بخشی از مقاله

چکیده

مهندسی ترافیک انرژیآگاه، بهدنبال تخصیص بارهای ترافیکی به منابع است. این تخصیص باید بهنحوی باشد که برخی تجهیزات کمترافیک خاموش شوند و بار مربوط به آنها از مسیرهای دیگر انتقال یابد. خاموشکردن این تجهیزات، صرفهجویی انرژی را در پی خواهد داشت. در این مقاله، یک روش مبتنی بر الگوریتمهای ژنتیک برای مهندسی ترافیک انرژیآگاه در شبکههای دروندامنهای ارائه میدهیم. در روش پیشنهادی هر کروموزوم معادل یک توپولوژی است و ژنهای کروموزوم معادل گرههای میانی و لینکهای توپولوژی هستند.

کروموزومهای جدید از کروموزومهای قبلی بدست میآیند تا در نهایت به کروموزومی دست یابیم که ژنهای غیرفعال بیشتری دارد. کروموزومی با این خصوصیت معادل توپولوژیای با مصرف انرژی بهینه خواهد بود. این توپولوژی زمانی مورد قبول خواهد بود که محدودیت بهرهوری بیشینه لینک را نیز لحاظ کند. نتایج شبیهسازی در شبکه Extended Abilene به همراه انواع مختلفی از ماتریس ترافیک واقعی نشان میدهد که میتوان تعدادی از گرههای میانی و لینکها را با تضمین کیفیت سرویس، در زمانی که ترافیک حجم کم یا متوسطی دارد، خاموش کرده و انرژی مصرفی را تا حدود 40 درصد ذخیره نمود.

واژههای کلیدی:مهندسیترافیک، انرژی مصرفی، ژنتیک، کروموزوم، ژن، تابع برازندگی

-1 مقدمه

گسترش اینترنت، رشد قابل توجه مصرف انرژی آن را به دنبال داشته است. با توجه به رشد روز افزون کاربران خانگی، اینترنت روز به روز سهم بیشتری از کل مصرف انرژی جهانی را به خود اختصاص میدهد . براساس گزارشات منتشرشده در سال 2007اینترنت، حدوداً 5,5 درصد از کل انرژی مصرفی جهان را مصرف میکند. [1] بر همین اساس، مفهومی تحت عنوان شبکهبندی سبز مطرح گردید. هدف شبکهبندی سبز کاستن مصرف انرژی شبکه است. کاهش مصرف انرژی دو فایده را به دنبال خواهد داشت. فایده اول، کاهش آلودگی هوا از طریق پایین آوردن تولید گاز دیاکسید کربن و فایده دوم کاهش هزینه انرژی مصرفی است. شبکهبندی سبز در حوزههای گوناگون معرفی شده است. این حوزهها شامل طراحی و ساخت تجهیزات کم مصرف، طراحی پروتکلهای ارتباطی انرژیآگاه و ...است.[2]

در شبکههای سنتی، بستههای داده بر روی کوتاهترین مسیر به سمت مقصد هدایت میشوند. برای بدستآوردن کوتاهترین مسیر از معیارهای ایستا مانند تعداد گام و ظرفیت هر لینک استفاده میشد. استفاده از این نوع معیارهاسبب تجمع ترافیک بر روی قسمتی از تجهیزات شبکه و در نتیجه افزایش نرخ گمشدگی و تأخیر بستهها میشد. به منظور رفع این معایب، شبکههای امروزی از پارامترهای پویایی مانند ظرفیت باقیمانده هر لینک یا میزان بار روی لینکها به عنوان معیارهای مسیریابی استفاده میکنند. مهندسی ترافیک در دو حوزهی دروندامنهای و بروندامنه-ای انجام میشود که در این مقاله تمرکز ما بر روی نوع اول آن است. مهندسی ترافیک دروندامنهای به مسیریابی درون یک سیستم خودمختار و مهندسی ترافیک بروندامنهای به مسیریابی بین سیستمهای خودمختار اطلاق میشود.

مهندسی ترافیک انرژیآگاه یکی از حوزههای شبکهبندی سبز است که در آن علاوه بر حجم تقاضاها و می زان بار لینکها، انرژی مصرفی هر مسیریاب و هر پورت آن نیز لحاظ می شود. آمار و اندازهگیریهای اخیر، حاکی از این است که میانگین بهرهوری لینکها در شبکههای موجود پایین بوده و حداکثر در حدود 30 تا 40 درصد است .[2] بنابراین، هدف ما در این مقاله غیرفعالسازی تعدادی از گرهها و لینکهای شبکه است. به عبارت دیگر، هنگامی که چندین مسیر برای رسیدن از یک مبدأ به یک مقصد وجود دارد و میزان ترافیک هرمسیر اندک است، میتوان میزان بار عبوری از چند مسیر متفاوت را به سمت یک مسیر سوق داد و تجهیزات مسیرهای دیگر را خاموش کرد.

ضمناً. این نکته را نیز در نظر میگیریم که خاموش کردن تعدادی از تجهیزات حداکثر بهرهوری کانال را به مقدار غیر قابل قبولی افزایش ندهد، طول مسیرهای ایجاد شده خیلی طولانی نشوند، بستهها تأخیر زیادی از مبدأ به مقصد نداشته باشند و نیز قابلیت اطمینان افزایش یابد. بنابراین، با این کار، انرژی مصرفی توسط مکانیسم هدایت بستهها در شبکه کاهش مییابد و کارایی شبکه نیز حفظ میشود.با وجود اینکه تلاشهایی در جهت کاهش مصرف انرژی شبکههای کامپیوتری صورت گرفته است اما این تلاشها عمدتاً بر روی کاهش مصرف انرژی تجهیزات سخت افزاری شبکه متمرکز بوده است.

از سوی دیگر این تلاشها به هیچ وجه کافی نبوده و پاسخگوی رشد سریع اینترنت و مصرف انرژی بالای آن نیست.[3] نباید فراموش کرد یکی از چالشهای اساسی جامعه جهانی بحث انرژی است. بنابرایناهمیت بالای انرژی در دنیای امروزی و عدم تناسب موجود بین افزایش مصرف انرژی و تلاشهای صورتگرفته برای کاهش مصرف انرژی می تواند باعث ایجاد رغبت در محققان برای قدم نهادن آنها در زمینه شبکهبندی سبز شود.Green TE اولین مقاله ارائه شده در زمینه مهندسی ترافیک انرژی آگاه است.[4] در Green TE، یک هماهنگ کننده مرکزی وجود دارد. این هماهنگ کننده، اطلاعات مورد نیاز را از مسیریابها گردآوری میکند.

مسأله Green-TE را حل کرده تا به یک پیکربندی جدید دست یابد و نتایج را بین مسیریابها توزیع میکند . هر مسیریاب با توجه به تصمیمات گرفته شده چند پورت و یا کل line card را غیرفعال میکند و حدود %42-%27 توانایی ذخیره انرژی دارد.الگوریتم GA یک الگوریتم ژنتیک به منظور کاهش مصرف انرژی شبکه میباشد .[5] این الگوریتم میخواهد علاوه بر کاهش مصرف انرژی، نرخ تغییراتی که در شبکه به وجود میآید را نیز کمینه کند. الگوریتم ژنتیک یک الگوریتم متاهیوریستیک بر پایه تکامل طبیعی میباشد. به این ترتیب که یک جمعیت اولیه پس از گذر از چند نسل تکامل مییابد و در هر نسل اعضایی برای ورود به نسل بعد انتخاب می شوند.

هر عضو در این جمعیت نمایانگر یک توپولوژی میباشد. عضوی در این جمعیت مورد پذیرش است که بتواند تمام ماتریس ترافیک را انتقال دهد و همزمان محدودیت بیشینه تعداد اجزای روشن را نیز رعایت کند. برای انتخاب اعضا در هر نسل از معیاری به نام برازندگی استفاده میشود. برازندگی مجموع وزندار مصرف انرژی نرمال شده و هزینه پیکربندی مجدد شبکه است.روش مهندسی ترافیک انرژیآگاه ارائهشده در این مقاله، به وسیله خاموش کردن مجموعهای از عناصر شبکهای، مصرف انرژی شیکه را کاهش می دهد. شبکه بندی سبز در طول سالهای اخیر کانون توجهات زیادی بوده است، اما تنها تعداد کمی از تحقیقات این حوزه به مهندسی ترافیک انرژیآگاه اختصاص دارد. [6]

بنابراین قیمت بالای انرژی، آلودگی هوای ناشی از مصرف بالای انرژی، افزایش روز افزون استفاده از اینترنت و وجود لینکهای کم ترافیک در شبکه ما را برآن داشت تا یک الگوریتم مهندسی ترافیک انرژیآگاه ارائه دهیم.در ادامه مقاله، در بخش دو، فرضیات و مفاهیم پایه مورد نیاز را شرح میدهیم. در بخش سه به طرح مسأله و معرفی توپولوژی استفاده شده می پردازیم و روش پیشنهادی را در بخش چهار ارائه میدهیم. در بخش پنج شبیهسازی و نتایج ارزیابی آورده میشود. نتیجهگیری و سوی کارهای آتی نیز در بخش انتهایی مقاله آورده شده است.

-2 مفاهیم پایه

با توجه به این که مسیریابها، اصلیترین سخت افزاری هستند که در مهندسی ترافیک، مورد استفاده قرار میگیرد. بنابراین در این بخش مصرف انرژی مسیریابهای شبکه بررسی میگردد. علاوه بر این، از آنجا که هدف اصلی ما در این مقاله ارائه یک روش مهندسی ترافیک انرژیآگاه مبتنی بر الگوریتم [7] DAMOTE است، در این بخش الگوریتم مهندسی ترافیک DAMOTE را نیز شرح میدهیم.

-1-2 مصرف انرژی در سختافزارهای شبکهای

هر مسیریاب میتواند از یک شاسی و چندین line card تشکیل شده باشد. یکی از عوامل مصرف انرژی در هر مسیریاب،card    lineها هستند. بهعنوان مثال درمسیریاب 12000 Cisco حدود %43 از مصرف انرژی مسیریاب، صرف card    line میشود. در این مقاله فرض کردهایم که هر مسیریاب از یک line card و هر line card از 12 پورت تشکیل شده است. هر پورت ممکن است به یک لینک متصل باشد. انرژی مصرفی هر 40 line card وات و هر پورت در حالتی که هیچ بار ترافیکی را انتقال نمیدهد، دو وات است. انرژی مصرفی هر پورت در صورت بکارگیری تمام ظرفیت آن 3,73 وات است. چرا که علاوه بر دو واتی که به طور ثابت هر پورت مصرف میکند. به اندازه ,1,73وات نیز در صورت استفاده کامل از آن باید به این میزان افزود. در [8] مصرف انرژی تجهیزات شبکهای بررسی شدهاند.

فرض براین است که پورتهای تمامی مسیریابها در این مقاله دارای نرخ ارسال 1Gbps هستند. زمانی که تمامی پورتهای متصل به line card غیرفعال میشوند، line card مربوطه نیز میتواند غیرفعال شود و انرژی بیشتری صرفهجویی شود. میزان مصرف انرژی کل مسیریاب از فرمول - 1 - محاسبه میشود:                                                           در فرمول شماره - 1 - ، P میزان مصرف انرژی است.r مسیریاب را نشان میدهد، ch بیانگر شاسی مسیریاب است، Nln و Np نیز به ترتیب تعداد line card و تعداد پورتها را مشخص میکنند. configs انواع پیکربندی پورتها را نمایش میدهد.UF سهم هر پورت در کارایی را مشخص میکند و C، انرژی مصرفی ثابتی است که یک پورت، صرفنظر از میزان بار، مصرف میکند.

-2-2 مکانیسم DAMOTE

در این مقاله الگوریتم مهندسی ترافیک DAMOTE را به عنوان الگوریتم پایه مورد استفاده قرار دادهایم و در پی ارائه یک نسخه انرژیآگاه از آن هستیم. این الگوریتم مهندسی ترافیک در شبکههای MPLS کار میکند. DAMOTE، LSPها را طوری برپا میکند که تعادل بار در شبکه افزایش یافته و همچنین این افزایش تعادل بار، باعث نشود که بارهای ترافیکی، مسیر طولانیتری را برای رسیدن به مقصد طی کنند. در واقع تابع هدف این الگوریتم، ترکیبی از تعادل بار و کاهش طول مسیر ترافیک است. به منظور انجام مسیریابی، DAMOTE از الگوریتم bellman kalaba یااستفاده میکند.

-3 طرح مسأله

طراحی شبکه های امروزی به این نحو است که معمولا از افزونگی در تعداد لینکها و گرهها برخوردار هستند. بهرهوری شبکههای امروزی به دلیل ویژگیهای ذکر شده حداکثر %40 است. باتوجه به این خصوصیات قادریم که ترافیک شبکهای را به سمت تعداد محدودی لینک و گره سوق دهیم و لینکها و گرههای اضافه را بهمنظور ذخیره مصرف انرژی غیرفعال کنیم. برای رسیدن به این هدف با دو چالش روبرو هستیم اولین چالش این است که چگونه مسیرها را انتخاب کنیم که تعداد بیشتری لینک و گره خاموش داشته باشیم و دومین چالش نیز این است که چگونه علاوه بر ذخیره انرژی بتوانیم کارایی شبکه را در حد معقولی حفظ کنیم. روش مهندسی ترافیک ارائه شده در
این مقاله مبتنی بر شبکههای MPLS است و قادر به کاهش مصرف انرژی شبکه ضمن حفظ کارایی آن است.

در این مقاله، از توپولوژی Abiliene و ماتریس های تقاضای مربوط به آن استفاده کردیم.[9] با توجه به این که تنها اطلاعاتی از گرههای لبهی شبکه Abilene در دسترس است. یعنی تمام گرههای موجود در توپولوژی Abilene خودشان مبدأ یا مقصد ارسال بستهها هستند و درنتیجه به هیج عنوان نمیتوان این گرهها را خاموش کرده و انرژی مصرفی آنها را صرفهجویی کرد. بنابراین برای اینکه بتوانیم هم لینک و هم گره را از توپولوژی خاموش کنیم تعدادی لینک و گره بعنوان لینک و گره میانی به لینکها و گرههای شبکه Abilene اضافه کردهایم. توپولوژی جدید حاصله راتوپولوژی Abilene    Extended  مینامیم. ویژگیهای شبکه Abilene    Extended در جدول - 1 - نمایش دادهشده است. در کارهایی مانند [10] نیز چنین تغییراتی در توپولوژی برای ایجاد توپولوژی جدید برای تست الگوریتم ارائه شده است.

-4 روش پیشنهادی

در این بخش میخواهیم روش پیشنهادی خود که یک روش مهندسی ترافیک انرژیآگاه است را توضیح دهیم. این بخش دارای سه زیربخش است. زیربخش اول پیکربندی الگوریتم برای اجرا بر روی توپولوژی Extended Abilene آمده است. در زیربخش دوم، روال کار الگوریتم ژنتیک ارائهشده برای انرژیآگاه کردن DAMOTE را شرح میدهیم. در بخش آخر، توانایی الگوریتم برای مواجهه با خطا بررسی میشود.

-1-4 پیکربندی الگوریتم برای اجرا بر روی توپولوژی

نظر به اینکه الگوریتم پیشنهادی ما،مبتنی بر الگوریتم ژنتیک است ذکر چند نکته در مورد این الگوریتمها خالی از لطف نیست. چهار عنصر در تمام الگوریتمهای ژنتیک وجود دارند: ژن، کروموزوم، جمعیت و تابع انتخاب. کروموزوم یک عضو از جمعیت را نشان میدهد، هر کروموزوم از تعدادی ژن تشکیل شده است، به

در متن اصلی مقاله به هم ریختگی وجود ندارد. برای مطالعه بیشتر مقاله آن را خریداری کنید