АНАЛІЗ СУЧАСНИХ МЕТОДІВ БАЛАНСУВАННЯ НАВАНТАЖЕННЯ В SDN МЕРЕЖАХ
ANALYSIS OF MODERN LOAD BALANCING METHODS IN SDN NETWORKS
Сторінки: 352-357. Номер: №4, 2023 (323) 
Автори:
ЩУР ВАДИМ
Національний технічний університет України
«Київський політехнічний інститут імені Ігоря Сікорського»
ORCID ID: 0000-0001-8925-4813
e-mail: vadimmshchur@gmail.com
КУЛАКОВ ЮРІЙ
Національний технічний університет України
«Київський політехнічний інститут імені Ігоря Сікорського»
ORCID ID: 0000-0002-8981-5649
e-mail: ya.kulakov@gmail.com
SHCHUR VADYM, KULAKOB YURII
National Technical University of Ukraine
“Igor Sikorsky Kyiv Polytechnic Institute”
DOI: https://www.doi.org/10.31891/2307-5732-2023-323-4-352-357
Анотація мовою оригіналу
У даній статті виконано аналіз сучасних підходів до балансування навантаження в програмно-конфігурованих мережах (SDN). Досліджено різні методи балансування, спрямовані на досягнення рівномірного розподілу трафіку між серверами з метою забезпечення більшої продуктивності та надійності мережі.
Проаналізовано методи балансування на рівні транспортного рівня. Зокрема, розглянуті підходи, такі як Round Robin, Least Connections та Weighted Round Robin, які сприяють ефективному розподілу навантаження. Далі розглянуто методи на рівні додатку, такі як використання HTTP-проксі, що дозволяє інтелектуальніше розподіляти трафік в залежності від характеристик додатків та користувачів. Також проаналізовано використання методів балансування на рівні SDN контролера, які централізовано керують розподілом трафіку у програмованих мережах.
Особлива увага приділена перспективам покращення стратегії балансування навантаження. Висвітлено важливість використання методів машинного навчання для оптимізації процесу балансування. Застосування цих методів дозволить системі адаптуватися до зміни умов мережі та навантаження, що покращить ефективність та оптимальність розподілу трафіку. Також розглянуто можливість врахування специфічних вимог користувачів та додатків для досягнення найкращого балансування навантаження. Зазначено, що перехід до динамічного керування навантаженням може сприяти оптимальному використанню ресурсів мережі та попередженню перевантажень. Додатково, в аналізі враховано можливість використання контексту та додаткової інформації про додатки для більшої розуміння їхньої поведінки та потреб. Це може сприяти застосуванню більш інтелектуальних та контекстно-орієнтованих стратегій балансування, що покращить розподіл трафіку та якість обслуговування.
Незважаючи на досягнуті успіхи в галузі балансування навантаження в програмно-конфігурованих мережах (SDN), існують важливі виклики та багатообіцяючі напрямки для подальших досліджень. Розвиток методів машинного навчання, динамічного керування та інтеграція з новітніми технологіями можуть допомогти зробити стратегію балансування ще більш ефективною та надійною для різноманітних сценаріїв.
Ключові слова: балансування навантаження, програмовані мережі, SDN, методи балансування, машинне навчання, динамічне керування, масштабованість.
Розширена анотація англійською мовою
This article analyses modern approaches to load balancing in software-defined networks (SDN). Various balancing methods aimed at achieving an even distribution of traffic between servers in order to ensure greater network performance and reliability are investigated.
The balancing methods at the transport level are analysed. In particular, approaches such as Round Robin, Least Connections and Weighted Round Robin are considered, which contribute to the efficient load distribution. Next, we consider application-level methods, such as the use of HTTP proxies, which allows for more intelligent traffic distribution depending on the characteristics of applications and users. The article also analyses the use of balancing methods at the SDN controller level, which centrally manage traffic distribution in programmable networks.
Particular attention is paid to the prospects for improving the load balancing strategy. The importance of using machine learning methods to optimise the balancing process is highlighted. The application of these methods will allow the system to adapt to changing network and load conditions, which will improve the efficiency and optimality of traffic distribution. The possibility of taking into account the specific requirements of users and applications to achieve the best load balancing is also considered. It is noted that the transition to dynamic load management can contribute to the optimal use of network resources and prevent congestion. In addition, the analysis takes into account the possibility of using context and additional information about applications to better understand their behaviour and needs. This can lead to more intelligent and context-aware balancing strategies that improve traffic distribution and quality of service.
Despite the progress made in the field of load balancing in software-defined networks (SDNs), there are important challenges and promising areas for further research. The development of machine learning and dynamic control methods and integration with the latest technologies can help make the balancing strategy even more efficient and reliable for various scenarios.
Keywords: load balancing, programmable networks, SDN, balancing methods, machine learning, dynamic control, scalability.
