基于网络流量的SDN最短路径转发应用

原文链接：http://www.sdnlab.com/15140.html 【感谢作者的分享】

网络的转发是通信的基本功能，其完成信息在网络中传递，实现有序的数据交换。通过SDN控制器的集中控制，可以轻松实现基础的转发算法有二层MAC学习转发和基于跳数的最短路径算法。然而，网络跳数并不是决定路径优劣的唯一状态。除了跳数以外，还有带宽，时延等标准。本文将介绍如何通过SDN控制器Ryu开发基于流量的最短路径转发应用。

Forwarding Algorithm

目前基于流量的路由算法基本的解决思路有两种：

(1) 首先基于跳数计算最优K条路径，然后在这些路径中选择可用带宽最大的路径。

(2) 首先基于跳数计算最优路径，归一化路径的评价分数，然后基于流量计算最优路径，归一化基于带宽的评价；设置跳数和带宽的权重，对基于跳数和带宽的评分求其加权总和；按照加权求和值降序排序，取前K条作为最优评价路径。

本文以第一种算法为例，介绍基于网络流量的最短路径转发应用开发。第二种算法基于前者的基础修改即可完成。

Network Awareness

首先我们需要编写一个网络感知应用，用于发现网络的资源，包括节点，链路，终端主机等。并根据拓扑信息计算基于条数的最短路径。开发此应用基本步骤如下：

• 创建继承app_manager.RyuApp的应用network_awareness
• 从topology.switches获取拓扑信息，包括交换机节点信息，链路信息
• 使用Networkx 创建拓扑图的对象，用于存储网络拓扑
• 使用Networkx的函数all_simple_paths(G, source, target, cutoff=None)计算K条最优路径并存储，该函数实现了Yen's algorithm

示例代码可由muzixing/ryu/network_awareness获取。

Note that: 以上的示例代码中，拓扑信息的存储并没有使用networkx，所以读者需要独立完成基于networkx的存储和算法调用部分。

Network Monitor

第二个应用是网络流量监控应用。网络流量监控应用完成网络流量的实时监控，计算出实时的流量统计数据。基于本应用的数据，可以完成转发算法的第二部分内容。示例代码可由muzixing/ryu/network_monitor获取。

为了让其他模块获取到最新的流量信息，可在Ryu中自定义事件，具体教程请查看《基于Ryu打造自定义控制器》的自定义事件部分内容。不定义事件的情况下，需要将此模块作为新模块的CONTEXT。详情可阅读《Ryu:模块间通信机制分析》的相关内容。

Forwarding Application

基于以上两个模块的数据，转发应用模块需要完成如下几个步骤，从而完成基于流量的最优路径转发。

• 获取network awareness和network monitor的数据
• 将network monitor的数据整合到networkx存储的网络拓扑信息中
• 比较最短K条路径中各路径的剩余带宽，选择最优路径，剩余路径为备份路径和逃生路径
• 基于路径信息，安装流表项

整合流量信息代码示例代码如下, 其中，link2port为链路信息，bw_dict为network monitor模块的流量数据。

Shell

1 2 3 4 5 6 7 8 9 10 11 12

def create_bw_graph ( self , graph , link2port , bw_dict ) :      for link in link2port :          ( src_dpid , dst_dpid ) = link          ( src_port , dst_port ) = link2port [ link ]            if src_dpid in bw_dict and dst_dpid in bw_dict :              bw_src = bw_dict [ src_dpid ] [ src_port ]              bw_dst = bw_dict [ dst_dpid ] [ dst_port ]              graph [ src_dpid ] [ dst_dpid ] [ 'bandwidth' ] = min ( bw_src , bw_dst )          else :              graph [ src_dpid ] [ dst_dpid ] [ 'bandwidth' ] = 0      return graph

获取最短K条路径函数示例代码如下所示。

Shell

1 2 3 4

def k_shortest_paths ( graph , src , dst ) :      path_generator = nx .shortest_simple_paths ( graph , source = src ,      target = dst , weight = 'weight' )      return path_generator

基于流量的最优路径比较算法示例代码如下所示：

Shell

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

def band_width_compare ( graph , paths , best_paths ) :      capabilities = { }      MAX_CAPACITY = 100000      for src in paths :          for dst in paths [ src ] :              if src == dst :                  best_paths [ src ] [ src ] = [ src ]                  capabilities .setdefault ( src , { src : MAX_CAPACITY } )                  capabilities [ src ] [ src ] = MAX_CAPACITY                  continue              max_bw_of_paths = 0              best_path = paths [ src ] [ dst ] [ 0 ]              for path in paths [ src ] [ dst ] :                  min_bw = MAX_CAPACITY                  min_bw = get_min_bw_of_links ( graph , path , min_bw )                  if min_bw & gt ; max_bw_of_paths :                      max_bw_of_paths = min_bw                      best_path = path < / p >        best_paths [ src ] [ dst ] = best_path          capabilities .setdefault ( src , { dst : max_bw_of_paths } )          capabilities [ src ] [ dst ] = max_bw_of_paths return capabilities , best_paths

Shell

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

def best_paths_by_bw ( graph , src = None , topo = None ) :      _graph = copy .deepcopy ( graph )      paths = { }      best_paths = { }      # find ksp in graph.      for src in _graph .nodes ( ) :          paths .setdefault ( src , { src : [ src ] } )          best_paths .setdefault ( src , { src : [ src ] } )          for dst in _graph .nodes ( ) :              if src == dst :                  continue              paths [ src ] .setdefault ( dst , [ ] )              best_paths [ src ] .setdefault ( dst , [ ] )              path_generator = k_shortest_paths ( _graph , src , dst ) < pre > < code >          k = 2          for path in path_generator :              if k & lt ; = 0 :                  break              paths [ src ] [ dst ] .append ( path )              k -= 1 # find best path by comparing bandwidth. capabilities , best_paths = band_width_compare ( _graph , paths , best_paths ) return capabilities , best_paths , paths

安装流表项函数示例代码如下：

Shell

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51

def install_flow ( datapaths , link2port , access_table , path , flow_info , buffer_id , data ) :      ''' path = [ dpid1 , dpid2 , dpid3 . . . ]          flow_info = ( eth_type , src_ip , dst_ip , in_port )      '''      if path is None or len ( path ) == 0 :          LOG .info ( "PATH ERROR" )          return      in_port = flow_info [ 3 ]      first_dp = datapaths [ path [ 0 ] ]      out_port = first_dp .ofproto .OFPP_LOCAL      reverse_flow_info = ( flow_info [ 0 ] , flow_info [ 2 ] , flow_info [ 1 ] ) < pre > < code > if len ( path ) & gt ; 2 :      for i in xrange ( 1 , len ( path ) - 1 ) :          port = get_link2port ( link2port , path [ i - 1 ] , path [ i ] )          port_next = get_link2port ( link2port , path [ i ] , path [ i + 1 ] )          if port and port_next :              src_port , dst_port = port [ 1 ] , port_next [ 0 ]              datapath = datapaths [ path [ i ] ]              send_flow_mod ( datapath , flow_info , src_port , dst_port )              send_flow_mod ( datapath , reverse_flow_info , dst_port , src_port ) if len ( path ) & gt ; 1 :      # the last flow entry: tor -&gt; host      last_dp = datapaths [ path [ - 1 ] ]      port_pair = get_link2port ( link2port , path [ - 2 ] , path [ - 1 ] )      if port_pair :          src_port = port_pair [ 1 ]      else :          return      dst_port = get_port ( flow_info [ 2 ] , access_table )        send_flow_mod ( last_dp , flow_info , src_port , dst_port )      send_flow_mod ( last_dp , reverse_flow_info , dst_port , src_port )        # the first flow entry      port_pair = get_link2port ( link2port , path [ 0 ] , path [ 1 ] )      if port_pair :          out_port = port_pair [ 0 ]      else :          return      send_flow_mod ( first_dp , flow_info , in_port , out_port )      send_flow_mod ( first_dp , reverse_flow_info , out_port , in_port )        send_packet_out ( first_dp , buffer_id , in_port , out_port , data )      # ensure the first ping success.      # send_packet_out(last_dp, buffer_id, src_port, dst_port, data) # src and dst on the same datapath else :      out_port = get_port ( flow_info [ 2 ] , access_table )      send_flow_mod ( first_dp , flow_info , in_port , out_port )      send_flow_mod ( first_dp , reverse_flow_info , out_port , in_port )      send_packet_out ( first_dp , buffer_id , in_port , out_port , data )

读者可以基于muzixing/ryu/shortest_route的代码进行修改。该代码是初始版本，质量欠佳，但是可以成功运行。

Note that: 以上的代码均为示例代码，不可直接运行，完整版代码后续将发布。

Implementation and Test

启动network_awareness, network_monitor,和写好的forwarding模块，再启动一个简单拓扑连接到控制器Ryu。拓扑中，h1, h2到h39有两条路径：[1,2,4]和[1,3,4]。每条链路的最大带宽为500Mbits/s。然后xterm到h1, h2 和还h39，并在h39之上启动iperf服务端程序。先启动h1上的iperf客户端程序，向h39打流，等一个Monitor模块的周期之后，启动h2的iperf客户端程序，向h39打流。此操作的原因在于需要等待控制器获取流量信息和计算出最优路径。测试截图如下图所示。

上图左上为控制器的显示，路径选择了[1,2,4]和[1,3,4]。右侧的数据为h1的流量信息，左下为h2的流量信息，可以发现h1和h2各自独占一条路径，都打满了500Mbits。实验成功。

Conclusion

本文介绍了在Ryu控制器中开发基于流量的最优转发的流程。不过内容仅仅涉及了解决思路，实际工程代码的发布还需要等待一段时间。文中提到的第二种算法的解决方法与本文举例类似，仅需加上归一化数据，求加权求和评分步骤就可以完成新解决方案的工作。希望本文能给读者带来一些帮助。