網絡架構--數據中心的「神經脈絡」

2021-01-08 51CTO

如果把數據中心比作一個「人」,則伺服器和存儲設備構成了數據中心的「器官」,而網絡(交換機,路由器,防火牆)就是這個數據中心的「神經脈絡」。本文就針對數據中心的網絡架構和一般設計來說。

01、網絡分區與等保

一般情況下,本著靈活、安全、易管理的設計原則,企業都會對數據中心網絡的物理設備進行分區。通常情況下,數據中心都會採用核心—匯聚—接入三層的網絡結構,核心用於所有流量的快速轉發,而匯聚則是在每個網絡分區上,擔任網關的功能。

一般來說,數據中心的網絡分區中,每一個區域會根據預期的流量和伺服器的數量,分配不同的業務網段。同時,在一些等保要求較高的區域,還會設置防火牆這樣的安全設備,來控制進出這個區域的流量,如下圖所示:

「等保」是等級保護的簡寫,在設置數據中心伺服器區域的時候,不同業務的伺服器的等級保護是不一樣的。比如後臺存儲,帶庫,資料庫這些伺服器的等保和Web、前端、APP的等保就不一樣。而在數據中心網絡中,防火牆的功能,就是用來劃分「等保」,同時用來控制不同等保之間的互訪。

那如何更好的來理解這個「等保」的概念呢?

在目前的數據中心網絡架構中,要考慮到不同等保之間的流量控制,又要考慮到在設計路由的時候的簡便和快捷,目前數據中心的防火牆幾乎都會採用旁路的方式來部署,再配合匯聚交換機上的VRF來控制流量。

02、數據中心網絡分區的方式

分區的劃分方式有以下三種,不同分區方式各有優缺點,通常結合使用。

A.按照伺服器類型分區

比如x86伺服器、小型機、刀片機、大型機、虛擬機進行分類。完全按照伺服器型號分類的話,在實際應用中,可能某個企業小型機被大量使用,而大型機幾乎沒用,就會導致小型機的網絡區域流量巨大而大型機這個區域閒置了。所以,現在的數據中心,幾乎看不見如此分配區域的情形了。

B.按照應用層次分區

比如Web、APP是前端伺服器,而資料庫、存儲、NFS這些是後端伺服器,所以把前端伺服器放在一個區域,後端伺服器放在一個區域。在有些企業的數據中心,也確實是這麼分區的。比如,所有的Web伺服器放在「綜合業務區」,把資料庫就放在「生產管理區」(你也看出來,連區域名字都起得那麼「模糊」 )。如此分區的好處是便於管理,因為前端服務區域和後端服務區域不在一個等保內,前端服務區域直接面對辦公,後端區域則為前端區域服務,如下圖所示:

這種區域的設置方式的好處是便於分開管理,但是壞處也是運維起來屁事太多。比如,前端新上線了一個APP,後端需要相應的資料庫支持,此時系統運維人員就要找網絡運維人員,請他們在後端區的防火牆上開通相應的安全策略。考慮到前端和後端對接也有諸多非網絡的問題,加上前端和後端之間又有防火牆的「阻礙」,所以一旦前端和後端的通信出了問題,網絡運維人員就很容易「被背鍋」了。

C.按照應用類型劃分

例如核心服務,公共服務,辦公區域,隔離區域,開發測試區域進行劃分。這種分區的好處就是,一個「功能業務」的前端伺服器和後端伺服器都在一個等保內了,在前端和後端對接的時候,網絡運維人員不至於因為防火牆策略的原因而「背鍋」。但是這樣劃分又會顯得網絡規劃有點「混亂」。對於一些對前期IP位址規劃不太重視的管理員來說,可能會對前端伺服器和後端伺服器的IP位址規劃帶來些麻煩。比如,給核心伺服器區的IP位址段是10.114.128.0/21,在這裡有10.114.128.0/24---10.114.135.0/24,整整16個C段。但是對於不嚴謹的管理員來說,可能會讓10.114.128.0/24做前端的IP位址,10.114.129.0/24做後端的IP位址,這樣的話,前端和後端的IP位址段就「交叉」了。

如果遇到一種極端的情況,在多級數據中心使用MPLS V.PN網絡對接,讓前端和後端的流量「分流」時,這種前端和後端IP位址段一「交叉」,分流就會顯得極其麻煩。

綜上所述,每一種分區的方式,都有自己的優點和缺點,所以也要按照實際情況進行分區。

03、數據中心常用網絡架構

A.扁平化組網

對於功能單一,伺服器數量小於300臺的小型數據中心來說,通常情況下都會採用兩層式的扁平化組網。也就是匯聚設備擔任網關,接入設備就是一個二層設備,打通二層通道的功能。對於扁平化的組網,也分為比較傳統的VRRP+MSTP,和「堆疊+鏈路捆綁」兩種方式進行組網設計。

第一種就是VRRP+MSTP的結構,如下圖所示:

相比起第一種非常傳統的MSTP+VRRP的架構,第二種「胖樹」結構,則是當前數據中心扁平化組網的常用結構。它的思路是:匯聚交換機必然堆疊,接入交換機按需堆疊,所有冗餘鏈路必須捆綁,形成一個「胖樹」狀結構。它的優點就是,既保證了設備的冗餘性,提升帶寬性能,也能從根本上防止二層環路。但是,要實現設備的堆疊,這個對硬體有要求,所以,這種「胖樹」狀結構的組網,成本比起第一種來說要高不少。

B.三層組網架構

對於大型數據中心,功能多樣,且要進行功能分區的場合,就會採用標準的三層架構。

在這種組網方式中,交換核心區是整個數據中心網絡的樞紐,核心設備通常部署2-4臺大容量高端框式交換機,可以是獨立部署,也可以通過堆疊技術後成組部署(但是考慮到核心和匯聚之間都是三層連接,且堆疊有一定裂開風險,所以一般核心都會採用獨立部署的方式,即核心之間只和匯聚之間有互聯,核心之間無互聯)

分區內的匯聚層和接入層通過堆疊實現二層破環。

下圖為大家展示了一個當前主流的數據中心三層組網架構圖:

剛才的拓撲圖中,各個大區域之間的防火牆採用了旁路的連接方式。防火牆採用旁路連接的目的,也是為了提升可擴展性,並且可以兼容動態路由。而這種結構,要想實現核心—匯聚—接入之間的流量進入防火牆,就需要使用VRF在匯聚交換機上隔離路由了。所以,VRF在這個地方,起到的作用是隔離路由,起到一個「化旁路為串聯」的作用。

本文的難點,也正好是匯聚交換機上使用VRF時,這個業務流的邏輯圖如何畫出。實際上,我本人在剛接到這個項目的時候,也是花了一段時間來理解這個VRF和旁路防火牆之間的關係的。下面我可以簡單為大家說一下劃業務流的方法。

所謂「單一等保」,實際上就是匯聚下方的所有業務網段可以直接訪問,流量無需經過防火牆控制。在這種情況下,就只需要一個VRF,把匯聚—核心和匯聚—防火牆之間的流量隔離開即可。

物理連接圖如下:

由於匯聚、接入,包括防火牆做了雙機或者堆疊,所以在此時可以將匯聚、接入先暫時畫成單個設備,這樣物理結構就不會太複雜了。

然後,去掉匯聚層設備的圖標,用一個方框來代替。在方框內部添加兩個小方框,代表兩個擁有獨立三層路由的虛擬設備,與核心連接的是全局路由,與接入連接的是VRF路由。然後,防火牆上「畫出」兩條線,分別與「全局路由」小框和「VRF」小框互聯。防火牆與匯聚連接的兩條線,可以是不同的物理接口,也可以是不同的子接口。如下圖所示:

最後,去掉匯聚層設備位置的大方塊,將防火牆「塞」在「全局路由」小框和「VRF」小框之間,這樣,一個單一等保級別的,化旁路為串聯的流量圖就完成了。

兩個等保級別,這就要求了兩個等保級別內的業務在互訪時,流量需要經過防火牆。這裡你就要記住:一個等保一個VRF,不同等保級別的流量要放在不同的VRF內。

在畫雙等保邏輯流量的時候,採用的方式和單一等保邏輯流量的方式是一樣的。第一步,仍然是把雙機結構改成單機結構,所不同的是,防火牆和匯聚之間,需要畫三條線。總之,匯聚下面有N個等保,匯聚和防火牆之間就畫N+1條線。

然後,去掉匯聚層設備的圖標,用一個方框來代替。在方框內部添加三個小方框,代表三個擁有獨立三層路由的虛擬設備,接入層交換機換成兩個,分別代表等保1的接入和等保2的接入。

然後,去掉大方框,將防火牆「塞」在「全局路由」小方框和「VRF-1」、「VRF-2」小方塊之間,先形成如下圖所示的結構:

最後,將兩個等保「VRF」的小方塊,分別連接在防火牆的兩邊,這樣,一個雙等保的化旁路為串聯的業務流邏輯圖就畫好了,根據標註的接口編號和規劃的IP位址,就可以寫配置腳本了。而且串聯的邏輯圖畫好以後,也立刻能夠知道靜態路由該如何規劃了。

記住一點:「全局」、「VRF-1」、「VRF-2」上標註的接口,其實全是匯聚交換機的。

記住這個方式,以後遇到旁路防火牆,下面有N多個等保的業務流,也可以按照這個方式去照葫蘆畫瓢了。

04、數據中心未來的發展

隨著大數據時代的到來,企業數據中心承載的業務越來越多,新業務上線越來越快。為了滿足業務的需要,傳統數據中心網絡將逐漸向具備彈性、簡單和開放特徵的新一代數據中心網絡演進。

A.彈性

彈性是指網絡能夠實現靈活、平滑擴展以適應業務不斷發展的需要。彈性擴展包括設備級、系統級和數據中心級的擴展。

設備級彈性擴展:網絡設備需要具備持續的平滑擴容能力。例如接入交換機可以提供25GE/40GE的接入能力,核心交換機能提供百T以上的交換容量,高密度的100GE/400GE接口等。

系統級彈性擴展:數據中心網絡需要支持更大規模的二層網絡。例如提供X萬臺10GE伺服器接入的能力。

數據中心級彈性擴展:數據中心網際網路要能夠支持多個數據中心的資源整合,實現更大規模虛擬機跨數據中心遷移。

B.簡單

簡單就在於要能夠讓網絡更好的為業務服務,能夠根據業務來調度網絡資源,例如要能夠實現網絡資源和IT資源的統一呈現與管理,能夠實現從業務到邏輯網絡再到物理網絡的平滑轉換等。

C.開放

傳統網絡的管理維護是封閉的,獨立於計算、存儲等IT資源。網絡開放以後,可以打破原有的封閉環境,使網絡設備可以與更多的SDN控制器、第三方管理插件、虛擬化平臺等協同工作,從而打造更靈活的端到端數據中心解決方案。

【編輯推薦】

【責任編輯:

龐桂玉

TEL:(010)68476606】

點讚 0

相關焦點

  • 數據中心網絡架構特點「新三樣」
    從網絡整體模型這宏觀的角度來看,數據中心的網絡的確發生了翻天覆地的變化,這些變化讓網絡可以更加高效的運行,本文將根據多年來洞察數據中心網絡發展的變化,總結出來了數據中心網絡架構新的三大特點,對網絡的看法雖只是管中窺豹,但也能讓讀者略知一二,讓讀者充分感受下這些年發生在數據中心網絡身上的大變化。
  • 「網絡技術控」數據中心網絡走向Spine-Leaf架構
    傳統的數據中心網絡一般基於核心層、匯聚層和接入層的三層設計,不少情況下,數據中心網絡會省去匯聚層,因為大部分的企業數據中心都是位於同一物理位置。所謂的大二層也多由生成樹協議控制。但是,隨著網絡協議和技術發展的進步和先進的軟體定義網絡(SDN)技術的結合,網絡架構師重新構想應該如何構建網絡。數據中心網絡所服務的是端到端的終端有效和快速的連接,因此考慮到端到端的高轉發速度和低延遲,那麼Spine-leaf網絡架構是更好的選擇。
  • CVPR 2019 神經網絡架構搜索進展綜述
    ——但是還為時過早。手動調參尋找神經網絡架構依然是個有趣的工作,尤其是對於那些帶了很多學生的導師而言(開玩笑啦~)。  神經網絡架構搜索(NAS)——前言那麼問題來了,神經網絡架構搜索(NAS)究竟是什麼?為什麼我們要了解NAS呢?(這一部分是為了去年完全沒有跟進領域內進展的人準備的)NAS的核心思想是使用搜索算法來發現用於解決我們的問題所需要的神經網絡結構。
  • 以數據為中心的智能架構 看英特爾如何多維定義
    工業、金融、醫療、娛樂、媒體等行業每天都在產生PB級的信息量,而ML/DL、VR/AR等新興技術的應用讓數據曲線呈現了指數級的增長趨勢。從某種程度來說,數據在哪裡,生意就在哪裡。    機器會不會取代人?這一猜想從AI的概念誕生以來就未停歇,之後人們看到了無人駕駛、無人機,以及各種形態的智能機器,它們甚至可以通過神經網絡模仿人類的動作甚至是思維。
  • [獨家]25張圖讓你讀懂神經網絡架構
    原標題:[獨家]25張圖讓你讀懂神經網絡架構 由於新的神經網絡架構無時無刻不在湧現,想要記錄所有的神經網絡是很困難的事情。要把所有這些縮略語指代的網絡(DCIGN,IiLSTM,DCGAN等)都弄清,一開始估計還無從下手。
  • AutoML新進展:用進化算法發現神經網絡架構
    為了執行這些活動,人工神經網絡需要專家經過多年的艱難研究仔細設計,並且通常需要處理一項特定任務,例如查找照片中的內容,稱為遺傳變異,或幫助診斷疾病。理想情況下,人們會希望有一個自動化的方法來為任何給定的任務生成正確的架構。  如果神經網要完成這項任務,則需要專家經過多年研究以後進行精心的設計,才能解決一項專門的任務,比如發現照片中存在的物體,發現基因變異,或者幫助診斷疾病。
  • 清華大學博士生塗鋒斌:設計神經網絡硬體架構時,我們在思考些什麼...
    國際IT巨頭,如英特爾、谷歌、IBM,都在競相研發神經網絡計算晶片。然而,神經網絡的結構多樣、數據量大、計算量大的特點,給硬體設計帶來了巨大挑戰。因此,在設計面向神經網絡的高性能、高能效硬體架構時,我們需要思考清楚以下三個問題:雷鋒網本期公開課特邀請到清華大學微納電子系四年級博士生塗鋒斌,為我們分享神經網絡硬體架構的設計經驗。
  • 顛覆傳統計算架構:光神經網絡硬體登上Nature
    近日,一篇 Nature 論文展示了光學計算的最新成果,德國的研究人員提出了一種在毫米級光子晶片上實現的全光學神經網絡,該網絡內部沒有光到電的轉換,因此能源利用效率更高。這種光神經突觸網絡有望獲得光學系統固有的高速和高帶寬,並可以直接處理光通信和視覺數據。光纖以光的形式傳輸數據,是現代遠程通信網絡的支柱。
  • 如何在統一架構的同時高效處理各種稀疏度人工神經網絡矩陣?
    由於剪枝和 RELU 等操作,神經網絡的權重和激活矩陣中存在廣泛的稀疏性分布,且不同網絡和同一網絡不同層的稀疏度各不相同,其稀疏度分布範圍高達 4-90%。由於不同稀疏度矩陣運算對於計算和存儲電路要求各不相同,提出一種統一架構同時高效處理各種稀疏度的人工神經網絡矩陣,是人工智慧晶片設計領域的一大難題。
  • 以邊緣為中心的網絡神經科學揭示重疊系統級架構
    以邊緣為中心的網絡神經科學揭示重疊系統級架構 作者:小柯機器人 發布時間:2020/10/22 13:41:02 美國印第安納大學Richard F.
  • 要想了解卷積神經網絡,首先需要了解三種基本架構
    卷積網絡是研究關於圖像(紋理,圖像尺度等)的抽象層面的一種網絡,跟傳統網絡不同的是,它不僅可以根據一個固定尺寸圖像生成物體識別數據,還可以對圖像其他部分進行其他操作。卷積可以有多個,它的作用是「放大」和「增強」圖像的抽象空間。那麼卷積可以用於哪些場景呢?
  • AMD宣布全新CDNA GPU架構:數據中心計算專用
    而除了打遊戲、渲染圖形,GPU的另一項核心任務就是計算,尤其是隨著人工智慧、神經網絡、深度學習對於高性能計算的需求越來越苛刻,GPU也必須快速跟上。這方面,NVIDIA無疑是相當成功的,從架構到技術、從產品到市場都形勢良好,特別是架構上有專門的針對性設計,Tesla V100所用的「Volta」(伏特)就是最典型的。
  • 一圖抵千言:帶你了解最直觀的神經網絡架構可視化
    神經網絡是複雜、多維、非線性的數組運算。如何在避免過於複雜或重複的情況下呈現深度學習模型架構的重要特徵呢?又該以何種方式清晰直觀、啟發性地呈現它們呢?(好看也是加分項!)無論研究還是教學項目對此都沒有固定標準。本文我們就來了解一下可視化整個神經網絡架構和特定模塊的工具和技巧。
  • 一種基於能量模型的神經網絡架構受限玻爾茲曼機
    一種基於能量模型的神經網絡架構受限玻爾茲曼機 李倩 發表於 2018-07-26 10:09:24 受限玻爾茲曼機是一種基於能量模型的神經網絡架構,雖然不像通常的卷積神經網絡一樣被人熟知
  • 深度| 逐層剖析,谷歌機器翻譯突破背後的神經網絡架構是怎樣的?
    編碼器-解碼器展示了基於神經的機器翻譯可能提供的潛力。即使有了如今複雜的神經機器翻譯架構,大部分還是根據解碼器-編碼器架構分解出的產物。該架構有兩個主要的缺點,都和長度有關。第一個,像人類一樣,該架構記憶有限。LSTM 最後的隱態,也就是 S,要死記硬背需要翻譯的句子的全部內容。
  • 科大訊飛:希望有新的專門針對於神經網絡的計算架構改進
    「神經網絡(neural network)前途無量,但因為我們尚沒有足夠的計算能力使其一鳴驚人,神經網絡一度銷聲匿跡。」Google資深系統專家Jeff Dean說。而Google最新開源的TensorFlow深度學習系統也證明了深度學習對硬體的依賴。那麼,今天深度學習的流行,將如何推動硬體的發展呢?
  • 表徵圖數據絕不止圖神經網絡一種方法
    核的定義如下:核神經網絡:在「Deriving Neural Architectures from Sequence and Graph Kernels」論文中,作者使用核定義了結構化的數據(例如序列和圖)從而得到神經化的操作。他們設計了一種使用核內積的新型架構,將它嵌入到了一個循環神經網絡中。該例闡釋了如何將圖核嵌入到神經模塊中。
  • 表徵圖數據,絕不止圖神經網絡一種方法
    核的定義如下:              核神經網絡:在「Deriving Neural Architectures from Sequence and Graph Kernels」論文中,作者使用核定義了結構化的數據(例如序列和圖)從而得到神經化的操作。他們設計了一種使用核內積的新型架構,將它嵌入到了一個循環神經網絡中。該例闡釋了如何將圖核嵌入到神經模塊中。
  • 人工智慧神經網絡和生物大腦有什麼區別 神經網絡將如何發展
    人工神經網絡受到其生物學對應物的啟發,並試圖模仿有機大腦的學習行為。但是正如Zador解釋的那樣,人工神經網絡中的學習與大腦中發生的事情有很大不同。他寫道:「在人工神經網絡中,學習是指從輸入數據中提取結構(統計規律性)並將該結構編碼為網絡參數的過程。」例如,當您開發卷積神經網絡時,您將從一塊空白板開始,這是一層由隨機權重連接的人工神經元的分層結構。
  • 神經網絡模型預測值 論文_bp神經網絡預測模型建模步驟 - CSDN
    在深度學習十分火熱的今天,不時會湧現出各種新型的人工神經網絡,想要實時了解這些新型神經網絡的架構還真是不容易。光是知道各式各樣的神經網絡模型縮寫(如:DCIGN、BiLSTM、DCGAN……還有哪些?),就已經讓人招架不住了。因此,這裡整理出一份清單來梳理所有這些架構。