面向数据中心中的智能负载均衡
分布式、并行与集群计算
2021-12-06 v1 人工智能
网络与互联网体系结构
摘要
网络负载均衡器是数据中心中提供可扩展服务的重要组件。工作负载分布算法基于启发式方法，例如等价多路径（ECMP）、加权多路径（WCMP）或朴素机器学习（ML）算法（如岭回归）。先进的基于 ML 的方法有助于在不同网络与系统问题中获得性能提升。然而，在现实系统中的网络问题上应用 ML 算法具有挑战性。它需要具备领域知识以从低延迟、高吞吐且可扩展的动态异构网络系统中收集特征。本文提出 Aquarius 以弥合 ML 与网络系统之间的鸿沟，并展示了其在网络负载均衡器场景中的使用。本文展示了其在现实系统中进行离线数据分析与在线模型部署的能力。结果表明，使用 Aquarius 训练并部署的 ML 模型改善了负载均衡性能，但同时也揭示了将 ML 应用于网络系统所需解决的更多挑战。
引用
@article{arxiv.2110.15788,
title = {Towards Intelligent Load Balancing in Data Centers},
author = {Zhiyuan Yao and Yoann Desmouceaux and Mark Townsley and Thomas Heide Clausen},
journal= {arXiv preprint arXiv:2110.15788},
year = {2021}
}