Background. Data Centers Networks (DCN) represent the critical infrastructure for
running Internet-based applications and services that demand colossal computing and
storage resources. However, the most prevalent multipath routing mechanism in DCNs,
Equal Cost Multiple-Path (ECMP), may degrade the performance of these applications
and services while using low network capacity due to the traffic characteristics of flows
in DCNs (mice and elephants). Novel multipath routing approaches tackle this problem
by leveraging Software-Defined Networking (SDN) for detecting and rescheduling
the elephant flows. Some SDN-based approaches have also incorporated Machine
Learning (ML) techniques to improve elephant detection and predict elephant traffic
characteristics. However, SDN-based multipath routing still requires finding the best
trade-off between prompt elephant detection, traffic overhead, data collection accuracy,
and network modifications. Moreover, SDN-based multipath routing algorithms call for
finer granularity traffic characteristics of elephant flows for improving rescheduling decisions.
Aims. This thesis focuses on developing a multipath routing mechanism based
on ML and SDN for improving the routing function in DCNs. This objective divides into
three tasks: (i) to design a multipath routing reference architecture that incorporates the
capabilities of ML and SDN for improving the routing function in DCNs, (ii) to construct
and evaluate a mechanism based on ML that predicts, in a fine-granularity way, flow
characteristics in DCNs; and (iii) to construct and evaluate a routing mechanism based
on SDN that uses predicted flow characteristics for improving the routing function in
DCNs.
Antecedentes. Las Redes de Centros de Datos (DCN, Data Center Network) representan
la infraestructura clave para ejecutar aplicaciones y servicios basados en la
Internet que demandan grandes cantidades de recursos de procesamiento y almacenamiento.
Sin embargo, el mecanismo de enrutamiento multicamino más predominante
en las DCNs, Equal Cost Multiple-Path (ECMP), puede degradar el rendimiento de
estas aplicaciones y servicios cuando se utiliza poca capacidad de red debido a las
características de tráfico de los flujos en las DCNs (ratones y elefantes). Nuevas propuestas
de enrutamiento multicamino abordan este problema aprovechando las Redes
Definidas por Software (SDN, Software-Defined Networking) para detectar y redirigir
los flujos elefante. Algunas propuestas basadas en SDN también han incorporado técnicas
de Aprendizaje Automático (ML, Machine Learning) para mejorar la detección
de elefantes y predecir características de tráfico de elefantes. Sin embargo, el enrutamiento
multicamino basado en SDN aún require encontrar el mejor balance entre
detección temprana de elefantes, sobrecarga de tráfico, precisión de la recolección de
datos y modificaciones de red. Adicionalmente, los algoritmos de enrutamiento multicamino
basado en SDN demandan características de tráfico más específicas de los
flujos elefante para mejorar las decisiones de enrutamiento.
Objetivos. Esta tesis se enfoca en desarrollar un mecanismo de enrutamiento multicamino
basado en ML y SDN para mejorar la función de enrutamiento en las DCNs.
Este objetivo se divide en tres partes: (i) diseñar una arquitectura de referencia de
enrutamiento multicamino que incorpore capacidades de ML y SDN para mejorar la
función de enrutamiento en las DCNs, (ii) construir y evaluar un mecanismo basado en
ML para predecir, de forma muy fina, las características de los flujos en las DCNs; y (iii)
construir y evaluar un mecanismo de enrutamiento basado en SDN que utilice las predicciones
de las características de los flujos para mejorar la función de enrutamiento
en las DCNs.
Excepto si se señala otra cosa, la licencia del ítem se describe como https://creativecommons.org/licenses/by-nc-nd/4.0/