Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 508
Aluno: Jeandro de Mesquita Bezerra
Orientador: Prof. Divanilson Rodrigo de Sousa Campelo
Co-orientador: Prof. Críston Pereira de Souza (UFC/Campus Quixadá)
Título: Traffic Engineering in Data Center Networks: Prediction and
Scheduling via Randomized Rounding for Elephant Flows
Data: 25/11/2020
Hora/Local: 8h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. José Augusto Suruagy Monteiro (UFPE / Centro de Informática)
Prof. Paulo Romero Martins Maciel (UFPE / Centro de Informática)
Prof. Kelvin Lopes Dias (UFPE / Centro de Informática)
Prof. Glauco Estácio Gonçalves (UFRPE / Depto. de Estatística e Informática)
Prof. Hélio Waldman (UNICAMP / FEEC)
RESUMO:
Aplicações e serviços hospedados em grandes data centers ocasionam um aumento no volume de tráfego da Internet. Redes de data center (DCNs) são frequentemente projetadas com a topologia fat-tree que permitem múltiplos caminhos entre quaisquer dois servidores. A solução mais adotada para roteamento de fluxos em DCNs é o ECMP (equal-cost multipath), que pode causar degradação da performance no enlace devido à possibilidade de ocorrência de colisões de hash na presença de fluxos com muitos giga-
bytes, chamados de elefante. Tais colisões podem ocasionar descarte de pacotes que geram retransmissões causando atrasos adicionais e degradam o desempenho do enlace. Esta tese propõe um modelo híbrido de predição combinando aspectos dos modelos FARIMA e de Redes Neurais Recorrentes, chamado de (FARIMA-RNN), para prever fluxos elefante em curto período. Além disso, implementamos uma solução SDN baseada em uma heurística
de arredondamento probabilístico, denominada de RDRH, para escalonar fluxos elefante em DCNs. Uma metodologia baseada no rank da métrica de acurácia de previsão é apli- cada para comparar o desempenho do modelo híbrido com os modelos ARIMA, GARCH, RBF, MLP e LSTM. A heurística proposta foi avaliada considerando as métricas: vazão, atraso de ida e volta e perda em uma DCN emulada com o Mininet. Os experimentos mostram que a solução RDRH apresenta ganho de desempenho nas três métricas descritas
acima comparado com as soluções ECMP e Hedera.
Palavras-chaves: Redes de data center. Fluxos elefante. Predição. Avaliação de desem- penho. Arredondamento probabilístico.
Comentários desativados