个轻载接入点的K值；α表示接收信号强度的加权系数；XRSSIreceive_k和XVremain_k分别为RSSIreceive_k和Vremain_k进行归一化处理后的参数；RSSIreceive_k_max为终端接收到第k个轻载接入点的最大信号强度；Vremain_k表示第k个轻载接入点所剩的带宽；Vtotal_k为第k个轻载接入点的总带宽，k=1,2,3,…。

2.3 负载均衡算法过程

应用场景如图1，控制器需要周期性地检查当前网络中的负载状况，应用所提负载均衡策略，以便在负载失衡时对部分候选终端进行重关联以平衡网络负载。所提负载均衡算法过程如下。

步骤1SDWN控制器周期性地检查网络中各AP的负载信息，包括AP的容量信息，AP周期性记录用户终端RSSI、用户关联状态和各用户所需带宽。

步骤2通过SDWN控制器获得的网络各AP的负载信息，计算β值和φ值。若β<ζ，转到步骤1；否则，执行步骤3。

步骤3根据φ值确定网络中各AP轻载、均衡或超载状态，找出超载AP，并执行步骤 4。

步骤4找出超载APi下的候选终端UEj，判断是否有满足关联该候选终端接收信号强度(即(3)式)且容量能满足候选终端所需带宽(即(4)式)的AP。如果没有，则选择另一个候选终端；反之，执行步骤5。

步骤5通过(5)式找K值最大的AP作为步骤4中候选终端的切换对象，系统候选终端与AP重关联后，如果β<ζ，转到步骤1；否则，转到步骤4。

3仿真分析

为了验证本文所提算法有效性，在Mininet平台上进行仿真实验。在Mininet环境中部署2台AP和4台终端，通过Python脚本对AP进行扩展，为AP添加信号强度、可用带宽和覆盖范围3个属性。每台AP的覆盖半径是20 m，每台AP的最大吞吐率为80 Mbit/s，信号强度和传输速率随终端和AP直接距离增大而减小。

为均衡系统负载设置一个固定的阈值ζ，当系统负载高于这个阈值(β>ζ)时，负载均衡算法将被触发。通过大量仿真可知，ζ可以设置为0.025；均衡AP和超载AP的分界线Δφ可以设置为10%，即负载超过系统平均负载10%以上的AP为超载AP，负载超过系统平均负载不足10%的AP为均衡AP。

当前仿真实验的场景，2个AP被部署在覆盖范围重叠的区域。最初，只有1个客户端与AP1关联，剩下的3个终端都关联AP2。仿真持续时间是300 s，而且每10 s采集1个平均值，前100 s系统为预热时间，即在前100 s即使负载失衡时也不采取负载均衡算法，100 s后开始执行控制器中的负载均衡算法。

图4以带宽的使用占比作为衡量AP负载的指标，该值越大说明当前扩展服务集中AP的业务负载越大。在负载均衡策略触发之前的100 s内，AP2的负载大约是AP1的2倍。在剩下的200 s里，由于实施了负载均衡策略，与AP2关联的部分终端逐渐重关联到AP1，使AP1和AP2的负载趋于相等。

图4 AP的负载状况Fig.4 Status of AP load

图5为系统负载平衡因子β的变化曲线，前100 s网络负载处于严重失衡状态，故β值很大；但在负载均衡机制协调下，β值持续减小并在低于门限ζ后趋于稳定。

图5 负载平衡因子βFig.5 Load balancing factor β under each AP coverage

图6显示的是与AP1和AP2关联终端的平均吞吐率。在开始阶段，AP1的终端平均吞吐率为33 Mbit/s左右，而AP2的终端平均吞吐率只有12 Mbit/s左右。在100 s的时候，随着负载均衡策略的实施，终端与AP的关联状态发生了新的变化并趋于稳定，与AP2关联的终端平均吞吐率提高了10 Mbit/s左右；与AP1关联的终端的平均吞吐率下降到20 Mbit/s左右，但整个系统吞吐率有较大提升。

图6 各AP下终端的平均吞吐率Fig.6 Average throughput rate of terminals

图7是本文策略与SSF和LLF在终端平均吞吐率方面的比较。在前100 s内，由于没有起动负载均衡策略，因此，3种算法的平均吞吐率完全相同；LLF算法只考虑固定系统流量下的信号强度，而SSF算法考虑了信号强度和系统流量，本文综合考虑了终端占用带宽、当前接入点负载和当前终端接收信号强度指示信息，因此，可以获得终端在平均吞吐量方面性能提升。从图7可以看出，SSF算法比LLF算法在终端平均吞吐量方面提升了7.3%左右；而本文策略又比SSF提升了8.3%左右。