基于动态优先级的多数据中心数据传输路径分组调度优化方法

《Array》：A Dynamic Priority-based Optimization Method for Packet Scheduling of Data Transmission Paths in Multiple Data Centers

为应对多数据中心数据传输的动态特性、提升网络资源利用率与传输质量、避免关键数据丢失，研究人员开展了一项基于动态优先级的多数据中心数据传输路径分组调度优化研究。该方法基于IEEE 802.1lp标准对数据帧分类，计算其重要性及任务紧急性以生成动态优先级队列，并结合A3C优化的MPTCP算法确定最优传输路径集。测试结果表明，优化后平均链路利用率超0.933，数据传输速率维持在685.5 kB/s以上，带宽利用率达88.66%以上，显著提升了多数据中心动态传输环境下的效率与可靠性。

　　

在数字化浪潮席卷全球的今天，数据中心已成为存储、处理和流转海量信息的核心枢纽。随着云计算、大数据和物联网技术的蓬勃发展，业务不再局限于单个数据中心内部，跨多个数据中心的数据传输与协同作业变得日益频繁和关键。无论是金融交易、科学计算，还是流媒体服务和跨国企业运营，都依赖于高效、可靠的数据跨中心流动。然而，这片繁荣景象之下暗流涌动。传统的数据中心网络流量调度策略，大多依赖于流大小、带宽等静态信息，就像一份陈旧的地图，难以精准刻画网络流量的实际持续时间和瞬息万变的动态特性。当海量数据在多个数据中心之间奔涌时，有限的网络带宽和计算资源常常捉襟见肘，容易导致传输路径拥塞、关键数据丢失或传输延迟激增，严重影响业务的连续性与用户体验。更棘手的是，现有的多数据中心数据包调度方法在面对激增的动态数据时，往往反应迟缓，无法快速调整传输路径调度，导致网络资源分配不及时、不合理，数据传输质量大打折扣。为了破解这一困局，来自国内研究机构的研究人员另辟蹊径，将目光投向了“动态优先级”，旨在为多数据中心的数据传输路径规划一套更智能、更灵活的“交通管理系统”。他们的研究成果以论文形式发表于《Array》期刊。

研究人员为开展此项研究，主要运用了几个关键技术方法：首先，基于IEEE 802.1lp标准建立数据帧分类与动态优先级队列生成机制，量化数据传输任务的重要性与紧急性。其次，构建基于M/G/1排队论的模型，计算不同优先级数据帧的传输概率。接着，采用A3C（Asynchronous Advantage Actor-Critic）强化学习算法对MPTCP（Multipath TCP）进行优化，形成A3C-MPTCP算法核心，用于在不同网络环境下决策最优传输路径集。然后，引入最小往返延迟（MinRTT）算法并结合路径传输质量评估，在选定的路径集中进行数据包调度与分配。实验验证部分，研究团队与一家拥有三个下属生产部门（各配备独立数据中心）的公司合作，构建了高度仿真的多数据中心网络环境，并在该环境及公开数据集CAIDA UCSD Internet Traces 2023上进行了对比测试。

研究结果

动态优先级确定有效：研究团队从三个数据中心随机选取了20个不同长度的传输数据实例进行计算。测试结果表明，该方法能够有效计算不同长度数据帧的优先级及其传输任务的紧急性，为每个传输数据帧赋予优先级评分（例如，数据编号1001的帧优先级为0.588，任务紧急性为0.602），并成功生成了对应各数据中心的动态优先级数据_传输任务队列（如U11, D21等），为后续的路径分组调度优化奠定了基础。

数据帧传输概率计算准确：在确定了动态优先级队列后，研究进一步计算了不同优先级数据帧的发送概率。分析结果显示，随着队列长度的增加，不同优先级数据帧的发送概率呈现缓慢下降趋势，但变化幅度有限，表明该计算方法能够稳定反映系统在不同负载下的行为特征。

分组调度优化提升链路利用率：为验证路径分组调度的有效性，研究引入了平均链路利用率作为评价指标。在不同数据传输速率下，随着数据帧数量逐渐增加，应用本方法进行调度优化后，平均链路利用率值均保持在0.933以上，最高可达0.989。这证实了该方法在调度时充分考虑多数据中心数据传输的动态特性，通过动态优先级队列和A3C-MPTCP优化，实现了各传输路径利用率的高效平衡，避免了单一路径过载。

对称与非对称带宽环境下性能稳定：研究在带宽对称和带宽不对称两种网络环境下，测试了各数据中心优化后的传输速率与带宽利用率。结果表明，在两种网络环境下，各数据中心的数据传输速率均保持在685.5 kB/s以上，带宽利用率均高于88.66%，显著优于网络优化前的性能（原最大传输速率和带宽利用率仅分别为506.8 kB/s和57.3%）。这说明该方法在不同网络条件下均能保持良好的应用效果，确保数据传输路径分组调度的有效性。

方法对比展现优势：将本研究方法与文献[5]（基于聚类和特征选择优化的方法）和文献[6]（基于PPO-ACO路径优化的方法）进行对比。实验结果显示，本研究方法的平均数据传输率达到692.5 kB/s，高于对比方法的582.3 kB/s和625.7 kB/s；同时，其数据传输延迟为110.3 ms，低于对比方法的145.2 ms和128.6 ms。这证明该方法在提升数据传输整体效率和实时性方面具有显著优势。

研究结论与讨论

本研究成功提出并验证了一种基于动态优先级的多数据中心数据传输路径分组调度优化方法。该方法的核心创新在于引入了动态优先级机制，能够根据网络流量特征和实时需求动态调整数据流优先级，并融合A3C强化学习优化的MPTCP协议进行智能路径决策与分组调度。

实验得出明确结论：首先，该方法能精准计算不同数据帧的优先级与任务紧急性，构建有效的动态调度队列。其次，它能准确核算不同优先级数据帧的传输概率。更重要的是，经过该方法的优化调度，在不同数据速率下，网络的平均链路利用率可稳定在0.933的高位，在对称与非对称带宽环境中，数据传输速率与带宽利用率均获得大幅提升，显著改善了多数据中心动态传输环境下的资源利用效率和传输质量。与现有方法相比，本方法在平均传输速率和传输延迟等关键指标上表现更优，展现出更强的动态适应性和整体性能。

该研究的意义在于，相较于传统基于静态优先级或固定规则的调度方法，它提供了更高灵活性、更强适应性的优化方案，为应对多数据中心复杂、高并发、异构的网络环境下的数据传输挑战提供了有效解决思路。它不仅能够提高网络资源利用率和数据传输质量，也为未来构建更智能、更可靠的数据中心互联网络奠定了技术基础。

当然，研究团队也指出，当前工作主要基于特定网络环境下的仿真与测试，真实网络的复杂性与不可预测性可能远超模拟环境。此外，随着数据中心规模扩大，数据传输面临的安全威胁（如恶意攻击者篡改优先级或伪造路径信息）也日益严峻。因此，未来研究可在动态优先级机制的精细化设计、应对极端网络条件与安全攻击的更智能算法，以及融合软件定义网络（SDN）、网络功能虚拟化（NFV）等技术实现更灵活可编程的资源分配等方面进行深入探索，以进一步提升大规模、异构多数据中心环境下数据传输的效率和可靠性。