社交概念与SDN模型有什么相似之处?

栏目: 编程工具 · 发布时间: 5年前

内容简介:社交原则似乎与网络工程,设计和软件定义网络有着奇怪的联系,或许就像很多人说的一个看似无关的原则通常可以应用于其他场景。社会辅助性原则对网络控制平面的使用和SDN模型的设计有一定的指导意义。辅助原则主要是社会和法律概念,《牛津英语词典》将其定义为“中央机构应具有辅助职能的原则,只应控制地方上无法操控的事务。”但这个概念可以应用于其他情况。

社交原则似乎与网络工程,设计和软件定义网络有着奇怪的联系,或许就像很多人说的一个看似无关的原则通常可以应用于其他场景。社会辅助性原则对网络控制平面的使用和SDN模型的设计有一定的指导意义。

社交概念与SDN模型有什么相似之处?

辅助原则主要是社会和法律概念,《牛津英语词典》将其定义为“中央机构应具有辅助职能的原则,只应控制地方上无法操控的事务。”但这个概念可以应用于其他情况。

例如,在谈论SDN模型和网络设计时,最好去掉它的政治和文化色彩,以更一般的方式阐述这一原则,如下:辅助原则是决策应尽可能与决策所需信息的位置接近。

网络的运营和理想状态

在这方面,我们可以就如何将这一原则应用于网络工程和SDN模型提出一些看法。一个网络永远不会只有一个状态;至少有两个状态。

  • 第一个状态是系统存在的现实。这是网络的运行状态,包括其连接,配置,链路利用率级别,队列深度以及其他物理和逻辑状态。
  • 第二个状态是理想状态。这是策略目标或期望状态,这是网络旨在实现的一组目的。这种真实来源的最直接表达是理想化的设计,或者网络最初的工作方式。

我们需要进一步研究理想状态,以确定辅助原则如何适用。理想状态通常源于面对需要解决的业务问题而做出的一系列设计决策。例如,一个应用程序可能需要优先于另一个应用程序,或者需要加密特定类型的流量,或者在发生故障时可以丢弃特定类型的流量。

两种状态如何收集他们的信息

真实的操作和理想的状态是从不同的地方接收他们的信息。操作状态从网络本身获得,包括其链接和设备。理想状态是从网络设计者和商业意图中获得的。下图说明了这两种状态以及它们如何相互作用。

社交概念与SDN模型有什么相似之处?

在本例中,业务意图是通过设计过程驱动的,以创建网络的理想状态。同时,可以通过检查网络本身来了解操作状态。这两个视图之间的差距是通过遥测发现的,而配置和其他信息被强加到网络上,试图使其与理想状态保持一致。

有关此过程的问题可能包括以下内容:遥测配置循环需要多长时间?换句话说,网络的理想状态需要多长时间才能考虑到操作的实际情况中呢?而且,新的理想状态需要多长时间才能施加在运行状态上?当理想状态和运行状态不匹配时会发生什么?

第一个问题需要根据第二个问题来回答。当运营状态和理想状态不匹配时,流量会以次优先级的方式流经网络,这浪费了资源。另一个结果是网络根本不支持业务需求。不幸的是,在运行状态上施加理想或期望的状态通常需要太长时间。

分布式和集中式控制之间的权衡

完全分布式控制平面是建立在对网络运行状态的观察上的,即网络的运行状态是最重要的。当运行状态发生改变时,通常在实际网络及其组件附近做出关于如何操作的决定。因此,分布式控制平面对网络运行状态的变化反应更快,但是它们对业务意图的变化反应要慢得多。

另一方面,集中控制平面通常是为了实现业务意图。网络的运行状态被传送到控制器,在那里它可以与业务意图合并,然后作为操作状态反映到网络中。这意味着集中式控制平面对业务意图作出迅速反应,但对操作状态的变化作出反应要比分布式控制平面慢。

到目前为止,辅助性原则揭示了一种看待网络设计和SDN模型的新方法,暴露了集中式和分散式控制平面之间的利弊。例如,SDN的主要问题是其对链路和节点故障的反应速度慢。这直观地看起来与集中控制平面的较慢反应相匹配,因为软件定义的网络通常是集中控制平面的类型。

具有两个控制平面的网络

辅助原则解释了大多数工程师已经明白的现象。那么,如何在当前的SDN模型中使用它来改善这种情况呢?该原则主张:做决策时应该尽可能靠近所需要的信息。

因为网络中有两个真实的状态,所以应该有两个控制平面代表决策的两个状态。每个控制平面应根据业务意图和实际网络做出不同类型的决策。这些决定的结果应该发送到一个中心位置,然后反馈给决策控制平面。

允许分布式的控制平面根据操作变化在本地做出决策是有意义的。同时,应允许集中控制平面根据业务意图作出决定,并以某种方式将这些意图反映到业务状态中。理想状态就变成了操作现实和业务需求的合并。

SDN模型根据决策所需信息所在的位置划分决策权,是根据实际网络状况和业务需求做出快速反应的有力网络模型。


以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

推荐系统与深度学习

推荐系统与深度学习

黄昕、赵伟、王本友、吕慧伟、杨敏 / 清华大学出版社 / 2019-1-1 / 65.00元

本书的内容设置由浅入深,从传统的推荐算法过渡到近年兴起的深度学习技术。不管是初学者,还是有一定经验的从业人员,相信都能从本书的不同章节中有所收获。 区别于其他推荐算法书籍,本书引入了已被实践证明效果较好的深度学习推荐技术,包括Word2Vec、Wide & Deep、DeepFM、GAN 等技术应用,并给出了相关的实践代码;除了在算法层面讲解推荐系统的实现,还从工程层面详细阐述推荐系统如何搭建.一起来看看 《推荐系统与深度学习》 这本书的介绍吧!

CSS 压缩/解压工具
CSS 压缩/解压工具

在线压缩/解压 CSS 代码

MD5 加密
MD5 加密

MD5 加密工具

XML 在线格式化
XML 在线格式化

在线 XML 格式化压缩工具