Tesis Doctoral Pedro Cespedes VersionFinal

Universidad Nacional de Asunción
Facultad Politécnica
Optimización Multiobjetivo en
Enrutamiento de Redes Definidas por
Software (SDN) para Ahorro de
Energı́a y Despliegue Incremental
Hı́brido
Pedro Pablo Céspedes Sánchez
Tesis presentada a la Facultad Politécnica, Universidad Nacional de Asunción,

como requisito para la obtención del Grado de Doctor en Ciencias de la
Computación.
San Lorenzo - Paraguay

Diciembre, 2022
Optimización Multiobjetivo en
Enrutamiento de Redes Definidas por
Software (SDN) para Ahorro de
Energı́a y Despliegue Incremental
Hı́brido
Orientadores:
Prof. Horacio Andrés Legal Ayala, Dr.
Prof. Diego Pinto Roa, Dr.
Tesis presentada a la Facultad Politécnica, Universidad Nacional de Asunción,

como requisito para la obtención del Grado de Doctor en Ciencias de la
Computación.
San Lorenzo - Paraguay

Diciembre, 2022
ii
Datos Internacionales de Catalogación en la Publicación (CIP)
DE BIBLIOTECA CENTRAL DE LA UNA
Céspedes Sánchez, Pedro Pablo.
Optimización Multiobjetivo en Enrutamiento de Redes Definidas por

Software (SDN) para Ahorro de Energı́a y Despliegue Incremental Hı́brido /
Pedro Pablo Céspedes Sánchez. - - San Lorenzo, 2022. 207 p.: il.
Bibliografı́a
Tesis (Doctor en Ciencias de la Computación ). - - Facultad Politécnica,

Universidad Nacional de Asunción, 2022.
1. SDN. 2. Optimización Multiobjetivo. 3. Algoritmos Genéticos. 4.

HSDN. 5. Energy-Aware.
CDD 616.075 4
Hoja de Aprobación de Tesis
Optimización Multiobjetivo en Enrutamiento

de Redes Definidas por Software (SDN) para
Ahorro de Energı́a y Despliegue Incremental
Hı́brido
Tesis de Doctorado aprobada el 19 de junio de 2023 por los siguientes

miembros del Jurado de Defensa:
Prof. Dr. Diego Ariel Aquino B.

Prof. Dr. Fabio Lopez Pires
Prof. Dr. Enrique Dávalos
Prof. Dr. Horacio Legal Ayala, orientador
Prof. Dr. Diego Pinto Roa, co-orientador
Prof. Dr. Horacio A. Legal Ayala Prof. Dr. Diego P. Pinto Roa
Orientador Co-Orientador
iii
Dedicado a mi esposa Martha.
Sos el motor que me empuja hacia adelante para cumpir todos mis sueños.
Te amo.
Dedicado a mis padres y a mi hermana Claudia.
Gracias por brindarme en esta vida el impulso y el apoyo incondicional para
estudiar.
PedroC
Agradecimientos
Agradezco profundamente a Dios y a la Virgen Marı́a por todas las

gracias que me han brindado.
Agradezco a mis orientadores Diego Pinto y Horacio Legal Ayala por
acompañarme en este proceso.
Un agradecimiento especial para Gerardo Riveros, Bader Maluff y Miguel
Pereira Legal, sin la colaboración de estas personas este proyecto de investi-
gación no hubiera sido posible.
Agradezco a los profesores, compañeros y amigos que me acompañaron
durante mi formación.
Agradezco al Consejo Nacional de Ciencia y Tecnologı́a (CONACYT,
Paraguay) mediante el Proyecto 14-POS-007 y por la beca otorgada para
cursar el programa.
PedroC
v
Optimización Multiobjetivo en Enrutamiento de Redes Definidas
por Software (SDN) para Ahorro de Energı́a y Despliegue
Incremental Hı́brido
Autor: Pedro Pablo Céspedes Sánchez
Orientadores:
Prof. Dr. Horacio Legal Ayala.
Prof. Dr. Diego Pinto Roa.
Resumen
El crecimiento de las redes de computadoras a nivel global es inevitable
debido al aumento de usuarios, dispositivos y aplicaciones derivados de con-
ceptos como Internet de las cosas, el procesamiento y análisis de grandes
cantidades de información, o la transmisión de audio y video en vivo, todo
esto ha demandado de los sistemas mayores caracterı́sticas de recursos de
almacenamiento, ancho de banda y alta flexibilidad, entre otras. Por lo an-
terior, han emergido paradigmas para la gestión centralizada de todos los
componentes de una red mediante plataformas tecnológicas totalmente ad-
ministrables, centralizadas y dinámicas; gracias al concepto de las Redes
Definidas por Software (Software Defined Network, SDN). En esta tesis doc-
toral se abordaron y aportaron cuatro temas principales, el enrutamiento
como optimización, la clasificación de las aplicaciones de SDN alineados con
el enrutamiento y la optimización, la aplicación en el ahorro de energı́a, el
despliegue incremental en redes SDN hı́bidas y ambas de manera conjunta.
Se pudo explorar el estado del arte, analizando y clasificando los métodos de
enrutamiento en SDN con énfasis en los abordajes que lo tratan como pro-
blema de optimización, con ello se logró tener una visión sistémica y holı́stica
del nuevo paradigma SDN. Mediante los hallazgos realizados se consiguió
identificar los problemas en los que el paradigma SDN ofrece ventajas alinea-
das al enrutamiento y son aplicados los diferentes métodos de optimización.
Se aplicaron a los problemas de ahorro de energı́a y despliegue incremental
hı́brido, realizando la formulación matemática y el diseño de metaheurı́sticas
con algoritmos genéticos. Los resultados obtenidos fueron competitivos con
vi
los trabajos del estado del arte. Finalmente, se presenta y discute el pro-
blema de ahorro de energı́a en las redes SDN hı́bridas.
Palabras claves: Redes definidas por software, Despliegue incremental,

Ahorro de Energı́a, Enrutamiento de tráfico, Optimización Multi-objetivo,
Algoritmos Evolutivos.
vii
Multi-Objective Optimization in Software-Defined Networking
(SDN) Routing for Energy Savings and Hybrid Incremental
Deployment
Author: Pedro Pablo Céspedes Sánchez.
Advisors:
Prof. Dr. Horacio Legal Ayala.
Prof. Dr. Diego Pinto Roa.
Summary
The growth of computer networks at a global level is inevitable due to
the increase in users, devices and applications derived from concepts such
as the Internet of Things, the processing and analysis of large amounts of
information, or the transmission of live audio and video, all of which has
demanded greater storage resources, bandwidth and high flexibility from the
systems, among others. Therefore, paradigms have emerged for the central-
ized management of all the components of a network through fully manage-
able, centralized and dynamic technological platforms; thanks to the concept
of Software Defined Networks (SDN). In this doctoral thesis four main topics
were addressed and contributed, routing as optimization, the classification
of SDN applications aligned with routing and optimization, the application
in energy saving, incremental deployment in hybrid SDN networks and both
together. The state of the art was explored, analyzing and classifying routing
methods in SDN with emphasis on approaches that treat it as an optimiza-
tion problem, thus achieving a systematic and holistic view of the new SDN
paradigm. By means of the previous findings, it was possible to identify
the problems in which the SDN paradigm offers advantages aligned to rout-
ing and the different optimization methods are applied. They were applied
to the problems of energy saving and hybrid incremental deployment, per-
forming the mathematical formulation and design of meta-heuristics with
genetic algorithms. The results obtained were competitive with state-of-the-
art works. Finally, the energy saving problem in hybrid SDNs is introduced
and discussed.
viii
Keywords: Software-defined networks, Incremental deployment, Energy
saving, Traffic routing, Multi-objective optimization, Evolutionary Algorithms.
ix
Apéndice General
Lista de Figuras xvi
Lista de Tablas xviii
Lista de Abreviaturas xxi
Lista de Sı́mbolos xxv
1 Introducción 1
1.1 Relevancia y Originalidad . . . . . . . . . . . . . . . . . . . . 4
1.2 Problemas de Investigación . . . . . . . . . . . . . . . . . . . . 5
1.3 Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Objetivos Especı́ficos . . . . . . . . . . . . . . . . . . . . . . . 6
1.5 Contribuciones . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5.1 Publicaciones en revistas . . . . . . . . . . . . . . . . . 7
1.5.2 Publicaciones en congresos . . . . . . . . . . . . . . . . 7
1.6 Organización de la Tesis . . . . . . . . . . . . . . . . . . . . . 8
I Revisión de la Literatura 9
2 Taxonomı́a - Optimización en Enrutamiento SDN 10

2.1 Conceptos básicos sobre SDN . . . . . . . . . . . . . . . . . . 10
2.1.1 La Arquitectura SDN . . . . . . . . . . . . . . . . . . . 10
2.1.2 Enrutamiento en Redes SDN . . . . . . . . . . . . . . . 13
2.1.2.1 Arquitectura de enrutamiento en SDN . . . . 13
x
2.1.2.2 Enfoques de enrutamiento en SDN . . . . . . 15
2.1.2.3 Desafı́os en enrutamiento SDN . . . . . . . . 17
2.1.2.4 Optimización en Enrutamiento SDN . . . . . 18
2.2 Taxonomı́a del Enrutamiento SDN
abordado como Optimización . . . . . . . . . . . . . . . . . . 19
2.2.1 Revisión de la literatura sobre Optimización en Enru-
tamiento SDN . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.2 Palabras claves de búsqueda . . . . . . . . . . . . . . . 19
2.2.2.1 Filtrado por Editorial . . . . . . . . . . . . . 21
2.2.2.2 Lectura de Resumen, Introducción y Conclusión 21
2.2.2.3 Sub-clasificación según lı́nea de aplicación . . 22
2.3 Resumen de la revisión de la literatura . . . . . . . . . . . . . 23
2.3.1 Routing . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3.2 Calidad de servicio (QoS) . . . . . . . . . . . . . . . . 26
2.3.3 Network Function Virtualization (NFV) . . . . . . . . 28
2.3.4 Multidifusión (Multicast) . . . . . . . . . . . . . . . . . 31
2.3.5 Multipath . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3.6 Wireless . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3.7 Optical-Network . . . . . . . . . . . . . . . . . . . . . 37
2.4 Ahorro de Energı́a en Redes de Comunicación . . . . . . . . . 39
2.4.1 Ahorro de Energı́a en SDN . . . . . . . . . . . . . . . . 41
2.4.1.1 Soluciones de eficiencia energética basadas en
software . . . . . . . . . . . . . . . . . . . . . 42
2.4.1.2 Soluciones de eficiencia energética basadas en
hardware . . . . . . . . . . . . . . . . . . . . 43
2.4.2 Trabajos Relacionados . . . . . . . . . . . . . . . . . . 44
2.5 SDN Hı́brido . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.5.1 Técnicas de despliegue . . . . . . . . . . . . . . . . . . 48
2.5.1.1 Técnica por Reemplazo . . . . . . . . . . . . 49
2.5.1.2 Técnica por Adición . . . . . . . . . . . . . . 51
2.5.1.3 Técnica de Adición vs. Reemplazo . . . . . . 52
2.5.2 Trabajos Relacionados . . . . . . . . . . . . . . . . . . 53
xi
II Ahorro de Energı́a en SDN 58
3 Optimización del Consumo de

Energı́a en SDN 59
3.1 Propuesta y Metodologı́a . . . . . . . . . . . . . . . . . . . . . 59
3.1.1 Ubicación del controlador con ahorro de energı́a . . . . 60
3.1.2 Estrategia de uso óptimo de dispositivos . . . . . . . . 60
3.1.3 Abordaje Multiobjetivo . . . . . . . . . . . . . . . . . . 61
3.2 Algoritmo de Ubicación del Controlador . . . . . . . . . . . . 62
3.3 Formulación del modelo MILP . . . . . . . . . . . . . . . . . . 62
3.3.1 Modelo RDA-MILP . . . . . . . . . . . . . . . . . . . . 64
3.3.2 Restricciones del Modelo . . . . . . . . . . . . . . . . . 66
3.3.2.1 Restricción de Capacidad . . . . . . . . . . . 66
3.3.2.2 Conservación de flujo . . . . . . . . . . . . . . 66
3.3.2.3 Restricciones de Ahorro de Energı́a . . . . . . 67
3.3.2.4 Restricción de Uso de Puerto . . . . . . . . . 68
3.3.2.5 Restricción de Uso del Enlace: . . . . . . . . . 68
3.3.2.6 Restricciones de no ruteo . . . . . . . . . . . 68
3.4 GA para Ahorro de Energı́a en SDN . . . . . . . . . . . . . . 68
3.4.1 Algoritmos Genéticos . . . . . . . . . . . . . . . . . . . 69
3.4.2 RDA-GA . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.4.2.1 Representación del Cromosoma . . . . . . . . 71
3.4.2.2 Población Inicial . . . . . . . . . . . . . . . . 72
3.4.2.3 Evaluación . . . . . . . . . . . . . . . . . . . 72
3.4.2.4 Enrutamiento . . . . . . . . . . . . . . . . . . 73
3.4.2.5 Asignación de dispositivos . . . . . . . . . . . 75
3.4.2.6 Cálculo del consumo de energı́a . . . . . . . . 75
3.4.2.7 Operador de Selección . . . . . . . . . . . . . 75
3.4.2.8 Operador de Cruzamiento . . . . . . . . . . . 76
3.4.2.9 Operador de Mutación . . . . . . . . . . . . . 76
3.4.2.10 Nueva Población Evolucionada . . . . . . . . 77
3.4.2.11 Criterio de Parada . . . . . . . . . . . . . . . 77
3.5 Resultados Experimentales . . . . . . . . . . . . . . . . . . . . 77
xii
3.5.1 Ambiente Computacional . . . . . . . . . . . . . . . . 77
3.5.2 Configuraciones de Experimentación . . . . . . . . . . 78
3.5.3 Resultados Numéricos . . . . . . . . . . . . . . . . . . 79
3.5.3.1 Ubicación del Controlador . . . . . . . . . . . 80
3.5.3.2 Análisis de Desempeño con Tráfico Estático . 84
3.5.3.3 Análisis de Desempeño con Tráfico Incremen-
tal con y sin Re-Ruteo . . . . . . . . . . . . . 85
3.5.3.4 Análisis de Desempeño con Tráfico Dinámico 88
3.6 Resumen de resultados - Parte II . . . . . . . . . . . . . . . . 94
3.7 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
III SDN Hı́brido 97
4 Despliegue incremental SDN Hı́brido 98

4.1 Propuesta y Metodologı́a . . . . . . . . . . . . . . . . . . . . . 98
4.1.1 Despliegue Incremental Hı́brido . . . . . . . . . . . . . 98
4.2 Modelo HID-MILP . . . . . . . . . . . . . . . . . . . . . . . . 102
4.2.1 Formulación del problema . . . . . . . . . . . . . . . . 103
4.3 Metaheurı́stica HID-AG . . . . . . . . . . . . . . . . . . . . . 106
4.3.1 Representación de Individuos . . . . . . . . . . . . . . 106
4.3.2 Inicialización . . . . . . . . . . . . . . . . . . . . . . . 107
4.3.3 Operadores evolutivos . . . . . . . . . . . . . . . . . . 108
4.3.4 Evaluación . . . . . . . . . . . . . . . . . . . . . . . . . 110
4.4 Resultados Experimentales . . . . . . . . . . . . . . . . . . . . 111
4.4.1 Ambiente Experimental y Escenarios de Simulación . . 111
4.4.2 Ajustes de Parámetros del GA . . . . . . . . . . . . . . 114
4.4.3 Esquema Experimental . . . . . . . . . . . . . . . . . . 114
4.4.4 Resultados Experimentales . . . . . . . . . . . . . . . . 115
4.5 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
5 Técnica de Despliegue por

Reemplazo de Dispositivos en HSDN 124
5.1 Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
xiii
5.2 Implementación del MRD . . . . . . . . . . . . . . . . . . . . 125
5.3 Formulación del problema MRD . . . . . . . . . . . . . . . . . 126
5.4 Modelo RD MOLP . . . . . . . . . . . . . . . . . . . . . . . . 127
5.5 MRD basado en Algoritmos Evolutivos . . . . . . . . . . . . . 129
5.5.1 RD MOGA . . . . . . . . . . . . . . . . . . . . . . . . 129
5.5.2 RD MOEA . . . . . . . . . . . . . . . . . . . . . . . . 130
5.5.3 Métodos Evolutivos . . . . . . . . . . . . . . . . . . . . 130
5.5.3.1 Parámetros de Entrada . . . . . . . . . . . . 131
5.5.3.2 Cromosoma . . . . . . . . . . . . . . . . . . . 132
5.5.3.3 Inicialización de la población: Generar . . . . 133
5.5.3.4 Operador evolutivo: Evolucionar . . . . . . 133
5.5.3.5 Evaluación de la solución: Evaluar . . . . . . 135
5.5.3.6 Ranking y Crowding . . . . . . . . . . . . . . 136
5.6 Pruebas experimentales y resultados . . . . . . . . . . . . . . 136
5.7 Esquema de simulación . . . . . . . . . . . . . . . . . . . . . . 137
5.8 Entorno de Simulación . . . . . . . . . . . . . . . . . . . . . . 139
5.9 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
5.10 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
IV Energy-Aware en HSDN 147
6 Ahorro de Energı́a en SDN Hı́brido 148

6.1 Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
6.2 Planteamiento del Problema . . . . . . . . . . . . . . . . . . . 149
6.2.1 Problema tipo 1 . . . . . . . . . . . . . . . . . . . . . . 150
6.2.2 Problema tipo 2 . . . . . . . . . . . . . . . . . . . . . . 152
6.2.3 Problema tipo 3 . . . . . . . . . . . . . . . . . . . . . . 152
6.3 Trabajos relacionados . . . . . . . . . . . . . . . . . . . . . . . 154
6.4 Discusión - Desafı́os y Direcciones Futuras . . . . . . . . . . . 160
6.4.1 Desafı́os abiertos . . . . . . . . . . . . . . . . . . . . . 163
6.4.2 Direcciones Futuras . . . . . . . . . . . . . . . . . . . . 164
6.5 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
xiv
V Conclusiones y Trabajos Futuros de la Tesis 167
7 Conclusiones y trabajos futuros 168

7.1 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
7.2 Trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . 171
A Artı́culos publicados en revistas de alto impacto y conferen-

cias internacionales 206
A.1 Publicaciones en revistas . . . . . . . . . . . . . . . . . . . . . 207
A.2 Publicaciones en congresos . . . . . . . . . . . . . . . . . . . . 207
xv
Lista de Figuras
1.1 Arquitectura de Red Tradicional Vs. Arquitectura SDN. . . . 2
2.1 Descripción general de la arquitectura SDN con sus planos

principales: plano de datos, plano de control y plano de apli-
cación [204]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Arquitectura RouteFlow para SDN [182]. . . . . . . . . . . . . 14
2.3 Proceso de selección y filtrado de artı́culos en la literatura
sobre Enrutamiento en SDN tratado como problema de opti-
mización. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4 Porcentaje de artı́culos por editorial. . . . . . . . . . . . . . . 22
2.5 Sub-clasificación por lı́neas de aplicación. . . . . . . . . . . . . 23
2.6 Sub-clasificación por lı́neas de aplicación, por cantidad de artı́culos
por año. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.7 Sub-clasificación por lı́neas seleccionadas en los últimos cinco
años. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.8 Cómo NFV cambia el enfoque tradicional de redes [158]. . . . 30
2.9 Arquitectura SDON. . . . . . . . . . . . . . . . . . . . . . . . 39
2.10 Porcentaje de uso de energı́a de las Tecnologı́as de la Comu-
nicación en relación al consumo global de energı́a [15] . . . . . 40
2.11 Clasificación de las estrategias de ahorro de energı́a en SDN. . 41
2.12 Ilustración de la red hı́brida SDN: Los conmutadores Open-
Flow habilitados para SDN funcionan junto a los conmuta-
dores heredados [13]. . . . . . . . . . . . . . . . . . . . . . . . 48
xvi
2.13 En la técnica de reemplazo se seleccionan los dispositivos 3 y
4 para cambiarlos por dispositivos SDN. . . . . . . . . . . . . 50
2.14 En la técnica por adición se agregan los dispositivos SDN 7 y
8 para aumentar la capacidad global de la red. . . . . . . . . . 51
3.1 Componentes de un conmutador SDN. [15] . . . . . . . . . . . 61

3.2 Diagrama expandido de componentes de la red G . . . . . . . 70
3.3 Estructura de un cromosoma. . . . . . . . . . . . . . . . . . . 72
3.4 Cruce de dos progenitores basado en PMX. . . . . . . . . . . . 76
3.5 Topologı́as. SND LIB [186]. . . . . . . . . . . . . . . . . . . . 78
3.6 Comparación en Topologı́a Atlanta [186] . . . . . . . . . . . . 85
3.7 Comparación en Topologı́a Abilene [186] . . . . . . . . . . . . 86
3.8 Comparación de tráfico incremental sin re-ruteo en Atlanta
para MILP . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.9 Comparación de tráfico incremental sin re-ruteo en Atlanta
para RDA-GA . . . . . . . . . . . . . . . . . . . . . . . . . . 88
3.10 Comparación de tráfico incremental sin re-ruteo en Abilene
para MILP . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
3.11 Comparación de tráfico incremental sin re-ruteo en Abilene
para RDA-GA . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.12 Comparación de tráfico dinámico en Atlanta . . . . . . . . . . 93
3.13 Comparación de tráfico dinámico en Abilene . . . . . . . . . . 93
4.1 En la técnica hı́brida se seleccionan el nodo 3 para cambiar

por un dispositivo SDN y se agrega el nodo 7. . . . . . . . . . 99
4.2 Ejemplo de flujos SDN y No-SDN. El flujo (1,5) es SDN y llega
a destino a través del nodo SDN 7 porque es más óptimo en
términos de ruteo si es que el enlace (1,3) está saturado y el
flujo (1,6) es un flujo tradicional. . . . . . . . . . . . . . . . . 101
4.3 Topologı́a Pequeña . . . . . . . . . . . . . . . . . . . . . . . . 112
4.4 Topologı́a Mediana . . . . . . . . . . . . . . . . . . . . . . . . 112
4.5 Topologı́a Grande . . . . . . . . . . . . . . . . . . . . . . . . . 113
4.6 Relación calidad del tráfico versus costo de implementación . . 116
4.7 Relación calidad del tráfico versus costo de enrutamiento. . . . 117
xvii
4.8 Medición de QoS bajo diferentes cargas de tráfico . . . . . . . 119
5.1 Topologı́a de la red Nobel Germany . . . . . . . . . . . . . . . 141

5.2 Topologı́a de la red Nobel EU . . . . . . . . . . . . . . . . . . 141
5.3 Topologı́a de la red Germany 50 . . . . . . . . . . . . . . . . . 142
5.4 Frentes de Pareto para la Topologı́a Nobel Germany . . . . . . 145
5.5 Frentes de Pareto para la Topologı́a Nobel EU . . . . . . . . . 145
5.6 Frentes de Pareto para la Topologı́a Germany 50 . . . . . . . . 145
6.1 Ejemplo de red SDN parcialmente implementada [241]. . . . . 151

6.2 Red hı́brida IP/SDN de 6 nodos. [76]. . . . . . . . . . . . . . 153
6.3 Red hı́brida SDN/OSPF con 3 PoPs (puntos de presencia).
[119]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
xviii
Lista de Tablas
2.1 Clasificación según enfoques de eficiencia Energética para SDN 41

2.2 Configuraciones de problemas de asignación de controladores . 44
2.3 Tipos de ahorro de energı́a reportados . . . . . . . . . . . . . . . 46
2.4 Clasificación de enfoques de estudio sobre SDN Hı́brido . . . . 49
2.5 Ventajas y Desventajas de las técnicas de despliegue actuales.
Fuente: [99], [238] . . . . . . . . . . . . . . . . . . . . . . . 54
2.6 Trabajos del EoA - Despliegue SDN Hı́brido . . . . . . . . . . 56
3.1 Notación de la formulación del Modelo MILP. . . . . . . . . . 65

3.2 Parámetros evolutivos RDA-GA. . . . . . . . . . . . . . . . . 79
3.3 Parámetros del Modelo de la librerı́a de SNDlib. . . . . . . . . 81
3.4 Consumo de energı́a en Watts(W) para ubicaciones de contro-
lador en Abilene . . . . . . . . . . . . . . . . . . . . . . . . . . 81
lador en Atlanta . . . . . . . . . . . . . . . . . . . . . . . . . . 82
lador en Nobel Eu . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.7 Correlación de Pearson Grado de Nodo y Consumo de Energı́a 83
3.8 Correlación de Pearson Utilización de Nodo y Consumo de
Energı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.9 Selección de nodos para ubicación del controlador . . . . . . . 84
3.10 Resumen Resultados Ahorro de Energı́a . . . . . . . . . . . . . 94
4.1 Constantes y Parámetros del modelo. . . . . . . . . . . . . . . 102

4.2 Índices del modelo. . . . . . . . . . . . . . . . . . . . . . . . . 103
xix
4.3 Variables del modelo . . . . . . . . . . . . . . . . . . . . . . . 103
4.4 Topologı́as estudiadas [1] . . . . . . . . . . . . . . . . . . . . . 123
4.5 Parámetros Evolutivos Ajustados. . . . . . . . . . . . . . . . . 123
4.6 Tiempo de Ejecución por cada topologı́a . . . . . . . . . . . . 123
5.1 Índices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125

5.2 Constantes y Parámetros . . . . . . . . . . . . . . . . . . . . . 126
5.3 Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
5.4 Parámetros de las Topologı́as de red [1] . . . . . . . . . . . . . 140
5.5 Parámetros de los Algoritmos . . . . . . . . . . . . . . . . . . 143
6.1 Trabajos del Estado del Arte - Ahorro de Energı́a en SDN

Hı́brido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
6.2 Abordajes de trabajos del Estado del Arte . . . . . . . . . . . 162
xx
Lista de Abreviaturas
A-CPI: Application-Controller Plane Interface.

AAP: Algoritmos de Aproximación.
ACM: Association for Computing Machinery.
AD-MLIP: Adition Deployment-Mixed-Integer Linear Programming.
API: Application Programming Interface.
BaB: Branch and Bound.
BIP: Binary Integer Programming.
BLP: Binary Linear Programming.
C-DPI: Controller-Data Plane Interface.
CA: Controller Allocation.
CICCO: Centro de Información Cientı́fica del CONACYT.
DPI: Deep Packet Inspection.
ECMP: Equal-cost multi-path routing.
ERAS: Efficient Routing Algorithm Selection.
EoA: State-of-the-Art.
GA: Genetic Algorithm.
GD: Greedy Algorithms.
HA: Heuristic Algorithms.
HID: Hybrid Incremental Deployment.
HID-GA: Hybrid Incremental Deployment-Genetic Algorithm.
HID-MILP: Hybrid Incremental Deployment - MILP.
HSDN: Hybrid Software Defined Networks.
HSLA: Hybrid Spreading Load Algorithm.
I-CPI: Intermediate-Controller Plane Interface.
xxi
IEEE: Institute of Electrical and Electronics Engineers.
IGMP: Internet Group Management Protocol.
IGP: Interior Gateway Protocol.
ILP: Integer Linear Programming.
IoT: Internet de las cosas.
IP: Internet Protocol.
iPRDR: Intelligent Power Reduction Decision Routing.
IPTV: Internet Protocol TV.
KSP: k shortest path routing.
LEO: Low Earth Orbit.
LLDP: Link Layer Discovery Protocol.
LSA: Link State Advertisement.
MA: Markov Approximation.
MAC: Media Access Control.
MAM: Multi-objective problem solved as mono-objective.
MDT: Multicast Distribution Tree.
MGA: Modified-Greedy Algorithm.
MILP: Mixed-Integer Linear Programming.
MIP: Mixed-Integer Programming.
MIQP: Mixed Quadratic Integer Programming.
MLU: Maximum Link Utilization.
MDPI: Multidisciplinary Digital Publishing.
MOEA: Multi-objective Evolutionary Algorithm.
MOGA: Multi-objective Genetic Algorithm.
MOLP: Multi-objective Linear Programming.
MOP: Mono-Objective Optimization Approach.
MRD: Multi-objective RD problem.
MRT: Multicast Route Management.
NAT: Network Address Translation.
NFV: Network Function Virtualization.
ONF: Open Networking Foundation.
OPEX: OPerational EXpenditure.
OSA: Optical Society of America.
xxii
OSPF: Open Shortest Path First.
PIM: Protocol Independent Multicast.
PMO: Pure Multi-Objective Optimization Problem.
PMX: Partial Map Crossover.
PoP: Point of Presence.
QoS: Quality of Service.
RAM: Random Access Memory.
RC: Replacement Cost. Replacement Cost
RD: Replacement deployment.
RD-MOEA: Replacement deployment - MOEA.
RD-MOGA: Replacement deployment - MOGA.
RD-MOLP: Replacement deployment - MOLP.
RDA: Routing and Device Assigment.
RDA-GA: Routing and Device Assigment - Genetic Algorithm.
SA: Simulated Annealing.
SDM: Software Defined Multicast.
SDN: Software Defined Network.
SDON: Software-Defined Optical Networking.
SDR: Software Defined Radio.
SDRAM: Synchronous Dynamic Random-Access Memory.
SDOWN: Software Defined Optical Wireless Network.
SFC: Service Function Chain.
SGA: Super-Greedy Algorithm.
SMA: Static Migration Algorithms.
SP: shortest path routing.
SVC: Scalable video coding.
TCAM: Ternary Content-Addressable Memory.
TCP: Transmission Control Protocol.
TE: Traffic Engineeging.
TLS: Transport Layer Security.
UDP: User Datagram Protocol.
VANETS: Vehicular Ad hoc Networks.
VLAN: Virtual Local Area Network.
xxiii
VNE: Virtual Network Embedding.
VNF: Virtualized Network Function.
WAMS: Wide Area Measurement System.
WAN: Wide Area Network.
xxiv
Lista de Sı́mbolos
Sı́mbolo Descripción
A Tráfico de llegada al nodo u desde los nodos u′ .
a(u) Consumo energético del chasis.
α Tasa de consumo de energı́a por el chasis.
α1 Ponderación del costo de reemplazo de un nodo en la
topologı́a, α1 ∈ [0, 1].
α2 Ponderación del costo de agregación de un nodo en la
topologı́a, α2 ∈ [0, 1].
A Conjunto de algoritmos.
a(u) Consumo energético del chasis.
B Tráfico de salida desde el nodo u a los nodos u′′ .
b(vu ) Consumo energético del line card.
β Tasa de consumo por las tarjetas de lı́nea.
βh Ponderación de la calidad del servicio brindado por la red,
βh ∈ [0, 1].
Ca Variable real que representa el costo total de agregar los nodos
potenciales seleccionados con capacidades SDN.
Cc Variable real que representa el costo total de reemplazar
los nodos tradicionales por otros con compatibles con el
paradigma SDN.
Ct Controlador, Ct ∈ V − Vs .
c(pvu , qv′ u′ ) Consumo energético del enlace.
c′ (pvu , qv′ u′ ) Consumo energético del enlace con utilización mayor al 50%.
xxv
CL Variable real que representa el costo total de enrutar todo el
tráfico a través de la red.
CN 1 Costo de reemplazo de un dispositivo actual.
CN 2
Costo de agregar un dispositivo.
CR1 Costo por enrutamiento en un enlace fı́sico existente.
CR 2
Costo de agregar un enlace fı́sico.
δ Ponderación del costo de enrutar el tráfico dentro de la red,
δ ∈ [0, 1].
E Conjunto de enlaces.
E1 Conjunto de aristas que representan a los enlaces en la red
actual, E1 = {e1 , . . . , em1 } con m1 = |E1 |.
E2 Conjunto de aristas que representan a los enlaces candidatos
que pueden ser agregados a la topologı́a, E2 = {e1 , . . . , em2 }
con m2 = |E2 |.
E +
Conjunto de aristas que representan a los enlaces existentes y
los candidatos a ser agregados a la topologı́a, E + = E1 ∪ E2
y m = |E + |.
F Conjunto de peticiones que serán atendidos, F = {f1 , . . . , fw }
con w = |F |.
f Petición conformado por nodos origen y destino s, d ∈ V1 y
carga de tráfico solicitado ϕ ∈ ℜ, f = (s, d, ϕ).
f1 función de tasa de los flujos bloqueados.
f2 función de consumo de energı́a.
fm (pvu , qv′ u′ ) Ancho de banda del flujo km que pasa entre el enlace
(pvu , qv′ u′ ).
γ Tasa de consumo de los enlaces activos.
γ ′
Representa el consumo extra de energı́a de los enlaces que
utilizan más del 50% de su capacidad.
G Conjunto de topologı́as.
G Grafo no dirigido que representa la topologı́a de red actual
tradicional, G = (V1 , E1 ).
xxvi
G(V, E) Grafo que representa la red para el ahorro de energı́a.
G+ Grafo no dirigido que representa la topologı́a de red extendida
con los nodos actuales y los nodos candidatos a ser agregados
con los enlaces correspondientes, G+ = (V + , E + ).
i, j Índice a todos los dispositivos tanto existentes como poten-
ciales, i, j ∈ {1, . . . , n}.
i1 , j1 Índices correspondientes a los dispositivos existentes original-
mente en la topologı́a, i1 , j1 ∈ {1, ..., n1 }.
i2 , j2 Índices correspondientes a los dispositivos candidatos a ser
agregados a la topologı́a, i2 , j2 ∈ {1, ..., n2 }.
im Nodo Origen del flujo km .
jm Nodo Destino del flujo km .
κ Capacidad de tráfico de un enlace fisico.
κl Capacidad de tráfico el l-ésimo enlace fı́sico.
K Conjunto de flujos en la red.
km m-ésimo flujo.
λ1 Ponderación de la función objetivo f1 .
λ2 Ponderación de la función objetivo f2 .
l Índice a todos los enlaces tanto existentes como potenciales,
l ∈ {1, . . . m}.
l1 Índice correspondientes a los enlaces existentes originalmente
en la topologı́a, l1 ∈ {1, ..., m1 }.
l2 Índice correspondientes a los enlaces candidatos a ser agrega-
dos a la topologı́a, l2 ∈ {1, ..., m2 }.
µ Parámetro evolutivo que representa la tasa de mutación.
probm Probabilidad de mutación.
pvu p-ésimo puerto transmisor del v-ésimo line card del nodo u.
qv′ u′ q-ésimo puerto receptor del v-ésimo line card del nodo u.
r Índices correspondientes a los flujos que serán atendidos en la
red, r ∈ {1, ..., w}.
xxvii
rm Demanda de ancho de banda del flujo km .
RS Conjunto de solicitudes.
S Tamaño de la población.
SP Camino más corto.
θ1 y θ2 Padres progenitores.
T Tabla de k rutas más cortas.
t Vector binario que codifica el flujo controlado por SDN.
tr Variable binaria que toma el valor 1 si el r-ésimo flujo es flujo
SDN, 0 en otro caso.
ω Tupla de cuatro partes del cromosoma.
π Vector de permutación que codifica la secuencia de las solici-
tudes a se atendidas.
ϕr Cantidad de ancho de banda necesaria para el flujo r.
P Población de individuos.
P Primera población de individuos.
PS Set de Pareto.
PS Conjunto de soluciones no dominadas.
(pvu , qv′ u′ ) Conexión entre puertos transmisor-receptor en el enlace fı́sico
(u, u′ ) ∈ Es ,
Q Variable real que representa la calidad de servicio total del
modelo.
ρj−1 Población de la generación anterior.
ρ j
Población de la generación actual.
ρ∗ Mejor individuo de la población.
u Nodo conmutador, u ∈ Vs .
uri Variable binaria que toma el valor 1 si el flujo r pasa en el
i-ésimo nodo SDN.
τb Tasa de ruido para el gen binario.
τπ Tasa de ruido para el gen de permutación.
V Conjunto de conmutadores y controlador.
V1 Conjunto de vértices que representan a los dispositivos exis-
tentes en la red actual, V1 = {v1 , . . . , vn1 } con n1 = |V1 |.
xxviii
V2 Conjunto de vértices que representan a los dispositivos can-
didatos que pueden ser agregados a la topologı́a, V2 =
{v1 , . . . , vm2 } con m2 = |V2 |.
V +
Conjunto de vértices que representan a los dispositivos ac-
tuales y los candidatos a ser agregados a la topologı́a, V + =
V1 ∪ V2 y n = |V + |.
Vh Conjunto de vértices que representan dispositivos existentes
en la red actual siendo n =| V |.
vπ Representa el parámetro evolutivo de la tasa de ruido de per-
mutación.
vlr1 Variable binaria que toma el valor 1 si el l1 -ésimo link es parte
del camino elegido para el r-ésimo flujo.
Vs Conjunto de conmutadores, Vs ⊂ V .
vu v-ésimo line card del nodo u.
v y
Representa el parámetro evolutivo de la tasa de ruido en Bit-
Flipping.
W (pvu , qv′ u′ ) Capacidad del enlace.
xrl Variable binaria que toma el valor 1 si el enlace l forma parte
del camino elegido para el r-ésimo flujo.
x(u) 1, si está activo el chasis, 0, otro caso.
y c
Vector binario de longitud n1 que codifica el reemplazo de un
nodo.
y a
Vector binario de longitud n2 que codifica la adición de un
nodo.
yi Variable binaria que toma el valor 1 si el i-ésimo nodo debe
ser reemplazado o agregado, 0 en otro caso.
y(vu ) 1, si está activo el line card, 0, otro caso.
ζ1 y ζ2 Hijos.
z(pvu , qv′ u′ ) 1, si está activo el enlace, 0, otro caso.
z ′ (pvu , qv′ u′ ) 1, si está activo el enlace y con utilización es mayor al 50%,
0, otro caso.
xxix
zir Variable auxiliar entera que permite la eliminación de ciclos
en el r-ésimo flujo.
xxx
Capı́tulo 1
Introducción
El crecimiento de las redes de computadoras a nivel global es inevitable de-

bido al aumento de usuarios, dispositivos y aplicaciones derivados de concep-
tos como Internet de las cosas (Internet of Things, IoT), el procesamiento y
análisis de grandes cantidades de información (Big Data), o la transmisión de
audio y video en vivo (Streaming), todo esto ha demandado de los sistemas
mayores caracterı́sticas de recursos de almacenamiento, ancho de banda y alta
flexibilidad, entre otras. Por lo anterior, han emergido paradigmas para la
gestión centralizada de todos los componentes de una red mediante platafor-
mas tecnológicas totalmente gerenciables, centralizadas y dinámicas; gracias
al concepto de las redes SDN.
En la última década, SDN se ha convertido en uno de los temas más
populares en el dominio de las Redes de Computadoras. SDN [204], [148],
[7], [168] es una arquitectura emergente con desarrollo y avance sostenido en
los últimos años. La Open Networking Foundation (ONF)1 [204] la define
de la siguiente manera: ”En la arquitectura SDN, los planos de control y de
datos están desacoplados, la inteligencia y el estado de la red están centra-
lizados lógicamente, y la infraestructura de red subyacente se ha abstraı́do
de las aplicaciones”. Esta separación proporciona a los administradores de
red un uso eficiente y la facilidad de aprovisionamiento de los recursos de
la red. Además, SDN ofrece capacidad de programación para cambiar las
caracterı́sticas de redes completas. Esta funcionalidad simplifica la gestión
1
https://www.opennetworking.org/
1
de la red, ya que se desacopla del plano de datos. Por lo tanto, los opera-
dores de red pueden administrar, configurar y optimizar de manera fácil y
rápida los recursos de red con programas dinámicos, automatizados y libres
de propiedad escritos por ellos mismos en el marco de la arquitectura SDN
[216], [23]. En la Figura 1.1, se puede observar de manera gráfica la diferencia
entre la arquitectura tradicional y la arquitectura SDN.
Figura 1.1: Arquitectura de Red Tradicional Vs. Arquitectura SDN.
Dado que la arquitectura SDN propone un modelo lógicamente cen-

tralizado, los controladores tienen una visibilidad global de toda la red,
a diferencia de las redes convencionales. Por lo tanto, pueden optimizar
dinámicamente la gestión de flujo y los recursos. Por estas razones, SDN
atrae la atención de empresas, universidades, centros de datos y proveedores
de servicios, que planean implementarlo en sus redes [132]. Como muestra, la
Wide Area Network (WAN) privada de Google B4 [121], que conecta sus cen-
tros de datos a través de diversas ubicaciones geográficas en todo el mundo,
es uno de los ejemplos para la adopción de SDN en una red a gran escala con
2
los propósitos mencionados anteriormente.
Con las promesas de una configuración mejorada, un rendimiento mejo-
rado y una innovación estimulada, no se debe perder de vista que SDN
continua en una fase de crecimiento, muchos desafı́os y temas de investi-
gación en los diferentes planos siguen vigentes [250], tales como: el problema
de ubicación del controlador, punto único de falla, la seguridad, escalabili-
dad, rendimiento, normalización, lenguajes de programación, la ingenierı́a de
tráfico, redes virtuales y el enrutamiento.
Los algoritmos de enrutamiento de las redes legadas2 descentralizadas
no son aplicables en el nuevo paradigma SDN [136]. El modelo centralizado
plantea la necesidad de contar con algoritmos de enrutamiento que satisfa-
gan los requisitos de SDN y podrı́a considerarse uno de los desafı́os más
relevantes, incluidos temas de investigación importantes a la luz del enruta-
miento como: la escalabilidad, calidad del servicio (Quality of Service, QoS),
ahorro de energı́a, virtualización de las funciones de red (Network Function
Virtualization, NFV), enrutamiento Multicast y Multipath, enrutamiento en
redes ópticas e inalambricas y el enrutamiento en las redes SDN Hı́bridas
(Hybrid Software Defined Networks, HSDN). Los desafı́os antes mencionados
encuentran un campo fértil en la visión global de la red con que cuenta SDN
ya que la información sobre el estado de la red y la topologı́a se mantienen
en el plano de control [136].
El presente trabajo se centra en el enrutamiento en redes SDN tratado
como problema de optimización. Especı́ficamente se abordan las lı́neas más
estudiadas y que mayor provecho obtienen del nuevo paradigma: la opti-
mización del ahorro de energı́a [71] y [145], el mejoramiento de las técnicas
de despliegue en SDN hı́brido [240], [61] aplicando metaheurı́sticas con algo-
ritmos evolutivos para obtener resultados competitivos.
2
En el contexto de este trabajo se utiliza indistintamente los términos legada, heredada
y tradicional haciendo referencia al paradigma de las redes actuales.
3
1.1 Relevancia y Originalidad
Las limitaciones de las redes implementadas actualmente3 estaban propi-
ciando un estancamiento en el cumplimiento de los requisitos y desafı́os de
la red, planteados por la evolución de las tendencias informáticas (como el
cambio de patrones de tráfico, inteligencia de datos y necesidades asociadas,
el aumento de los servicios en la nube y las tendencias al consumo de aplica-
ciones y tecnologı́a en la sociedad).
Para enfrentar los desafı́os, las redes SDN están a la vanguardia y se
han convertido en la columna vertebral de la economı́a de las aplicaciones,
es una tecnologı́a que cambió las reglas de juego y una importante fuerza
de transformación, es una forma avanzada de virtualización de red. Separa
fı́sicamente el plano de control de la red del plano de reenvı́o (plano de datos)
para controlar varios dispositivos y administrar los servicios de red a través
de la abstracción de la funcionalidad de bajo nivel. Proporciona soporte para
las necesidades de almacenamiento y computación dinámica y escalable de
las redes digitales complejas actuales y permite el control adaptativo y las
operaciones de redes de manera rentable.
Pero se debe tener presente que SDN no es la panacea, viene con sus
propios desafı́os tales como: en el diseño de la red resaltan la escalabili-
dad, tolerancia a fallas, flexibilidad y elasticidad. Otros problemas de im-
plementación analizan la gestión de recursos y la virtualización. Del mismo
modo, la latencia, la eficiencia y la coherencia discuten la medida de bajo
rendimiento. Por último, la seguridad y la depuración del código en la veri-
ficación de SDN también son problemas abiertos. Cada uno de los desafı́os
citados se desarrollan de manera inextensa en [214]. En todo este amplio con-
texto de desafı́os, de manera transversal el enrutamiento es uno de los temas
de interés vigente, sobre todo abordado como problema de optimización y
resueltos con estrategias de inteligencia artificial.
En esta tesis doctoral, se abordan dos casos considerados relevantes y
3
(por ejemplo, dependencia del proveedor, actividades complejas y que requieren mucho
tiempo de implementar polı́ticas a nivel de red, y agregar y mover dispositivos, alto riesgo
de interrupción del servicio, incapacidad para escalar fácilmente)
4
vigentes que involucran el enrutamiento como problema de optimización y
que son aplicados al Ahorro de Energı́a y el despliegue de SDN hı́bridas. Para
cada uno de los casos se propone la formulación matemática definiendo la o
las funciones objetivo y las restricciones, luego para mejorar el rendimiento
del proceso de optimización se proponen estrategias de algoritmos evolutivos
mono y multiobjetivos[53]. Los abordajes y soluciones propuestas, en el mejor
de nuestro conocimiento aún no fueron reportadas en la literatura. También,
se plantea el problema de realizar de manera conjunta el ahorro de energı́a
en las redes SDN hı́bridas.
Para el caso de ahorro de energı́a, en el esquema propuesto se tuvieron
en cuenta el uso del enlace, el chasis, el line card, el puerto y la ubicación
del controlador. Ninguno de los trabajos de la literatura revisada, considera
todos los factores de ahorro de energı́a simultáneamente.
En el despliegue SDN Hı́brido, la novedad de la propuesta radica en la
hibridación de las técnicas de despliegue incremental, se propone una técnica
que busque la estrategia más óptima posible para la ubicación de dispositivos
SDN en una red tradicional, combinando las técnicas de adición y reemplazo.
Este abordaje hı́brido de técnicas no fue reportado con anterioridad. Una
variante es el abordaje puramente multiobjetivo propuesto e implementado
que en el mejor de nuestro conocimiento no fue reportado hasta el momento
en la literatura.
Un caso convergente, entre las dos lı́neas de investigación, el cual es
tratado en la parte final de la tesis, es la de aplicar algoritmos de ahorro de
energı́a en las redes SDN hı́bridas. Como la transición natural del paradigma
tradicional al puramente SDN se está dando de manera práctica por medio
de las HSDN, se plantea el problema, los trabajos actuales del estado del arte
y los desafı́os abiertos que puedan ser de interés para los investigadores de la
comunidad.
1.2 Problemas de Investigación

Esta tesis doctoral aborda los desafı́os de investigación en relación con el
enrutamiento en las redes definidas por software tratado como problema de
5
optimización enfocado en las lı́neas más estudiadas y que mayor provecho
obtienen del nuevo paradigma. En particular, se investigan los siguientes
problemas y casos:
• ¿Cómo se aborda el enrutamiento en SDN tratado como problema de

optimización y cómo se clasifican según su lı́nea de aplicación?
• ¿Cómo optimizar el ahorro de energı́a en SDN aplicando algoritmos

evolutivos para mejorar la competitividad?.
• ¿Cómo mejorar las técnicas de despliegue SDN Hı́brido aplicando al-

goritmos evolutivos para mejorar la competitividad?.
• ¿Cómo se trata, de manera conjunta el ahorro de energı́a en las Redes

SDN Hı́bridas?.
Para hacer frente a los desafı́os de investigación asociados con los pro-
blemas de investigación mencionados anteriormente, se trazaron los objetivos
que seguidamente se enuncian.
1.3 Objetivo General

Analizar, formular y resolver desafı́os de enrutamiento en Redes SDN trata-
dos como problema de optimización, en aquellas lı́neas de investigación que
obtienen mayor provecho del nuevo paradigma, modelándolos y diseñando
métodos competitivos con la aplicación de algoritmos evolutivos.
1.4 Objetivos Especı́ficos

O1. Explorar, analizar y clasificar los métodos de enrutamiento en SDN
tratados como problema de optimización. Obtener una comprensión
sistemática de los enfoques existentes.
O2. Identificar los problemas en los que el paradigma SDN ofrece venta-
jas con nuevos abordajes de enrutamiento, en los cuales se aplica la
optimización para la resolución de los mismos.
6
O3. Realizar el modelado y formulación matemática de los problemas de
optimización de Ahorro de Energı́a y SDN Hı́brido para mono y mul-
tiobjetivo.
O4. Desarrollar algoritmos metaheurı́sticos competitivos comparables con

los trabajos del estado del arte, aplicando algoritmos evolutivos mono
y multiobjetivos para Ahorro de Energı́a y despliegue SDN Hı́brido.
O5. Explorar, analizar y clasificar el problema de ahorro de energı́a en las

redes SDN hı́bridas.
1.5 Contribuciones
1.5.1 Publicaciones en revistas

• Cespedes-Sanchez, P. P., Maluff, B., Pinto-Roa, D. P., & Legal-
Ayala, H. (2021). Hybrid Incremental Deployment of HSDN Devices.
IEEE Transactions on Network and Service Management, 19(2), 1662-
1678. DOI: 10.1109/TNSM.2021.3135122
1.5.2 Publicaciones en congresos

• G. Riveros, D.P. Pinto-Roa, Pedro P. Cespedes Sanchez and Hora-
cio Legal-Ayala; Energy Optimization Model for Software Defined Net-
work Routing. In: Conference of Computational Interdisciplinary Sci-
ences 2019, Atlanta - USA. (https://proceedings.science/ccis-2019/pa-
pers/energy-optimization-model-for-software-defined-network-routing)
• Riveros, G., Cespedes-Sanchez, P. P., Pinto-Roa, D. P., & Legal-

Ayala, H. (2019, September). ILP-based Energy Saving Routing for
Software Defined Networking. In 2019 XLV Latin American Computing
Conference (CLEI) (pp. 1-7). IEEE.
7
1.6 Organización de la Tesis
El trabajo esta dividido en cinco partes y siete capı́tulos. La primera parte
versa sobre la revisión de la literatura en cuanto al tema optimización en
enrutamiento SDN, la segunda sobre el ahorro de energı́a en SDN, la ter-
cera aborda el despliegue SDN hı́brido, la cuarta sobre el ahorro de energı́a
en redes HSDN. En el Capı́tulo 1 se presentan la introducción, objetivos y
principales aportes de la tesis. En el Capı́tulo 2 se presenta la revisión de
la literatura respecto al tema tratado. En el Capı́tulo 3 se presenta la opti-
mización del consumo de energı́a en redes SDN. En el Capı́tulo 4 se presenta
el despliegue incremental hı́brido de redes SDN. El Capı́tulo 5 trata sobre la
variante del problema abordado como multiobjetivo puro del despliegue por
reemplazo de redes SDN. En el Capı́tulo 6 se desarrolla el tema de ahorro
de energı́a en redes SDN hı́bridas. Finalmente, en el Capı́tulo 7 se presentan
las conclusiones generales de la tesis y trabajos futuros.
8
Parte I
Revisión de la Literatura
9
Capı́tulo 2
Taxonomı́a - Optimización en En-
rutamiento SDN
2.1 Conceptos básicos sobre SDN

En este primer apartado, se expondrán brevemente algunos conceptos básicos
sobre SDN, los cuales serán de utilidad para la comprensión de los demás
capı́tulos.
2.1.1 La Arquitectura SDN

La arquitectura SDN con el protocolo OpenFlow permite a los operadores
de red tratar los flujos con una granularidad más fina en comparación con
las redes tradicionales, mediante la utilización de controladores. En una red
tradicional, los flujos (o paquetes) se tratan principalmente en función de
una o varias combinaciones de atributos de encabezados de paquetes, como
los prefijos del Protocolo de Internet (Internet Protocol, IP) de destino más
largos, las direcciones de Control de Acceso al Medio (Media Access Control,
MAC) de destino o una combinación de direcciones IP y números de puer-
tos del Protocolo de Control de Transmisión (Transmission Control Protocol,
TCP)/Protocolo de Datagrmas de Usuario (User Datagram Protocol, UDP).
SDN nos permite administrar flujos basados en más atributos de encabeza-
dos de paquetes mediante una Interfaz de Plano de Datos del Controlador
10
(Controller-Data Plane Interface, C-DPI), como por ejemplo el protocolo
OpenFlow.
Como se muestra en la Figura 2.1, la ONF divide verticalmente la
arquitectura SDN en tres planos principales [204]:
Figura 2.1: Descripción general de la arquitectura SDN con sus planos prin-
cipales: plano de datos, plano de control y plano de aplicación [204].
- Plano de datos: el plano de datos es el plano inferior y consta de

dispositivos de red como enrutadores, conmutadores fı́sicos/virtuales, puntos
de acceso, etc. Estos dispositivos son accesibles y se administran a través
de C-DPIs por el controlador SDN. Los elementos de red y los controladores
pueden comunicarse a través de conexiones seguras como la conexión del tipo
seguridad de capa de transporte (Transport Layer Security, TLS) a través de
la Interfaz de Programación de Aplicación (Transport Layer Security, API)
hacia el sur. El protocolo OpenFlow [170], [237] es el C-DPI más utilizado
11
para la comunicación entre los controladores y los dispositivos de plano de
datos.
- Plano de controlador: un plano de controlador SDN consta de uno
o más controladores SDN basados en software para proporcionar una fun-
cionalidad de control mediante la supervisión del comportamiento de reenvı́o
de la red a través de C-DPI. Tiene interfaces para permitir la comunicación
entre los controladores en un plano de control llamado Interfaz de plano
de controlador intermedio (Intermediate-Controller Plane Interface, I-CPI)
[151], opcionalmente asegurado mediante TLS, entre controladores y dispo-
sitivos de red C-DPI, y también entre controladores y aplicaciones por medio
de las APIs hacia el norte denominada Interfaz de Plano del Controlador de la
Aplicación (Application-Controller Plane Interface, A-CPI). Un A-CPI rep-
resenta la comunicación posible entre las aplicaciones y el controlador para
la seguridad, gestión de la red y otras requeridas por el usuario. Un con-
trolador consta de dos componentes principales: Componentes funcionales y
lógica de control. Los controladores incluyen más de un componente funcional
como coordinador, virtualizador, etc. para administrar el comportamiento
del controlador. Además, la lógica de control mapea los requisitos de red de
las aplicaciones en instrucciones para los recursos de elementos de red [204].
- Plano de aplicación: un plano de aplicación SDN consiste en una
o más aplicaciones de red (por ejemplo, seguridad, visualización, etc.) que
interactúan con el controlador para utilizar la vista abstracta de la red para
sus procesos internos de toma de decisiones. Estas aplicaciones se comuni-
can con el controlador a través de un A-CPI abierto (por ejemplo, REST
API. Una aplicación SDN se compone de una lógica de aplicación SDN y un
controlador A-CPI.
Se considera necesario precisar la terminologı́a a ser utiliazada a lo largo
del libro respecto a los dispositivos del plano de datos. En algunas ocaciones,
se utiliza de manera indistinta el termino conmutador o router dependiendo
del autor, consideramos que lo correcto serı́a conmutador SDN, ya que como
se vio en la arquitectura SDN se desacoplan el plano de control y el de datos.
En el dispositivo de red de acceso queda la parte del plano de datos y la parte
de enrutamiento migran al controlador. Se puede normalizar a conmutador
12
SDN, en inglés en la mayorı́a de los casos encontraremos como SDN Switch.
Por otro lado, los nodos en la mayorı́a de los casos hacen referencia al con-
mutador SDN, en algunos casos incluye al controlador, pero por lo general se
suele diferenciar con otra notación. Cuando se habla de routers o enrutadores
comunmente se hace referencia a los dispositivos tradicionales (no SDN).
2.1.2 Enrutamiento en Redes SDN

En SDN, la mayorı́a de las actividades de la red, como la gestión de la red, la
supervisión del tráfico, la gestión del flujo y el enrutamiento, en gran parte,
se realizan en el controlador lógicamente centralizado. En el enrutamiento
SDN, la información sobre el estado de la red y la topologı́a se mantienen
en el plano de control [136]. Esta información de red es compartida por los
dispositivos de reenvı́o y recogida en el plano de control. Sobre la base de esta
información, las decisiones de enrutamiento se compilan y se transforman en
reglas de flujo. Por más que SDN haya evolucionado en los ultimos años el
enrutamiento se enfrenta a muchos problemas, tales como punto único de
falla, escalabilidad, QoS y seguridad.
2.1.2.1 Arquitectura de enrutamiento en SDN
SDN pretende proporcionar innovación en el diseño y la gestión, y además,

ofrecer nuevas posibilidades en la creación de redes. La única posibilidad de
lograr estas afirmaciones es mediante la provisión de un enrutamiento óptimo.
En la red heredada, la función de enrutamiento es compleja, distribuida y
cerrada, con funcionalidad dependiente del dispositivo. Estas complejidades
afectan la fiabilidad y el rendimiento de toda la red.
La idea de SDN de separar el control del reenvı́o hace posible obtener
el control sobre el cálculo de trayectoria. La pregunta básica que afecta el
desempeño y la implementación de SDN es el modelo seguido para obtener
información de red, como topologı́a (vista de red completa), ancho de banda
disponible, modo de comunicación (multicast/unicast), fiabilidad de ruta
(single-path/multi-path) [136]. Aunque estas técnicas están bien estudiadas
en las redes legadas, en SDN la suposición básica de enrutamiento todavı́a
13
depende de los marcos de enrutamiento existentes y protocolos.
Para lograr una red SDN independiente y auto-sostenida, que puede
interactuar con otra red, que tiene reglas/polı́ticas conflictivas y posee estados
de red consistentes, el enrutamiento es un desafı́o hasta ahora. En [136] se
estudian varias técnicas que proporcionan el enrutamiento en SDN. Algunas
de estas técnicas de enrutamiento se presentaron antes que el concepto de
SDN surgiera, con diferentes motivaciones y conceptos.
El modelo de enrutamiento en SDN, se aproxima bastante a la pro-
puesta RouteFlow1 [182], donde una entidad central (nodo controlador) ac-
tua como responsable de la ruta de cálculo y la toma de decisiones en nombre
de los dispositivos de reenvı́o utilizando alguna topologı́a virtual que se ma-
pearı́a en la topologı́a fı́sica, como se muestra en la Figura: 2.2.
Figura 2.2: Arquitectura RouteFlow para SDN [182].
1
https://routeflow.github.io/RouteFlow/
14
2.1.2.2 Enfoques de enrutamiento en SDN
En la literatura se pueden encontrar varios enfoques que abordan el pro-

blema del enrutamiento en SDN desde diferentes aristas. A continuación se
presentan las más representativas.
• Modelos de Arquitectura en Enrutamiento: El paradigma SDN

conduce a explorar conceptos como la centralización de la lógica de
enrutamiento y nuevas arquitecturas con las que es posible mejorar el
enrutamiento de Internet. En este contexto, este enfoque investiga las
formas en que los principios de SDN pueden ayudar a realizar dichas
mejoras de manera incremental, manteniendo la compatibilidad con
versiones anteriores. Basicamente se propone un nuevo modelo de enru-
tamiento y un marco tecnoeconómico que introduce niveles adicionales
de agregación en Internet, basados en el concepto de una parte medi-
adora de confianza. El modelo se mantiene sin sacrificar la autonomı́a
y la privacidad de los sistema autonomos ni requiere cambiar el núcleo
heredado. Se basa fundamientalmente en la subcontratación y su vi-
abilidad se ve impulsada por fuertes incentivos financieros. Algunas
publicaciones representativas en este enfoque son [207] y [140]
• Nuevos esquemas de enrutamiento, para el mejoramiento de

escalabilidad y performance del controlador: Se propone un
nuevo enfoque para el enrutamiento en SDN que aprovecha las varia-
ciones del enrutamiento de origen y tiene como objetivo abrir nuevas
posibilidades para mejorar la escalabilidad, la disponibilidad y las op-
timizaciones de ubicación de los controladores. A diferencia de los
intentos de enrutamiento de origen anteriores, el enfoque propuesto es
simple, estricto y ortogonal a IP, como el túnel de conmutación de eti-
quetas multiprotocolo (Multiprotocol Label Switching, MPLS). Además,
el enfoque utiliza el conocimiento del controlador sobre la topologı́a de
la red y se adapta a la arquitectura de redes definidas por software.
El objetivo es utilizar las ventajas que tiene el enfoque de enrutamiento
de origen para (1) mejorar la escalabilidad del controlador y el tiempo
15
de convergencia de la red al reducir el estado que se distribuirá en la
red, (2) mejorar la disponibilidad del controlador al manejar localmente
las fallas de enlace en tiempo real, (3) Optimizar la ubicación de los
controladores para reducir los efectos de las latencias de propagación
en las WAN. Una publicación referente en este enfoque es [220].
• Content-Based Routing, utilizando redes virtuales: Estas ten-

dencias permitirán un middleware pub/sub de propósito general que
resulte en un rendimiento comparable al de las implementaciones de la
capa de red, es decir, sistemas pub/sub que admitan el reenvı́o de men-
sajes a velocidad de lı́nea, microsegundos de retraso en la conmutación
y un ancho de banda cercano al óptimo. La eficiencia no solo es con
respecto a la red superpuesta sino también a la topologı́a de la red sub-
yacente. Con este fin, se presenta una arquitectura de referencia que
permite la incorporación de soluciones de middleware complejas más
sofisticadas, en particular, pub/sub basado en contenido, utilizando
la especificación Open-Flow. Algunas publicaciones de referencias son
[137] y [21].
• Polı́ticas de enrutamiento BGP: Las redes definidas por software,

resuelven inherentemente varios de los problemas del protocolo de puerta
de enlace de frontera (Border Gateway Protocol, BGP) forma un plano
de control centralizado en el que las aplicaciones de enrutamiento se
pueden implementar y monitorear de manera predecible, permite que
nuevas funciones, como la compatibilidad con rutas múltiples, se im-
plementen de manera eficiente a través del software y la detección de
enrutamiento. anomalı́as en un controlador centralizado es más mane-
jable. Al encapsular el enrutamiento dentro del software centralizado,
el control de la polı́tica entre dominios se puede lograr en cualquier otro
lugar de la pila de la red. Esto desvincula efectivamente el control de
polı́ticas y el enrutamiento de una manera que BGP ha luchado por
lograr. El control de polı́ticas desacoplado abre la innovación para los
lenguajes de polı́ticas orientados al operador. Distinguir el lenguaje
de polı́ticas de los mecanismos de enrutamiento ahora se considera una
16
buena práctica y ha habido más interés en escribir lenguajes de polı́ticas
expresivos de alto nivel mientras se abstrae el enrutamiento a protoco-
los de bajo nivel. Dos trabajos que abordan este enfoque son [227] y
[21].
• Enrutamiento Inter-Dominio: Este enfoque propone un compo-

nente que se ejecuta sobre un sistema operativo de red y proporciona
un intercambio de accesibilidad entre sistemas autónomos (Autonomous
System, AS) para dotar a un host de un AS con la capacidad de enviar y
recibir información (paquetes) a un host en otro AS . A esta solución se
le denomina un componente Inter-AS. La principal propuesta es el de-
sarrollo de una nueva solución de enrutamiento entre dominios, basada
en el enfoque SDN, que propone resolver algunos problemas de BGP.
Un trabajo que desarrolla este enfoque es [27].
En el trabajo de Saraswat et al. [214] se puede acceder a información

actualizada de los diferentes enfoques.
2.1.2.3 Desafı́os en enrutamiento SDN
Más arriba, se expuso la arquitectura general del enrutamiento en SDN.

Aunque SDN es considerado como más flexible, ágil y programable debido a
un controlador centralizado, esta centralización orientará el problema prin-
cipal de la red, que es la escalabilidad. La unidad de control en SDN es el
plano de control, el cual esta lógicamente centralizado, entonces cualquier
tipo de amenaza al plano de control conduce al colapso de la arquitectura
SDN. Las lı́neas de investigación que estudian el fallo de punto único o el en-
lace sobrecargado de un plano centralizado, se encargan de buscar soluciones
para erradicar estos problemas que amenazan al plano de control. En SDN,
dos tipos de escalabilidad se consideran escalabilidad de plano de control y
escalabilidad de plano de datos. La escalabilidad del plano de control está
directamente asociada con el número de flujos que vienen como paquetes,
es decir, no tienen entrada en la tabla de flujo del plano de datos. La es-
calabilidad del plano de control puede ser solucionada mediante el uso de
17
múltiples controladores en un único dominio [265], donde el controlador está
lógicamente centralizado, pero proporciona un número suficiente de contro-
ladores y utiliza el mensaje publicar/suscribir para la propagación de eventos.
La otra técnica que se utiliza para reducir la carga en el controlador es DI-
FANE que fuera propuesta en la publicación [265], también HyperFlow se
propuso en [231], donde los flujos grandes son paquetes en el controlador y
los flujos pequeños son gestionados por la ruta de datos. El otro problema de
escalabilidad en SDN es la escalabilidad de plano de datos. En dicha escala-
bilidad, la consistencia de las reglas y la interacción global con el controlador
se considera generalmente en términos de procesamiento de paquetes, tiempo
de respuesta y administración de carga en un solo conmutador a controlador
o múltiples conmutadores. El tiempo de respuesta depende de la distancia
del conmutador, del controlador y la carga en el enlace, etc. Otro factor que
efectúa la escalabilidad del plano de datos es el tamaño de la tabla de flujo
que crece con el número de reglas de flujo.
Escalabilidad, equilibrio de carga y simplicidad son algunos de los atri-
butos claves que debe proporcionar el enrutamiento en SDN. En este sentido,
hay un gran espacio para el desarrollo de nuevas estrategias de enrutamiento
de una manera sencilla y escalable que puede satisfacer los requisitos de SDN.
2.1.2.4 Optimización en Enrutamiento SDN
Al hablar de optimización existe una diversidad de métodos y aplicaciones

que tiene la misma, muchos de los problemas de investigación son mapeados
a un modelo que permita representar una o más funciones objetivo sujeto
a restricciones con el fin de obtener los parámetros que ofrezcan la mejor
solución posible para resolver el problema en cuestión. Entonces es bastante
frecuente tratarlos como problema de optimización. El enrutamiento en las
redes de computadoras es uno de ellos y en la emergente SDN surgen mu-
chos desafı́os (problemas) y abordajes que se valen de esta metodologı́a para
superarlos y resolverlos.
18
2.2 Taxonomı́a del Enrutamiento SDN
abordado como Optimización
En esta sección se responde la pregunta: ¿Cómo se aborda el enrutamiento
en SDN tratado como problema de optimización y cómo se clasifican según
su lı́nea de aplicación?. Para ello, en cumplimiento de los objetivos O1 y
O2, se describe la metodologı́a utilizada en la revisión de la literatura, se
destacan los métodos de enrutamiento en SDN tratados como problema de
optimización, obteniendo una comprensión sistemática de los enfoques exis-
tentes. También se presenta una clasificación de los estudios realizados refe-
rente a Optimización en Enrutamiento SDN y las lı́neas en las que se aplican
las mismas, identificando los problemas en los que el paradigma SDN ofrece
ventajas con nuevos abordajes.
2.2.1 Revisión de la literatura sobre Optimización en

Enrutamiento SDN
Para la revisión, se tomó como referencia la metodologı́a aplicada en los tra-
bajos de López et. al. [154], [192]. Se definió y realizó un proceso exhaustivo
de búsqueda y selección de las investigaciones actuales, con el fin de estudiar
una gran parte de la literatura más relevante sobre el enrutamiento en redes
SDN las cuales se abordan como problema de optimización. Este apartado
presenta una detallada descripción del proceso de selección de literatura, la
cual se refleja en la Figura 2.3
2.2.2 Palabras claves de búsqueda

El proceso de selección de trabajos relevantes del estado del arte comenzó
con una búsqueda de artı́culos de investigación en la base de datos de Google
Scholar 2 y en el portal de Centro de Información Cientı́fica del CONA-
CYT (CICCO)3 con al menos una de las siguientes palabras clave selec-
2
https://scholar.google.com
3
https://cicco.conacyt.gov.py/
19
Figura 2.3: Proceso de selección y filtrado de artı́culos en la literatura sobre
Enrutamiento en SDN tratado como problema de optimización.
cionadas en el tı́tulo del artı́culo: 1) SDN Networks routing algorithms, (2)

Software defined network routing problem, (3) Routing in SDN Network, (4)
Routing algorithms in SDN Networks o (5) SDN Network routing open prob-
lems. Luego de la última actualización (último corte), en febrero de 2020,
con esta combinación de búsqueda de palabras clave dió como resultado 567
artı́culos de investigación.
En una segunda iteración, y de manera a refinar la búsqueda, se uti-
lizaron las siguientes palabras clave en el tı́tulo del artı́culo: 1) Optimization
Algorithms Applied to SDN Networks routing, (2) Software Defined Network
Routing Problem as Optimization, (3) Optimization of Routing in SDN Net-
20
work, (4) Optimization Routing algorithms in SDN Networks o (5) SDN Net-
work optimization routing open problems. Posterior a la actualización vigente
(último corte)4 , realizada en febrero de 2020, la combinación de búsqueda de
palabras clave dió como resultado 299 artı́culos.
2.2.2.1 Filtrado por Editorial
Dada la gran cantidad de resultados en la búsqueda de palabras clave, el

proceso de selección de literatura se centró en artı́culos de investigación pu-
blicados por los siguientes editores relevantes: (1) Association for Computing
Machinery (ACM), (2) ELSEVIER, (3) Institute of Electrical and Electron-
ics Engineers (IEEE), (4) IEEE/ACM (5) Multidisciplinary Digital Publish-
ing (MDPI), (6) (OSA), (7) SAGE (8) SPRINGER y (9) WILEY.
El porcentaje de artı́culos por editorial en el universo estudiado se re-
sume en la Figura 2.4 Este paso de filtrado del editor dió como resultado una
reducción de 299 a 277 (92.6%) artı́culos de investigación de la literatura.
2.2.2.2 Lectura de Resumen, Introducción y Conclusión
Teniendo en cuenta los 277 artı́culos resultantes del paso anterior, se realizó
la lectura del resumen, introducción y conclusión para identificar los artı́culos
más relevantes que estudian especı́ficamente el problema de enrutamiento en
Redes SDN y son tratados como problema de optimización. Luego de este
proceso, se seleccionaron 251 artı́culos de investigación de la literatura.
Por último, se desestimaron los documentos breves (es decir, artı́culos
de investigación con cuatro o menos páginas) de la literatura seleccionada,
lo que resultó en 248 artı́culos seleccionados de la literatura enrutamiento en
SDN, para el estudio detallado presentado en esta tesis.
4
Durante la revisión de la literatura, dada la dinámica creciente de publicaciones, se
hicieron cortes de actualización en las siguientes fechas: JUL17, SEP17, FEB18, AGO18,
FEB19, JUL19 y FEB20.
21
Figura 2.4: Porcentaje de artı́culos por editorial.
2.2.2.3 Sub-clasificación según lı́nea de aplicación
Luego del último filtrado que arrojó 248 artı́culos, se procedió a subclasificar
según las lı́neas de investigación en las que mayor impacto tienen las ven-
tajas de SDN y generarón mayor cantidad de publicaciones sostenidas en el
tiempo. Las lı́neas encontradas fueron: Enrutamiento puro, Ahorro de E-
nergı́a, QoS, redes SDN Hı́bridas, Multidifusión, Multipath, redes inalambri-
cas, NFV, redes ópticas y otros (Segment-Routing, Cloud, Load Balancing,
Rule-Optimization, Rule-Placement, Traffic-Engineering, Virtual-Network).
La distribución se puede ver en la Figura 2.5 y con más detalle en los últimos
diez años en la Figura 2.6. En la misma, se puede destacar que desde el año
2010 se encontraron publicaciones referentes a la aplicación de SDN en QoS,
lo cual persiste hasta la fecha. Las primeras publicaciones sobre HSDN se
encontrarón desde el 2013 y también persisten fuertemente hasta nuestros
dı́as. Las primeras publicaciones halladas sobre la aplicación de SDN en el
Ahorro de Energı́a datan del año 2014. En los siguientes años fueron apare-
22
ciendo las demás lı́neas de investigación y las lı́neas de Qos, Energy-Aware y
HSDN demostraron su sostenibilidad. Los detalles del año 2020 correspon-
den a publicaciones del primer mes del año, por ello muestran valores no muy
altos.
Figura 2.5: Sub-clasificación por lı́neas de aplicación.
Finalmente, considerando la aplicabilidad y relevancia de los temas

abordados, fueron seleccionadas para su profundización dos lı́neas: Ahorro
de energı́a y Redes SDN hı́bridas. Routing también constituye una lı́nea
con gran cantidad de publicaciones, en esta oportunidad se decidió dejarlo
para futuros proyectos, considerando su caracter más general, dando lugar a
dos temas más aplicables en nuestro entorno como lo es el despliegue SDN
Hı́brido. En la Figura 2.7 se puede apreciar un resumen de las publicaciones
de los últimos cinco años.
2.3 Resumen de la revisión de la literatura

Como se mencionó antes, uno de los aportes de este trabajo es la taxonomı́a
de las lı́neas de investigación según la aplicación de SDN alineado con el
23
Figura 2.6: Sub-clasificación por lı́neas de aplicación, por cantidad de
artı́culos por año.
24
Figura 2.7: Sub-clasificación por lı́neas seleccionadas en los últimos cinco
años.
enrutamiento tratado como problema de optimización, se han identificado

diez lı́neas destacadas las cuales se describen brevemente a continuación, las
lı́neas de HSDN y ahorro de energı́a serán tratadas con mayor profundidad
en secciones posteriores a esta.
2.3.1 Routing
El enrutamiento en redes SDN ya se trató brevemente en la subsección
2.1.2, por lo que se pasará directamente a mencionar las sublineas de in-
vestigación encontradas en los 45 trabajos de investigación analizados. Las
lı́neas destacables son: QoS, ingenierı́a de tráfico, redes WAN, enrutamiento
entre dominios, virtualización, enrutamiento anycast, redes de datacenters,
balanceo de carga, red centrada en la información, Memoria ternaria di-
reccionable por contenido (Ternary Content-Addressable Memory, TCAM),
enrutamiento para transmisión de video, ancho de banda efectivo, uso de
Unidad de Procesamiento Gráfico (Graphics Processing Unit, GPU), fibbing,
tiempo real, IoT industrial, redes vehiculares ad hoc (Vehicular Ad hoc Net-
25
works, VANETS) y asignación de recursos de redes ópticas. En los siguientes
survey: [136], [92], [8], [40] y [93] se dispone de mayor información sobre
enrutamiento en SDN.
2.3.2 Calidad de servicio (QoS)

Como lo explican Karakus et al. en [132], QoS puede beneficiarse de las
ventajas del concepto SDN en diferentes funciones de red. El reenvı́o basado
en flujo permite que las redes enruten diferentes flujos de aplicaciones en
diferentes tratamientos (por ejemplo, prioridades). La actualización de la
regla de flujos dinámicos permite a los operadores de red actualizar las reglas
instaladas en dispositivos sobre la marcha sin interrumpir las operaciones
del dispositivo. SDN también hace posible el análisis de flujo/paquete para
adquirir campos de encabezado de ellos. Dado que SDN proporciona una
vista de red global, es posible mantener estados relacionados para una ruta
completa de un flujo. Además, es posible controlar estadı́sticas de red basadas
en diferentes niveles, por flujo, por puerto, por dispositivo, etc. También, en
las redes SDN habilitadas para OpenFlow, la gestión de colas y las opera-
ciones de programación son posibles mediante algunos complementos hacia
el sur, como los protocolos OF-CONFIG y OVSDB.
En el ámbito del enrutamiento, en base a los 32 artı́culos analizados,
una función que SDN puede ayudar a mejorar en las redes es el enruta-
miento motivado por QoS. Con la arquitectura SDN, el enrutamiento por
flujo (tanto dentro del dominio como entre dominios) se vuelve viable a través
de mecanismos más escalables, más simples y que requieren menos tiempo
en comparación con las arquitecturas tradicionales. OpenFlow permite a los
operadores de red usar varios algoritmos de enrutamiento (en lugar de la
ruta más corta tı́pica) dentro del controlador para generar tablas de reenvı́o
que gobiernan diferentes flujos aislados, como los flujos de QoS, en el plano
de datos [230]. Por otro lado, el enrutamiento dinámico de flujos es viable
por los controladores debido al desacoplamiento de las funciones de control
y reenvı́o de los dispositivos. Estas capacidades, por flujo y enrutamiento
dinámico, permiten a los administradores de redes crear más mecanismos de
26
enrutamiento motivados por la calidad de servicio para sus redes.
SDN también puede ayudar a los operadores de red a crear marcos de
gestión de QoS automatizados potentes y fáciles de usar mediante la reserva
de recursos y la gestión de colas y la programación de paquetes para sus redes.
El aprovisionamiento de QoS para aplicaciones de red requiere un mecanismo
de control bien definido debido a la naturaleza dinámica de los recursos de
red. A medida que SDN brinda capacidades para obtener una vista global
de la red, la configuración de QoS se vuelve más fácil en comparación con las
arquitecturas de red tradicionales.
La mejora de la calidad de experiencia (Quality of Experience, QoE)
del usuario también puede beneficiarse de las capacidades de SDN. La sa-
tisfacción del usuario no se puede garantizar simplemente proporcionando
ciertos parámetros de QoS, ya que estos parámetros de red de bajo nivel rep-
resentan los estados de la red en términos de números. Sin embargo, la satis-
facción real del usuario (es decir, QoE) puede requerir diferentes parámetros
de QoS que pueden cambiar dinámicamente con el tiempo. La capacidad de
SDN para gestionar los flujos de red de forma más detallada mediante reglas
de flujo a través de un control automatizado puede ayudar a mejorar la QoE
del usuario en una red.
Además, la tarea de monitoreo de red es otra función que SDN puede
ayudar dentro de una red. La tarea de monitoreo es crucial para una red,
ya que ayuda a detectar y responder hilos, problemas de rendimiento en
tiempo real y predecir comportamientos futuros en una red. SDN permite
a los administradores de red monitorear la dinámica de la red a través de
contadores a niveles muy bajos, como por paquete, por puerto, por tabla,
por cola y por metro.
Finalmente, SDN se puede utilizar para proporcionar QoS de varias
maneras, como el aprovisionamiento de QoS basado en virtualización, la
gestión de polı́ticas de QoS y los mecanismos de entrega de contenido debido
a algunas de sus caracterı́sticas, como el concepto de control por flujo y el
enrutamiento basado en campos de encabezados múltiples.
Las sublı́neas destacables con respecto a QoS en SDN son: QoS Rout-
ing, Multipath routing, red de celulares, gestión de flujos, multicast rout-
27
ing, video streaming, overlay networks, cloud resource allocation, re-routing,
ahorro de energı́a, redes espaciales, actualización adaptable de TCAM, in-
genierı́a de tráfico, redes satelitales de Órbita Terrestre Baja (Low Earth
Orbit, LEO), Sistema de Medida de Área Amplia (Wide Area Measurement
System, WAMS), Red Inalámbrica Óptica Definida por Software (Software
Defined Optical Wireless Network, SDOWN), QoS en tiempo real, NFV, IoT,
enrutamiento dinámico, rule placement, centros de datos. Se destaca que los
abordajes más recurrentes son los que tratan sobre el video streaming y los
nuevos enrutamientos concientes de QoS. Recordemos que QoS es uno de
los temas que mayor provecho sacan del paradigma SDN. En los siguientes
survey: [38], [132], [92], [212], [24], [29], [68], [197], [135], [155] y [172] se
dispone de mayor información sobre QoS en SDN.
2.3.3 Network Function Virtualization (NFV)

Teniendo en cuenta los problemas de las redes legadas, los investigadores han
estado trabajando para hacer que las redes sean programables y mejorar la
flexibilidad y la capacidad de administración para eliminar las restricciones
anteriores durante mucho tiempo. A este respecto, como se menciona en
[158], desde la década de 1990 se han propuesto algunas soluciones, como
redes activas, redes programables y redes virtuales. Sin embargo, estas solu-
ciones no pudieron encontrar un área de aplicación cuando surgieron o se
trataron como parches que proporcionan soluciones a problemas especı́ficos.
Además, no se habı́an identificado las etapas para la adopción generalizada
de tales soluciones completamente [70]. Con el surgimiento de las redes SDN
las esperanzas se han puesto en ella.
Por otro lado, NFV es otra tecnologı́a nueva que surgió independien-
temente de SDN pero que tiene objetivos similares: rentabilidad, apertura
e innovación. La idea principal detrás de NFV es virtualizar las funciones
de red (inspección profunda de paquetes, firewall, equilibrio de carga, etc.)
que residen en dispositivos de hardware separados e implementarlas como
software en servidores de proposito general de gran volumen. Por lo tanto, el
consumo de energı́a, la complejidad operativa, los costos de los dispositivos
28
y el tiempo necesario para implementar actualizaciones se reducen [100].
SDN y NFV se complementan naturalmente y pueden alcanzar su
máximo potencial cuando coexisten, porque ambos comparten el principio
básico de definir el comportamiento de la red con el software. Cuando estas
tecnologı́as se usan juntas, la polı́tica de control de red se separa fácilmente
del mecanismo de enrutamiento y las funciones de red se implementan como
software virtualizado 5 .
En la infraestructura de red actual, existen diferentes tipos de dispo-
sitivos de hardware patentados para realizar operaciones de red esenciales.
Agregar un nuevo servicio a dicha arquitectura es bastante difı́cil, ya que re-
quiere proporcionar una ubicación para el dispositivo que aloja ese servicio,
hacer que los dispositivos interactúen y, a veces, rediseñar toda la arquitec-
tura. Además, el uso de dispositivos especiales dedicados para cada función
no es rentable [48].
NFV es una nueva tecnologı́a que brinda soluciones a los problemas
anteriores al desacoplar las funciones de red del hardware dedicado e imple-
mentarlas como software en servidores industriales de alto volumen estándar
[62]. La figura 2.8 muestra cómo funciona el enfoque NFV [100]. Como se
puede ver, con NFV, las funciones de red se virtualizan y se implementan
fácilmente en ubicaciones apropiadas sin utilizar un dispositivo de hardware
especial para cada servicio. NFV elimina la dependencia de hardware como
en SDN y reduce el costo de hardware y el consumo de energı́a. Las inno-
vaciones se aceleran y los nuevos servicios se introducen en el mercado en
un tiempo más corto ya que se proporcionan como software [100]. Además,
los recursos se pueden compartir entre los servicios, la necesidad de mano de
obra disminuye y los servicios se pueden reubicar en la red sin la necesidad
de instalar hardware.
Aunque SDN y NFV pueden implementarse independientemente uno
del otro, son tecnologı́as complementarias y de apoyo. Tienen muchos obje-
tivos comunes en términos de softwarization, infraestructura de red progra-
mable y operación y mantenimiento más fáciles.
SDN centraliza el proceso de toma de decisiones en la red aprovechando
5
https://www.etsi.org/technologies/nfv
29
Figura 2.8: Cómo NFV cambia el enfoque tradicional de redes [158].
la capacidad de programación de los dispositivos de reenvı́o, mientras que

NFV virtualiza las funciones de red y las implementa como software en servi-
dores de alta capacidad de uso general [48], [32]. En otras palabras, SDN
proporciona una red programable donde los VNF se pueden implementar
de manera eficiente [169]. Juntos, SDN y NFV permiten un entorno flexi-
ble donde las ubicaciones de VNF y los requisitos operativos influyen en las
reglas de reenvı́o de tráfico. Especı́ficamente, la caracterı́stica principal de
SDN utilizada para la colocación de VNF es su capacidad para instalar de
forma rápida y dinámica rutas especı́ficas para permitir el encadenamiento de
funciones de servicio (Service Function Chaining, SFC). Implementar SFCs
y enrutar flujos de tráfico a través de ellas serı́a mucho más fácil en SDN
gracias a la capacidad de actualización más rápida y al mantenimiento más
fácil proporcionado por una infraestructura de red programable bajo control
central [159], [171], [225]. Para elaborar, los flujos de tráfico pueden coincidir
con las SFC y las reglas de reenvı́o requeridas pueden escribirse rápidamente
en las tablas de flujo de todos los conmutadores programables por el contro-
lador SDN centralizado para garantizar que cada flujo siga la SFC correcta.
Por estas razones, SDN es aceptado como una plataforma ideal para NFV, y
las soluciones de red basadas en VNF generalmente están diseñadas para re-
des habilitadas para SDN. En particular, las arquitecturas de red emergentes
como las propuestas para 5G suponen la coexistencia de las tecnologı́as SDN
y NFV.
30
lgunas sublineas destacables en las que se aprovecha la dupla SDN-
NFV son: colocación óptima de VNF, colocación de funciones de red, imple-
mentación en múltiples dominios, ahorro de energı́a, enrutamiento óptimo,
IoT, sincronización de blockchain, maximización del rendimiento de unicas-
ting, enrutamiento a través de las cadenas de funciones de servicio, resource
aware routing, maximización del rendimiento, cloud, Multicast y enruta-
miento escalable.
Durante los últimos años fueron publicados varios survey sobre NFV
en SDN: [134], [223], [61], [144], [107], [63] y [50], por medio de ellos se puede
profundizar en el tema.
2.3.4 Multidifusión (Multicast)

En [11] se presenta la multidifusión definida por software (Software-Defined
Multicast, SDM), donde SDM aprovecha las caracterı́sticas de SDN para
lograr una multidifusión eficiente. Además, el controlador centralizado en
SDM permite la implementación flexible de nuevos algoritmos de enruta-
miento [67].
SDM también admite la aplicación de restricciones de QoS que se re-
quieren en aplicaciones como transmisión de video en vivo, videoconferencia
y audioconferencia, juegos multijugador, Televisión por Protocolo de Inter-
net (Internet Protocol TV, IPTV). En tales aplicaciones, la multidifusión es
necesaria como una técnica efectiva para transmitir datos a múltiples recep-
tores simultáneamente [9]. Esto es difı́cil de lograr en las redes tradicionales
ya que requiere soporte de multidifusión, que no está disponible en la mayorı́a
de los enrutadores y debe mantener cierto nivel de QoS.
El enrutamiento en SDN es más desafiante que en las redes tradicionales
debido a la dificultad de la agregación de tráfico de red. Además, la mayorı́a
de las aplicaciones de multidifusión requieren un gran ancho de banda y un
menor retraso. Por lo tanto, elegir un enfoque de enrutamiento de mul-
tidifusión óptimo en SDN es fundamental para cumplir con los requisitos
de ancho de banda y retraso de las aplicaciones de multidifusión, ası́ como
aplicar parámetros de QoS basados en la disponibilidad actual de los recursos
31
de red. Es decir, los flujos de multidifusión no deberı́an causar el bloqueo de
otro tráfico en la red [117], [91].
Generalmente, se construye un árbol Steiner mı́nimo para conectar la
fuente de datos a todos los miembros del grupo de multidifusión. Después
de eso, dos componentes de control juegan un papel importante en el en-
rutamiento: el protocolo de administración de grupos de Internet (Internet
Group Management Protocol, IGMP) y el protocolo de enrutamiento de mul-
tidifusión llamado Protocolo Independiente Multicast (Protocol Independent
Multicast, PIM) es un ejemplo de protocolo de enrutamiento de uso común
en Internet [67]. Estos dos componentes residen en el plano de control de
SDN y se consideran parte del controlador SDN.
IGMP es un protocolo de comunicación que se encarga de gestionar la
relación entre enrutadores y hosts. Es decir, las solicitudes para unirse y
abandonar grupos de multidifusión se envı́an como mensajes de unión IGMP
e IGMP, respectivamente. Si un mensaje de unión llega a un conmutador
perimetral y el grupo de multidifusión ya estaba registrado (si existen reglas
de flujo de la dirección del grupo en la tabla de flujo del conmutador), sim-
plemente agrega la dirección del puerto de entrada que primero recibió la
solicitud de unión al grupo de salida puertos del grupo objetivo. De lo con-
trario, la solicitud se reenvı́a al controlador, el controlador a su vez ejecuta
el algoritmo del árbol Steiner para agregar el nuevo conmutador de borde
y actualizar las reglas de flujo en los conmutadores afectados. Después de
eso, el enrutamiento se realiza en los dispositivos de reenvı́o simplemente
verificando las reglas de flujo instaladas y reenviando los paquetes en conse-
cuencia. El mismo concepto se aplica en caso de solicitud de licencia IGMP
[117], [258]. En las redes SDN, las reglas de enrutamiento junto con la infor-
mación de pertenencia al grupo se intercambian entre los conmutadores y el
controlador en forma de mensajes de protocolo OpenFlow [258].
Se deben tener en cuenta varias restricciones al determinar las reglas de
enrutamiento. Por ejemplo, los autores en [117] introdujeron un algoritmo de
enrutamiento de multidifusión basado en SDN que tiene como objetivo opti-
mizar la utilización del ancho de banda. Es decir, el tráfico de multidifusión
se enrutará en función del ancho de banda de red disponible actual. Para
32
hacerlo, sFlow6 , que es una tecnologı́a de monitoreo de red que proporciona
información detallada del tráfico de red, se utiliza para calcular el ancho de
banda con precisión.
Algunas sublineas de la multidifusión en SDN, en base a las 17 pu-
blicaciones analizadas son: Codificación de video escalable (Scalable video
coding, SVC) para videoconferencias, Datacenters elastic optical networks,
hı́brido SDN/NFV, minimización de tráfico y tolerancia a fallos, QoS con
ingenierı́a de tráfico, multidifusión habilitada para NFV, multiples árboles
compartidos, administración de grupos, selección de fuentes, gestión de ru-
tas de multidifusión (Multicast Route Management, MRT), orquestación para
la transmisión múltiple de video, enrutamiento confiable, cloud con overlay
routing y videoconferencia multipartita.
Las propuestas más relevantes sobre la multidifución en SDN pueden
ser encontradas en las siguientes publicaciones: [217], [177], [263], [176], [259],
[260] y [243].
2.3.5 Multipath
En la actualidad se cuenta con una variedad cada vez mayor de aplicaciones
de red, el volumen de tráfico crece rápidamente y las congestiones de enlace
no se pueden evitar de manera eficiente con los protocolos de enrutamiento
de puerta de enlace interior convencionales. En el entorno de red tradicional,
los enrutadores funcionan de manera distribuida, y cada uno de ellos solo
tiene una vista parcial del estado de la red. En consecuencia, surgen pro-
blemas como el desequilibrio de la asignación de recursos y la degradación
del rendimiento. Los protocolos de enrutamiento estándar adoptan un algo-
ritmo de ruta más corta para la selección de enrutamiento y, por lo tanto, el
tráfico de red puede bloquear los enlaces troncales. Además, la actualización
periódica de los pesos de enlace proporcionados por el anuncio de estado de
enlace es insensible a las congestiones de la red. Además de la resolución de
congestión, no hay funciones de pronóstico para la gestión de recursos. El
patrón de red también tiene un fenómeno local como las horas pico diarias
6
https://sflow.org/
33
para que podamos aprovecharlo para la asignación de ancho de banda en el
mecanismo de enrutamiento. Sin embargo, es difı́cil modificar los protocolos
de enrutamiento estándar en la arquitectura de red distribuida convencional,
y es imposible reemplazar cada enrutador de productos básicos individuales
para proporcionar mejores algoritmos de control de congestión [152].
La arquitectura de red SDN separa el plano de control del plano de
datos y proporciona una interfaz de programación de aplicaciones programa-
ble para el aprovisionamiento y la gestión. Con un controlador centralizado,
se puede obtener una visión global de la topologı́a de la red con el estado,
y los investigadores podrı́an implementar protocolos de red para multipath
fácilmente en el entorno SDN. Sin embargo, se cuenta con algunas limita-
ciones, las tablas de flujo en los conmutadores SDN son recursos escasos,
y se debe tener cuidado con el uso de entradas de flujo. Si se diseña un
mecanismo de administración de enrutamiento de acuerdo con los pares de
hosts, el número de entradas de flujo aumentará dramáticamente y excederá
rápidamente los lı́mites del hardware. Consecuentemente, uno quisiera ad-
ministrar los flujos basados en pares de subred para una mejor utilización de
la tabla de flujo. Por ejemplo, para dos dominios de subred con 200 hosts
en cada dominio, habrá hasta 80,000 entradas de flujo entre dominios si el
enrutamiento es administrado por pares de hosts y solo dos entradas de flujo
por pares de subred. Recientemente, varios estudios sobre los mecanismos de
enrutamiento SDN para la resolución de congestión han utilizado el enruta-
miento de múltiples rutas para lograr el equilibrio de carga para una mejor
utilización de la red. Sin embargo, el reenvı́o fuera de servicio y el uso de la
tabla de flujo siguen siendo cuestiones importantes para resolver. También
hay trabajos que adoptan mecanismos predictivos para futuras cargas de
tráfico o rendimiento de la red para evitar la congestión. Estos pueden sufrir
de manera similar los mismos problemas de escalabilidad [152].
Como se expresa en [69], para utilizar una red a su máximo potencial,
el uso de la tecnologı́a multipath es una necesidad. Sin embargo, multipath
no es una solución universal, ya que la implementación de técnicas de mul-
tipath en topologı́as de red densas o redes poco cargadas podrı́a no ser la
mejor solución. El enrutamiento de múltiples rutas se puede dividir en dos
34
clases principales: por flujo y por paquete. El multirruta por flujo enruta
los paquetes relacionados con el mismo flujo en la misma ruta; sin embargo,
diferentes flujos entre el mismo par origen-destino pueden hacer uso de dife-
rentes rutas. El enrutamiento de rutas múltiples de igual costo (Equal-cost
multi-path routing, ECMP) es un ejemplo de una técnica de rutas múltiples
por flujo, en el mismo los flujos de carga fluyen entre rutas de igual costo.
ECMP determina la ruta que debe tomar un flujo en función de un valor hash
de los encabezados de paquetes. Además de no poder cargar el equilibrio en-
tre enlaces de costo desigual, los datos enrutados de ECMP pueden enfrentar
la congestión si dos flujos exigentes se enrutan por el mismo camino. A la
inversa, las rutas múltiples por paquete pueden enrutar paquetes que se origi-
nan en el mismo flujo a través de diferentes rutas. Si bien las rutas múltiples
por paquete pueden ofrecer un mejor rendimiento en comparación con las ru-
tas múltiples por flujo debido a su granularidad más fina, las rutas múltiples
por flujo son las más utilizadas. Esto se debe a que los protocolos orientados
a la conexión, como TCP, sufrirán penalizaciones en el rendimiento debido a
la reordenación de paquetes un problema que no tiene el multipath por flujo.
Un algoritmo óptimo de enrutamiento de múltiples rutas requiere el
conocimiento de la topologı́a de la red y los flujos que la atraviesan. Tradi-
cionalmente, las redes distribuidas no tienen esta información disponible, por
lo que la arquitectura SDN es una excelente candidata para multipath. Al-
gunas sublı́neas entontradas en la revisión son: QoS, red de datacenter, red
core, redes ópticas, seguridad y multipath en TCP. Los trabajos destacables
en los que se puede profundizar el tema son: [152], [69], [47], [278], [123],
[139], [12] y [218].
2.3.6 Wireless
SDN se ha investigado bastante en el contexto de redes empresariales y de
proveedores, ası́ como en centros de datos y se están desplegando cada vez
más en estos espacios. Por el contrario, se ha considerado significativamente
menos el uso de SDN en la configuración de redes inalámbricas. Las redes
inalámbricas presentan una serie de nuevos desafı́os para SDN [101]. Algunos
35
de estos desafı́os se exponenen a continuación:
Medio inalámbrico: la red inalámbrica tiene caracterı́sticas únicas,
como el medio de comunicación compartido propenso a errores, la reuti-
lización espacial, la propagación compleja y los artefactos de interferencia
debido a efectos como los problemas de terminales ocultos y expuestos y la
movilidad del usuario. Como resultado, las redes inalámbricas se caracterizan
por un ancho de banda disponible limitado, cambios frecuentes e impredeci-
bles en la calidad del enlace y la topologı́a de la red. La asignación eficiente
de recursos y la gestión de interferencias requieren tener una visión ampliada
e incluso global del estado de la red. La recopilación de información so-
bre el estado de la red es un desafı́o dada la naturaleza dinámica de esta
información.
Funcionalidad ampliada del plano de datos: el medio compartido
en la red inalámbrica a menudo se gestiona mediante un plano de datos flexi-
ble que ofrece una funcionalidad que no está presente en las redes cableadas.
En particular, los parámetros de radio pueden configurarse para gestionar la
interferencia, optimizar el acceso o mejorar la eficiencia energética. En al-
gunas redes inalámbricas, el procesamiento de la red también es importante.
En el contexto de SDN, donde un controlador administra el plano de datos,
se deben exponer nuevas interfaces para permitir el control efectivo de estos
mecanismos del plano de datos. Más allá de la reconfiguración del plano de
datos, las radios definidas por software (Software Defined Radio, SDR) [233]
permiten una reprogramación completa del plano de datos, lo que genera
preguntas interesantes sobre cómo integrarlas con SDN.
Las lı́neas destacables en el campo de las redes inalambricas en SDN
son QoS, ahorro de energı́a, redes vehiculares, enrutamiento de backhaul,
red de sensores, redes mesh, ingenierı́a de tráfico, IoT, redes inalambricas de
centros de datos, entre otros. Las publicaciones que ameritan ser revisadas
para profundizar en el tema de redes inalambricas SDN son: [6], [43], [75],
[165], [175], [276], [209], [143], [52], [147] y [261].
36
2.3.7 Optical-Network
Destacada por las ventajas de alta capacidad, larga distancia de transmisión
y bajo consumo de energı́a, las redes ópticas se han implementado amplia-
mente como la infraestructura más importante para la red troncal de trans-
porte. Con el desarrollo de Internet, el centro de datos se ha convertido en
la infraestructura popular para la computación en la nube, que debe estar
conectada con una red de transporte de alta tasa de bits para admitir apli-
caciones heterogéneas. En este caso, la red óptica también se convierte en
una opción prometedora para la red intra y entre centros de datos. Las redes
SDN han ganado mucha atención tanto académica como de la industria, y
su objetivo es proporcionar un plano de control flexible y programable. SDN
es aplicable a las redes ópticas, y se espera que ellas integradas con la SDN,
concretamente a los que se denomina redes ópticas definidas por software
(Software-Defined Optical Networking, SDON), sean la futura solución de
transporte, que puede proporcionar conectividad de alta tasa de bits y apli-
caciones de red flexibles [273]. En este ámbito también cobran notoriedad
las redes ópticas elásticas (Elastic Optical Networks, EON), las cuales asoci-
adas con la arquitectura SDN dan surgimiento a las redes ópticas elásticas
definidas por software (Software-Defined Elastic Optical Networks, SD-EON).
Como se expresa en [273], el continuo crecimiento en el número de
centros de datos a gran escala plantea nuevos desafı́os para la capacidad y la
elasticidad de la red óptica actual. Las aplicaciones de centros de datos, como
la replicación de datos de alta velocidad programada, requieren que la red de
sustrato proporcione dinámicamente un ancho de banda ultra-alto [65]. Esto
es muy diferente del modelo de servicio de la red óptica tradicional, que surge
de la necesidad de rediseñar la arquitectura de la red de centros de datos (data
center network, DCN) [163]. Recientemente, la red óptica elástica con una
arquitectura de red definida por software se ha introducido en los centros de
datos para mejorar el rendimiento del aprovisionamiento de servicios. Esto
puede considerar conjuntamente los recursos de tecnologı́a de la información
y los recursos de red y permitir que la red se programe como hardware general
[275], [269], [127]. La red óptica integrada con SDN denominada red óptica
37
definida por software, la cual puede proporcionar un gran ancho de banda
con recursos de TI para múltiples inquilinos [268]. Separa el plano de control
del plano de datos y convierte el modo de control en uno centralizado y
flexible. Además, permite a los operadores de centros de datos controlar y
programar funciones de red, como el aprovisionamiento de ancho de banda
con garantı́as de calidad de servicio. Los recursos del centro de datos se
aprovisionan mediante la virtualización de los recursos de los centros de datos
distribuidos y la red óptica del operador de manera coordinada [46]. Se
propone un mecanismo de control jerárquico para controlar la red óptica de
dominio múltiple [126], que puede admitir conexiones entre centros de datos
en situaciones de dominio múltiple.
En la Figura 2.9 [274] se muestra esquemáticamente la arquitectura de
red óptica definida por software, especificamente un caso de SDON integrado
con centros de datos a modo de ejemplo. Hay centros de datos distribuidos
geográficamente en diferentes ubicaciones. La red del centro de datos gen-
eralmente consiste en una red multidominio y multitecnologı́a, como la red
de acceso Ethernet y la red de transporte óptico. Para cada dominio de red,
un controlador SDN se implementa con protocolos extendidos. La Interfaz
de red virtual de control y los agentes de OpenFlow correspondientes (exis-
ten algunos otros protocolos potenciales, como el Protocolo de comunicación
de elementos de computación de ruta (Path Computation Element Proto-
col, PCEP) y el Protocolo de administración de red simple (Simple Network
Management Protocol, SNMP)) los cuales se implementan para dispositivos
y equipos ópticos. El plano de control está diseñado como una arquitectura
jerárquica, en la que un controlador padre se implementa para realizar la
función de orquestación entre dominios y cada controlador de dominio se
implementa para la administración de recursos de dominio local.
En el ámbito de las redes ópticas con SDN se puede profundizar en
el tema mediante las siguientes publicaciones: [180], [149], [45], [273], [44],
[228], [60] y [28].
38
Figura 2.9: Arquitectura SDON.
2.4 Ahorro de Energı́a en Redes de Comuni-

cación
El crecimiento del uso de las tecnologı́a de comunicación está ligado con el
consumo de energı́a. La demanda actual de energı́a en las tecnologı́as de la
comunicación representa el 8% del consumo de energı́a total. Esta cifra se
espera que continúe creciendo hasta alcanzar un 21% en el 2030 [244], [208].
Otro pronóstico vaticina que esta cifra podrı́a alcanzar un 51% según una
encuesta actualizada [15]. Esta tendencia de tasa de crecimiento vs. años se
puede observar en la Figura 2.10. En consecuencia, esto demandará mayores
gastos operacionales (OPerational EXpenditure, OPEX), debido al aumento
de los gastos energéticos.
Tı́picamente, las investigaciones tradicionales de ahorro de energı́a se
centran en dispositivos operados por baterı́a. Por otra parte la infraestruc-
tura fija y la red de centro de datos como enrutadores, conmutadores, transpon-
ders, repetidores y otros dispositivos de red, aún carecen de soluciones efec-
tivas de administración de energı́a de forma centralizada [234]. Esto obliga
a buscar estrategias para llevar a cabo la conservación de energı́a para man-
tener bajos los costos OPEX.
Dada la redundancia de caminos y la baja utilización de los enlaces
39
Figura 2.10: Porcentaje de uso de energı́a de las Tecnologı́as de la Comuni-
cación en relación al consumo global de energı́a [15]
en algunos sistemas, en GreenTE [271] se plantea “poner a dormir” algunos

dispositivos y enlaces. En caso que la demanda de datos aumente y sea
necesario activar estos dispositivos o enlaces surge la necesidad de enviar
paquetes dummies para volver a activarlos antes de transmitir datos [185].
Las tarjetas de interfaz de red pueden hacer transiciones de capa fı́sica en
tan solo 10 mili segundos, los line cards y chasis necesitarı́an un poco más
[103]. Idzikowski et al. en [120], presentaron una extensa exposición sobre los
trabajos de la literatura que abordan el ahorro de energı́a, especialmente en
las redes core, en su trabajo destacan a SDN como un paradigma prometedor
para la implementación de soluciónes para el ahorro energético.
40
Figura 2.11: Clasificación de las estrategias de ahorro de energı́a en SDN.
2.4.1 Ahorro de Energı́a en SDN

El ahorro de energı́a en SDN puede ser abordado en varios niveles de su ar-
quitectura [16]. En este apartado del trabajo se presenta una clasificación de
las estrategias de ahorros de energı́a en SDN. Esta clasificación extiende al
propuesto en [16] y se puede observar en la Figura 2.11. Como aporte adi-
cional, en la Tabla 3.10 se encuentran clasificados los 51 trabajos analizados
sobre Enegy-Aware expuestos en la Figura 2.5.
Tabla 2.1: Clasificación según enfoques de eficiencia Energética para SDN
Tráfico [245], [277], [166], [241], [31], [119], [253], [122], [122], [196], [78], [114]
Basado en
Consciente [74], [77], [270], [26], [34], [73], [19], [219], [221], [255], [112], [20]
[72], [42], [248], [254], [200], [167], [199], [187], [57], [156], [183], [190]
[162], [128], [17], [82], [167], [83], [153], [116], [164], [160]
Software Dispositivos
Finales [264], [133]
Colocación de
Reglas [198], [18], [85], [266], [78]
Ubicación del
Basado en
Controlador [113], [70]
Hardware TCAM
[173]
41
2.4.1.1 Soluciones de eficiencia energética basadas en software
Los enfoques de ahorro de energı́a basados en software se dividen en: con-

ciencia de tráfico, Colocación de Reglas y Conocimiento del sistema final
relacionados a las capas del plano de control, plano de datos e infraestruc-
tura, de la arquitectura SDN respectivamente.
Conciencia de tráfico: Los enfoques de eficiencia energética con-
scientes del tráfico (traffic aware) se inspiran en el hecho de que los com-
ponentes de la red a menudo se sub-utilizan. El principio clave es activar o
desactivar los componentes de la red (es decir, los conmutadores de reenvı́o
SDN) en función de la carga de tráfico [105].
Colocación de reglas Las técnicas de colocación de reglas (rules place-
ment) se centran en diseñar las reglas que gobiernan los conmutadores SDN.
Dadas las polı́ticas de red, el controlador proporciona un mecanismo para
convertir las polı́ticas de alto nivel en reglas comprensibles de conmutación.
El diseño de las reglas de flujo para todo el sistema es un problema NP-difı́cil
[86]. Por lo tanto, requiere de soluciones basadas en heurı́sticas. Algunas de
las restricciones consideradas para este problema son el número máximo de
reglas que puede cumplir un conmutador, la polı́tica de enrutamiento y la
topologı́a. Bajo tales restricciones, los enfoques de colocación de reglas inten-
tan optimizar el enrutamiento. Es decir, el problema de la ubicación óptima
de reglas en los conmutadores puede ser abordado mediante un problema de
enrutamiento.
Dispositivos finales Las soluciones de ahorro de energı́a del sistema
final utilizan la práctica de apagar servidores fı́sicos sub-utilizados y ejecutar
sus tareas en un número menor de servidores en centros de datos basados
en SDN [15]. Especı́ficamente en los centros de datos, el modelo SDN se
utiliza para formar una superposición que conecta máquinas virtuales. La
superposición es una lista de conmutadores y enlaces virtuales habilitados
para SDN. La conexión real es, por supuesto, con las máquinas fı́sicas que
alojan las máquinas virtuales.
En lo que respecta a las soluciones basadas en software, el controlador
debe estar familiarizado con la información estadı́stica necesaria sobre el
42
estado de los dispositivos de red y los sistemas finales conectados, a fin de
idear una forma de red eficiente en energı́a. Un controlador de eficiencia
energética completo necesita consolidar la optimización de dispositivos de
red, también poder reducir el espacio de reglas y los sistemas finales.
2.4.1.2 Soluciones de eficiencia energética basadas en hardware
TCAM: La memoria TCAM es popular en los conmutadores SDN para una

búsqueda rápida de enrutamiento y es mucho más veloz que la memoria de
acceso aleatorio (Random Access Memory, RAM) [174]. Sin embargo, TCAM
es costoso, consume gran cantidad de energı́a y genera un alto nivel de calor.
Por ejemplo, un chip TCAM de 1MB consume 15-30 vatios de potencia, y
TCAM tiene al menos tanta energı́a como la memoria dinámica sı́ncrona de
acceso aleatorio (Synchronous Dynamic Random-Access Memory, SDRAM).
El consumo de energı́a junto con la consiguiente generación de calor es un
problema grave para los enrutadores centrales y otros dispositivos de red.
En SDN, la decisión de reenvı́o de datos en un conmutador se basa en tablas
de flujo implementadas en TCAM. Cada entrada en la tabla de flujo define
una regla coincidente y está asociada con una acción. Para lograr un ahorro
energético se intenta compactar las reglas para utilizar TCAM efectivamente.
Ubicación del Controlador En este apartado se describe la breve
revisión realizada, adicionalmente, sobre la ubicación del controlador de ma-
nera transversal al ahorro de energı́a. En las redes SDN el problema de
la ubicación de controlador es un problema central [106] el cual puede ser
del tipo Multi-controller o Single-controller. En el primer caso se considera
que una red puede ser dividida en segmentos de sub-redes SDN. En cada
sub-red SDN se debe definir la ubicación de un controlador para la sub-
red [124, 25]. El enfoque Multi-controller se aplica en redes extensas para
afrontar el problema de fallas de simple punto y retardo del conmutador y
controlador. Cuando un solo controlador monitorea todos los nodos de la
red nos encontramos en el caso simple. Particularmente, los estudios de efi-
ciencia realizados en [222, 106, 124] determinan que en la gran mayorı́a de
los casos es solo necesario un único controlador para toda la red, sin cumplir
43
los requisitos de tolerancia a fallas. Cabe destacar que en [222, 106, 124] no
consideraron el impacto del consumo de energı́a.
El problema de ubicación de controladores se ha abordado considerando
el problema del ahorro de energı́a [113, 73] como también aquellos sin ahorro
de energı́a [252, 25, 146, 124, 142, 141, 202, 210, 110, 115, 179, 222]. En el caso
de ahorro de energı́a existen dos posibilidades: controlador con conmutador
adjunto y controlador exclusivo en el nodo. En el último caso el tráfico del
plano de datos no puede ser enrutado por el nodo que contiene al controlador.
En la Tabla 2.2 se puede observar la clasificación explicada. Cabe destacar
que son pocos los trabajos que consideran el consumo de energı́a, la gran
mayorı́a consideran otras criterios como el retardo medio, la distancia media
de los nodos al controlador o la tolerancias a fallas de enlaces.
Tabla 2.2: Configuraciones de problemas de asignación de controladores
Multi-Controlador Controlador único

Tráfico de datos
Eficiencia
en el Controlador [113] No hay trabajos previos
Energética Controlador solo No hay trabajos previos [73]
Tráfico de datos
Sin Eficiencia
en el Controlador [142],[110],[179] [106], [124]
Energética Controlador solo [252], [25], [146], [141] ,[202],[210],[115] [222]
En esta tesis seran profundizados los trabajos que tratan el enfoque

basado en software, especı́ficamente los abordajes de tráfico connsciente que
explotan la suspensión inteligente. Además, se pone atención en los trabajos
que tienen en cuenta la ubicación del controlador para el ahorro de energı́a,
el cual es un enfoque basado en hardware. En la siguiente subsección se
analizan particularmente estos enfoques.
2.4.2 Trabajos Relacionados

En el presente apartado, son analizadas las investigaciones publicadas en la
lı́nea de ahoro de energı́a, que se encuentran alineadas con el interés particular
del presente trabajo.
En los resultados de GreenTE [271] se demuestra experimentalmente
44
que a nivel de enlaces la relación de ahorro de energı́a disminuye a medida
que aumenta la carga de tráfico. En una red operada normalmente donde
la máxima utilización del enlace (Maximum Link Utilization, MLU) está
por debajo del 40% exhibe un mayor potencial de ahorro de energı́a. Los
autores en [215] estimaron el consumo de energı́a del conmutador basado en
el modelo NEC PF5240 OpenFlow que tiene un poder de consumo máximo
de 264W (Watts) [184]. La idea detrás fue recopilar estadı́sticas del consumo
de energı́a por parte de la red a través del protocolo sFlow-RT [5]. Los
agentes sFlow envı́an datos sobre el tráfico y las estadı́sticas del consumo de
energı́a al controlador que se utiliza para medir el consumo total de energı́a
de la red. En [245] plantearon que el rango de consumo de energı́a de un
conmutador para chasis integrado 100G, line card y puerto son 56.3%, 43.6%
y 0.1%, respectivamente. En [196] se propone un algoritmo heurı́stico para
la selección eficientes de rutas con el mı́nimo consumo de energı́a basado en
el Framework Efficient Routing Algorithm Selection (ERAS).
Una de las alternativas para obtener ahorro de energı́a es ”poner a
dormir” los dispositivos ociosos y adaptando el ruteo para obtener la mı́nima
utilización del enlace. Dependiendo del escenario de tráfico es posible que
el dispositivo sin tráfico se encuentre apagado o en suspenso. En el caso
de tráfico estático o semi-dinámico los dispositivos pueden estar apagados,
mientras que en tráfico dinámico es necesario que los dispositivos se encuen-
tren en estado de suspenso (no apagado). Esto implica un consumo un poco
mayor pero un tiempo de activación mucho menor [105].
A continuación, se examinan trabajos que abordan el ahorro de energı́a
y utilizan la estrategia de poner en suspenso los dispositivos ociosos y limitan
el uso de enlace. Los trabajos fueron seleccionados de entre los enfoques
basados en software y tráfico consciente que se encuentra en la Tabla 3.10
Minimizar la energı́a en los enlaces sujeto a la velocidad del enlace y
conservación de flujo, se plantea en [20]. En este trabajo se propone un mo-
delo de Programación Lineal Entera (Integer Linear Programming, ILP) para
obtener los resultados óptimos y una solución aproximada basada en un algo-
ritmo heurı́stico. En [245] tuvieron en cuenta el consumo del chasis, line card
y utilización del enlace pero no tuvieron en cuenta el consumo del enlace.
45
En un trabajo posterior [241], los autores presentaron un modelo de ahorro
de energı́a para redes SDN hı́bridas considerando el apagado de conmuta-
dores SDN y enlaces, teniendo en cuenta que los conmutadores tradicionales
son operados aisladamente y presentan complicaciones para poner en modo
“sueño”. En el trabajo expuesto en [73], se presentó un enfoque de ahorro de
minimización de enlaces activos, teniendo en cuenta la ubicación del contro-
lador en términos de energı́a. En [254] proponen un algoritmo de eficiencia
energética para red de centro de datos teniendo en cuenta la utilización del
enlace y a nivel de equipos de red como chasis y puertos.
En la Tabla 2.3, se muestra un resumen de los trabajos seleccionados de
la Tabla 3.10 para su análisis y contraste en particular respecto a los factores
de ahorro de energı́a en SDN, que cada uno considera en su modelo. Como se
puede observar, ninguno de los trabajos citados, considera todos los factores
de ahorro de energı́a simultáneamente, lo cual constituye una oportunidad
de investigación.
Tabla 2.3: Tipos de ahorro de energı́a reportados
Ref Uso Enlace Chasis Line card Puerto Ubicación Controlador
[245] Si Si Si - -
[20] Si - - - -
[241] - Si - Si -
[73] - - - Si Si
[254] Si Si - - -
2.5 SDN Hı́brido

Las redes SDN presentan muchas ventajas contrastandolas con las redes
tradicionales, algunos ejemplos resaltantes son: la facilidad de gestión de la
red y la visión global de la misma, lo que permite el desarrollo de nuevos algo-
46
ritmos de enrutamiento y nuevos enfoques de QoS, la aplicación de polı́ticas
de seguridad, entre otros [240]. Sin embargo, todo tiene un costo y este
caso no es la excepción ya que implica una modificación completa de los
dispositivos como se sugieren en los trabajos [2], [251].
El remplazo total de la tecnologı́a tradicional por SDN implica una
inversión muy grande para la adquisición de equipamientos. En consecuencia
esto impide la adopción de este paradigma de forma espontánea y masiva,
tal como lo explican Vissichio et al. en [240]. Para el logro del remplazo es
necesaria una planificación adecuada para que la transición sea exitosa. En
este punto es donde entra en escena el concepto de una red SDN Hı́brida [211]
en la cual coexisten dispositivos con tecnologı́a tradicional y con tecnologı́a
SDN. Este nuevo paradigma intenta ofrecer lo mejor de ambos mundos a
través de la integración e interacción del paradigma tradicional, cuyo plano
de control es distribuido, con el paradigma SDN, cuyo plano de control es
centralizado.
En la Figura 2.12 se muestra un ejemplo de red SDN hı́brida que con-
siste en conmutadores SDN OpenFlow junto con conmutadores y enruta-
dores heredados. El controlador representado, puede ser un controlador SDN
hı́brido [81] con caracterı́sticas especı́ficas para adoptar protocolos de red
SDN hı́brida.
El término integración se refiere a la cantidad, ritmo y forma en que
serán insertados los dispositivos SDN a una red tradicional, mientras que
la interacción determina cómo, cuándo y qué dispositivos se comunicarán
para el correcto funcionamiento de la red [240]. Existen varios niveles de
integración estudiados y planteados los cuales se explican detalladamente en
el estudio [213], como por ejemplo integración solo a nivel del plano de control
[33], solo al nivel del plano de datos o integración en ambos planos [125].
La elección del nivel de integración o estrategia que se seguirá para
la adopción del nuevo paradigma sigue algunos criterios importantes [213]
como: inversión y presupuesto de transición, nivel de disrupción en el des-
pliegue, automatización deseada, aplicabilidad de las directivas, escalabilidad
y robustez.
Amin et al. en [13], presentan un exahustivo estudio sobre los diferentes
47
Figura 2.12: Ilustración de la red hı́brida SDN: Los conmutadores OpenFlow
habilitados para SDN funcionan junto a los conmutadores heredados [13].
abordajes existentes en las redes SDN Hı́bridas, siguiendo su taxonomı́a, en

este trabajo se analizaron las 38 publicaciones mencionadas en la Figura 2.5,
la clasificación realizada se puede observar en la Tabla 2.4.
En esta tesis seran profundizados los trabajos que tratan el enfoque del
Despliegue en SDN.
2.5.1 Técnicas de despliegue

En Xu et al. [257] se clasifican las técnicas de despliegue o inserción de dispo-
sitivos SDN en dos grandes grupos los cuales son la técnica por reemplazo y
la técnica por adición. Ambas técnicas tienen bondades y debilidades, como
por ejemplo en la técnica por reemplazo se mantiene inalterable el diseño
fı́sico de la red, mientras que en la técnica por adición se puede aprovechar
mejor la inversión anteriormente realizada para la compra de equipamientos
de red.
48
Tabla 2.4: Clasificación de enfoques de estudio sobre SDN Hı́brido
Arquitectura y
Despliegue
Diseño de Red [130], [195], [37], [194]
HSDN
Hardware [39]
Optimización
ILP [235], [58], [157], [35]
Optmización
Heurı́stica [76], [90], [96], [111], [129], [131], [235], [226], [257]
Controlador
[4], [97], [224],[232]
para HSDN
Gestión
[10], [256], [118], [267]
de RED
Ingenierı́a
[36], [94], [129], [95], [104], [150]
de Tráfico [193], [203], [239], [246], [247], [272]
Testing y
[14]
Seguridad
2.5.1.1 Técnica por Reemplazo
La idea detrás de esta técnica consiste en seleccionar uno o más dispositivos

tradicionales y reemplazarlo fı́sica o lógicamente por otro dispositivo con
capacidades SDN, como se observa en la Figura 2.13. La decisión depende
del nivel de integración que se desee y el nivel de interacción con el paradigma
tradicional; por ejemplo, Levin et al. [56] seleccionan los dispositivos de
forma a ser reemplazados fı́sicamente de tal forma a minimizar el impacto
en la longitud de los caminos de las solicitudes que necesitan ser enrutados
por el controlador SDN a través de los dispositivos SDN, esto se debe a que
la interacción con el paradigma tradicional se realiza a través de una red de
área local virtual (Virtual Local Area Network, VLAN) generando ası́ una
red SDN virtual.
Hong et al. [55] y Caria et al. [35], [37] proponen un enfoque similar en
cuanto al despliegue de dispositivos SDN reemplazando un subconjunto de
los tradicionales por otros SDN. Según las investigaciones en [55] con el 20%
49
Figura 2.13: En la técnica de reemplazo se seleccionan los dispositivos 3 y 4
para cambiarlos por dispositivos SDN.
de dispositivos tradicionales reemplazados el 90% de todo el tráfico de la red

pasará por al menos un dispositivo SDN. La diferencia fundamental está en
el nivel de integración e interacción de los dispositivos SDN con la topologı́a
tradicional ya que proponen utilizar métricas ya existentes en los protocolos
de gateway interior (Interior Gateway Protocol, IGP) como los anuncios de
estado de enlace (Link State Advertisement, LSA) del protocolo de la ruta
más corta primero (Open Shortest Path First, OSPF). Otro ejemplo de dicho
nivel de interacción e integración que se puede alcanzar con esta técnica queda
reflejado en el hecho de poder utilizar diferentes tipos de dispositivos, por
ejemplo para el escenario planteado por [56] se pueden utilizar dispositivos
SDN puros, ya que el tráfico deseado pasará necesariamente por estos, es
cierto que pueden ser dispositivos hı́bridos, pero no es necesario.
En esta categorı́a también se puede incluir la propuesta conocida como
Shim [39] que consiste en acoplar dispositivos fı́sicos compatibles con el
paradigma SDN a los dispositivos tradicionales. Este hardware Shim es ges-
tionado por un controlador SDN y modifica el comportamiento del conmuta-
dor asociado, si bien se agrega un dispositivo a la red, altera la funcionalidad
de la misma a nivel lógico como si los dispositivos tradicionales asociados
fueran actualizados.
50
Figura 2.14: En la técnica por adición se agregan los dispositivos SDN 7 y 8
para aumentar la capacidad global de la red.
2.5.1.2 Técnica por Adición
A diferencia de la técnica de reemplazo, en ésta el paradigma SDN solo

tiene una forma de interactuar con la topologı́a tradicional y es a través
de dispositivos hı́bridos que puedan entender y coexistir con los protocolos
tradicionales tal como se muestra en la Figura 2.14. Por ejemplo Xu et al.
[257] proponen una estrategia en la que los dispositivos SDN actúan bajo las
reglas del protocolo OSPF para ”engañar” a los dispositivos tradicionales y
hacerlos creer que para alcanzar sus destinos es más ”conveniente” a través
de ellos, mejorando los costos de los enlaces en los que participan. Además
de esto la ubicación de los futuros dispositivos es previamente conocida de-
bido a que estos necesitan ser instalados bajo ciertas circunstancias como
por ejemplo, que estén dentro de los lı́mites fı́sicos de los enlaces nuevos,
que estén provistos de alimentación eléctrica, que estén incluidos dentro del
esquema de refrigeración, etc; es decir que tengan todo lo requerido para su
infraestructura.
Una vez que se tengan todas las posibles ubicaciones se calculan las
combinaciones de tal forma que se maximice lo que ellos en [257] denominan
el factor de rendimiento. Esto esta determinado por la cantidad de flujos que
pueden pasar por al menos un dispositivo SDN, con la condición de que estos
dispositivos puedan formar parte de un “flujo ajustable”. Un flujo es ajustable
51
cuando este pasa por un camino formado por una serie de dispositivos en
el que uno o más son SDN; pero, además este camino es la mejor opción
para el protocolo tradicional. Es decir, si el protocolo tradicional calcula
sus costos en base a la longitud, éste camino debe ser el más corto, si los
calcula en base a pesos debe ser el camino más ligero o si utiliza alguna
otra métrica este camino debe ser la preferencia del protocolo de tradicional.
Entonces se seleccionan los dispositivos que cumplan con esas condiciones
y que además enruten la mayor cantidad de tráfico posible. Xu et al. en
[98] proponen un trabajo similar al [257] con la diferencia en que primero las
ubicaciones posibles son todos los nodos tradicionales pues consiste en añadir
un dispositivo SDN en el mismo espacio fı́sico que los nodos tradicionales para
crear nodos hı́bridos y segundo que se trata de un red óptica de ahı́ que al
agregar nodos SDN se da origen al concepto de los nodos hı́bridos, pero el
objetivo y la forma de calcular cuáles nodos agregar son casi los mismos.
2.5.1.3 Técnica de Adición vs. Reemplazo
Ambas técnicas, adición y reemplazo, tienen sus ventajas y desventajas. Por

un lado, como se refirió anteriormente, el despliegue por reemplazo permite
la conservación de la topologı́a fı́sica de la red, lo cual evita que las empre-
sas incurran en gastos adicionales de infraestructura y mantenimiento de la
red. Además, facilita la transición al acompañar los cambios de forma natu-
ral. Si la selección de dispositivos se hace adecuadamente puede minimizar
las disrupciones y aumentar la confianza en la nueva tecnologı́a. También,
minimiza la complejidad de la administración de la red. Sin embargo, como
principal debilidad de esta técnica se puede mencionar la posibilidad de re-
ducir la resiliencia de la red pues al fallar un dispositivo SDN puede dejar
uno o más sectores completamente aislados como se menciona en la referen-
cia [35]. Un escenario todavı́a más catastrófico serı́a que el controlador SDN
de la red HSDN fallara pues el impacto a nivel de red serı́a muy perjudicial.
Otra desventaja de la técnica de remplazo es el desperdicio de la inversión ya
realizada en la red, especialmente cuando los equipos todavı́a tienen tiempo
de vida útil de sobra o no se han utilizado todos los recursos existentes.
52
Entre las ventajas del despliegue por adición se encuentra la posibilidad
de aprovechar mejor la inversión realizada en los dispositivos tradicionales.
Otra ventaja es el aprovechamiento de la robustez altamente probada del
paradigma tradicional, por lo que cualquier falla en alguno de los compo-
nentes de la nueva tecnologı́a podrá ser recuperada rápidamente por los pro-
tocolos tradicionales. Esta técnica de despliegue también favorece mucho a la
confianza en la tecnologı́a nueva pues provee un escenario para pruebas casi
perfecto permitiendo a los operadores conocer mejor la herramienta sin temor
a anular la conectividad de la red. Esto naturalmente facilita la innovación
por parte de los operadores y desarrolladores al encontrar un área de pruebas
inofensivo pero con la capacidad de acceder a datos reales. Pero esta técnica
también tiene sus desventajas: entre las que se encuentran el aumento en la
complejidad de la administración de la red debido al aumento en la canti-
dad total de nodos de la red, el incremento en los costos de infraestructura.
Además, por la forma de interactuar con el protocolo tradicional es virtual-
mente imposible que todo el tráfico deseado sea manejado por el controlador
SDN. En la Tabla 2.5 se resume las ventajas y desventajas de ambas técnicas.
2.5.2 Trabajos Relacionados

En el presente apartado, son analizadas las investigaciones publicadas en la
lı́nea de redes hı́bridas SDN , que se encuentran alineadas con el interés par-
ticular del presente trabajo. Entre las técnicas de despliegue en HSDN están
la Panopticon [56] que se basa en la abstracción de la red tradicional a través
de las redes virtual VLAN el cual obliga al tráfico seleccionado a atravesar
al menos un dispositivo SDN. Panopticon 7 esta inspirado en la arquitectura
carcelaria que permitı́a al guardia cárcel controlar a todos los presos sin que
estos puedan saber si son observados o no. También Poularakis et al. [194]
sugirieron un algoritmo que permita a los operadores de red reemplazar los
dispositivos tradicionales de una red en varias etapas o periodos de tiempo
con los objetivos de maximizar el volumen de “tráfico programable”, como lo
7
https://www.plataformaarquitectura.cl/cl/937848/arquitectura-de-vigilancia-la-
prision-de-panopticon
53
Reemplazo Adición
Conservación de Topologı́a Aprovechamiento de la in-
Existente versión inicial
Ventajas Minimización de la comple-
Aumento en la robustez de
jidad de administración de
la red
la red
Disminución gastos de in- Fomentar la confianza en el
fraestructura paradigma
Mayor impacto en el
rendimiento de la red por Fomentar la innovación
cada dispositivo SDN
Desaprovechamiento de la Aumento en el gasto de in-
Inversión fraestructura
Desventajas
Disminución en la robustez Aumento de la complejidad
de la red de administración de red
Degradación en algún
servicio durante la imple-
mentación.
Tabla 2.5: Ventajas y Desventajas de las técnicas de despliegue actuales.

Fuente: [99], [238]
describen, y la flexibilidad de la Ingenierı́a de Tráfico (Traffic Engineeging,

TE). Además Chu et al. [51] propusieron un algoritmo heurı́stico en el cual se
seleccionan los dispositivos tradicionales que se deben reemplazar por SDN
a fin de recuperarse de una única falla de enlace en la topologı́a tradicional
la cual puede ser extendido para una única falla de dispositivo. En dicho
trabajo cada dispositivo tradicional debe tener un túnel IP de respaldo a
al menos un dispositivo SDN el cual debe poder llegar a la mayorı́a de los
destinos de la red sin pasar por el enlace caı́do. El trabajo más similar a
este es el presentado por Guo et al. [96] en el cual se propone un Algoritmo
Genético (Genetic Algorithm, GA) para buscar una secuencia de migración
óptima para el paradigma SDN reemplazando los dispositivos tradicionales
con el objetivo de minimizar la utilización máxima de enlaces. El GA se
compara con un algoritmo voraz y dos algoritmos estáticos mejorando sus
rendimientos.
54
Otra bien conocida, es la estrategia presentada por Das et al. [58] en
la cual proponen una agenda de migración basada en la cantidad de caminos
posibles que los nodos van disponibilizando para el paradigma SDN. Es decir,
que se van migrando los nodos en periodos de tiempo, pero la selección de
los nodos a reemplazar no depende del tráfico, sino de los caminos fı́sicos que
se crean a partir de la topologı́a de red, el algoritmo heurı́stico comienza con
el cálculo de los caminos menos costosos para cada par de nodos de la red y
a partir de ahı́ se hallan los posibles caminos.
Otro trabajo de referencia es el de Caria et al. [35] junto con [37] en
el cual se seleccionan nodos estratégicamente ubicados a fin de particionar
la red en subdominios OSPF de forma que el controlador SDN pueda con-
trolar las actualizaciones LSA y modificar el comportamiento de la red como
si fuera una red SDN completa. En sus trabajos hacen uso de la teorı́a de
grafos para particionar el mismo en subgrafos desconexos y de esa forma ba-
lancean el control dinámico de la red con la estabilidad del ruteo ajustando
el tamaño de los subgrafos. Por otra parte tenemos a Xu et al. [257] que,
como se mencionó anteriormente, ubican nodos adicionales a la red haciendo
una distinción entre la topologı́a tradicional y la extendida, la selección de
nodos se hace de entre el conjunto de nodos con posibilidad fı́sica para su
conexión, la elección final se basa en aquellos que maximicen la cantidad de
flujos que sean manejados por el controlador SDN basados en un historial
estadı́stico de flujos que atraviesan la topologı́a tradicional. Posteriormente
en [98] se extendió la propuesta para adaptarlo a las redes ópticas, en esta
última se diseñó un nodo hı́brido que consiste en la adición de un dispositivo
SDN en la misma ubicación que un nodo tradicional óptico a fin de que las
decisiones de ruteo se realicen de forma conjunta entre el plano de control
distribuido y el plano de control SDN. El objetivo en esta propuesta es la
misma que en la anterior, es decir, maximizar el rendimiento de la red au-
mentando la cantidad de tráfico que es administrado por el paradigma SDN
y los dispositivos compatibles con este no necesitan ser ópticos.
En la Tabla 2.6 se presenta un resumen de los trabajos del estado del
arte (State-of-the-Art, EoA) encontrados que tratan sobre el despliegue en
HSDN. Se destacaron el tipo de despliegue, el objetivo de la optimización,
55
Tabla 2.6: Trabajos del EoA - Despliegue SDN Hı́brido
Ref. Despliegue Objetivo Modelo Formul. Técnica
Maximizar el tráfico que MGA
[194] Reemplazo atraviesa al menos un ILP MAM AAP
nodo SDN y maximizar SGA
la flexibilidad de TE
Minimizar cantidad de SW
SDN necesarios e identificar
[51] Reemplazo ubicaciones para implemen- BLP MOP HA
tarlos, con mecanismos para
manejar la recuperación
de fallas
Obtener una secuencia de
migración de nodos para GA
[96] Reemplazo que se minimice la uti- ILP MOP GD
lización máxima total SMA
del enlace
Maximizar el número
[58] Reemplazo acumulado de rutas
disponibles para TE en todos ILP MOP GD
los pasos de tiempo
Minimizar el costo
[35] Reemplazo de utilización del enlace ILP MOP -
Minimizar la suma del costo
[37] Reemplazo para los tipos de capacidad ILP MOP -
comisionados de todos los MAM
enlaces en la red
Maximizar rendimiento de
[257] Adición enrutamiento, para ILP MOP HA
implementar una red hı́- MAM AAP
brida incrementalmente
Maximización del rendimiento
[98] Adición con restricción presupuestaria ILP MOP AAP
dada en despliegue incremental
Maximizar el número de
[55] Reemplazo caminos utilizados para TE, ILP MOP HA
en todo el horizonte de
planificación
el modelo utilizado ILP y Programación Lineal Binaria (Binary Linear Pro-

gramming, BLP); también se identificó el tipo de formulación enfoque de
optimización mono-objetivo (Mono-Objective Optimization Approach, MOP)
y Problema multiobjetivo resuelto como mono-objetivo (Multi-objective prob-
lem solved as mono-objective, MAM); y finalmente la técnica utilizada: Algo-
56
ritmo codicioso modificado (Modified-Greedy Algorithm, MGA), Algoritmos
de Aproximación (AAP), Algoritmo súper codicioso (Super-Greedy Algo-
rithm, SGA), Algoritmos heurı́sticos (Heuristic Algorithms, HA), Algorit-
mos Genéticos (Genetic Algorithms, GA), Algoritmos codiciosos (Greedy Al-
gorithms, GD) y Algoritmos de migración estática (Static Migration Algo-
rithms, SMA).
De la observación de la tabla se pueden extraer las siguientes oportu-
nidades de investigación: el despliegue incremental por reemplazo y adición
al mismo tiempo aún no fue tratado. Además, no fue abordado todavı́a como
problema multi-objetivo puro. Finalmente, Los Algoritmos Genéticos fueron
escasamente explotados para dar soluciones metaheurı́sticas.
57
Parte II
Ahorro de Energı́a en SDN
58
Capı́tulo 3
Optimización del Consumo de
Energı́a en SDN
Dada la pregunta de investigación: ¿Cómo optimizar el ahorro de energı́a

en SDN aplicando algoritmos evolutivos para mejorar la competitividad?.
En este capı́tulo, como parte del cumplimiento de los objetivos O3 y O4, se
plantea la propuesta de solución novedosa, realizando el modelado y formu-
lación matemática mediante un modelo de programación lineal entera mixta
(Mixed Integer Linear Programming, MILP) planteado como MAM. Además,
se expone el algoritmo genético que mejore el rendimiento comparable con
los trabajos del estado del arte. Se despliegan también en este apartado los
resultados experimentales obtenidos.
3.1 Propuesta y Metodologı́a

En este caso en particular abordamos las siguientes estrategias de ahorro de
energı́a: la ubicación óptima del controlador SDN, el enrutamiento de los flu-
jos y la asignación de dispositivos SDN a los flujos enrutados. El problema
fue abordado como un MAM. En este contexto, estudiamos primeramente el
problema de ubicación del controlador (Controller Allocation, CA) y luego el
problema de enrutamiento de flujos y asignación de dispositivos SDN (Rout-
ing and Device Assigmen, RDA).
59
En este estudio se aborda el problema de la ubicación de un simple
controlador buscando el máximo ahorro de energı́a bajo la restricción que el
tráfico de datos no puede ser enrutado por el nodo que aloja al controlador.
En la Tabla 2.3, se muestra un resumen de los trabajos mencionados en
el apartado 2.3.2 y los factores de ahorro de energı́a en SDN, que cada uno
considera en su modelo. Como se puede observar, ninguno de los trabajos
citados, considera todos los factores de ahorro de energı́a simultáneamente.
Se hace evidente entonces la necesidad de un enfoque que sea capaz de tomar
en cuenta todos estos aspectos al mismo tiempo. En consecuencia, en este
estudio proponemos un modelo para minimizar el consumo de energı́a con-
siderando todas las caracterı́sticas mencionadas (uso del enlace, consumo del
chasis, line card y puerto y la ubicación del controlador) con el fin de obtener
valores de mayor ahorro de energı́a.
3.1.1 Ubicación del controlador con ahorro de energı́a

El ahorro energético de una red SDN es impactado por la ubicación del
controlador [73, 113]. En el modelo propuesto en este trabajo las rutas son
seleccionadas de acuerdo a la ubicación del controlador en la red. Por ello
realizamos un estudio de la ubicación del controlador. Este análisis tiene por
objetivo seleccionar el mejor nodo para ubicar el controlador en términos de
energı́a. Evaluamos el consumo de energı́a para todas las ubicaciones posibles
del controlador y proponemos un algoritmo para seleccionar la ubicación.
3.1.2 Estrategia de uso óptimo de dispositivos

Se ha considerado en este trabajo una red con conmutadores SDN y un solo
controlador SDN. El controlador SDN administra la tabla de enrutamiento,
la tabla de flujo y el control del consumo de energı́a de la red. El reenvı́o de
datos en los conmutadores SDN se implementa de acuerdo con sus tablas de
enrutamiento obtenidas, que fueron calculadas por el controlador SDN. El
controlador SDN recopila información de la red para tener una vista global
de la misma. Los conmutadores SDN también realizan la medición del tráfico
y el resultado se envı́a al controlador[279].
60
La visión y administración global de la red nos permite obtener una
optimización de todo el sistema que es siempre mejor que una optimización
local en términos de energı́a [245, 201].
En este trabajo nos enfocaremos también en el ahorro de energı́a del
conmutador SDN logrando una optimización global. Un conmutador SDN
consiste de un chasis integrado, line cards y puertos como puede observarse
en la Figura 3.1.
Figura 3.1: Componentes de un conmutador SDN. [15]
El chasis integrado y line cards son los que más contribuyen al con-
sumo de energı́a pero no debemos olvidar el consumo del puerto y la tasa
de utilización del enlace. Si el enlace se encuentra a una tasa de uso menor
al 50% de su capacidad de tráfico de datos es posible configurarlo para un
funcionamiento con consumo mı́nimo del 30% al nominal [245].
3.1.3 Abordaje Multiobjetivo

Además de la propuesta detallada más arriba, se plantea un abordaje multi-
objetivo para la optimización del consumo de energı́a en redes SDN, el cual
61
se desarrollará próximamente.
3.2 Algoritmo de Ubicación del Controlador

En los casos de las redes pequeñas es posible realizar pruebas para todas
las ubicaciones posibles del controlador considerando algunos escenarios de
tráfico [73]. En contrapartida, para redes más grandes proponemos el Algo-
ritmo 1 para la selección del nodo controlador de manera eficiente.
El Algoritmo recibe como entrada el conjunto de nodos de la red G(V, E)
y tiene como salida el nodo seleccionado como controlador Ct . En las lı́neas
1 al 3 se calculan los caminos más cortos entre los nodos y se guarda en T .
En la lı́nea 4 se halla el grado de un nodo (g(v)), que consiste en el número
de nodos vecinos y se halla la utilización de dichos nodos. La utilización de
un nodo (ut(v)) es la cantidad de veces que dicho nodo pertenece a la ruta
más corta en cada par de nodos (origen-destino) de la red. En la lı́nea 10 se
hace un ciclo para encontrar el grado mı́nimo de los nodos de la red (gM in).
Posterior a eso en la lı́nea 15 se analizan todos los nodos que tengan el mismo
grado mı́nimo y se selecciona el que tenga la utilización mı́nima (uM in). Fi-
nalmente el nodo con el grado mı́nimo y la utilización mı́nima es seleccionado
como nodo controlador.
3.3 Formulación del modelo MILP

En esta sección presentamos el modelo matemático basado en MILP para el
problema de enrutamiento y asignación de dispositivos SDN. Básicamente,
se busca calcular las rutas de los flujos de datos, asignar los dispositivos a los
flujos y la configuración de estado, activo o inactivo, de los dispositivos SDN
con el objetivo de maximizar el ahorro de energı́a. El modelo propuesto es
un nuevo diseño elaborado en este trabajo para la resolución del problema.
Desde aquı́, cuando se habla de conmutador, controlador y nodo, se hace ref-
erencia a conmutador SDN, controlador SDN y nodo SDN respectivamente.
Sea G(V, E) un grafo dirigido que representa la red, donde V es el
62
Algoritmo 1: Ubicación del Controlador
Require: G = (V, E) es topologı́a de la red
Ensure: Ct es el nodo controlador.
1: for v, w ∈ V do
2: Calcular el camino Ts,v
3: end for
4: for v ∈ V do
5: g(v) Calcular el grado de nodo
6: ut(v) Calcular la utilización del nodo mediante T
7: end for
8: uM in ← ∞
9: gM in ← ∞
10: for v ∈ V do
11: if g(v) < gM in then
12: gM in ← g(v)
13: end if
14: end for
15: for v ∈ V do
16: if g(v) = gM in then
17: if ut(v) < uM in then
18: uM in ← ut(v)
19: Ct ← v
20: end if
21: end if
22: end for
23: return Ct
63
conjunto de nodos (conmutadores y controlador) y E es el conjunto de en-
laces. Sea Vs ∈ V el cual denota el conjunto de conmutadores y ct ∈ V es
el controlador. Sea u ∈ Vs un nodo, a(u) es el costo de energı́a de mantener
activo el chasis del conmutador u, vu es el v-ésimo line card de u y b(vu )
es su costo de energı́a del v-ésimo line card en el nodo u. En la Figura 3.2
se observa la representación de la estructura de la red G donde se observa
la conexión entre puertos.(u, u′ ) ∈ Es es el enlace fı́sico entre los conmuta-
dores conformado por múltiples enlaces de comunicación (pvu , qv′ u′ ) entre los
puertos, donde pvu (qvu ) es el p-ésimo (q-ésimo) puerto transmisor (recep-
tor) del v-ésimo line card en el nodo u y el consumo de energı́a es denotado
por c(pvu , qv′ u′ ). La capacidad de un enlace es denotado por W (pvu , qv′ u′ ).
Mientras (pvu , ct ) ∈ Ec denota un enlace fı́sico entre un conmutador y el con-
trolador. Para este caso de estudio se considera que el costo de mantenerlo
activo será el mismo que el de los demás enlaces pero este enlace no puede
ser utilizado para el enrutamiento de datos.
Para describir el tráfico en la red, consideramos la demanda de flujo
de una fuente a un destino como una mercancı́a [242]. Hay M mercancı́as
K = {k1 , k2 , k3 , ..., kM } en la red, definida por km = (im , jm , rm ) donde im es
el origen, jm es el destino y rm es la demanda de ancho de banda. El flujo de
la mercancı́a km en el enlace (pvu , qv′ u′ ) es dado por fm (pvu , qv′ u′ ). Además
de eso, se definen variables binarias x(u) para indicar si el chasis u está ac-
tivo, también y(vu ) si el line card está activo, similarmente z(pvu , qv′ u′ ) para
indicar si el enlace está activo y z ′ (pvu , qv′ u′ ) para indicar si su utilización
es mayor al 50%. La Notación utilizada en la formulación propuesta puede
observarse en la Tabla 3.1.
3.3.1 Modelo RDA-MILP

El problema RDA-MILP busca calcular una solución con los mı́nimos flujos
bloqueados y consumo de energı́a, considerando un enfoque de suma ponde-
rada. Una solución consiste en una ruta múltiple desde los nodos de origen
a los de destino y la asignación de dispositivos para cada flujo. La asig-
64
Tabla 3.1: Notación de la formulación del Modelo MILP.
Sı́mbolo Definición
Conjuntos
G(V, E) Grafo dirigido que representa la red
V Conjunto de conmutadores y controlador
E Conjunto de enlaces
Vs Conjunto de conmutadores, Vs ⊂ V
Ct Controlador, Ct ∈ V − Vs ,
K Conjunto de flujos en la red
Índices
u Nodo conmutador, u ∈ Vs
vu v-ésimo line card del nodo u
pvu p-ésimo puerto transmisor del v-ésimo line card del nodo u
qvu q-ésimo puerto receptor del v-ésimo line card del nodo u
(pvu , qv′ u′ ) Conexión entre puertos transmisor-receptor en el enlace fı́sico (u, u′ ) ∈ Es
Constantes
a(u) Consumo energético del chasis
b(v u ) Consumo energético del line card
c(pvu , qv′ u′ ) Consumo energético del enlace
c′ (pvu , qv′ u′ ) Consumo energético del enlace con utilización mayor al 50%
W (pvu , qv′ u′ ) Capacidad del enlace
km m-ésimo flujo
im Nodo Origen del flujo km
jm Nodo Destino del flujo km
rm Demanda de ancho de banda del flujo km
Variables
x(u) 1, si está activo el chasis, 0, otro caso.
y(v u ) 1, si está activo el line card, 0, otro caso.
z(pvu , qv′ u′ ) 1, si está activo el enlace, 0, otro caso.
z ′ (pvu , qv′ u′ ) 1, si está activo el enlace y con utilización es mayor al 50%, 0, otro caso.
fm (pvu , qv′ u′ ) Ancho de banda del flujo km que pasa entre el enlace (pvu , qv′ u′ )
nación de dispositivos consiste en activar un chasis, tarjetas de lı́nea, enlaces

o enlaces con un uso superior al 50% de la capacidad. La literatura utiliza
el término activar chasis para indicar el encendido del hardware dentro del
equipo [245].
La siguiente expresión presenta la función objetivo propuesta.
Minimizar f = λ1 · f1 + λ2 · f2 (3.1)
donde:
• f1 = km ∈K (1 − hm )/K es la tasa de los flujos bloqueados.

P
65
• f2 = α + β + γ + γ ′ es el consumo de energı́a.
• α= 1
a(u) · x(u); α es la tasa de consumo de energı́a por el chasis.
P
A ∀u
• β = B1 ∀u b(vu ) · y(vu ); β es la tasa de consumo por las tarjetas

P P
∀vu
de lı́nea.
• γ = C1 ∀(pvu ,qv′ u′ ) c(pvu , qv′ u′ ) · z(pvu , qv′ u′ ); γ es la tasa de consumo de

P
los enlaces activos.
• γ ′ = C1′ ∀(pvu ,qv′ u′ ) c′ (pvu , qv′ u′ ) · z ′ (pvu , qv′ u′ ); γ ′ representa el consumo

P
extra de energı́a de los enlaces que utilizan más del 50% de su capacidad.
• λ1 and λ2 = (1 − λ1 ) son las ponderaciones en las funciones objetivos.
Los valores anteriores están normalizados de tal forma que los pesos λ en
la función objetivo (3.1) pueden guiar la búsqueda. Note que, c(pvu , qv′ u′ ) +
c′ (pvu , qv′ u′ ) es el “consumo total de energı́a” de un enlace cuando se utiliza
más del 50% de su capacidad.
3.3.2 Restricciones del Modelo

3.3.2.1 Restricción de Capacidad
El flujo total a lo largo de cada enlace no debe exceder su capacidad W

cuando es activado. K es la cantidad de flujos km generados en la red.
K
fm (pvu , qv′ u′ ) ≤ z(pvu , qv′ u′ ) · W (pvu , qv′ u′ ); ∀(pvu , qv′ u′ ) (3.2)
X
m=1
3.3.2.2 Conservación de flujo


rm ; si u = im







A − B =  −rm ; si u = jm ; ∀u (3.3)

 

0; otro caso




66
donde:
• A = ∀pv′ u′ fm (pv′ u′ , qvu ) es el tráfico de llegada al nodo u desde los

P
nodos u′ .
• B = ∀qv′′ u′′ fm (pvu , qv′′ u′′ ) es el tráfico de salida desde el nodo u a los
P
nodos u′′ .
Hay rm unidades de tráfico de salida en el origen im y rm unidades de

tráfico de entrada en su destino jm . Mientras en los nodos intermedios A -
B debe ser cero.
3.3.2.3 Restricciones de Ahorro de Energı́a
Cuando el chasis se pone en modo de suspensión, todos los line cards conec-
tados a él también se ponen en suspensión.
y(vu ) ≤ x(u); ∀u, ∀vu (3.4)
De manera similar, si todos los line cards están inactivos, el chasis se

pone en modo de suspensión.
y(vu ); ∀u (3.5)
X
x(u) ≤
vu ∈u
Cuando el line card está inactivo, todos los enlaces que usan los puertos
de ese line card se ponen en suspensión.
z(pvu , qv′ u′ ) ≤ y(vu ); ∀vu , ∀(pvu , qv′ u′ ) (3.6)

Si todos los enlaces conectados no están siendo utilizados por ende sus
puertos están inactivos y se puede poner el line card en modo ”sueño”.
y(vu ) ≤ z(pvu , qv′ u′ ); ∀vu , ∀u (3.7)

X
∀(pvu ,qv′ u′ )
67
3.3.2.4 Restricción de Uso de Puerto
Un puerto no puede ser asignado a más de un enlace.
z(pvu , qv′ u′ ) ≤ 1; ∀pvu (3.8)

X
∀qv′ u′ ∈u′
z(pvu , qv′ u′ ) ≤ 1; ∀qv′ u′ (3.9)

X
∀pvu ∈u
3.3.2.5 Restricción de Uso del Enlace:
Si el enlace está activo y su utilización es mayor al 50% tendrá un costo

adicional de consumo de energı́a.
z ′ (pvu , qv′ u′ ) ≤ z(pvu , qv′ u′ ); ∀(pvu , qv′ u′ ) (3.10)
z ′ (pvu , qv′ u′ ) ≥ F − 0.5; ∀(pvu , qv′ u′ ) (3.11)

donde:
F = W (pvu1,q fm (pvu , qv′ u′ ).
PM
v ′ u′ )
m=1
3.3.2.6 Restricciones de no ruteo
Esta restricción obliga a que los enlaces al controlador ct no se puedan usar

para enrutar las comunicaciones del plano de datos [73] como se indica:
z(pvu , Ct ) = 0 , ∀u, ∀vu , ∀pvu (3.12)
3.4 GA para Ahorro de Energı́a en SDN

En esta sección se presenta una implementación metaheurı́stica basada en
Algoritmos Genéticos, y orientada a permutación y tabla de rutas, para el
68
enrutamiento de los flujos de datos, y la configuración óptima de los dispo-
sitivos SDN para lograr el ahorro energético de la red SDN. La localización
y uso eficiente de los recursos se basa en algoritmos. Sin embargo, una gran
parte aún debe mejorarse, y los problemas subyacentes son NP completos
[188], [229]. Las metaheurı́sticas han demostrado que pueden ser una alter-
nativa válida para calcular soluciones aproximadamente óptimas en tiempos
de cálculo razonables [84]. La función objetivo utilizada es la propuesta en
la ecuación 3.1 de las sección anterior.
3.4.1 Algoritmos Genéticos

Básicamente, los GA son técnicas globales de búsqueda y optimización mo-
deladas a partir de la selección natural, genética y evolutiva [181]. El GA
simula este proceso mediante codificación y operadores especiales. Un GA
mantiene una población de individuos, donde cada individuo representa una
solución candidata llamada cromosoma. A su vez el cromosoma se conforma
por un conjunto de genes que tı́picamente codifican valores binarios. Algu-
nas implementaciones exitosas utilizan codificaciones no binarias [22]. En el
presente trabajo implementamos una codificación de permutación no binaria.
Cada individuo se evalúa y se clasifica según la función de calidad (fitness).
Esta función desempeña un papel fundamental en el GA porque proporciona
información sobre lo bueno que es cada individuo y por ende la posibilidad
de seguir evolucionando; es decir, generando nuevas soluciones similares.
En un GA, usualmente, la población inicial se genera al azar en la
primera generación. La evolución de una generación a la siguiente para
generar una nueva población implica principalmente tres pasos: la evalu-
ación del fitness de cada individuo, la selección de padres y la reproducción
de nuevos individuos a partir de los padres. Este proceso se realiza iterati-
vamente hasta alcanzar el criterio de parada. El mejor individuo encontrado
es retornado por el GA como la mejor solución calculada.
69
Figura 3.2: Diagrama expandido de componentes de la red G
3.4.2 RDA-GA
El objetivo del algoritmo genético RDA-GA es minimizar el consumo de e-
nergı́a, donde la función objetivo es el ahorro de energı́a total considerando
el consumo del chasis, line card, puerto y utilización del enlace. Esta pro-
puesta es nueva y constituye una de las contrubuciones de la tesis. Para la
implementación del GA en el problema RDA se considera a la red SDN como
un grafo de N nodos el cual se expande para modelar las conexiones entre los
puertos. Esto se puede observar en la Figura 3.2. El Pseudocódigo 2 presenta
el algoritmo propuesto denominado Routing and Device Assigment - Genetic
70
Algorithm (RDA-GA), donde la métrica de optimización es el consumo de
energı́a total del Chasis, line-cards, puertos y utilización de enlaces, a su vez
se considera el número de bloqueos. El objetivo es encontrar la solución que
obtenga el costo mı́nimo de consumo de energı́a global de la red.
Algoritmo 2: RDA-GA
Require: Red G(V,E), Lista de Flujos K, Ubicación del controlador Ct ,
Tamaño de la población, Criterio de Parada, Probabilidad de mutación
probm y Tabla de rutas k rutas mas cortas T ,
Ensure: Mejor solución
1: g = 1
2: InicializarPoblacion(Pg )
3: EvaluarPoblacion(Pg ,T,Ct )
4: while No se cumple el criterio de parada do
5: P’ = SeleccionarPadres(Pg )
6: N = Cruce(P’)
7: N’ = Mutar(N,probm )
8: S = SeleccionarMejorInvididuo(Pg )
9: Pg+1 = Union(N’,S)
10: EvaluarPoblacion(Pg+1 ,T,Ct )
11: g =g+1
12: end while
13: return MejorSolucion(Pg )
El RDA-GA recibe como entrada la topologı́a de red G(V, E), el con-

junto de flujos de datos M , la ubicación del Controlador Ct , el tamaño de
la población, Criterio de parada, probabilidad de mutación probm y las ru-
tas candidatas para cada flujo de datos T . Las rutas son elaboradas por el
algoritmo KSP (k-Shortest Path) [262].
3.4.2.1 Representación del Cromosoma
El cromosoma para el RDA-GA es un vector de números enteros de K ele-

mentos que codifica la secuencia de solicitudes km que serán atendidas. En
este contexto, la población de individuos es un conjunto de |P | cromosomas,
es decir, P = {P1 , P2 , . . . , P|P | }. En general la estructura del i-esimo cromo-
soma donde el j-esimo gen (Pij ) o elemento del vector codifica una dirección
71
a la tabla de flujos km . Por ejemplo, en la Figura 3.3 se puede observar el
P11 = 3 indica que la tercera solicitud a ser atendida corresponde al tercer
flujo de la tabla k3 mientras que P13 = 4 corresponde al cuarto flujo k4 de
la tabla. Note que la codificación corresponde a una permutación. Entonces
el RDA-GA explora las soluciones en el espacio de permutaciones. En este
contexto, si se tienen K flujos (j=1, . . . , K) entonces se tienen en total K!
posibles soluciones.
Figura 3.3: Estructura de un cromosoma.
3.4.2.2 Población Inicial
Como se muestra en la lı́nea 2 del Algoritmo 2, el primer paso es inicializar

la población Pg en la primera generación g = 1. Para ello se inicializan
aleatoriamente los ı́ndices de las solicitudes de flujo (gen), es decir se cargan
los ı́ndices de las solicitudes y luego se van intercambiando sus posiciones
para que no hayan valores repetidos. En cada paso se comprueba que cada
gen no sea idéntico a los anteriores para generar una permutación correcta.
3.4.2.3 Evaluación
Luego de inicializar o evolucionar la población, se evalúa las soluciones candi-

datas, como se observa en las lı́neas 3 y 10 del Algoritmo 2. El Pseudocódigo
del proceso de evaluación de la población se presenta en el Algoritmo 3. Este
algoritmo recibe como datos de entrada la población de individuos, la tabla
72
de rutas más cortas, la red y la ubicación del controlador. Entonces cada
individuo es evaluado de forma independiente en la lı́nea 2 del Algoritmo 3
en donde se obtiene el consumo de energı́a del individuo.
La evaluación de cada individuo consta de dos partes y se presenta en
el Algoritmo 4. En la primera parte, el enrutamiento y la asignación de los
dispositivos a las solicitudes se realiza y quedan guardadas en una matriz
de estados (lı́nea 2 del Algoritmo 4). En la segunda parte, el consumo de
energı́a de la red SDN se calcula acorde a los dispositivos activos (lı́neas 3 a
6 del Algoritmo 4). Si un flujo no tiene enrutamiento o recursos disponibles
entonces se contabiliza como un bloqueo en las lı́neas 7 al 9. En consecuencia,
la calidad de un individuo esta determinado por el número de solicitudes
bloqueadas y el consumo de energı́a generado por las solicitudes no bloquedas.
Algoritmo 3: Evaluar Población

Require: Población P, Tabla de k rutas T, Ubicación del controlador Ct
Ensure: Población Evaluada P
1: for i ∈ {1, 2, . . . , |P |} do
2: [fitness,numBloqueos] = EvaluarIndividuo(Pi , T, Ct )
3: ActualizarFitness(Pi , [fitness,numBloqueos])
4: end for
5: return P
3.4.2.4 Enrutamiento
En el Algoritmo 5 se observa el proceso del enrutamiento de cada solicitud, la

cual se realiza en la lı́nea 2. Cabe destacar que el enrutamiento es multi-path
lo cual implica que cada flujo puede ser encaminado por las k rutas de forma
independiente, sujeto a que el total de flujo sea atendido. En la lı́nea 2 para el
flujo km se asigna el porcentaje de flujo considerando una estrategia First-Fit.
Básicamente, para el flujo km se reordenan los caminos candidatos en función
a su utilización actual. Si un camino ya fue previamente utilizado por otro
flujo entonces es preferente su utilización. Esto es con el fin de maximizar
la reutilización de los dispositivos ya activados y ası́ lograr un ahorro de
energı́a. En ese nuevo orden de las rutas, se toma la primera ruta y se asigna
73
Algoritmo 4: Evaluar Individuo
Require: Individuo, Tabla de T rutas, Ubicación del controlador Ct
Ensure: Fitness f ; nroBloqueos
1: for Gen ∈ Invididuo do
2: MatrizEstados = RDA(Gen,T,Ct )
3: f1 = f1 + ConsumoChasis(MatrizEstados)
4: f2 = f2 + ConsumoLineCards(MatrizEstados)
5: f3 = f3 + ConsumoPuertos(MatrizEstados)
6: f4 = f4 + ConsumoEnlaceSuperiora50(MatrizEstados)
7: if bloqueo(MatrizEstados,Gen) == true then
8: nroBloqueo = nroBloqueo + 1
9: end if
10: end for
11: f = f1 + f2 + f3 + f4
12: return f , nroBloqueo
el mayor porcentaje de flujo λ1 ≤ 100% posible. Luego en la siguiente ruta

se asigna la mayor cantidad posible del flujo restante λ2 ≤ 100% − λ1 , y
ası́ sucesivamente en las siguientes rutas. Cabe notar que debe cumplirse
la condición λ1 + λ2 + . . . + λ|T | = 100% para considerar un enrutamiento
exitoso. Si es exitoso entonces se procede a actualizar la matriz de estado
en los caminos correspondientes. En caso que no se haya podido satisfacer
un flujo por la saturación de capacidad de la red se indica en la matriz de
estados.
Algoritmo 5: RDA
Require: Red G(V, E), Tabla de rutas T rutas más cortas, Ubicación del
controlador Ct , Lista de M Flujos
Ensure: Matriz de estados de dispositivos de red MatrizEstados
1: for kp ∈ P do
2: ruta = Asignacion-de-Flujo(kp , G(V, E), T, Ct )
3: if ruta ̸= NULL then
4: M = Asignar-Puertos-en-Cada-Componente-de-la-Ruta(ruta)
5: end if
6: end for
7: return MatrizEstados
74
3.4.2.5 Asignación de dispositivos
Posterior a la asignación de flujos en las rutas candidatas se realiza la asig-

nación de dispositivos. La asignación de dispositivos a los |T | sub-flujos se
realiza con la estrategia First-Fit. Básicamente, para un sub-flujo, se busca
el puerto con menor ı́ndice posible que tenga el ancho de banda suficiente
para satisfacer el sub-flujo solicitado λi . Si cumple la condición se asigna
el dispositivo correspondiente y se actualiza el estado de capacidad restante
en la matriz de estado. El proceso de asignación de puertos a los flujos se
realizan en las lı́neas 3 y 4 del Algoritmo 5.
3.4.2.6 Cálculo del consumo de energı́a
La función de evaluación de un cromosoma determina la calidad del indi-

viduo. En este trabajo, como ya se mencionó, la calidad esta determinada
por el número de bloqueos y el consumo de energı́a. Esta última se evalúa
luego de enrutar todas los flujos y asignar los dispositivos activos correspon-
dientes en el orden determinado por el cromosoma. La función objetivo (f )
que se busca minimizar es la suma del consumo de energı́a de chasis (f1 ),
line cards (f2 ), enlaces (f3 ) y enlaces con utilización mayor al 50% (f4 ),
presentado en la ecuaciones (3.1).
Posterior a eso los individuos con mejor calidad serán seleccionados
para la próxima generación. Se considera un individuo mejor que otro si
su número de bloqueos es menor. En caso que el número de bloqueos sean
iguales se desempata por el consumo de energı́a. Se evalua mediante un orden
lexicográfico.
3.4.2.7 Operador de Selección
El Algoritmo 2 nos muestra que el ciclo evolutivo inicia con la selección de

padres en la lı́nea 5. En este trabajo utilizamos el método de selección por
torneo [236] para producir nuevos individuos para la próxima generación.
Este operador se implementa de la siguiente manera.
Se escoge el tamaño del torneo Tq. Se realiza una permutación aleatoria
sobre la población P. Se compara la calidad de los primeros Tq miembros de
75
la sub-población y se selecciona el mejor como primer padre. Se repite el
proceso para seleccionar el segundo padre. Ambos padres son guardados en
el mating pool P’. Esto se realiza hasta que el tamaño de P’ se igual al de la
población P.
3.4.2.8 Operador de Cruzamiento
El método de cruzamiento se aplica en la lı́nea 6 del Algoritmo 2 para cada par

de individuos de P’. Debido a que un cromosoma constituyen los ı́ndices de las
solicitudes de flujo para poder producir un cromosoma válido, es necesario el
cruce ordenado (Partial Map Crossover, PMX) [88]. Este método selecciona
un subconjunto del vector permutación del primer padre y se agrega a la
descendencia. A continuación, las ubicaciones que faltan se agregan en el
orden del segundo padre hasta que el vector permutación de la descendencia
no tenga valores vacı́os restantes como se observa en la Figura 3.4. El nuevo
individuo se agrega el conjunto N . Esto se realiza hasta que el tamaño de N
sea igual a M − 1.
Figura 3.4: Cruce de dos progenitores basado en PMX.
3.4.2.9 Operador de Mutación
El procedimiento de Mutación se aplica después del cruzamiento en cada

individuo del conjunto N independientemente, en el paso 7 del Algoritmo 2.
76
Para cada individuo de N se lanza la moneda con una probabilidad
probm . Si la probabilidad indica no realizar mutación el individuo se copia
directo al conjunto N’, caso contrario primero se realiza la mutación y el
individuo mutado se agrega al conjunto N’.
El método de mutación debe ser capaz de mezclar los genes, nunca
deberı́a agregar o eliminar un gen, de lo contrario se generarı́a una solución
no válida. El tipo de método de mutación utilizado es la mutación por
intercambio [178]. Con la mutación por intercambio, dos ubicaciones del
cromosoma se seleccionan al azar y luego se intercambian sus posiciones.
3.4.2.10 Nueva Población Evolucionada
Las soluciones generadas por las operaciones de cruce y mutación se agregan

a la nueva población Pg+1 como también el mejor individuo de la población
Pg . Esto se observa en las lı́neas 8 y 9 del Algoritmo 2. En este sentido
nuestra implementación es elitista [22]. Luego de esto el algoritmo realiza el
siguiente paso evolutivo hasta que se alcanza la condición de parada.
3.4.2.11 Criterio de Parada
Esta implementación se ejecuta si el mejor individuo no se actualiza en las

∆ últimas iteraciones.
3.5 Resultados Experimentales
3.5.1 Ambiente Computacional

Para resolver el modelo MILP se utilizó el Software IBM ILOG CPLEX Op-
timization Studio Versión 12.6 y el algoritmo metaheurı́stico fue desarrollado
en Java 8. Los computos se realizaron en una computadora equipada con
Intel Core i5 de 1.6 GHz y 16 GB de RAM.
77
3.5.2 Configuraciones de Experimentación
El ahorro de energı́a se calculó sobre la cantidad de chasis, line cards y
enlaces suspendidos sobre la cantidad total de estos elementos en la red. Las
simulaciones se realizaron utilizando redes reales y las demandas de tráfico
compiladas de las librerı́as de SNDlib [186]. Especı́ficamente se utilizaron las
topologı́as Abilene, Atlanta y Nobel Eu [186] (Figura 3.5). La primera tiene
12 nodos y 15 enlaces, la segunda tiene 15 nodos y 22 enlaces, mientras que
la tercera tiene 28 nodos y 41 enlaces.
(a) Abilene
(b) Atlanta (c) Nobel Eu
Figura 3.5: Topologı́as. SND LIB [186].
Para la implementación del RDA-GA se tuvo en cuenta la cantidad

de T rutas más cortas precalculadas con valor T =10. Para las ejecuciones
del RDA-GA, fueron utilizados los valores mostrados en la Tabla 3.2 como
78
parámetros evolutivos basados en [191].
Tabla 3.2: Parámetros evolutivos RDA-GA.

Parámetro Sı́mbolo Valor
Tamaño de la población |P | 100
Probabilidad de mutación probm 2%
Mejor individuo no
Criterio de parada ∆ varia en 5 ultimas
iteraciones
Cantidad de corridas independientes η 30
Para las pruebas, dado que el RDA-GA es un algoritmo estocástico cada

ejecución realizada puede presentar resultados distintos, entonces teniendo en
cuenta ese comportamiento, se realizaron varias ejecuciones independientes
por cada escenario estudiado. La cantidad de ejecuciones por escenario está
definida por el parámetro ”cantidad de corridas independientes” de la Tabla
3.2. Los resultados finales del RDA-GA son los mejores valores obtenidos en
todas las ejecuciones de cada escenario. Es decir, de 30 corridas indepen-
dientes realizadas para un escenario, se escogió el mejor valor de todos los
resultados.
Entonces, dado un escenario consistente en una topologı́a, una cantidad
de rutas y flujos, se procede a: (1) Calcular una solución MILP, (2) Calcular
30 soluciones RDA-GA, (3) seleccionar el individuo con mejor fitness y menor
número de bloqueos de las 30 soluciones anteriores, (4) Realizar análisis de
las soluciones. Basados en estos pasos generales se presentan los siguientes
resultados experimentales.
Los flujos utilizados para las pruebas son tomados directamente de las
librerı́as de SNDLib [1] y son utilizados en el mismo orden en que aparecen
en los archivos descargados.
3.5.3 Resultados Numéricos

En esta sección se exponen las simulaciones y se analizan los resultados. El
estudio se conforma de cuatro partes. En la primera se realiza un (a) análisis
de ubicación del controlador, en (b) análisis de desempeño del modelo MILP
79
y el algoritmo RDA-GA propuestos en comparación con los demás traba-
jos del estado del arte bajo escenarios de tráfico estático, en (c) análisis de
desempeño del modelo MILP y algoritmo RDA-GA en escenarios de tráfico
incremental con y sin re-ruteo, y finalmente (d) análisis de desempeño bajo
tráfico dinámico del algoritmo RDA-GA propuesto y se compara con la es-
trategia de ruteo RDA-SP-FF basada un enrutamiento del camino más corto
(Shortest Path, SP) y asignación de dispositivos (First Fit, FF).
3.5.3.1 Ubicación del Controlador
Evaluamos la ubicación del controlador en las Topologı́as Abilene, Atlanta y

Nobel Eu mencionadas en la sección 3.5.3. Para cada topologı́a consideramos
todas las ubicaciones posibles de controlador. En las 3 redes utilizamos el
Algoritmo 1 propuesto para la selección del nodo controlador.
En las Tablas 3.4, 3.5, y 3.6 observamos los resultados obtenidos en dife-
rentes ubicaciones del controlador considerando el modelo MILP Propuesto.
Cada nodo se tomo como posible ubicación del controlador teniendo ası́ 12,
15 y 28 escenarios que corresponde al número de nodos de dichas topologı́as.
En la columna Grado Nodo se observa el número de conmutadores vecinos
de cada nodo y en la columna utilización corresponde al número de ve-
ces que es utilizado un conmutador para enrutar una solicitud considerando
un pre-enrutamiento del camino más corto. Las demandas de tráfico uti-
lizadas en este estudio corresponden a las instancias abilene–D-B-M-N-C-A-
N-N, atlanta–D-B-M-N-C-A-N-N y nobel-eu–D-B-E-N-C-A-N-N [186]. En
las Tablas 3.4, 3.5, y 3.6 se observan el consumo de energı́a para cada nodo
y nivel de carga de la red: baja, media y alta. La carga total de abilene–D-
B-M-N-C-A-N-N, atlanta–D-B-M-N-C-A-N-N y nobel-eu–D-B-E-N-C-A-N-
N consisten en 50, 50, y 50 flujos respectivamente. Las letras mayusculas de
las instancias con los códigos de los parámetros del filtro del modelo según
se puede observar en la Tabla 3.3
Para la columna Demanda Baja se consideró los primeros 10 flujos.
Para la demanda media se considero los primeros 20 flujos. Y para la de-
manda alta se considero los primeros 30 flujos. Para número de carga de
80
Tabla 3.3: Parámetros del Modelo de la librerı́a de SNDlib.
Parámetro Letra Descripción

Demand model D Directed demands
Link model B Bidirected links
Link capacity model M Modular link capacities
Fixed-charge model model N No fixed-charge cost
Routing Model C Continuous
Admissible path model A All paths
Hop-limit model N No hop-limits
Survivability model N No survivability
Tabla 3.4: Consumo de energı́a en Watts(W) para ubicaciones de controlador

en Abilene
Nombre Nodo v Grado Nodo g(v) Utilización ut(v) Carga Baja Carga Media Carga Alta
ATLAM5 1 1 11 1872 W 2088 W 2297 W
ATLAng 2 4 58 2282 W 2498 W 2496 W
CHINng 3 2 50 2073 W 2289 W 2285 W
DNVRng 4 3 34 2076 W 2293 W 2355 W
HSTNng 5 3 20 2079 W 2294 W 2350 W
IPLSng 6 3 20 2280 W 2353 W 2471 W
KSCYng 7 3 13 2075 W 2357 W 2413 W
LOSAng 8 2 34 1869 W 2289 W 2290 W
NYCMng 9 2 44 2075 W 2289 W 2290 W
SNVAng 10 3 15 2074 W 2291 W 2290 W
STTLng 11 2 11 2079 W 2293 W 2349 W
WASHng 12 2 20 2282 W 2291 W 2404 W
red superior el sistema se satura o no presenta variaciones por lo que no se

presentan las tablas y figuras.
En la Tabla 3.7 se observan los valores de la correlación de Pearson
calculados por el grado del nodo y el consumo de la energı́a en carga baja,
media y alta, considerando los datos disponibles en las Tablas 3.4, 3.5 y
3.6. Se puede observar que cuando la carga es baja o alta la correlación
es inferior. En cambio, cuando el número de flujos es medio la correlación
es superior. Con esto podemos afirmar que cuando la red esta con baja o
alta carga la ubicación del controlador no influye significativamente en el
ahorro de energı́a. Sin embargo, cuando la red se encuentra a media carga
la ubicación correcta del controlador tiene un mayor impacto en el ahorro de
energı́a.
En la Tabla 3.8 se presentan los valores de la correlación de Pearson
dada por el número de utilización del nodo y el consumo de energı́a. Para
dichas topologı́as se observan que a baja o alta carga la correlación del con-
81
en Atlanta
N1 1 3 60 2490 W 2904 W 2908 W
N2 2 3 33 2484 W 2899 W 2900 W
N3 3 3 37 2485 W 2906 W 2913 W
N4 4 2 14 2485 W 2906 W 2909 W
N5 5 3 22 2485 W 2907 W 2967 W
N6 6 4 70 2487 W 2968 W 3032 W
N7 7 3 46 2485 W 2906 W 2912 W
N8 8 4 68 2485 W 2904 W 2910 W
N9 9 4 37 2485 W 2906 W 2968 W
N10 10 3 30 2485 W 2906 W 2909 W
N11 11 2 14 2278 W 2907 W 2967 W
N12 12 2 14 2485 W 2906 W 2997 W
N13 13 3 39 2485 W 2907 W 2968 W
N14 14 3 28 2485 W 2907 W 2967 W
N15 15 2 14 2485 W 2906 W 2908 W

en Nobel Eu
Amsterdam 1 4 199 4348 W 5590 W 5591 W
Athens 2 2 37 4562 W 4974 W 5391 W
Barcelona 3 2 31 4561 W 5180 W 5389 W
Belgrade 4 3 93 4562 W 5183 W 5390 W
Berlin 5 5 297 4769 W 5388 W 5596 W
Bordeaux 6 2 73 4562 W 5180 W 5389 W
Brussels 7 3 243 4769 W 5182 W 5390 W
Budapest 8 3 83 4562 W 5182 W 5389 W
Copenhagen 9 2 65 4567 W 5387 W 5595 W
Dublin 10 2 27 4360 W 5181 W 5389 W
Frankfurt 11 4 233 4769 W 5183 W 5390 W
Glasgow 12 2 63 4769 W 5181 W 5389 W
Hamburg 13 3 161 4769 W 5185 W 5391 W
London 14 3 41 4769 W 5181 W 5390 W
Lyon 15 3 77 4561 W 5180 W 5389 W
Madrid 16 2 29 4563 W 5180 W 5389 W
Milan 17 3 27 4769 W 5181 W 5390 W
Munich 18 4 301 4562 W 5183 W 5388 W
Oslo 19 2 29 4768 W 5387 W 5595 W
Paris 20 5 227 4566 W 5590 W 5388 W
Prague 21 3 93 4562 W 5183 W 5389 W
Rome 22 3 27 4561 W 5180 W 5389 W
Stockholm 23 2 39 4415 W 5180 W 5387 W
Strasbourg 24 3 73 4561 W 5180 W 5388 W
Vienna 25 3 147 4561 W 5181 W 5390 W
Warsaw 26 3 85 4769 W 5181 W 5596 W
Zagreb 27 3 115 4562 W 5185 W 5390 W
Zurich 28 3 27 4561 W 5180 W 5389 W
82
Tabla 3.7: Correlación de Pearson Grado de Nodo y Consumo de Energı́a
Baja Media Alta

Abilene 0.59 0.85 0.66
Atlanta 0.37 0.39 0.17
NobelEu 0.14 0.51 0.14
sumo de energı́a con la utilización del nodo es mı́nima, en cambio cuando

la carga es media existe una mayor correlación. Por lo tanto, la utilización
del nodo también es un factor que se debe considerar para la elección del
controlador en la redes SDN. Cabe destacar que la estrategia propuesta en
[73] considera el grado de nodo y consumo de energı́a para la ubicación del
controlador.
Tabla 3.8: Correlación de Pearson Utilización de Nodo y Consumo de Energı́a
Baja Media Alta

Abilene 0.20 0.50 0.08
Atlanta 0.31 0.46 0.04
NobelEu 0.18 0.39 0.14
Para redes más grandes es importante considerar tanto el grado y uti-

lización del nodo simultáneamente. En la Tabla 3.9 presentamos los resul-
tados obtenidos al aplicar el Algoritmo 1 propuesto y el presentado en [73].
Como puede observarse, el trabajo [73] propone varias alternativas de ubi-
cación mientras que la ubicación calculada por el Algoritmo 1 es única. En
este punto es importante destacar que la propuesta de este trabajo no nece-
sita realizar evaluaciones del consumo de energı́a como lo realiza el propuesto
en [73]. Lo que implica un enorme ahorro de tiempo computacional. En [73],
para cada ubicación candidata se debe calcular el consumo de energı́a me-
diante un algoritmo RDA. En este contexto, la complejidad computacional
del proceso de ubicación esta dado por O(|V |3 + |V | · |E|2 ). En contrapartida
se puede afirmar que la propuesta de este trabajo es competitiva a la de [73],
dado que la complejidad del Algoritmo 1 es O(|V |3 ).
En los siguientes experimentos se tuvo en cuenta la ubicación del con-
trolador obtenido por el Algoritmo 1 y mostrados en la Tabla 3.9.
83
Tabla 3.9: Selección de nodos para ubicación del controlador
Topologı́as
Algoritmo Abilene Atlanta NobelEu
Método Propuesto 1 4 10
Heurı́stica [73] 1 4,11,12,15 2,8,9,10
3.5.3.2 Análisis de Desempeño con Tráfico Estático
Para evaluar el desempeño del modelo MILP y RDA-GA se han conside-

rado 10 conjuntos de 10, 20, 30, 40, 50, 60, 70, 80, 90 y 100 Flujos (M)
en cada topologı́a tomadas de [186]. Para el primer conjunto se tomaron
los primeros diez, para el segundo los primeros 20 ası́ sucesivamente hasta
alcanzar los 100 flujos para el décimo conjunto. Las instancias seleccionadas
fueron atlanta–D-B-M-N-C-A-N-N y abilene–D-B-M-N-C-A-N-N. Los flujos
fueron tomados en el orden consecutivo como se encuentran en la librerı́a.
También realizamos una comparación con los demás trabajos del estado del
arte citados [245, 20, 241, 73, 254] en este trabajo. Para cada conjunto de
Flujos y topologı́a se aplica el MILP considerando la ubicación del contro-
lador de la Tabla 3.9. Es decir, fueron seleccionados el nodo 4 y 1 como
controladores para Atlanta y Abilene respectivamente.
Las Figuras 3.6a, 3.6b y 3.6c muestran los valores de consumo de en-
ergı́a, Porcentaje de Ahorro de energı́a y Tiempo de ejecución en segundos.
Se puede observar que MILP presenta un mejor desempeño en cuanto
al consumo de energı́a obtenido, es decir se obtiene mayor ahorro de energı́a
frente a los otros trabajos del estado del arte pero con tiempo de ejecución
elevados. A medida que aumenta la cantidad de flujos, el tiempo va creciendo
con mayor rapidez. Se puede observar también que el RDA-GA presenta un
buen desempeño con la diferencia que el tiempo de ejecución es inferior, y en
consecuencia, más escalable a medida que aumenta la cantidad de flujos.
En las Figuras 3.7a, 3.7b y 3.7c, muestran los valores de consumo de
energı́a, porcentaje de ahorro de energı́a y tiempo de ejecución en segundos
para la topologı́a Abilene. A diferencia de la topologı́a anterior, esta red
es más pequeña por lo que se presentan los bloqueos por la saturación de
84
(a) Consumo de energı́a (b) Ahorro de energı́a
(c) Tiempo de ejecución
Figura 3.6: Comparación en Topologı́a Atlanta [186]
elementos en la red. Se puede concluir que los modelos solo pueden calcular
una solución para cargas de hasta 50 Flujos dado que la red entra en régimen
de saturación. Por otra parte, el RDA-GA tiene un desempeño muy similar
al MILP propuesto en este trabajo.
3.5.3.3 Análisis de Desempeño con Tráfico Incremental con y sin

Re-Ruteo
En este escenario se ha considerado tráfico semi-dinámico incremental. El

tráfico va llegando a la red cada cierto periodo de tiempo y permanece hasta
terminar la simulación. Es decir, la red se va cargando con tráfico de forma
monótona creciente. El objetivo es analizar el impacto de considerar el mo-
delo desarrollado con un enfoque óptimo de re-ruteo frente a uno sub-óptimo
sin re-ruteo de los flujos ya instalados. Se realizaron las pruebas con el modelo
MILP y el Algoritmo RDA-GA Propuesto.
85
Figura 3.7: Comparación en Topologı́a Abilene [186]
Similar al experimento de la sección anterior, se han considerado 10 con-

juntos de tráfico M con tamaños de M = {10, 20, 30, 40, 50, 60, 70, 80, 90, 100}
flujos en cada topologı́a para unidades de tiempo t = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10}
respectivamente. El conjunto de flujos correspondiente Mt−1 ⊂ Mt donde
Mt−1 < Mt para t > 1, esto implica que en cada periodo t van llegando
10 nuevos flujos que se agregan a la red. En el enfoque de re-ruteo, en
cada tiempo t, una nueva solución debe ser recalculada para el conjunto Mt ,
mientras que en el enfoque sin re-ruteo solo las 10 nuevas demandas serán
consideradas en el cálculo de ruteo, esto es Mt - Mt−1 . Las rutas correspon-
dientes a las anteriores solicitudes Mt−1 no son modificadas.
Analizando las Figuras 3.8 y 3.9 para la Topologı́a Atlanta podemos
observar que el modelo MILP y el Algoritmo RDA-GA presentan un mejor
desempeño con el enfoque de re-ruteo en términos de consumo de energı́a
en comparación al enfoque sin re-ruteo. Por otra parte, la mejora de ahorro
86
de energı́a no es substancial en el enfoque sin re-ruteo considerando que los
tiempo de cómputos son menores.
Figura 3.8: Comparación de tráfico incremental sin re-ruteo en Atlanta para

MILP
En las Figuras 3.10 y 3.11 para la Topologı́a Abilene también observa-

mos, como es de esperarse, que el enfoque sin re-ruteo presenta una mejora
en el ahorro de energı́a obtenido frente al enfoque sin re-ruteo. Otro aspecto
tenido en cuenta es que en la topologı́a Abilene solo se pudieron realizar
pruebas para el modelo MILP hasta 50 flujos debido al bloqueo y saturación
de la red. Considerando que el MILP no es escalable cuando la red se queda
sin recursos disponibles. Por otra parte, el RDA-GA continuó ejecutándose
y se obtuvieron resultados para mayores cargas de flujos. En la Figura 3.11d
se puede observar los bloqueos generados por el RDA-GA para el enfoque
con re-ruteo y sin re-ruteo.
Dependiendo de la carga de flujos y la capacidad de la red es necesario
considerar un enfoque de optimización sin re-ruteo dado que es escalable con
87
Figura 3.9: Comparación de tráfico incremental sin re-ruteo en Atlanta para

RDA-GA
una solución cuya calidad es muy cercana a la obtenida por el enfoque óptimo
con re-ruteo. Otro aspecto importante de un enfoque si re-ruteo es que no se
realizan interrupciones en el flujo instalado en la red siendo mucho mejor en
términos de calidad de servicio desde el punto de vista del usuario. Además,
el tiempo computacional de calculo es mucho menor al ir aumentando la
carga de red.
3.5.3.4 Análisis de Desempeño con Tráfico Dinámico
Para el caso dinámico se tiene una variación, el volumen de tráfico es en

unidades Erlangs [189] y se utiliza una distribución uniforme [49] para la
tasa de llegadas de flujo. Para la realización de las pruebas en escenarios
dinámicos se han considerado los siguientes supuestos:
1. Duración total del experimento N s= 1000 unidades de tiempo.
88
Figura 3.10: Comparación de tráfico incremental sin re-ruteo en Abilene para

MILP
89
(c) Tiempo de ejecución (d) Bloqueos
Figura 3.11: Comparación de tráfico incremental sin re-ruteo en Abilene para

RDA-GA
90
2. Duración promedio de cada sesión u = 10 unidades de tiempo.
3. Carga de tráfico con variación de 10 Erlangs desde 10 hasta 1000

Erlangs.
4. Tasa de llegada de sesiones por unidad de tiempo Q = Erlangs

u
5. Número de pruebas independientes por carga de tráfico η = 30.
6. Esquema sin re ruteo.
A continuación se detallan en el Algoritmo 6 los pasos tenidos en cuenta

para la realización de pruebas dinámicas, donde se comparan el resultado del
RDA-GA versus el desempeño de la heurı́stica RDA-SP-FF basada en un
enrutamiento SP y FF.
En la lı́nea 1 va aumentando el contador i hasta N s lo que indica el
número de valores promedios a ser calculado y graficados. En la lı́nea 2 se
calcula la carga en términos de Erlang. En la lı́nea 3 de obtiene la tasa
de llegada cuyo valor es el cociente entre la carga de tráfico Erlang y el
tiempo medio de duración de cada sesión u. En el ciclo de las lı́neas 4 a
7 se procede a calcular los nuevos requerimientos de tráficos km de forma
aleatoria y el calculo de solución para dichos requerimientos. En la lı́nea se
observa el número de bloqueos y consumo de energı́a para el requerimiento
km . El cálculo de ruteo y asignación de recursos en la lı́nea 6 se realiza por
medio del RDA-GA o el RDA-SP-FF. En el caso del RDA-GA, ésta se ejecuta
30 veces y se toma el mejor resultado, mientas que el RDA-SP-FF solo es
necesario una ejecución dado que es un algoritmo determinista. En las lı́neas
8 y 9 se obtiene el Consumo promedio de energı́a y el número promedio de
bloqueos para la correspondiente carga de tráfico. Finalmente, en la lı́nea 11
se retorna el vector de consumo promedio y de bloqueo promedio de todo el
experimento.
En la Figura 3.12 se observa el consumo promedio de energı́a y número
de bloqueos para la topologı́a Atlanta. Observamos que a medida que au-
menta la carga de tráfico el consumo de energı́a aumenta pero se estabiliza
a un valor máximo en ambos algoritmos. Esto ocurre dado que la red en-
tra en régimen de saturación. Por otra parte, se observa que el RDA-GA
91
Algoritmo 6: Simulación de tráfico dinámico
Require: Duración promedio de cada sesión u, Tasa de llegada de sesiones
por unidad de tiempo Q, Número de pruebas independientes por carga
de tráfico η, Red G = (V, E), Lista de Flujos K, Ubicación del
controlador Ct , Tamaño de la población, Criterio de Parada,
Probabilidad de mutación y Tabla de T rutas más cortas
Ensure: Consumo promedio, Bloqueo promedio
1: for i = 1 hasta N s do
2: Erlang = i · 100
3: Q = Erlangs/u
4: for j = 1 hasta η do
5: K = Obtener requerimientos de flujos(Q,G)
6: [Bloqueosj ;ConsumoEnergiaj ] = RDA-GA(K,G,Ct ,T ) o
RDA-SP-FF(K,G,Ct )
7: end for
ConsumoP romedioi = ηj=1 ConsumoEnergiaj / η
P
8:
BloqueoP romedioi = j=1 Bloqueosj / η
Pη
9:
10: end for
11: return ConsumoP romedio, BloqueoP romedio,
tiene un menor consumo de energı́a frente al RDA-SP-FF. Aparentemente el

desempeño del RDA-SP-FF es similar al RDA-GA en términos de consumo
de energı́a. No obstante esto ocurre a costa de una alta tasa de bloqueo
obtenida por el RDA-SP-FF como se observa en la Figura 3.12b. Notese que
el RDA-GA tiene número de bloqueos mucho menores.
Para la topologı́a Abilene el resultado es similar al anterior tanto al
consumo de energı́a como en tasa de bloqueos. Como la topologı́a Abilene
es menor que la Atlanta se observa que el ahorro de energı́a logrado por el
RDA-GA es más significativo que el RDA-SP-FF. En términos generales,
en ambas topologı́as la tasa del bloqueo del RDA-GA es mucho menor al
RDA-SP-FF. Como se observa por ejemplo cuando tenemos 1000 Erlangs el
porcentaje de bloqueo con RDA-SP-FF es del 92% frente al 8% del RDA-GA
en la Figura 3.13b.
92
(a) Consumo de energı́a (b) Tasa de Bloqueos
Figura 3.12: Comparación de tráfico dinámico en Atlanta
(a) Consumo de energı́a (b) Tasa de Bloqueos
Figura 3.13: Comparación de tráfico dinámico en Abilene
93
3.6 Resumen de resultados - Parte II
Como cierre de la Parte II, en esta sección se presenta un resumen de los
resultados obtenidos en los diferentes experimentos realizados.
Tabla 3.10: Resumen Resultados Ahorro de Energı́a
Ubicación
Método Abilene (Nodo 1)
del Propuesto Atlanta (Nodo 4)
Controlador NobelEu (Nodo 10)
Abilene (Nodo 1)
Heurı́stica Atlanta (Nodos 4, 11, 12 y 15)
NobelEu (Nodos 2, 8, 9 y 10)
RDA-MILP Mayor ahorro de energı́a,

Tráfico
con elevados tiempos de ejecución.
Estático RDA-GA Buen desempeño frente a los trabajos del estado del arte,
tiempo de ejecución inferior, más escalable con el aumento
de cantidad de flujos.
Con
Tráfico
Re-Ruteo RDA-MILP y RDA-GA mejor desempeño en ahorro de energı́a
Incremental Sin
Re-Ruteo Ahorro de energı́a no sustancial, menor tiempo de computo.
RDA-GA Presenta menor consumo de energı́a.

Tráfico
Dinámico RDA-SP-FF Alta tasa de bloqueo.
3.7 Conclusiones
En esta investigación abordamos el problema de optimizar el consumo de
energı́a de las redes SDN considerando dos problemas: el problema de la
ubicación del controlador CA y el problema de enrutamiento de flujos y asig-
nación de dispositivos RDA. Este último problema se encuentra fuertemente
asociado al problema de ubicación de reglas. Para el primer problema se
ha realizado un estudio que indica el beneficio de considerar el grado y la
utilización del nodo para la selección del nodo controlador. En el segundo
94
problema se ha encontrado el beneficio de considerar todos los dispositivos
del switch SDN para lograr un mayor ahorro de energı́a que son: el cha-
sis, line cards y los enlaces, al poner los dispositivos inactivos en modo de
suspensión también se tuvo en cuenta la utilización del enlace.
Para el problema de ubicación del controlador se ha propuesto una
heurı́stica competitiva al propuesto en el estado del arte. Para el segundo
problema se ha propuesto una solución exacta basada en MILP como también
una metaheurı́stica basada en Algoritmos Genéticos.
Se han realizado cuatro experimentos. En el primer experimento se ha
determinado que la ubicación del controlador tiene un mayor impacto cuando
la red esta a media carga. Tanto en carga baja y alta el ahorro de energı́a es
marginal.
En el segundo experimento el modelo de solución MILP logra impor-
tantes ahorros de energı́a en comparación a los predecesores del estado del
estado del arte.
En el tercer experimento se estudia la importancia del re-enrutamiento.
Los resultados indican que un enfoque de re-ruteo logra un ahorro mayor de
energı́a no muy significativo en comparación a uno sin re ruteo. En con-
trapartida, el tiempo computacional para el calculo con re ruteo aumenta
dramáticamente con la carga de tráfico, mientras que un enfoque sin re-ruteo
los tiempos de computo son casi constantes.
En el cuarto experimento sobre tráfico dinámico se observa que el con-
sumo de energı́a llega a un máximo valor cuando la carga aumenta, esto es
debido a que en el sistema se encuentran activos todos los dispositivos. Con-
siderando la tasa de bloqueos el Algoritmo Genético logra una menor tasa
de bloqueo considerable en comparación a la heurı́stica basada en Shortest
Path y First Fit. Claramente a topologı́as de red más pequeñas el número
de bloqueos es mayor.
Como trabajo futuro, se planea abordar los siguientes aspectos:
• Proponer esquemas considerando la existencia de múltiples contro-

ladores en la red SDN.
• Abordar el problema basado en hardware de organización de la TCAM.
95
• Aplicar el enfoque de ahorro energético en redes SDN considerando la
tolerancia en caso de fallas de enlaces o componentes SDN.
96
Parte III
SDN Hı́brido
97
Capı́tulo 4
Despliegue incremental SDN Hı́brido
Este capı́tulo se enfoca en la pregunta: ¿Cómo mejorar las técnicas de des-

pliegue SDN Hı́bridos aplicando algoritmos evolutivos para mejorar la com-
petitividad?. Como parte del cumplimiento de los objetivos O3 y O4, se
desarrolla la solución original propuesta denominada Despliegue incremental
hı́brido, realizando el modelado y formulación matemática mediante MILP
planteado como MAM. También, se presenta la metaheurı́stica con algoritmo
genético que mejore el rendimiento y que sea escalable. Finalmente, se de-
spliegan los resultados experimentales obtenidos. El abordaje Puramente
Multiobjetivo (PMO) para este caso se desarrolla en el siguiente capı́tulo.
4.1 Propuesta y Metodologı́a
4.1.1 Despliegue Incremental Hı́brido

Considerando las ventajas y desventajas entre las maneras de despliegue,
surge la necesidad de lograr un balance tal que permita optimizar los re-
sultados deseados en la transición de paradigmas. La misma motivación
que originó el esquema HSDN puede ser aplicada para la hibridación de las
técnicas de despliegue incremental, pues al sopesar sus caracterı́sticas se ha-
cen visibles varios puntos complementarios que hasta este momento no se
han logrado o no se han planteado equilibrar por razones que van más allá
del alcance de este trabajo.
98
Figura 4.1: En la técnica hı́brida se seleccionan el nodo 3 para cambiar por
un dispositivo SDN y se agrega el nodo 7.
Con esto en mente proponemos una técnica que busque la estrategia

más óptima posible de ubicación de dispositivos SDN en una red tradicional
combinando las técnicas existentes hasta ahora y utilizándolas como lı́mites
referenciales. En un extremo tenemos el reemplazo y en el otro la de adición
de dispositivos, con el objetivo de maximizar la cantidad de flujos que sean
manejados por el paradigma SDN. En palabras simples proponemos una
técnica cuyo resultado sea un mapa de la topologı́a tradicional que identi-
fique donde será mejor reemplazar dispositivos y donde será mejor agregar
dispositivos. Esto nos lleva a que una mayor cantidad del tráfico de la red
aproveche las bondades del paradigma SDN al mismo tiempo que busca dis-
minuir las desventajas asociadas a este. Este enfoque se denomina Despliegue
Incremental Hı́brido.
La Figura 4.1 ayuda a ilustrar mejor nuestra idea. En este ejemplo el
despliegue hı́brido selecciona al nodo 3 como candidato para su reemplazo,
debido a que es un nodo con mucho tráfico o por lo menos el nodo con mayor
grado, mientras que propone la adición del nodo 7. De esta forma la mayor
cantidad de tráfico será controlado por el paradigma SDN y al mismo tiempo
se aumenta la robustez de la red HSDN al eliminar como punto único de falla
al nodo 3, esto quiere decir que si el nodo 3 falla el grafo que representa a la
red todavı́a sigue siendo conexo.
A todo esto se le debe agregar que cada dispositivo tradicional ejecuta
un protocolo de ruteo legado tal como OSPF, ECMP o similares, los cuales
99
tienen implementaciones en muchas topologı́as. Debido a esto cuando un flujo
dado llega a estos dispositivos es reenviado de acuerdo al protocolo de ruteo
que estén ejecutando, obligando al controlador SDN a implementar algún
método para atraer el flujo hacia algún dispositivo SDN convenciendo a estos
primeros que reenvı́ar dicho flujo a través de un dispositivo SDN es una mejor
alternativa, tal como lo describen en [99], [95] y [98]. La implementación de
esos métodos queda fuera del alcance de este trabajo porque abordamos el
problema en la fase de diseño y planificación.
Esta investigación tampoco se centró en la ubicación y colocación del
controlador ya que este no participa en el transmisión de flujos de datos o
solicitudes de los usuarios.
Tal como en el trabajo de [99], se asume que los nodos compatibles con
el paradigma SDN que serán agregados solo pueden ser ubicados en posi-
ciones predeterminadas por las condiciones fı́sicas; por ejemplo, suministro
de energı́a, sistema de refrigeración, etc. Además se supone que los nodos
compatibles con SDN deben ser hı́bridos, es decir comprender el protocolo
tradicional y el protocolo SDN, a fin de estandarizar la comunicación con los
nodos restantes de la red. Lo anterior no impide que el operador de red defina
la utilización de nodos puramente SDN en los casos en que decida ajustar
los parámetros de comportamiento del modelo para que este implemente la
técnica de reemplazo únicamente o cuando el modelo determine que el esce-
nario más óptimo se dé al emplear esta técnica. También asumimos que las
peticiones son flujos no divisibles y estáticos.
Con estas aclaraciones y supuestos se puede observar en la Figura 4.2
que el camino que seguirá cada flujo será determinado por el operador de red
ya sea a través del controlador o del plano de control distribuido, dependiendo
de sus necesidades. En este caso el flujo (1,5) puede pasar por el nodo 7, que
es un dispositivo SDN, si los demás enlaces disponibles ya están saturados y el
camino más corto es a través del nodo SDN, o si el operador asigna una mayor
precedencia al enlace (1,7) convirtiéndose en un flujo SDN, mientras que el
flujo (1,6) pasa por el nodo 3, que es un nodo tradicional, considerándose
un flujo tradicional. Hasta donde sabemos no hay otro trabajo similar que
intente combinar ambas técnicas de despliegue para balancear las ventajas.
100
Figura 4.2: Ejemplo de flujos SDN y No-SDN. El flujo (1,5) es SDN y llega a
destino a través del nodo SDN 7 porque es más óptimo en términos de ruteo
si es que el enlace (1,3) está saturado y el flujo (1,6) es un flujo tradicional.
101
4.2 Modelo HID-MILP
En esta sección será presentado el modelo MILP un despliegue incremental
hı́brido al que denominamos HID-MILP. Para una comprensión del modelo
propuesto la Tabla 4.1, la Tabla 4.2, y la Tabla 4.3 presentan las constantes,
parámetros, ı́ndices, y variables respectivamente.
Tabla 4.1: Constantes y Parámetros del modelo.

Simbolo Definición
G Grafo no dirigido que representa la topologı́a de red actual, G = (V1 , E1 )
V1 Conjunto de vértices que representan a los dispositivos existentes en la red
actual, V1 = {v1 , . . . , vn1 } con n1 = |V1 |.
E1 Conjunto de aristas que representan a los enlaces en la red actual, E1 =
{e1 , . . . , em1 } con m1 = |E1 |.
V2 Conjunto de vértices que representan a los dispositivos candidatos que
pueden ser agregados a la topologı́a, V2 = {v1 , . . . , vm2 } con m2 = |V2 |.
E2 Conjunto de aristas que representan a los enlaces candidatos que pueden
ser agregados a la topologı́a, E2 = {e1 , . . . , em2 } con m2 = |E2 |.
G+ Grafo no dirigido que representa la topologı́a de red extendida con los nodos
actuales y los nodos candidatos a ser agregados con los enlaces correspon-
dientes, G+ = (V + , E + ).
V+ Conjunto de vértices que representan a los dispositivos actuales y los can-
didatos a ser agregados a la topologı́a, V + = V1 ∪ V2 y n = |V + |.
E+ Conjunto de aristas que representan a los enlaces existentes y los candidatos
a ser agregados a la topologı́a, E + = E1 ∪ E2 y m = |E + |.
F Conjunto de peticiones que serán atendidos, F = {f1 , . . . , fw } con w = |F |.
f Petición conformado por nodos origen y destino s, d ∈ V1 y carga de tráfico
solicitado ϕ ∈ ℜ, f = (s, d, ϕ).
α1 Ponderación del costo de reemplazo de un nodo en la topologı́a, α1 ∈ [0, 1].
α2 Ponderación del costo de agregación de un nodo en la topologı́a, α2 ∈ [0, 1]
.
βh Ponderación de la calidad del servicio brindado por la red, βh ∈ [0, 1].
δ Ponderación del costo de enrutar el tráfico dentro de la red, δ ∈ [0, 1].
CN 1 Costo de reemplazo de un dispositivo actual.
CN 2 Costo de agregar un dispositivo.
CR1 Costo por enrutamiento en un enlace fı́sico existente.
CR2 Costo de agregar un enlace fı́sico.
κ Capacidad de tráfico de un enlace fisico.
102
Tabla 4.2: Índices del modelo.
i1 , j1 Índices correspondientes a los dispositivos existentes originalmente en la
topologı́a, i1 , j1 ∈ {1, ..., n1 }.
l1 Índice correspondientes a los enlaces existentes originalmente en la
topologı́a, l1 ∈ {1, ..., m1 }.
i2 , j2 Índices correspondientes a los dispositivos candidatos a ser agregados a la
topologı́a, i2 , j2 ∈ {1, ..., n2 }.
l2 Índice correspondientes a los enlaces candidatos a ser agregados a la
topologı́a, l2 ∈ {1, ..., m2 } .
i, j Índice a todos los dispositivos tanto existentes como potenciales, i, j ∈
{1, . . . , n}.
l Índice a todos los enlaces tanto existentes como potenciales, l ∈ {1, . . . m}.
r Índices correspondientes a los flujos que serán atendidos en la red, r ∈
{1, ..., w}.
Tabla 4.3: Variables del modelo

Cc Variable real que representa el costo total de reemplazar los nodos tradi-
cionales por otros con compatibles con el paradigma SDN.
Ca Variable real que representa el costo total de agregar los nodos potenciales
seleccionados con capacidades SDN.
Q Variable real que representa la calidad de servicio total del modelo.
CL Variable real que representa el costo total de enrutar todo el tráfico a través
de la red.
yi Variable binaria que toma el valor 1 si el i-ésimo nodo debe ser reemplazado
o agregado, 0 en otro caso.
tr Variable binaria que toma el valor 1 si el r-ésimo flujo es flujo SDN, 0 en
otro caso.
xrl Variable binaria que toma el valor 1 si el enlace l forma parte del camino
elegido para el r-ésimo flujo.
uri Variable binaria que toma el valor 1 si el flujo r pasa en el i-ésimo nodo
SDN.
zir Variable auxiliar entera que permite la eliminación de ciclos en el r-ésimo
flujo.
4.2.1 Formulación del problema

Dado el grafo G+ , las capacidades de cada enlace κl , los parámetros de
ponderación del modelo α1 , α2 , βh , δ, los costos de dispositivos CNi11 , CNi22 ,
CRl11 , CRl22 , y el conjunto de solicitudes F ; se busca minimizar el costo
de implementación de la técnica hı́brida y maximizar la cantidad de tráfico
103
controlado por SDN. Por ende cuanto mayor sea la calidad mayor será la
flexibilidad y la granularidad para la aplicación de algunas estrategias de TE
como lo describen Poularakis et al. en su trabajo [138].
Por lo tanto, para el problema de despliegue hı́brido se propone la si-
guiente programación matemática denominada (Hybrid Incremental Deploy
ment-MILP, HID-MILP):
HID-MILP:
Minimizar α1 · Cc + α2 · Ca − βh · Q + δ · CL (4.1)
sujeto a:
yi1 · CNi11 ≤ Cc (4.2)
X
∀i1
yi2 · CNi22 ≤ Ca (4.3)

X
∀i2
(4.4)
X
tr ≥ Q
∀r
xrl1 · CRl11 + xrl2 · CRl22 ≤ CL

XX XX
(4.5)
∀r ∀l1 ∀r l2
∀r, ∀i:





+1, si vi = sr

xrl − xrl = −1, si vi = dr (4.6)
X X
∀el =(vi ,vj ) ∀el =(vj ,vi ) 

0, en otro caso


∀r, ∀i:
xrl + xrl ≥ uri (4.7)
X X
∀el =(vi ,vj ) ∀el =(vj ,vi )
∀r, ∀i:
uri ≤ yi (4.8)
∀r:
uri ≥ tr
X
(4.9)
∀i
104
∀r, ∀el = (vi , vj ):
zir − zjr ≤ (n2 − 1) · (1 − xrl ) − 1 (4.10)
∀l:
xrl · ϕr ≤ κl (4.11)
X
∀r
La ecuación (4.1) es la función objetivo que cuantifica (a) el costo del

diseño medido mediante el costo de reemplazar, de agregar dispositivos SDN
y el costo de enrutamiento, y (b) la calidad de tráfico medido como la can-
tidad de flujos controlable por SDN. Las restricciones (4.2) y (4.3) indican
la cantidad de los dispositivos seleccionados para el reemplazo y agregación
respectivamente. La restricción (4.4) determina la cantidad de flujos que
será controlado por el controlador SDN la cual se desea maximizar. La res-
tricción (4.5) determina el costo de utilización de los enlaces para el tráfico
seleccionado la cual se busca minimizar. La restricción (4.6) establece las
propiedades de preservación de flujo de tráfico a través de la red. La res-
tricción (4.7) indica si un dispositivo fue seleccionado para el reemplazo o la
agregación en alguno de los flujos. La restricción (4.8) indica que el i-ésimo
dispositivo formará parte del conjunto de dispositivos SDN, ya sea por reem-
plazo o agregación, debido a que el mismo es un elemento del conjunto que
determina la mejor ruta para un flujo dado. La restricción (4.9) garantiza
que un flujo SDN tenga una ruta con al menos un dispositivo SDN. La res-
tricción (4.10) elimina la existencia de posibles ciclos de los caminos selec-
cionados para los flujos. La restricción (4.11) asegura que la carga de tráfico
no supere la capacidad de un enlace de red.
Además con una asignación apropiada del valor de δ y los valores de
costo CRi,j se podrı́a emular el comportamiento del algoritmo presentado en
[56] y ubicar los dispositivos SDN de forma tal a minimizar la longitud de
los caminos que deberán recorrer los flujos o solicitudes que sean controlados
por el paradigma SDN.
105
4.3 Metaheurı́stica HID-AG
Si bien el problema planteado puede ser resuelto como un modelo MILP,
esto implica un alto costo en tiempo de ejecución. Ya que tan solo encontrar
el costo mı́nimo de los enlaces para dos dispositivos obligados a atravesar
al menos un dispositivo SDN es un problema NP-Hard, según lo demues-
tran en [3] y [56]. Por lo tanto, es necesario investigar otras alternativas.
Existen varios paradigmas dentro de la familia de Algoritmos Evolutivos de
los cuales se utilizará un GA [54], el cual es realmente una metaheurı́stica,
debido a que usa una selección probabilı́stica al igual que la Programación
Evolutiva en contraposición a la selección determinı́stica de las Estrategı́as
Evolutivas [54]. Además, debido a su representación las soluciones evolucio-
nan el genotipo y no solo el fenotipo como en las otras técnicas evolutivas.
Otro motivo importante es que se utilizan especialmente en aplicaciones que
requieran optimización ya sea estructural, de topologı́as, numéricas, com-
binatorias, entre otras [87]. De manera a mejorar la competitividad en la
resolución de los problemas de optimización se diseñó el Hybrid Incremen-
tal Deployment-Genetic Algorithm (HID-GA), que sera desarrollado en los
apartados siguientes.
El Algoritmo 7 provee una descripción general del GA que se escogió
para el despliegue incremental hı́brido de dispositivos SDN. En el mismo la
constante GT M representa el tamaño de la población mientras que M ax Iter
es la constante que determina la cantidad de generaciones evolutivas que
se realizarán antes de retornar la mejor solución hallada. La propuesta se
puede desglosar en las siguientes partes principales: Codificación de indi-
viduo, Inicialización de la Población de Individuos, Operadores Evolutivos,
y Evaluación de Individuos.
4.3.1 Representación de Individuos

Una solución o individuo se representa mediante un cromosoma conformado
por una tupla de cuatro partes ω = [y c , y a , π, t]:
• El reemplazo se codifica mediante el vector binario y c de longitud n1 ;
106
Algoritmo 7: HID-GA
1: spf matrix ← Routes T , Cost T ;
2: ρ0 ← Generate Population(GT M );
3: ρ∗ ← Get Best(ρf itness );
4: for j ← 1 to Max Iter do
5: ρj ← Sel Cro Mut(ρj−1 , ρ∗ , µ, υ y , υ π );
6: ρjf itness ← Evaluate(ρj );
7: ρ∗ ← Get Best(ρjf itness );
8: end for
si yic = 1 entonces el nodo i ∈ V 1 será un dispositivo SDN, en otro caso

seguira siendo un dispositivo tradicional.
• El agregado se codifica mediante el vector binario y a de longitud n2 ; si

yia = 1 entonces el nodo i ∈ V 2 será un dispositivo SDN agregado, en
otro caso no será agregado.
• La secuencia de las solicitudes F = {γ1 , γ2 , . . . , γg } a ser atendidas se

codifican mediante un vector permutación π de longitud g; donde πj
indica que la j-esima solicitud a ser enrutada es la solicitud γπj .
• El flujo controlado por SDN es codificado mediante el vector binario t de

longitud g; si tr = 1 entonces el tráfico de la solicitud γr será controlado
por un dispositivo SDN, en otro caso el flujo no es controlado. Si el
flujo es controlado implica que la ruta de γr debe pasar por al menos
un dispositivo SDN.
4.3.2 Inicialización
Inicialmente, en la lı́nea 1 del Algoritmo 7 se crea la matriz de ruteo spf matrix,
la cual consiste en las rutas más cortas entre dos nodos cualesquiera de la
topologı́a extendida y el costo asociado a cada ruta. La población evolutiva
inicial se construye en la lı́nea 2 con la función ‘generar poblacion’, donde
básicamente, los vectores y c , y a , π y t de cada individuo ω son generados
aleatoriamente con distribución uniforme.
107
4.3.3 Operadores evolutivos
Los operadores evolutivos son la selección de individuos progenitores, el cruce
de progenitores para generar nuevos individuos y la mutación de los nuevos
individuos tal como se ve en la lı́nea 6 del Algoritmo 7. Estos operadores
aceptan como datos de entrada la población de la generación anterior (pj−1 ),
el mejor individuo (p∗ ) y los parámetros evolutivos (µ, υ y , υ π ). El Algoritmo
8 describe en detalle los procesos que dan lugar a la nueva generación, o sea
la función Sel Cro Mut, iniciando con la perpetuación del mejor individuo
(p∗ ) en la lı́nea 1.
Posteriormente, se repiten los siguientes pasos para cada individuo de
la nueva generación diferente al mejor individuo:
• Selección de Progenitores: en este primer proceso se utilizó la versión

determinista del método de selección mediante torneo [249] en la cuál
se eligen de forma aleatoria dos individuos de la población (pj−1 ), se
analizan las aptitudes de estos y se selecciona el mejor. Esto se realiza
dos veces por cada par de padres progenitores θ1 y θ2 en la lı́nea 4.
Esta técnica fue seleccionada porque tiene una implementación fácil
y es eficiente, especialmente para utilizarlos en paralelo; además no
requiere escalamiento de la función de aptitud y permite ejercer una
presión de selección muy alta.
• Cruza de Progenitores: para el segundo proceso se emplearon dos

técnicas debido a la representación de los cromosomas en la lı́nea 5
para lugar a los hijos ζ1, ζ2:
– Por un lado se utilizó la técnica de cruza de un punto [102],

que consiste en definir una posición aleatoria del cromosoma en
ambos progenitores, formando cuatro segmentos a partir de los
cuales se generan dos nuevos cromosomas mezclando los segmen-
tos obtenidos entre ellos. Por ejemplo, si se tiene como proge-
nitores a los cromosomas [1,1,0,0,1,1,0,0] y [1,1,1,1,0,0,1,0], luego
seleccionamos la posición 3 de ambos cromosomas dando lugar a
los segmentos [1,1,0, 0,1,1,0,0], [1,1,1, 1,0,0,1,0], entonces la cruza
108
da los siguientes descendientes [1,1,0,1,0,0,1,0] y [1,1,1,0,1,1,0,0].
Este tipo de cruzamiento se aplica de forma independiente sobre
los vectores y c , y a , y t que tienen representación binaria.
– Por otro lado, utilizamos la técnica de cruza ordenada [59] para
permutaciones, debido a que un segmento de cada cromosoma
corresponde al orden en que las peticiones o flujos van llegando,
por esta razón es necesario la definición de procedimientos de
reparación de las cadenas inválidas que se producen como conse-
cuencia de la cruza. Este operador se aplica a los vectores π. Por
ejemplo, si los progenitores son [9,8,4,5,6,7,1,2,3,10] y [8,7,1,2,3,10,
9,5,4,6], y de forma aleatoria se elige la sub-cadena [5,6,7,1] del
primer progenitor, el primer hijo estará compuesto por esta sub-
cadena en el orden heredado de su progenitor [*,*,*,5,6,7,1,*,*,*],
luego se borran del segundo progenitor los elementos existentes en
el primer hijo ([8,*,*,2,3,10,9,*,4,*]) para insertar posteriormente
sus elementos restantes por orden de lectura de izquierda a derecha
en los lugares vacı́os del primer hijo ([8,2,3,5,6,7,1,10,9,4]). Para
obtener el segundo hijo se realiza el mismo procedimiento pero
la sub-cadena se toma del segundo progenitor y la sustitución se
realiza a partir del primer progenitor.
• Mutación: para el tercer proceso se tomaron como parámetros el por-

centaje de mutación de la población (µ) y las tasas de ruido para cada
cromosoma (υ y , υ π ) (lı́nea 6). Dada la estructura compuesta del cro-
mosoma se tienen dos tipos de operadores de mutación.
– Para los vectores binarios y c , y a , y t se utiliza la técnica de Flip-

bit [66], el cual consiste en seleccionar aleatorimente cuales ale-
los de un cromosoma serán invertidos. Por ejemplo, un vector
[1,1,0,0,1,1,0,0] → [1,1,0,1,1,1,0,0] antes y posterior a la mutación
con flipbit en el alelo cuatro.
– Para el vector permutación t fue utilizada la técnica de intercam-
bio recı́proco [54] que consiste en seleccionar dos alelos e inter-
cambiar sus lugares. Por ejemplo, un vector [1,2,3,4,5,6,7,8] →
109
[1,2,3,7,5,6,4,8] antes y posterior a la mutación con swap en los
alelos cuatro y siete.
La mutación de cada cromosoma se realiza de forma aleatoria entre

toda la población para evitar los valores óptimos locales y este proceso
se realiza hasta alcanzar el porcentaje de mutación definido para la
población.
Algoritmo 8: Operadores de Selección, Cruza y Mutación:

Sel Cro M ut
1: ρj .Add(ρ∗ );
2: for each ω in (ρj - ρ∗ ) do
3: θ1, θ2 ← Parent Selection(ρj−1 );
4: ζ1, ζ2 ← Crossover(θ1, θ2);
5: ρj .Add(ζ1, ζ2);
6: ρj .Mutate(µ, υ y , υ π );
7: end for
4.3.4 Evaluación
El fitness de cada individuo se cuantifica en el Algoritmo 9. Este cálculo
se realiza para cada cromosoma de la población y en cada paso evolutivo
como se puede observar en el Algoritmo 7. La aptitud es el valor de la
función objetivo propuesta en la Ecuación (4.1) que determina la calidad de
la solución codificada en el cromosoma, en este caso el costo de diseño.
Para calcular este valor se toma como datos de entrada el cromosoma ω
y la matriz de rutas spf matrix. Por cada petición πj se verifica que en la red
haya suficiente recursos disponible para enrutar la solicitud de recursos ϕπj
(lı́nea 2). Además, se verifica que ésta deba o no ser un flujo SDN (lı́nea 6).
Si la petición no necesita ser controlada por SDN (tj =0) se controla que cada
dispositivo del camino más corto pertenezca al conjunto de dispositivos ya
existentes en la topologı́a original o sea un candidato de adición a la topologı́a
(lı́neas 7-12) para posteriormente realizar una de las dos acciones, recalcular
el costo del camino más corto factible de ser necesario (lı́neas 13-15) o sumar
el costo de ruteo del camino más corto ya existente (lı́neas 16-18).
110
Si el flujo de la petición πj debe ser un flujo SDN (tj =1) entonces la
ruta debe pasar por al menos un dispositivo SDN. Por lo tanto, se verifica
que en el camino spf matrix[πj ] exista al menos un dispositivo SDN (lı́neas
21-24). En caso contrario, se verifica la existencia de al menos un dispositivo
SDN ubicado por el cromosoma ω, i.e. (A = i∈V (yic + yia )). Si al menos
P
un dispositivo SDN se ubica (A ≥ 1) entonces se calcula un camino más

económico disponible desde el origen al destino de πj que pase por al menos
un dispositivo SDN determinados por y c e y a .
Se suman los costos de los dispositivos propuestos en el cromosoma
(lı́neas 32-37) y luego la cantidad de flujos SDN (lı́neas 38-40).
Finalmente se obtiene el valor del fitness normalizando los costos de
dispositivos, costos de ruteo y la cantidad de flujos SDN obtenidos acorde a
la ecuación (4.1).
4.4 Resultados Experimentales

En esta sección son evaluados los resultados de nuestras propuestas y se
comparan con las técnicas mencionadas del estado del arte de reemplazo y
de adición. Primeramente se dará un vistazo a las topologı́as utilizadas para
los experimentos, luego se bosquejan los resultados obtenidos y los compara-
remos con otras técnicas.
4.4.1 Ambiente Experimental y Escenarios de Simu-

lación
Todos los experimentos fueron realizados en una computadora personal de
16 GB de RAM y un procesador Core i7-4790 de 3.6 GHz.
Las topologı́as de red utilizadas son tres de diferentes tamaños: pequeña,
mediana y grande. Como se puede apreciar en la Figura 4.3 la pequeña consta
de 17 nodos, 26 enlaces y 121 solicitudes, la red mediana consta de 28 nodos,
41 enlaces y 378 solicitudes como se muestra en la Figura 4.4, mientras que
la red grande consta de 50 nodos, 88 enlaces y 662 solicitudes ası́, las cuales
están resumidas en la Tabla 4.4. Todas estas topologı́as y cargas de tráfico
111
Figura 4.3: Topologı́a Pequeña
Figura 4.4: Topologı́a Mediana
112
Figura 4.5: Topologı́a Grande
fueron tomadas de la librerı́a SNDlib [1] a fin de facilitar la reproducibili-

dad de los experimentos. La manera en la que los nodos adicionales fueron
generados es la misma que la explicada en el trabajo de [99]. Básicamente,
se ubicaron en donde era fı́sicamente posible, como eso es difı́cil deducir a
simple vista se podrı́a agregar más nodos de forma aleatoria o si se cuenta
con una matriz de tráfico histórica se podrı́an elegir los nodos adicionales de
forma tal que los nodos con mayor tasa de utilización se vean aligerados.
Para la experimentación se considero para cada topologı́a instancias
con cargas del 20%, 40%, 60%, 80% y 100%.
113
4.4.2 Ajustes de Parámetros del GA
Antes de pasar a la descripción de los experimentos es necesario mencionar
que la decisión de usar un GA implica que los usuarios deben definir cues-
tiones de diseño como el tipo de operadores evolutivos y también los parámetros
evolutivos [64]. La estructura de los operadores evolutivos fueron explicadas
en la sección anterior.
Al proceso de elección de parámetros se le conoce como Ajuste de
Parámetros [89], [64], [54] y en la generalidad de los casos se obtiene como
resultado un vector de parámetros evolutivos a ser utilizados durante la op-
timización. Diversas técnicas de ajuste de parámetros se pueden consultar
en [30].
En este trabajo desarrollamos un meta-AG para ajustar los parámetros
del HID-AG a fin de seguir la corriente cientı́fica y alcanzar la mayor eficiencia
posible de dicho algoritmo. Un meta-AG es un AG aplicado a otro AG para
ajustar el parámetro en el problema de estudio. El meta-AG diseñado realizó
la búsqueda entre 2000 combinaciones aleatorias posibles y los valores de
los vectores con los tres mejores resultados fueron promediados y utilizados
en el HID-AG. Finalmente la Tabla 4.5 presenta los parámetros ajustados
obtenidos por el meta-AG.
4.4.3 Esquema Experimental

En esta sección se explicará el proceso seguido para obtener los resultados
experimentales.
Inicialmente se corrió el meta-AG mencionado en la sección 4.4.2 para
seleccionar los parámetros evolutivos óptimos para el HID-AG propuesto,
posteriormente se determinaron como parámetros fijos, meramente repre-
sentativos, para todos los algoritmos y en todos los escenarios los pesos
de α1 =α2 = 0.1 para los costos de dispositivos, βh = 0.4 para la calidad de
las solicitudes, representada por la cantidad de peticiones manejados por el
paradigma SDN, y δ = 0.4 para el costo de ruteo del tráfico que ingresa a la
red.
Se corrió el HID-AG propuesto diez veces de forma independiente para
114
cada carga de trabajo en cada topologı́a, se seleccionaron los mejores resul-
tados y se tomaron los tiempos como lı́mites máximos para la ejecución de
los modelos matemáticos de las técnicas referenciales y la técnica hı́brida.
Como representantes de las técnicas referenciales se tomaron los mod-
elos matemáticos de Levin el al. [56], para el reemplazo, denominado Des-
pliegue de reemplazo mediante Programación de enteros mixtos (Replace-
ment deployment-Mixed-Integer Programming, RD-MIP), y Xu et al. [99],
para la adición, llamado despliegue por adición-programación lineal de en-
teros mixtos (Adition Deployment-Mixed-Integer Linear Programming, AD-
MILP). Estos modelos junto al HID-MILP propuesto se corrieron una vez
para cada carga en cada topologı́a tomando como lı́mites temporales la can-
tidad de segundos que se encuentran en la Tabla 4.6.
Todos los resultados fueron recopilados en planillas para su análisis y
posterior graficación los cuales se describen en la siguiente sección.
4.4.4 Resultados Experimentales

En la Figura 4.6 se puede observar la relación entre la cantidad de tráfico
SDN y el costo en la adquisición de dispositivos SDN en los escenarios. Aquı́
se aprecian algunos aspectos como que la técnica hı́brida en sus dos ver-
siones, MILP y AG, puede controlar una mayor cantidad de flujos a través del
paradigma SDN, con cargas mayores al 60% en la topologı́as (a) y 80% en la
topologı́as (b). Además, como era de suponerse en la topologı́a pequeña (a) se
nota que el costo de implementación de la solución AG para un rendimiento
similar al del MILP es mayor hasta 2 veces incluso. Esta situación se re-
vierte a medida que la topologı́a aumenta como en el caso de la topologı́a
mediana (b) en donde el costo de dispositivos propuesto por el AG para un
rendimiento similar al del MILP es hasta tres veces menor, hasta llegar a
la topologı́a grande (c) donde ni el MIP ni el MILP pudieron acercarse el
rendimiento del GA. Esto se debe a que a medida que aumenta la comple-
jidad del problema el MILP es menos escalable y la solución obtenida en el
mismo tiempo computacional que un AG es de menor calidad.
En la Figura 4.7 es posible observar [56] , [99] que como era de espe-
115
(a) Topologı́a Pequeña
(b) Topologı́a Mediana
(c) Topologı́a Grande

Figura 4.6: Relación calidad del tráfico versus costo de implementación
116
(a) Topologı́a pequeña

Figura 4.7: Relación calidad del tráfico versus costo de enrutamiento.
117
rarse el comportamiento inicial del HID-MILP es similar al comportamiento
de la técnica por reemplazo RD-MIP, ya que es más económico enrutar a
través de la topologı́a existente. Pero, a medida que aumenta la carga la pro-
puesta hı́brida tiende a comportarse como la técnica por adición pues resulta
más económico. Otra observación es que es posible enrutar toda la carga
existente, dando como resultado un mejor rendimiento acorde a los pesos de
las funciones objetivas. Se puede ver que con la técnica de reemplazo no
es posible enrutar el 100% de la carga impuesta en ninguna topologı́a, con
o sin dispositivos SDN. Por el contrario con la técnica por adición si bien
no todo el tráfico se convierte en flujo SDN al menos es posible enrutar la
totalidad del mismo a través de nodos tradicionales y SDN agregados gracias
a la capacidad adicional otorgada por los enlaces y dispositivos extras.
Nuevamente en la Figura 4.7 en la topologı́a (c) se observa la desventaja
del MIP y los MILP al no poder enrutar de forma satisfactoria todo el tráfico
en un tiempo considerable en comparación con el GA.
En la Figura 4.8 se observa con más detalle la tasa de flujos que son
controlados por el paradigma SDN. Se puede apreciar que a medida que la
carga en la red alcanza puntos de saturación la técnica propuesta HID ofrece
un mejor rendimiento que las referenciales existentes. En este punto se resalta
que en la topologı́a mediana con carga al 100% el modelo HID-MILP no llega
siquiera la zona de posibles soluciones en el tiempo lı́mite establecido. Por
su parte el AG que ofrece una calidad del 97% del tráfico ingresado a la red
se convierte en flujo SDN. La técnica propuesta puede mejorar la calidad
del servicio hasta en 34% en comparación con la técnica de adición y hasta
un 19% con la técnica de reemplazo en la topologı́a (b) mientras que en la
topologı́a (a) la mejora es de hasta un 27% y un 37% con las técnicas de
adición y reemplazo respectivamente. Como se anunció anteriormente en
este trabajo, se puede observar que en la topologı́a (c) los modelos MIP y
MILP no alcanzaron a ofrecer resultados factibles en el tiempo determinado
por el GA, mientras que este último ofrece una calidad superior al 90% para
todas las cargas de tráfico.
Un aspecto claro de los resultados es que el costo de flujos SDN es
proporcional tanto al costo de ruteo como el costo de diseño. Esto implica
118
(a) Topologı́a pequeña

Figura 4.8: Medición de QoS bajo diferentes cargas de tráfico
119
que el problema es de naturaleza multi-objetiva al tratar de minimizar el
costo y maximizar la calidad de tráfico simultáneamente.
4.5 Conclusiones
En este estudio se analizó uno de los desafı́os inherentes al esquema HSDN
que es el despliegue incremental de dispositivos SDN en una topologı́a tradi-
cional ya existente. Se consideraron las ventajas y desventajas de las técnicas
del estado del arte que han abordado el mismo desafı́o reemplazando dispo-
sitivos tradicionales por otros SDN o agregando dispositivos SDN y se ha
propuesto una técnica que permita optimizar los beneficios de las primeras.
La técnica propuesta ha sido implementada a través de un Programa
Lineal Entero Mixto y se comparó su rendimiento contra un representante
de cada técnica del estado del arte demostrando un margen mayor de tráfico
controlado por el paradigma SDN a medida que la carga de trabajo va au-
mentando, hasta un 37% en comparación con la técnica por adición y hasta
un 98% en comparación con la técnica por reemplazo, en escenarios donde la
carga de trabajo fue superior al 80%.
Además se propuso una implementación de la técnica hı́brida a través de
un GA, pues se constató que el MILP no es escalable para grandes topologı́as
o grandes cargas de trabajo. El GA por otra parte dió un rendimiento supe-
rior al 90% de calidad de tráfico, es decir que más del 90% de todo el tráfico
fue controlado por el paradigma SDN, en todos los escenarios con tiempos
muy inferiores a los MILP propuesto y a los modelos matemáticos del estado
del arte en topologı́as Mediana y Grande. Todo eso con costos de imple-
mentación inferiores a las ofrecidas por las técnicas del estado del arte y el
modelo de optimización propuesto.
De esta forma también se demuestra que la implementación del esquema
HSDN como estrategia a largo plazo es factible.
En el futuro se planea analizar los siguientes aspectos:
• Comportamiento de la técnica propuesta con tráfico multicast y divi-

sible.
120
• Aumento de los parámetros de comportamiento para considerar métricas
de robustez y confianza, como cantidad máxima de caminos de respaldo.
• Abordar el problema con tráfico dinámico.
• Plantear la propuesta de despliegue incremental hı́brido en el escenario

HSDN/OSPF con un contexto multi objetivo.
• Extender el trabajo presentado por Tamal et al. [58] utilizando la

técnica de despliegue incremental hı́brido.
121
Algoritmo 9: Computación del Fitness: Evaluate
1: for j ← 1 to g do
2: if Enough Capacity(πj ) == False then
3: Modify spf matrix(πj );
4: end if
5: shortest path ← spf matrix[πj ].route;
6: if tj == 0 then
7: for each node in shortest path do
8: if node in y a AN D ynode
a
== 0 then
9: recompute ← T rue;
10: break;
11: end if
12: end for
13: if recompute is True then
14: CL.Add(Rerouting(πj ));
15: Modify Capacity Matriz();
16: else
17: CL.Add(cost(shortest path));
19: end if
20: else
21: if Count Sdn(shortest path) ≥ 1 then
22: CL.Add(cost(shortest path));
24: else
25: if Count Sdn(y c + y a ) ≥ 1 then
26: CL.Add(Rerouting(closest sdn));
28: end if
29: end if
30: end if
31: end for
32: for j ← 1 to n1 do
Cc .Add(yjc ∗ CNj1 );
33: end for
34: for j ← 1 to n2 do
Ca .Add(yja ∗ CNj2 );
35: end for
36: for j ← 1 to g do
Q.Add(tj );
37: end for
38: f itness ← α1 ∗ Cc + α2 ∗ Ca − βh ∗ Q + δ ∗ CL;
122
Tabla 4.4: Topologı́as estudiadas [1]
Tamaño Número de Nodos Número de Enlaces Número de Flujos

Pequeño 17 26 121
Mediano 28 41 378
Grande 50 88 662
Tabla 4.5: Parámetros Evolutivos Ajustados.
Parámetro Sı́mbolo Valor

Población ρ 222
Tasa de Mutación µ 23%
Tasa de ruido en
υy 53%
Bit-Flipping
Tasa de ruido en
υπ 37%
permutación
Tabla 4.6: Tiempo de Ejecución por cada topologı́a
Topologı́as
Carga
Pequeño Mediano Grande
20% 87 s 847 s 1566 s
40% 403 s 2107 s 3120 s
60% 1367 s 3063 s 3601 s
80% 2467 s 7223 s 5146 s
100% 2132 s 11638 s 6173 s
123
Capı́tulo 5
Técnica de Despliegue por
Reemplazo de Dispositivos en HSDN
5.1 Resumen
Las redes SDN Hı́bridas brindan a los administradores y usuarios de red
varias mejoras, funciones y beneficios. Sin embargo, HSDN presenta desafı́os
desde una perspectiva de optimización.
El presente trabajo aborda la implementación incremental de disposi-
tivos SDN basados en la técnica de implementación por reemplazo (Replace-
ment Deployment, RD), considerando simultáneamente el costo de reemplazo
y la calidad del flujo de tráfico. Como las funciones objetivo suelen estar
en conflicto, en este trabajo se estudia el RD como un problema de opti-
mización multiobjetivo para determinar la estructura de la frontera eficiente
de soluciones. En este contexto, proponemos tres estrategias basadas en
programación lineal de enteros mixtos multiobjetivo (Multi-objective Linear
Programming, MOLP) basada en la restricción ϵ, un algoritmo genético mul-
tiobjetivo (Multi-objective Genetic Algorithm, MOGA) basado en una suma
ponderada y un algoritmo multiobjetivo evolutivo (Multi-objective Evolution-
ary Algorithm, MOEA). Las estrategias propuestas definen simultáneamente
qué nodos tradicionales son reemplazados por dispositivos SDN y el enruta-
miento de las solicitudes de tráfico buscando una solución que minimice el
124
costo de reemplazo y maximice el flujo controlado.
Las simulaciones numéricas muestran que la frontera eficiente del pro-
blema RD es un conjunto de soluciones no dominadas, llamado conjunto de
Pareto. Los enfoques propuestos prometen obtener un conjunto de Pareto de
alta calidad. El MOGA y el MOEA calculan soluciones a un costo computa-
cional más bajo que el MOLP a medida que aumenta el volumen de tráfico.
Por otro lado, el MOEA calcula soluciones más eficientes que el MOGA;
además, éstas soluciones se acercan al conjunto eficiente de Pareto obtenido
por el MOLP.
5.2 Implementación del MRD

En este capı́tulo presentamos el modelo MOLP para el problema de des-
pliegue por reemplazo multiobjetivo (Multi-objective RD problem, MRD), ası́
como también las implementaciones MOGA y MOEA, las cuales serán ex-
plicadas de forma detallada. Para la comprensión del modelo propuesto, en
las tablas 5.1, 5.2 y 5.3 se presentan los ı́ndices, constantes, parámetros y
variables respectivamente.
Tabla 5.1: Índices
i1 Índice a todos los dispositivos existentes, i1 ∈ {1, . . . , n}.
l1 Índice a todos los enlaces existentes, l1 ∈ {1, . . . m} siendo l1 =
(i1 , i′1 )
r Índice correspondiente a los flujos que serán atendidos en la red,
r ∈ {1, ..., w}.
125
Tabla 5.2: Constantes y Parámetros
G Grafo no dirigido que representa la topologı́a de red actual, G =
(V1 , E1 )
V1 Conjunto de vértices que representan dispositivos existentes en
la red actual siendo n =| V1 |.
E1 Conjunto existente de enlaces en la red actual siendo m1 =| E1 |.
F Conjunto de solicitudes a ser atendidas, F = {f1 , . . . , fw } siendo
w =| F |.
f Solicitud formada por nodos de origen y destino s, d ∈ V1 y carga
de tráfico solicitada ϕ ≥ 0, f = (s, d, ϕ).
ϕr Cantidad de ancho de banda necesaria para el flujo r.
CN 1 Costo de reemplazo de un nodo tradicional.
κl Capacidad de tráfico el l1 -ésimo enlace fı́sico.
Tabla 5.3: Variables
Cc Variable real que representa el costo total de reemplazar los nodos

tradicionales por otros compatibles con el paradigma SDN
Q Variable real que representa la calidad de servicio total del modelo.
yi1 Variable binaria que toma el valor 1 si se va a reemplazar el i1 -ésimo
nodo, 0 en caso contrario
tr Variable binaria que toma el valor 1 si el r-ésimo flujo es un flujo SDN,
0 en caso contrario.
vlr1 Variable binaria que toma el valor 1 si el l-ésimo link es parte del
camino elegido para el r-ésimo flujo.
uri1 Variable binaria que toma el valor 1 si el r-ésimo flujo pasa por el
i1 -ésimo nodo SDN.
zir1 Variable entera auxiliar que permite la eliminación de ciclos en el r-
ésimo flujo.
5.3 Formulación del problema MRD

El problema MRD busca minimizar el costo de reemplazo y maximizar la
cantidad de flujo controlado por SDN, es decir, un MOP con p = 2. Por lo
tanto, cuanto mayor sea la calidad, mayor será la flexibilidad y granularidad
126
para aplicar algunas estrategias de ingenierı́a de tráfico tal como describen
Poularakis et al. [138].
En este contexto, el vector de funciones de minimización se define como
F (x) = (f1 (x) = C(x), f2 (x) = −Q(x)), donde x es el vector de variables de
decisión que pertenece a Ω ⊆ R2 , el cual es el espacio de decisión. La función
objetivo del Costo es tal que C : Ω → {0, . . . , Cmax } donde Cmax = n · CN 1
y la función objetivo de la Calidad es tal que Q : Ω → {0, 1, 2, . . . , w}.
Como ningún punto único minimiza simultáneamente las funciones objetivo
de diseño, el objetivo es encontrar el frente óptimo de Pareto. En este frente,
el ingeniero SDN seleccionará la solución SDN con la compensación (trade-
off ) más conveniente para implementar un HSDN.
Hay que tener en cuenta que la variable de decisión x codificará implı́-
citamente los nodos que se reemplazarán y el enrutamiento de los flujos.
5.4 Modelo RD MOLP

Esta sección presenta la formulación MOLP basada en una restricción ϵ para
el problema MRD. Dado un nivel de presupuesto empresarial ϵ = Cc , el
MOLP basado en una restricción ϵ se expresa de la siguiente manera:
RD MOLP:
Maximizar Q = (5.1)
X
tr
∀r
sujeto a:
CN 1 · (5.2)
X
yi ≤ Cc
∀i
∀r, ∀i1 :





+1, if i1 = sr

vlr1 − vlr1′ = (5.3)
X X
−1, if i1 = dr
∀l1 =(i1 ,i′1 ) ∀l1′ =(i′1 ,i1 )


0, si no


127
∀r, ∀i1 :
vlr1 ≥ uri1 (5.4)
X
∀l1
∀r, ∀i1 :
uri1 ≤ yi1 (5.5)
∀r:
uri1 ≥ tr
X
(5.6)
∀i1
∀r, ∀l1 :
zir1 − zir′1 ≤ (2 · n − 1) · (1 − vlr1 ) − 1 (5.7)
∀l1 :
vlr1 · ϕr ≤ κl1 (5.8)
X
∀r
La función objetivo (5.1) cuantifica el costo del diseño medido por

el costo de reemplazar dispositivos SDN. La inecuación (5.2) determina el
máximo presupuesto empresarial. La ecuación (5.3) establece las propiedades
para preservar el flujo de tráfico a través de la red. La inecuación (5.4) in-
dica si un dispositivo fue seleccionado para reemplazo para un r-ésimo flujo
dado, obliga a ese flujo a pasar a través del i1 -ésimo nodo SDN, este último
como fuente, destino o intermediario de comunicación. La restricción (5.5)
indica que el i1 -ésimo dispositivo formará parte del conjunto de dispositivos
SDN que será reemplazado, ya que el mismo es un elemento del conjunto
que determina la mejor ruta para al menos un flujo. La restricción (5.6) ase-
gura que un flujo SDN tenga un camino con al menos un dispositivo SDN.
La restricción (5.7) elimina la existencia de posibles ciclos de caminos selec-
cionados para los flujos. La restricción (5.8) asegura que la carga de tráfico
no exceda la capacidad de los enlaces de la red.
128
5.5 MRD basado en Algoritmos Evolutivos
El problema MRD puede ser resuelto con un modelo de programación mate-
mática, pero tiene un alto costo computacional cuando aumenta la carga
de trabajo y crece el tamaño de la red. Dado que sólo encontrar el costo
mı́nimo de enlaces entre dos dispositivos por los que debe pasar un flujo que
está forzado a atravesar por un dispositivo SDN es un problema NP com-
pleto [56], [3]. Por lo tanto es necesario el estudio de otras alternativas que
provean un balance entre el tiempo computacional y la calidad de la solución.
Varios paradigmas en algoritmos evolutivos buscan lograr este objetivo [54].
Los algoritmos genéticos multiobjetivos y los algoritmos evolutivos multiob-
jetivos han sido aplicados con éxito a diferentes problemas de comunicación
en red. Por lo tanto, este trabajo propone diseñar algoritmos basados en
estos conceptos para el problema MRD.
5.5.1 RD MOGA
La estrategia propuesta está basada en un MOGA elitista llamado RD -
MOGA. Elitismo se refiere a que algunos de los mejores individuos de la
generación evolutiva formarán parte de la siguiente generación. El Algoritmo
10 describe el pseudocódigo del procedimiento RD MOGA.
En términos generales, el RD MOGA tiene tres partes principales: Ini-
cialización de la población, proceso evolutivo y el retorno de la mejor solución.
En la lı́nea 1, el algoritmo genera la primera población de individuos P
de tamaño S, luego en la lı́nea 2 evalúa el fitness de las soluciones. El proceso
evolutivo (lı́neas 3 a 8) se ejecuta cı́clicamente hasta que el criterio de parada
se cumpla. Los operadores evolutivos generan S-1 individuos descendientes
a partir de las soluciones actuales en cada paso evolutivo. El fitness de los
descendientes también es calculado. Los descendientes y el mejor individuo
actual son parte del siguiente paso evolutivo. Finalmente, la mejor solución
perteneciente a la última población generada es la que se retorna (lı́neas 9 y
10).
129
5.5.2 RD MOEA
La estrategia propuesta está basada en el NSGA-II denominada RD MOEA.
El Algoritmo 11 describe el pseudocódigo del procedimiento RD MOEA.
Nótese que varios componentes son compartidos entre el RD MOGA y el
RD MOEA, como los parámetros de entrada, operadores evolutivos, inicia-
lización de la población y la función de evaluación.
El RD MOEA tiene tres partes principales: Inicialización de la pobla-
ción evolutiva, proceso evolutivo, y el retorno de las mejores soluciones. En
la inicialización de la población evolutiva (lı́neas 1 a 3 de la figura 11), el algo-
ritmo genera la primera población P de S individuos, luego las soluciones del
vector de las funciones objetivos son calculadas. Finalmente, las soluciones se
agrupan según su dominio sobre otras soluciones. En cada conglomerado se
obtiene la medida de hacinamiento (distancia de crowding) de cada solución.
El proceso evolutivo (lı́neas 4 al 9) se ejecuta cı́clicamente hasta que
el criterio de parada se cumpla. Los operadores evolutivos generan nuevos
descendientes desde las soluciones actuales en cada paso evolutivo. Se calcula
el vector de las funciones objetivo de la descendencia. La descendencia y
lo individuos actuales compiten para determinar quienes sobreviven para el
siguiente paso evolutivo. Los mejores S individuos avanzan a la siguiente
generación. Adicionalmente el método Ranking Crowding() (lı́nea 7) es el
encargado de agrupar y ordenar las soluciones de acuerdo a su dominancia
sobre las demas (frentes de pareto), posteriormente dentro de cada frente,
calcula la distancia de crowding de cada solución, para finalmente ordenar
las soluciones de mismo ranking de acuerdo a su distancia de hacinamiento
(crowding). Luego del proceso evolutivo, el algoritmo retorna las mejores
soluciones no dominadas de la última población (lı́neas 10 al 11).
5.5.3 Métodos Evolutivos

Esta sección explica los parámetros de entrada, la estructura del cromosoma
y los procedimientos utilizados por los algoritmos propuestos.
130
Algoritmo 10: Pseudocódigo del procedimiento RD MOGA.
entrada: S, criterioP arada(), µ, τb , τπ , λ1 , λ2
salida : x
1 P ← Generar(S)
2 Evaluar(P, λ1 , λ2 )
3 mientras ∼criterioP arada() hacer
4 Q ← Evolucionar(P, µ, τb , τπ , S-1)
5 Evaluar(Q, λ1 , λ2 )
6 x ← Get Mejor(P)
7 P ← {x} ∪ Q
8 fin mientras
9 x ← Get Mejor(P)
10 retornar x
5.5.3.1 Parámetros de Entrada
Los algoritmos RD MOGA y RD MOEA propuestos reciben como parámetros

de entrada lo siguiente:
• Parámetros de la red:
– Grafo no dirigido G = (V1 , E1 ) representando a la topologı́a de la

red.
– Camino más corto SP entre los nodos en la red.
– Conjunto de solicitudes F a ser atentidas.
• Parámetros evolutivos:
– Tamaño de la población S.
– Criterio de parada evolutiva criterioP arada().
– Tasa de mutación µ de los individuos.
– Tasa de ruido τb para gen binario.
– Tasa de ruido τπ para gen de permutación.
Adicionalmente el RD MOGA también recibe los pesos λ1 y λ2 de las fun-

ciones objetivo, donde λ1 + λ2 = 1. Estos parámetros son utilizados para el
cálculo del fitness de acuerdo a la ecuación 5.9.
131
Algoritmo 11: Pseudocódigo del procedimiento RD MOEA.
entrada: S, criterioP arada(), µ, τb , τπ
salida : Set de Pareto PS
1 P ← Generar(S)
2 Evaluar(P)
3 Ranking Crowding(P)
4 mientras ∼criterioP arada() hacer
5 Q ← Evolucionar(P, µ, τb , τπ ,S)
6 Evaluar(Q)
7 F ←Ranking Crowding(P ∪ Q)
8 P ← R[1 : S]
9 fin mientras
10 PS ← Get Solutiones No Dominadas(P)
11 retornar PS
En los métodos de combinación lineal de pesos, el problema es mini-

mizar una combinación de funciones objetivo, es decir, la suma ponderada de
funciones objetivo. La siguiente programación parametrizada presenta este
concepto:
min{f (x) = λi · fi (x) : g(x) ≥ 0, λi ≥ 0} (5.9)
X
5.5.3.2 Cromosoma
La estructura del cromosoma es la misma tanto para el RD MOGA como

para el RD MOEA. El cromosoma codifica las variables de decisión y está
compuesto por tres genes, es decir x = [y, π, t]:
• Gen de reemplazo: El reemplazo está codificado por el vector binario

y de longitud n =| V |. Un dispositivo SDN reemplaza un nodo tradi-
cional i1 ∈ V1 cuando yi1 = 1 de lo contrario, seguirá siendo tradicional.
• Gen de permutación: El vector de permutación π de longitud w codifica

la secuencia de solicitudes a atender F = {f1 , f2 , . . . , fw }; donde πi1
indica que la i1 -ésima solicitud que se enrutará es la solicitud Fπi1 .
• Gen de flujo de calidad: El vector binario t de longitud w codifica la

calidad de los flujos; el sistema SDN controla el flujo Fi1 cuando ti1 = 1.
132
La ruta del flujo controlado debe pasar por al menos un dispositivo
SDN.
El siguiente ejemplo introduce una breve explicación. Sea una red SDN
de seis nodos (n=6), un conjunto de cinco solicitudes F = {f1 , f2 , f3 , f4 , f5 },
y el subsecuente cromosoma x=(y,π,t) con y=(0,1,1,0,0,0), π=(3,2,1,5,4), y
t=(1,1,0,0,0,1). El cromosoma codifica una red con dispositivos SDN insta-
lados en los nodos dos y tres. Un algoritmo de enrutamiento calculará las
rutas con el siguiente órden p3 , p2 , p1 , p5 , y p4 . Aquı́ pi1 es la ruta de la
solicitud fi1 . Tenga en cuenta que las rutas p1 , p2 y p6 deben incluir al nodo
dos o tres. Los flujos de tráfico f1 ,f2 , y f6 deben ser controlados.
5.5.3.3 Inicialización de la población: Generar
La función Generar construye la primera población de con S individuos, uno

a uno. Los vectores binarios y y t son inicializados aleatoriamente con ceros
o unos, mientras que el vector π con una permutación aleatoria. En todos
los casos, la inicialización aplica una distribución uniforme.
5.5.3.4 Operador evolutivo: Evolucionar
Los operadores evolutivos son la selección de individuos progenitores, el cruce

de progenitores para generar descendencia y la mutación de la descendencia
[53]. Estos operadores reciben los parámetros de entrada, la población de la
generación anterior y los parámetros evolutivos (µ, τy , τπ ). El procedimiento
Evolucionar ejecuta estos operadores uno tras otro para producir nuevos
individuos.
• Selección: En este primer proceso, usamos la versión determinista del

método de selección de torneos binarios [249]. Este operador toma
aleatoriamente dos individuos de la población y selecciona el mejor.
Esta selección se hace dos veces para cada par de padres. Este método
es eficiente y fácil de implementar; no requiere escalar la función de
fitness y permite una alta presión de selección. En RD MOGA, la
aptitud de los individuos define quién es el mejor. Sin embargo, en
133
RD MOEA, la selección elige al individuo con menor ranking. Si los
rankings son los mismos, se selecciona al individuo con una mayor dis-
tancia de aglomeración, y si nuevamente, las distancias son las mismas,
se toma cualquiera de los dos al azar.
• Crossover: Para este segundo proceso, utilizamos dos estrategias de-

bido a la representación hı́brida del cromosoma:
– Cruce binario: los algoritmos propuestos aplican el cruce de un

solo punto a los genes binarios [102]. Este cruce calcula un punto
aleatorio en el vector de ambos padres, formando cuatro segmen-
tos. Luego, mezcla los segmentos para obtener dos nuevos cromo-
somas. Por ejemplo, dado los siguientes cromosomas [1,1,0,0,1,1,0,0]
y [1,1,1,1,0,0,1,0], si el operador selecciona de manera aleatoria la
posición tres en ambos cromosomas, produce los segmentos [1,1,0|
0,1,1,0,0] y [1,1,1 | 1,0,0,1,0 ]. Al cruzar estos segmentos, se ob-
tienen dos nuevos descendientes: [1,1,0,1,0,0,1,0 ] y [1,1,1,0,1,1,0,0].
Este cruce binario es aplicado de forma independiente sobre los
genes y y t.
– Cruza por permutación: utilizamos la técnica de cruce ordenado
[59] para el gen de permutación t. Por ejemplo, si los padres
son [9,8,4,5,6,7,1,2,3,10] y [8,7,1,2,3,10,9,5,4,6], y se elige una sub-
cadena aleatoria [5,6,7,1] del primer padre, el primer hijo estará
compuesto por esta subcadena en el orden heredado de su padre
[*,*,*,5,6,7,1,*,*,*]. Luego, los elementos existentes en el primer
hijo se eliminan del segundo padre ([8,*,*,2,3,10,9,*,4,*]), y los e-
lementos restantes son insertados luego en el orden de lectura de
izquierda a derecha en los lugares vacı́os ([8,2,3,5,6,7,1,10,9,4]). Se
hace el mismo procedimiento con el segundo hijo, pero cambia el
orden de los padres.
• Mutación: Para el tercer proceso, la probabilidad de mutación µ y la

tasa de ruido para los genes binarios τb y de permutación τπ son los
parámetros de entrada.
134
– Mutación binaria: este trabajo aplica la estrategia Flipbit para
los genes binarios y y t [66]. Este operador selecciona de manera
aleatoria los alelos que serán invertidos. Por ejemplo, el vector
[1,1,0,0,1,1,0,0] antes y [1,1,0,1,1,1,0,0] después de la mutación
flitbit en el cuarto alelo.
– Mutación por permutación: aquı́ aplicamos el intercambio recı́proco
a los genes t [54]. Este operador selecciona dos alelos e intercam-
bia sus ubicaciones. Por ejemplo, el vector [1,2,3,4,5,6,7,8] antes y
[1,2,3,7,5,6,4,8] después del intercambio de cuarto y séptimo alelo.
La mutación de cada cromosoma se realiza aleatoriamente entre toda

la población para evitar valores locales óptimos. Este proceso se realiza
hasta alcanzar el porcentaje de mutación definido para la población.
5.5.3.5 Evaluación de la solución: Evaluar
El proceso Evaluar calcula el desempeño individual. En primer lugar, ini-

cializa la capacidad de la red. Luego, para cada solicitud Rπi se realizan los
siguientes pasos:
1. Evaluar calcula el camino de enrutamiento pπi según el tipo de solici-

tud:
• Si el flujo es no-SDN (tπi = 0), calcula el camino más corto con

ancho de banda ϕπi disponible.
• Si el flujo es SDN (tπi = 1), se calcula el camino más corto con
ancho de banda (ϕπi ) disponible, y al mismo tiempo que pase por
un dispositivo SDN si es posible.
2. Evaluar actualiza el tipo del flujo dependiendo de si haya pasado o

no por un nodo SDN. Si la ruta pπi no contiene ningún nodo SDN,
entonces se configura tπi = 0, en caso contrario tπi = 1.
3. Si la ruta pπi no pudo ser calculada, la variable bπi = 1, en caso contrario

bπi = 0.
135
Finalmente, Evaluar calcula y devuelve los siguientes criterios de cali-
dad:
Número de flujos SDN: Q ← i ti .
P
Costo de reemplazo: C ← CN 1 · i yi .
P
Número de solicitudes bloqueada: B ← i bi

P
Tenga en cuenta que se utiliza el algoritmo de Dijkstra para calcular la

ruta más corta.
5.5.3.6 Ranking y Crowding
Después de calcular el ranking y la distancia de cada individuo (lı́neas 3 y

7 en el RD MOEA Algoritmo 11), las mejores S soluciones de F sobreviven
para la siguiente generación. Las mejores soluciones se elijen de la siguiente
manera. En el primer paso, el conjunto P se pone a vacı́o. Segundo paso,
iterativamente, si | P ∪ Ci |≤ S, entonces P ← P ∪ Ci , en caso contrario, el
procedimiento se detiene. El tercer paso, las S− | P | soluciones de Ci con la
mayor distancia de crowding son finalmente agregados a P.
Aquı́ culmina el presente apartado, en el cual se desarrolló la formu-
lación del problema de optimización, el modelo matemático RD MOLP, el
algoritmo genético mono-objetivo RD MOGA y el algoritmo genético multi-
objetivo RD MOEA. A continuación, el siguiente sección del capı́tulo explica
el esquema y el entorno de simulación de las pruebas y expone los resultados
experimentales obtenidos.
5.6 Pruebas experimentales y resultados

En esta sección vamos a desarrollar la simulación numérica para determinar
los beneficios y limitaciones de los algoritmos propuestos. Para una correcta
comprensión, este apartado se ha dividido en esquema, entorno y resultados
experimentales.
136
5.7 Esquema de simulación
El Algoritmo 12 presenta el equema de simulación, el cual es descrito a
continuación. Se reciben como datos de entrada: un conjunto de topologı́as
de red G = {Gi : i = 1, . . . , G}, un conjunto de solicitudes RS = {Rj :
j = 1, . . . , R} y un conjunto de algmoritmos de optimización A = {Ak : k =
1, . . . , A}. La lı́nea 1 inicializa el conjunto de soluciones no dominadas PS =
{P Sijk } para cada escenario de prueba y algoritmo. Tenga en cuenta que,
para cada topologı́a de red Gi y cada conjunto solicitudes Rj , el algoritmo Ak
calcula un conjunto de soluciones no dominadas P Sijk (lı́nea 5). Finalmente,
el procedimiento devuelve el conjunto completo PS (lı́nea 9).
En este estudio, los elementos de A están basados en las propues-
tas RD MOLP, RD MOGA y RD MOEA explicadas anteriormente, es decir, A =
{pareto molp, pareto moga, pareto moea}. A continuación se describe el
esquema de ejecución de cada algoritmo para calcular el conjunto de solu-
ciones no dominadas:
• pareto molp: el Algoritmo 13 presenta esta función, la cual recibe

una topologı́a G y un conjunto de solicitudes R. El RD MOLP calcula
la solución que maximiza el número de flujos SDN para el costo de-
terminado C (lı́nea 4). Dado que C es una función del número de
nodos a reemplazar (lı́nea 3), entonces un conjunto de soluciones es
obtenido. Las soluciones dominadas son eliminadas, quedando ası́ un
conjunto de Pareto. Este procedimiento es lo que caracteriza al método
de restricción ϵ.
• pareto moga: el Algoritmo 14 muestra esta función. Aquı́, RD MOGA

calcula la solución que minimice el costo de reemplazo y maximice el
número de flujos SDN, de acuerdo a la ecuación 5.9, es decir λ1 · C +
λ2 · Q. Variando el valor de λ1 (∈ [0, 1]) en cada paso, se obtiene un
conjunto de soluciones óptimas. Dado que RD MOGA es un algoritmo
estocástico, pareto moga se ejecuta corridas veces RD MOGA por cada
λ1 . Finalmente, las soluciones dominadas son eliminadas y se devuelve
el conjunto de Pareto.
137
Algoritmo 12: Pseudocódigo del esquema de simulación.
entrada: G, RS, A
salida : PS
1 PS ← ∅
2 para cada (Gi ∈ G) hacer
3 para cada (Rj ∈ RS) hacer
4 para cada (Ak ∈ A) hacer
5 P Sijk ← Ak (Gi ,Rj )
6 fin
7 fin
8 fin
retornar: PS
9
Algoritmo 13: Función PARETO MOLP

entrada: G, R
salida : PS
1 resultados ← ∅
2 desde (i ← 1) hasta n hacer
3 C ← i ∗ CN 1
4 xi ← RD MOLP(C, G, R)
5 resultados ← resultados ∪ xi
6 fin desde
7 PS ← get solutiones no dominadas(resultados)
retornar: PS
8
• pareto moea: el Algoritmo 15 presenta el pseudocódigo de esta función.

RD MOEA es un algoritmo multiobjetivo que devuelve un conjunto Pareto.
Como RD MOEA es estocástico, pareto moea lo corre corridas veces,
donde las soluciones calculadas son almacenadas en el conjunto de re-
sultados. Finalmente, las soluciones dominadas son eliminadas y se
devuelve el conjunto Pareto.
138
Algoritmo 14: Función PARETO MOGA
entrada: G, R
salida : PS
2 desde (i ← 1) hasta pasos hacer
3 λ1 ← i/pasos
4 λ2 ← 1 − λ1
5 X←∅
6 desde (j ← 1) hasta corridas hacer
7 xj ← RD MOGA(λ1 , λ2 , G, R)
8 X ← X ∪ xj
9 fin desde
10 xmejor ← get mejor(X)
11 resultados ← resultados ∪ xmejor
12 fin desde
retornar: PS
14
5.8 Entorno de Simulación

Las simulaciones fueron realizadas en un servidor Linux con 12 GB de memo-
ria RAM, 8 GB de memoria SWAP, Procesador QuadCore 2.0 GHz con
sistema operativo Ubuntu 18.04.4 LTS. El modelo RD MOLP fue implemen-
tado en CPLEX versión 12.10, mientras que los algoritmos RD MOGA y
RD MOEA fueron implementados con el lenguaje de programación Python
versión 3.6.9.
Este estudio realiza la simulación en tres tamaños diferentes de topologı́as.
La primera de ellas se presenta en la figura 5.1, esta es la red Nobel Ger-
many (topologı́a pequeña), la cual consiste en 17 nodos, 26 enlaces y 121
solicitudes. La figura 5.2 representa a la red Nobel EU (topologı́a mediana),
el cual consiste en 28 nodos, 41 enlaces, y 378 solicitudes. Finalmente, la
figura 5.3 representa la red Germany 50 (topologı́a grande) consistente en
50 nodos, 88 enlaces, y 662 solicitudes. La tabla 5.4 resume los datos de las
topologı́as.
139
Algoritmo 15: Función PARETO MOEA
entrada: G, R
salida : PS
2 desde (i ← 1) hasta corridas hacer
3 Pi ← RD MOEA(G,R)
4 resultados ← resultados ∪ Pi
5 fin desde
retornar: PS
7
Tabla 5.4: Parámetros de las Topologı́as de red [1]
Nombre Nodos Enlaces Flujos Capacidad de Enlace

(n) (m) w (κl )
Nobel-Germany 17 26 121 50
Nobel-EU 28 41 378 150
Germany50 50 88 662 250
Todas estas topologı́as y cargas de tráfico se tomaron de la biblioteca

SNDlib [1] para facilitar la reproducibilidad del experimento. Las cargas
de tráfico para cada topologı́a son de 40% (bajo), 60% (medio), y 100%
(alto) respectivamente. La tabla 5.5 presenta el conjunto de parámetros que
configuran el esquema de simulación.
La Tabla 5.5 muestra los parámetros utilizados en los algoritmos, los
cuales fueron tomados luego de las experimentaciones realizadas en [41].
5.9 Resultados
Las Figuras 5.4 a la 5.6 presentan los resultados experimentales, en los que
se pueden ver los diferentes Frentes de Pareto. En cada figura, el costo de
reemplazo se ubica en el eje horizontal, mientras que la calidad del reemplazo
en el eje vertical. Las soluciones RD MOLP están en azul, RD MOGA en
verde y RD MOEA en rosa. Estos resultados confirman que el coste y la
calidad son objetivos contradictorios, es decir, mejorar uno implica empeorar
140
Figura 5.1: Topologı́a de la red Nobel Germany
Figura 5.2: Topologı́a de la red Nobel EU
141
Figura 5.3: Topologı́a de la red Germany 50
142
Tabla 5.5: Parámetros de los Algoritmos
Algoritmo Parámetros Sı́mbolo Valor

Población S 222
MOEA Tasa de Mutación µ 23
MOGA Tasa de ruido para Bit-Flip τy 53%
Tasa de ruido para Permutación τπ 37%
Corridas independientes corridas 30
MOGA λ pasos por Frente Pareto pasos 10
MOLP Número de corridas por Frente Pareto #nodos n
MOEA
MOGA Costo de Reemplazo CN 1 4
MOLP
el otro.
En este contexto, el problema del despliegue por reemplazo de redes
SDN debe ser abordado como un problema de optimización multiobjetivo
para la correcta toma de decisiones. Un aspecto importante que podemos
observar a partir de estos resultados es que la estructura del frente de Pareto
difiere según la carga de tráfico y la topologı́a de la red. Una vez que se ha
calculado el frente de Pareto, el tomador de decisiones puede seleccionar una
solución con la mejor relación de compromiso o de acuerdo con los lı́mites
presupuestarios.
En la Figura 5.4, podemos ver que los frentes de Pareto son muy simi-
lares para cualquiera de los métodos. El número de soluciones no dominadas
supera las cuatro soluciones en una relación de compromiso. En particu-
lar, las soluciones RD MOGA y RD MOEA están muy cerca del RD MOLP
óptimo.
Con la topologı́a media (Nobel EU), podemos notar que el RD MOGA
tiene un desempeño deficiente en comparación con RD MOLP y RD MOEA,
que continúan produciendo resultados similares, pero RD MOLP aún preva-
lece. Por ejemplo, las soluciones de RD MOLP y RD MOEA dominan las
soluciones de RD MOGA en la Figura 5.5b. Recordando que para este estu-
dio, el Costo de Reemplazo (Replacement Cost, RC) se definió como igual a
cuatro, el reemplazo de RD MOGA con cuatro dispositivos logra una Calidad
143
de 204, mientras que RD MOEA y RD MOLP reemplazan solo un disposi-
tivo, y logran una Calidad de 203 y 222, respectivamente.
También podemos analizar los resultados utilizando el hipervolumen
como indicador de calidad multiobjetivo [53]. Este indicador mide el área (en
el espacio objetivo) cubierta por miembros de un determinado conjunto con
la que es posible obtener aspectos de convergencia y diversidad en un frente
determinado. Este cálculo se realiza después de normalizar los valores en los
ejes. Cuanto mayor sea el valor de hipervolumen, mejor será la solución. Por
tanto, el resultado proporcionado por RD MOGA alcanza un hipervolumen
de 0,7857, mientras que RD MOLP y RD MOEA obtienen 0,9543 y 0,8929
respectivamente, por lo que RD MOLP sigue siendo competitivo.
En la topologı́a mediana con un alto nivel de carga (Figura 5.5c), el
RD MOEA devuelve un mejor frente de Pareto que el RD MOLP, con un
hipervolumen de 0,9502 del RD MOEA frente a 0,8793 del RD MOLP. Aquı́
podemos ver que RD MOLP y RD MOEA obtienen la misma calidad al
reemplazar un solo dispositivo. Finalmente, RD MOEA obtiene un mejor
resultado con dos o más dispositivos.
El RD MOEA supera a los otros métodos en la topologı́a grande (Ger-
many-50), y su frente de Pareto domina a las otras soluciones. Observe
que RD MOLP ya tiene problemas para calcular soluciones de calidad en la
región de compromiso con un nivel de carga medio (Figura 5.6b).
Finalmente, en la topologı́a grande con un nivel de carga alto (Figura
5.6c), el RD MOLP ya no puede devolver ningún resultado posible. El RD -
MOGA devuelve un frente de Pareto dominado por el frente de Pareto del
RD MOEA. Este resultado es debido a que el tiempo de cálculo para todos
los algoritmos es fijo; entonces RD MOLP no cubre soluciones factibles.
RD MOLP no es computacionalmente escalable cuando crece la com-
plejidad del problema. Por el contrario, el RD MOGA y el RD MOEA son
escalables pero no garantizan la optimización. Sin embargo, la debilidad de
RD MOGA es que cada búsqueda realizada en una dirección está determi-
nada por los pesos en la función objetivo. Este proceso descarta soluciones
potenciales y genera nuevas soluciones.
Dadas las caracterı́sticas evolutivas de RD MOEA, se logra una explo-
144
(a) 40% de Carga (b) 60% de Carga (c) 100% de Carga
Figura 5.4: Frentes de Pareto para la Topologı́a Nobel Germany
Figura 5.5: Frentes de Pareto para la Topologı́a Nobel EU
ración en todas las direcciones posibles, aprovechando la información de cada

solución generada para acercarse al frente óptimo de Pareto. En consecuen-
cia, RD MOEA logra frentes de Pareto con buenos valores de hipervolumen
en todas las cargas de topologı́a. El hipervolumen de RD MOEA se mantuvo
por encima de 0,97 y siempre logró obtener algunos resultados para un solo
reemplazo de dispositivo.
Figura 5.6: Frentes de Pareto para la Topologı́a Germany 50
145
5.10 Conclusiones
Este trabajo estudió los beneficios de implementar una red SDN hı́brida
a través de un enfoque multiobjetivo y utilizando la estrategia de reem-
plazo. En este estudio, desarrollamos tres algoritmos: RD MOLP, RD -
MOGA y RD MOEA. Los resultados experimentales muestran una ventaja
y un rendimiento significativo a favor del RD MOEA a partir de topologı́as
medias y niveles de carga medios en adelante. Los resultados proporcionados
por RD MOEA generan un frente de Pareto que domina completamente los
resultados de RD MOLP y RD MOGA. En trabajos futuros, se planea im-
plementar otros algoritmos multiobjetivo que incluyan el tercer objetivo en
el modelo e incluyan la técnica de adición de forma conjunta o individual.
146
Parte IV
Energy-Aware en HSDN
147
Capı́tulo 6
Ahorro de Energı́a en SDN Hı́brido
6.1 Resumen
Como se mencionó antes, las redes SDN son un paradigma que proporciona
flexibilidad y capacidad de programación a las redes informáticas. Al intro-
ducir nodos SDN en una topologı́a de red IP heredada, los operadores de
red pueden beneficiarse de un mayor control sobre la infraestructura. A este
tipo de redes las hemos denominado como redes SDN Hı́bridas [211]. Sin em-
bargo, esta migración no es un proceso rápido ni sencillo por varios motivos
ya explicados en capı́tulos anteriores.
Por otro lado, en los últimos años se realizarón muchos esfuerzos para
abordar el problema del consumo de energı́a de los equipos de comunica-
ciones, la mayorı́a de ellos se han realizado en redes IP tradicionales, los
protocolos conscientes de la energı́a normalmente requieren varias tareas de
coordinación que no son fáciles de implementar en los equipos utilizados en
las redes actuales.
Por este motivo, la flexibilidad y la capacidad de programación pro-
porcionadas por el paradigma emergente de redes SDN permiten a los inves-
tigadores proponer nuevas soluciones coordinadas para el mejoramiento del
consumo de energı́a mediante la explotación del funcionamiento centralizado
del controlador SDN. Sin embargo, un despliegue completo de SDN es difı́cil
a corto plazo debido a restricciones presupuestarias y desafı́os técnicos.
148
Surge entonces, la necesidad de plantear una lı́nea en la que se trate
especı́ficamente el problema del ahorro de energı́a en las redes SDN Hı́bridas
sin perder de vista el compromiso con la calidad del servicio. En este capı́tulo
se desgloza el planteamiento del problema, el estado del arte y la discusión
de los desafı́os actuales en la convergencia de la búsqueda de la eficiencia
energética y la progresiva inclusión de conmutadores SDN en las redes tradi-
cionales actuales.
6.2 Planteamiento del Problema

En este trabajo de tesis doctoral, en los capı́tulos anteriores se abordaron
de manera separada el ahorro de energı́a en las redes definidas por software,
y en forma paralela se trató el problema del despliegue incremental en las
redes actuales introduciendo progresivamente los nuevos dispositivos SDN
convirtiéndolas en redes SDN Hı́bridas. Un enfoque que combine ambas
lı́neas es la de realizar el despliegue incremental considerando el ahorro de
energı́a sin perder de vista la calidad del servicio, esto no hubiera sido posible
sin las posibilidades que ofrece el paradigma de las SDN.
El consumo de energı́a de Internet y las redes de computadoras en ge-
neral ha crecido rápidamente en los últimos años, el ahorro de energı́a se ha
convertido en un problema importante en la investigación en el campo de las
redes de computadoras, para el cual una de las soluciones más prometedo-
ras es la de apagar los dispositivos y/o enlaces de red innecesarios sin que
el rendimiento sea afectado, teniendo en cuenta que los enlaces deben estar
preparados para satisfacer las cargas de tráfico cambiantes. Sin embargo, en
las redes tradicionales actuales, es difı́cil implementar una estrategia coor-
dinada entre los dispositivos de red debido a su control de red distribuido.
Por otro lado, el nuevo paradigma de redes SDN proporciona una forma
eficiente de tener un controlador centralizado con una vista de red global
para monitorear los estados de energı́a. Como una tecnologı́a emergente, las
SDN en la actualidad coexisten con las redes tradicionales, a esta integración
entre ambos paradigamas lo conocemos como redes SDN Hı́bridas. Por lo
tanto, se torna necesario investigar cómo ahorrar energı́a en las SDN par-
149
cialmente implementadas. Este desafı́o puede ser formulado como problema
de optimización de varias formas en las redes SDN Hı́bridas, encontrando la
cantidad y ubicación de nodos SDN a incorporar o cuales nodos o enlaces
apagar o suspender. Se puede comprobar que en cualquiera de los casos el
problema es NP-difı́cil [241], es por ello que se deben proponer soluciones
heurı́sticas o metaheurı́sticas para abordar su solución. Un tema que no se
debe perder de vista al resolver el problema planteado es la de mantener o
de ser posible mejorar la calidad del servicio.
A continuación se desglozan tres diferentes forma de plantear el pro-
blema de mejorar el consumo de energı́a en las redes SDN hı́bridas.
6.2.1 Problema tipo 1

Considerando una red donde los elementos SDN solo se implementan par-
cialmente y si se toma como ejemplo la red que se muestra en la Figura 6.1,
los nodos 1, 10, 12 son conmutadores SDN, que están bajo el control del
controlador SDN.
El controlador SDN, es responsable de calcular las tablas de enruta-
miento para todos los conmutadores SDN en la red, utilizando la información
que obtiene de la misma. Utiliza un protocolo estandarizado como el Open-
flow, para comunicarse con los conmutadores SDN. El reenvı́o en los mismos,
se implementa de acuerdo con sus tablas de enrutamiento obtenidas, que
están determinadas por el controlador SDN. Los nodos restantes fuera de
la gestión del controlador SDN ejecutan protocolos de enrutamiento tradi-
cionales como OSPF.
El controlador SDN recopila información de la red para tener una vista
global de la red. Los conmutadores SDN realizan la medición del tráfico y el
resultado se envı́a al controlador.
Además, los conmutadores que no son SDN usan protocolos de enru-
tamiento antiguos como OSPF para intercambiar información de ancho de
banda en los enlaces de la red, y también está disponible para el controlador
SDN. Usando esta información de los conmutadores SDN y los conmutadores
que no son SDN, el controlador puede actualizar las tablas de enrutamiento
150
en los conmutadores SDN, manteniéndose en sintonı́a con las condiciones
cambiantes del tráfico.
Por otro lado, los costos de energı́a de los conmutadores o enlaces se
pueden conocer de antemano por los tipos y configuraciones de los mismos.
Por lo tanto, el controlador SDN puede calcular los estados de energı́a para
los elementos SDN (conmutadores SDN o enlaces conectados a los conmu-
tadores SDN) y garantizar un enrutamiento correcto y un buen rendimiento
de ahorro de energı́a. Si el mecanismo de ahorro de energı́a se implementa
en la red tradicional, el mismo cómputo debe ser realizado por cada dis-
positivo individualmente, lo cual es mucho más complejo que el cómputo de
enrutamiento OSPF.
El controlador es responsable de todos los estados de energı́a de los
elementos SDN, pero el controlador no puede operar los estados de energı́a
de los elementos que no son SDN. Por lo tanto, el problema planteado es
apagar tantos elementos SDN como sea posible, con la condición de que
el subconjunto de red que se queda activo pueda satisfacer la demanda de
tráfico, de modo a reducir el consumo de energı́a innecesario.
Figura 6.1: Ejemplo de red SDN parcialmente implementada [241].
151
La Figura 6.2 muestra la arquitectura de un sistema HSDN en una topologı́a
de 6 nodos, la red hı́brida esta compuesta por tres nodos IP tradicionales,
VI = {1,3,5}, y tres nodos SDN, VS = {2,4,6}, los últimos manejados por
el controlador SDN presente en la topologı́a. Además, se dispone de ocho
enlaces controlables (lı́neas azules), con un sólo enlace no controlable, el que
conecta los nodos 1 y 3 (lı́nea roja). El problema en particular planteado
es encontrar una respuesta práctica al número de reemplazos de nodos su-
ficientes y el método de reemplazo más adecuado en términos de eficiencia
energética. Para lograr ahorrar energı́a, los elementos de la red se deben en-
cender o apagar según la carga de tráfico ofrecida, la cual varı́a a lo largo del
dı́a. Para este propósito, se asume que los nodos y enlaces IP siempre están
encendidos, ya que están fuera del alcance de la gestión del controlador y no
existen técnicas de ahorro de energı́a aprovechables en la red IP heredada.
De esta forma, el objetivo es apagar tantos elementos SDN (nodos SDN y
enlaces que conectan nodos SDN) como sea posible mientras se satisface el
conjunto de demandas de tráfico.
En resumén, para resolver el problema de manera óptima se busca
la cantidad y ubicación de los nodos SDN a reemplazar en la red heredada,
consiguiendo tener la mayor cantidad de enlaces azules y menos enlaces rojos,
ya que estos últimos no pueden ser apagados.

En el problema de tipo 3 se modela la red como un grafo dirigido donde un
nodo representa un punto de presencia (Point of Presence, PoP) [119] y un
arco representa un enlace entre dos PoP. Un PoP consta de varios enrutadores
conectados entre sı́ en malla completa. Cada enlace está conectado a un
enrutador especı́fico en cada PoP, ası́ como se puede observar en la Figura
6.3. Cada enlace que representa una conexión entre enrutadores tiene una
capacidad máxima.
Se consideran redes hı́bridas en las que los conmutadores SDN son
implementados junto con enrutadores heredados. Se establece un escenario
152
Figura 6.2: Red hı́brida IP/SDN de 6 nodos. [76].
en el que los PoP no contienen dispositivos heterogéneos, es decir, todos

los dispositivos son compatibles con SDN o no. Los enrutadores heredados
siguen un protocolo de enrutamiento heredado, como el OSPF.
Para ahorrar energı́a, los enlaces deben apagarse y los dispositivos
deben ponerse en suspensión. Solo los conmutadores SDN se pueden poner
en modo de suspensión sin un impacto negativo en la red. De hecho, todas
las caracterı́sticas necesarias para apagar sin problemas los enlaces de red sin
introducir pérdidas de paquetes solo se pueden implementar en dispositivos
SDN, ya que se tiene una visión global y exacta del estado del tráfico y los
flujos de datos en la red [119].
Como debe hacerse dinámicamente de acuerdo con el tráfico de la red,
la decisión la toma el controlador SDN. Por lo tanto, solo se pueden apagar
los enlaces con un conmutador SDN como uno de sus puntos finales. Dado
que los PoP están interconectados mediante dispositivos dedicados dentro
de su infraestructura, si se apaga un enlace entre dos PoP, entonces cada
153
enrutador del enlace se puede apagar o poner a dormir, si es compatible con
SDN.
En conclusión, el problema planteado es determinar cuales nodos y
enlaces entre PoP pueden ser apagados, para ahorrar energı́a, sin perder la
capacidad de satisfacer la demanda de carga de tráfico en los enlaces PoP.
Figura 6.3: Red hı́brida SDN/OSPF con 3 PoPs (puntos de presencia). [119].
6.3 Trabajos relacionados

En este apartado se presentan los trabajos del estado del arte que abordan
el ahorro de energı́a en redes SDN parcialmente desplegadas en las redes
tradicionales.
Wang et al. en [241], formularon el problema de optimización de la
búsqueda de subconjuntos de red de potencia mı́nima en SDN parcialmente
154
implementadas. Después de comprobar que el problema es NP-difı́cil, pro-
pusieron una solución heurı́stica para abordar su solución exacta. A través
de extensas simulaciones, demostraron que el algoritmo heurı́stico propuesto
tiene un buen desempeño; es decir, en promedio es posible ahorrar alrede-
dor del 50% del consumo total de energı́a en la SDN completa, teniendo
una distancia inferior al 5% del consumo de energı́a de la solución exacta.
Además, también logra un buen rendimiento en la SDN parcialmente imple-
mentada, ahorrando en promedio alrededor del 40% del consumo total de
energı́a cuando hay aproximadamente el 60% de los nodos SDN en la red.
También es destacable que, se ejecuta significativamente más rápido que un
solucionador lineal general de este problema, al reducir el tiempo de cálculo
de la red que contiene cientos de nodos al menos en 100 veces.
En [76], Galán-Jiménez et al. publicaron su investigación sobre el pro-
blema de ahorrar energı́a en redes hı́bridas IP/SDN, donde ambas arquitec-
turas de red coexisten al mismo tiempo. En particular, realizaron un estudio
sobre la compensación entre la cantidad de energı́a que se podrı́a ahorrar y
la cantidad y ubicación de los enrutadores IP heredados que se reemplazarán
o actualizarán a conmutadores SDN. Los resultados de la heurı́stica basada
en el Algoritmo Genético propuesto muestran que un porcentaje reducido,
como el 50% de los nodos SDN, serı́a suficiente para lograr ahorros de en-
ergı́a similares a los obtenidos por una red SDN completa, con una brecha
de rendimiento inferior al 5,5%.
Huin et al., propusieron SENAtoR en [119], se trata de un algoritmo
para habilitar el enrutamiento sensible a la energı́a en un escenario de mi-
gración progresiva de hardware heredado a SDN. Como en la vida real, apagar
los dispositivos de red es una tarea delicada, ya que puede llevar a la pérdida
de paquetes, SENAtoR también ofrece varias caracterı́sticas para habilitar de
forma segura los servicios de ahorro de energı́a: tunelización para un reen-
caminamiento rápido, deshabilitación suave de nodos y detección de picos
de tráfico y fallos de enlaces. Los autores, validaron su solución por medio
de extensas simulaciones y a tavés de la experimentación. Demostraron que
SENAtoR se puede implementar progresivamente en una red utilizando el
paradigma SDN. La solución propuesta, permite reducir el consumo de e-
155
nergı́a de las redes de los proveedores de servicio de internet (Internet Ser-
vice Provider, ISP) entre un 5 y un 35%, dependiendo de la penetración del
hardware SDN, al tiempo que disminuye la tasa de pérdida de paquetes en
comparación con los protocolos heredados.
En el artı́culo [122] de Jia et al., ellos proponen un esquema heurı́stico
para implementar incrementalmente conmutadores SDN en SDN hı́bridas,
cuyo objetivo es lograr un ahorro de energı́a mediante el reencaminamiento
de los flujos para apagar los enlaces inactivos y los conmutadores tantos
como sea posible. La solución propuesta puede lograr dos objetivos: 1) ma-
ximizar la capacidad de control de la red con una determinada restricción
de presupuesto de actualización de los conmutadores SDN, y 2) maximizar
el ahorro de energı́a al apagar los enlaces inactivos y los conmutadores con
los conmutadores SDN implementados. Los resultados de las evaluaciones
muestran que su esquema puede alcanzar el 95% del número de flujos con-
trolados con solo el 10% del costo de actualización, y también puede lograr
ahorrar más del 10% del consumo total de energı́a en comparación con las
soluciones existentes.
Al Mhdawi et al. en su trabajo [10], exponen el protocolo desarrollado
de enrutamiento de decisión de reducción de potencia inteligente (Intelligent
Power Reduction Decision Routing, iPRDR) en una escala hı́brida - Entorno
de centro de datos de red definida por software. El enfoque del protocolo
iPRDR propuesto es segregar dinámicamente el gran tráfico y enrutarlo a
dispositivos de procesamiento de alto ı́ndice con una ruta seleccionada con
potencia óptima. El enfoque del protocolo es disminuir el consumo de energı́a
general de toda la red, ası́ como reducir la tasa de fallas en cada dispositivo
que puede ocurrir debido a un alto nivel de congestión de enlace y temper-
atura elevada. Los resultados experimentales muestran que la utilización del
enlace ascendente se ha reducido en un 8,33% y los niveles de consumo de
energı́a en 0,85kw/dı́a, lo que equivale a un 34,9% de la potencia operativa.
Además, las altas tempera- turas elevadas se han reducido de alto rango 50+
C° (alto crı́tico) a mediados de 40+ C° (alto aviso). La efectividad del en-
foque propuesto se verificó experimentalmente utilizando una plataforma de
prueba virtualizada.
156
En la publicación [77], Galán-Jiménez et al. enfrentan el problema de
reemplazo de los nodos SDN durante la transición de las redes IP tradi-
cionales a las redes SDN completamente implementadas. Proponen seis
métodos de reemplazo diferentes para seleccionar el conjunto más apropiado
de nodos IP tradicionales que se actualizarán a conmutadores habilitados
para SDN en una etapa de transición particular. Para mostrar la efectividad
de los métodos propuestos, se han aplicado a un problema de optimización
actualmente estudiado por la comunidad de investigación: el problema del
consumo de energı́a. El trabajo presenta una formulación de programación
lineal entera para resolverlo y se evalúa un algoritmo genético a través de
simulaciones en topologı́as de red realistas. Los resultados resaltan que la
eficiencia energética en las redes hı́bridas de IP/SDN puede mejorarse signi-
ficativamente al reemplazar solo un número reducido de nodos de IP.
Maity et al. en [161], presentan un esquema de ingenierı́a de tráfico
para redes SDN hı́bridas para reducir el consumo total de energı́a de la red
y aumentar la cantidad de tráfico programable. La SDN hı́brida involucra
conmutadores SDN y heredados debido a la migración de una red heredada
a una SDN. La razón principal de esta migración es aumentar la cantidad de
tráfico programable y agregar flexibilidad a las operaciones de administración
de red, como el monitoreo de red, la distribución de carga y la administración
de energı́a. Las soluciones de gestión de energı́a en SDN incluyen activación
o desactivación dinámica de elementos de red y redireccionamiento de tráfico.
Sin embargo, existe una compensación entre el enrutamiento consciente de
la energı́a y el tráfico programable, ya que el desvı́o de tráfico no planificado
puede transformar el tráfico programable en uno no programable. En este
artı́culo, proponen un esquema para la activación dinámica de enlaces SDN y
la selección óptima de rutas de flujos existentes. A diferencia de los trabajos
anteriores, los autores se enfocaron en reducir el consumo de energı́a, mientras
maximizaron el tráfico programable, ya que cumple con la intención principal
de transformar una red heredada en una SDN. Los resultados de la simulación
muestran que el esquema propuesto, ETHoS, aumenta el ahorro de energı́a
en un 28,91 % en comparación con SENEtoR, un esquema existente.
En otro trabajo Galán-Jiménez et al. [79], consideran de forma conjunta
157
dos problemas de optimización que normalmente se resuelven por separado
debido a su naturaleza opuesta: i) el equilibrio de carga de tráfico y ii)
la reducción del consumo de energı́a de la red. En particular, se propone
una heurı́stica llamada Algoritmo de carga de propagación hı́brida (Hybrid
Spreading Load Algorithm, HSLA) para minimizar conjuntamente la MLU y
el consumo de energı́a de la red durante la transición de redes IP a SDN.
Las simulaciones sobre topologı́as de diferente tamaño considerando diversos
métodos de selección para el reemplazo de los nodos revelan que HSLA supera
a otros enfoques de última generación que abordan especı́ficamente un solo
objetivo, ya sea el equilibrio de carga de tráfico o la reducción del consumo
de energı́a de la red.
En [108] Hiryanto et al., consideran el problema de actualizar una red
SDN en múltiples etapas y maximizar el ahorro de energı́a en la red mejo-
rada resultante o SDN hı́brida. En cada etapa, un operador debe seleccionar
y reemplazar conmutadores heredados con conmutadores SDN y tratar de
desconectar tantos cables como sea posible en cada enlace. Este documento
aborda dicho problema considerando (i) el presupuesto disponible en cada
etapa, (ii) los retrasos máximos en la ruta, (iii) la utilización máxima del en-
lace, (iv) el aumento (disminución) por etapa en el tamaño del tráfico (costo
de actualización) y (v) cada conmutador que no sea SDN debe cumplir con
el protocolo OSPF-ECMP [108]. En dicho trabajo se describe una progra-
mación entera mixta y un algoritmo heurı́stico llamado M-GMSU. Los re-
sultados muestran que (i) MIP y M-GMSU logran ES de hasta 71.93%, (ii)
usando un mayor presupuesto y/o el número de etapas aumenta el ES, y (iii)
el ES de M-GMSU está dentro del 3.55% lejos del ES óptimo calculado por
MIP.
Hirayato et al. [109], extendiendo el trabajo desarrollado en [108], con-
sideran también el problema novedoso de actualizar una red heredada a una
red SDN en múltiples etapas y ahorrar energı́a en la red actualizada o SDN
hı́brida. Es decir, en cada etapa, el problema en cuestión es seleccionar
y reemplazar los conmutadores heredados con conmutadores SDN y rediri-
gir el tráfico para apagar tantos cables no utilizados como sea posible para
ahorrar energı́a. Además, el operador debe considerar: (i) el presupuesto
158
disponible en cada etapa, (ii) los retrasos máximos en la ruta, (iii) la uti-
lización máxima del enlace, (iv) el aumento (disminución) por etapa en el
tamaño del tráfico (costo de actualización), y (v) el protocolo OSPF-ECMP.
Este documento aborda dos escenarios de enrutamiento de rutas múltiples:
1) sin enlace disjunto y 2) con enlace disjunto. Describe un programa entero
mixto y un algoritmo heurı́stico para cada escenario. Los resultados exper-
imentales muestran que: (i) ambas soluciones producen solo hasta un 0,63
% más de ahorro de energı́a en el escenario 1 que en el escenario 2, (ii) el
programa entero mixto (algoritmo heurı́stico) para ambos escenarios da un
ahorro de energı́a de hasta 71,93% (71,64%), (iii) el uso de un mayor pre-
supuesto y/o número de etapas puede aumentar el ahorro de energı́a, y (iv)
el ahorro logrado por la solución heurı́stica para cada escenario está dentro
del 4% del ahorro óptimo.
Galán-Jiménez et al. [80], en otra investigación publicada, plantean que
la migración no es un proceso rápido ni sencillo. Además, para proporcionar
una calidad de servicio adecuada en redes hı́bridas IP/SDN, la coordinación
del paradigma IP y SDN es fundamental. En su documento, plantean que
esta coordinación se utiliza para resolver dos problemas de optimización que
normalmente se resuelven por separado: (i) equilibrio de carga de tráfico y
(ii) minimización del consumo de energı́a. Cada uno de estos problemas tiene
objetivos opuestos, por lo que su consideración conjunta implica lograr un
equilibrio entre ellos. Por lo tanto, el trabajo propone la heurı́stica HSLA
que enfrenta de manera conjunta los problemas de equilibrar el tráfico al
minimizar la utilización del enlace y el consumo de energı́a de la red en una
red hı́brida IP/SDN. El HSLA se evalúa en topologı́as de diferentes tamaños
utilizando diferentes métodos para seleccionar qué nodos se migran de IP
a SDN. Estas evaluaciones revelan que los enfoques alternativos que solo
abordan uno de los objetivos son superados por HSLA.
En la Tabla 6.1, se puede apreciar un resumén de los trabajos de inves-
tigación del estado del arte que abordan el problema de ahorro de energı́a en
las redes SDN hı́bridas.
159
Tabla 6.1: Trabajos del Estado del Arte - Ahorro de Energı́a en SDN Hı́brido
Referencia Abordaje Objetivo Modelo Formul. Técnica
- SDN Hı́bridas Encontrar subconjuntos de
Wang et al. [241] - Apagar conmutadores red de potencia mı́nima en MIP MAM HA
- Apagar enlaces SDN parcialmente
implementados.
- % de nodos a reemplazar, El objetivo principal
- Nodos candidatos es minimizar el consumo de
Galán-Jiménez a reemplazar, energı́a del conjunto de ILP MAM GA
et al. [76] - Enlaces puestos a dormir. enlaces conectados a
los nodos SDN.
- Uso de túneles, Reducir el consumo de
- Apagado de enlaces, energı́a de la red
Huin et al. [119] - Mitigación de tráfico con como máximo de k ILP MAM HA
y fallo de enlace. Puntos de Presencia SDN
- Despliegue incremental Minimizar el consumo de
Jia et al. [122] de nodos SDN, energı́a de la red mediante la
- Ubicación de nodos SDN inclusión de nodos SDN bajo ILP MAM GD
fijos, reencamindo de flujos. restricción presupuestaria.
- Reducción de carga de Minimizar el tráfico
Al Mhdawi et al. [10] tráficos grandes, de flujos grandes, reduciendo
- Reducción de las tem- el consumo de la CPU — MOP HA
peraturas del núcleo y la temperatura
reduciendo el consumo. del núcleo.
- Despliegue incremental , Minimizar el consumo
Galán-Jiménez de nodos SDN para de energı́a en una
et al. [77] el ahorro de energı́a. red cableada durante ILP MAM GA
la transición de
IP a SDN.
- Reducir el consumo Maximizar la utilidad
Maity et al. [161] total de energı́a, de la ruta para SA
- Aumentar cantidad total todos los flujos MILP MAM OSGA
de tráfico programable. presentes en la red.
- Equilibrio de carga Minimizar conjuntamente
Galán-Jiménez de tráfico, la utilización del
et al. [79] - Reducción del consumo enlace y el consumo de energı́a — MAM HA
de energı́a de la red. de la red durante la
trancisión de redes IP a SDN.
- Reemplazar conmutadores Minimizar el número
Hiryanto heredados, de enlaces encendidos
et al. [108] - Redirigir el tráfico para en T etapas MIP MAM HA
para ahorrar energı́a en el paso de red here-
desconectando enlaces. dada a SDN.
- Reemplazar conmutadores Minimizar el número
Hiryanto heredados, de enlaces encendidos
et al. [109] - Redirigir el tráfico para en T etapas MIP MAM HA
para ahorrar energı́a en el paso de red here-
desconectando enlaces. dada a SDN,
- Rutas multimples. considerando Multipath.
- Equilibrio de carga Minimizar globalmente
Galán-Jiménez de tráfico, el consumo de energı́a
et al. [79] - Reducción del consumo en una red hı́brida MILP MAM HA
de energı́a de la red. IP/SDN. GA
6.4 Discusión - Desafı́os y Direcciones Futuras

En esta sección del capı́tulo se realiza la discución entre los diferentes plan-
teamientos de soluciones propuestas, los desafı́os que aún persisten en la co-
munidad y las posibles direcciones futuras, todo ello para que sea de utilidad
a los investigadores que tengan interés de incursionar en el ámbito del ahorro
de energı́a en las redes hı́bridas SDN.
Las preocupaciones por reducir los niveles de emisión de CO2 es un tema
global, sobre todo por estar relacionado con el cambio climático. Una de las
160
maneras para mitigar estas emisiones es reduciendo el consumo de energı́a, ya
que para generarla, en la mayorı́a de los casos, implica emisiones de dioxido
de carbono a la atmosfera, lo que ocaciona el efecto invernadero. Varios
trabajos exponen la incidencia de los equipos tecnológicos en los altos niveles
de consumo de energı́a, por ello desde hace varias décadas la comunidad de
investigación a puesto su interés en buscar maneras lograr la eficiencia del
consumo de energı́a en los diversos dispositivos eléctricos y electrónicos.
En el campo de las redes de computadoras desde hace tiempo se bienen
realizando esfuerzos por lograr la eficiencia energética en diferentes dimen-
siones, en los centros de datos, en las redes core, en las redes de acceso, en los
dispositivos finales y sobre todo en los dispositivos de comunicación. Desde
el punto de vista del diseño, para lograr el servicio continuo se acostumbra
contar con dispositivos y enlaces redundantes, los cuales estan activos 24/7
para garantizar la tolerancia a fallos, lo cual implica un manifiesto derroche
de energı́a.
Una de las soluciones intuitivas a este problema es el de seleccionar
un conjunto de dispositivos y/o enlaces que puedan ser apagados (o puestos
en suspenso) sin comprometer la satisfacción de la demanda del tráfico y
la calidad del servicio. Las redes con el paradigma tradicional, netamente
descentralizado y que utilizan los protocolos tradicionales tienen escazas posi-
bilidades para implementar esta solución ya que carecen de una visión global
de la red para lograr los ajustes de manera dinámica. El nuevo paradigma de
redes SDN, al ser un paradigma centralizado contando con un nodo contro-
lador, tiene la posibilidad de lograr esa visión global y hacer que la red sea
programable de manera dinámica y que se pueda adaptar a las demandas de
tráfico.
Existen en la literatura trabajos de investigación para el ahorro de
energı́a tanto para redes tradicionales como para el nuevo paradigma SDN, el
inconveniente con las redes SDN es que su implementación completa, a corto
plazo, es aún poco viable por problemas tanto de presupuesto como técnicos.
La manera natural en la que se esta implementando en el mundo real, es la de
reemplazar progresivamentes dispositivos con capacidades SDN en las redes
tradicionales, a éste tipo de redes se las conoce como SDN hı́bridas. Entoces,
161
es necesario encontrar soluciones de eficiencia energética en las redes hı́bridas
SDN ya que son el presente y podrán ser aplicadas a corto plazo.
En la actualidad, hemos encontrado tres maneras diferentes de plantear
el problema, los cuales ya fueron detallados más arriba. El factor común en-
tre los tres radica en la busqueda de apagar/suspender los conmutadores y/o
enlaces innecesarios, por supuesto sin comprometer la satisfacción de la de-
manda de tráfico. Otra caracterı́stica en común es que esta acción se puede
realizar solamente con los dispositivos con capacidades SDN y los enlaces
conectados a ellos, los nodos y enlaces tradicionales permanecen encendidos
todo el tiempo. Otro detalle que comparten los abordajes es que son pro-
blemas multiobjetivos planteados como monoobjetivos, en ningún caso los
autores plantearon como puramente multiobjetivo, esto abre oportunidades
de investigación.
Lo diferente en los abordajes es que, por un lado, se plantea dada una
red hı́brida con los nodos SDN ya ubicados encontrar la manera de lograr el
ahorro de energı́a ([241], [161], [10]), y en el otro abordaje se busca construir
una red hı́brida óptima desde cero teniendo en cuenta el punto de vista
energético ([76], [122], [77], [79], [108], [109], [80]). Un resumén se puede
apreciar el la Tabla 6.2
Tabla 6.2: Abordajes de trabajos del Estado del Arte
Problema Referencias
Tipo 1 [241], [161], [10]
Tipo 2 [76], [122], [77], [79], [108], [109], [80]
Tipo 3 [119]
La construcción de la red SDN Hı́brida consiste básicamente en encon-

trar la cantidad y ubicación óptima de los nodos con capacidades SDN de
manera a lograr el mayor ahorro de energı́a posible. Es decir, dado el grafo
de la red tradicional actual, estratégicamente, buscar qué nodos combiene
reemplazar y por otro lado cuantos de ellos como mı́nimo. Ese último punto,
por lo general, esta sujeto al presupuesto con que se dispone para ejecutar los
reemplazos. Se parte de la base que cuanto más dispositivos SDN se tenga en
la red, mayor control sobre los enlaces se puede lograr y consecuentemente
162
mayor ahorro de energı́a. Sin embargo, uno de los trabajos demuestra que
reemplazando tan solo el 50% de los dispositivos se logra un ahorro muy
similar a si se tubiera una red completamente SDN. Otro trabajo también
demuestra que reemplazando tan solo el 10% de dispositivos se logra contro-
lar el 90% de los flujos con lo que se puede lograr el encendido y apagado de
los nodos y enlaces.
6.4.1 Desafı́os abiertos

En el trabajo de Wang et al. [241], el algoritmo heurı́stico apunta a ahorrar
energı́a cuando las cargas de tráfico no son altas en la red. Por otro lado,
ahorrar energı́a puede causar un retraso adicional y la pérdida de paquetes en
la red, o puede aumentar la congestión del tráfico durante los periodos pico.
Por lo tanto, uno de los desafı́os a tener en cuenta para trabajos futuros es
encontrar estrategias para anular diversos efectos secundarios introducidos
por los algoritmos de ahorro de energı́a.
En [76], plantean que se requieren más trabajos para evaluar la solución
consciente de la energı́a propuesta en entornos realistas, como bancos de
prueba con conmutadores OpenFlow de producción o redes virtuales que uti-
lizan la herramienta de emulación Mininet. El impacto de aplicar las configu-
raciones de red energéticamente eficientes resultantes en este tipo de entornos
debe medirse en términos de pérdida de paquetes, retraso y aumento de la
fluctuación de fase. Además, también se podrı́a analizar el comportamiento
del protocolo OpenFlow considerando la adaptación de tasa para los modos
de potencia de los enlaces y los transitorios de enrutamiento debido a la re-
configuración de la red. Para el trabajo [80], queda pendiente instalar HSLA
en un controlador SDN real, como Ryu o Faucet, para evaluar su impacto en
el rendimiento de la red en un banco de pruebas en funcionamiento.
SENAtoR, la propuesta de Huin et al. [119] puede enriquecerse con
un estudio más profundo sobre las variaciones del tráfico en la red para
proporcionar los umbrales más adecuados para los picos y las detecciones de
falla de enlace. En la investigación de Jia et al. [122], queda como desafı́o
pendiente tratar de mejorar la calidad del servicio a través de la clasificación
163
de paquetes o la ingenierı́a de tráfico basada en los flujos controlables.
Un tema abierto en el iPRDR de Al Mhdawi et al. [10] es implementarlo
en un entorno a gran escala dentro de una SDN basada en la nube para
administrar y controlar múltiples ubicaciones de sitios de centros de datos
tradicionales con más funciones avanzadas de optimización de energı́a. El
rendimiento del sistema se deberı́a evaluar en función de la topologı́a compleja
a fin de descubrir cualquier limitación desafiante para el algoritmo.
Del abordaje propuesto por Maity et al. [161], se plantean los siguien-
tes temas abiertos extender el esquema propuesto considerando la carga de
tráfico variable, el tráfico con diferentes demandas de calidad de servicio y la
tolerancia a fallas en el futuro. También, estudiar el desempeño de ETHoS
para diferentes topologı́as de red y conceptualizar un método para determi-
nar la temperatura inicial y la tasa de enfriamiento para el procedimiento
SA. En [109], queda como desafı́o considerar los controladores múltiples y su
ubicación en una SDN hı́brida mejorada.
6.4.2 Direcciones Futuras

Desde varias perspectivas se ha demostrado que la transición del paradigma
tradicional al paradigma de redes SDN será un proceso progresivo y pau-
latino restringido por aspectos presupuestarios, técnicos y de aprendizaje
para todos los actores. Las promesas iniciales de las redes SDN se verán
materializadas inevitablemente en las redes hı́bridas, por lo que variás lı́neas
deben ser estudiadas y experimentadas en este ambiente, una de ellas es el
ahorro de energı́a, otro tema importante que puede sacar mucho provecho
del paradigma HSDN es la calidad del servicio y más aún tratar de manera
conjunta todas ellas. Son objetivos en relación de compromiso por ejem-
plo plantear la solución de minimizar el consumo de energı́a, maximizando
la calidad del servicio y agregando el balanceo de carga en una red SDN
hı́brida.
Por otro lado, como ya se comento con anterioridad, estos desafı́os
son tratados como problema de optimización multiobjetivo. En los trabajos
encontrados en la literatura todos ellos son formulados de manera Multiob-
164
jetivo como mono-objetivo, como sumas ponderadas por ejemplo, formular y
resolver con abordajes puramente multiobjetivos encontrando el frente pareto
es un tema pendiente a desarrollar.
Como se demostró en varios trabajos se tratan de problemas NP-Dificil,
y se plantean varios algoritmos heurı́sticos, se nota como oportunidad que
muy pocos de ellos aplicaron algoritmos genéticos u otras metaherı́sticas
bioinspiradas lo que constituye una cantera de oportunidades de investigación
a ser explotadas. No se puede dejar de mencionar que no se encontraron
trabajos que utilicen la inteligencias artificial para la resolución de estos pro-
blemas, por lo que se tiene un campo prácticamente virgen para la aplicación
de Machine learning y Deep Learning para la solución de los desafı́os abiertos
en los que sea aplicable.
6.5 Conclusiones
En este apartado se trató sobre la convergencia entre la lı́nea de ahorro de
energı́a en SDN y el despliegue incremental de dispositivos SDN en una red
tradicional llamada HSDN. El ahorro de energı́a en las redes es un tema muy
importante y su aplicación práctica será factible gracias a las redes Hı́bridas
SDN lo que la convierte en un tema de interés indiscutible.
Se revisaron los trabajos del estado del arte en el que se trata la eficien-
cia energética en redes HSDN como problema de optimización, se encontraron
11 trabajos que plantean diferentes posibles soluciones. El factor común en-
tre todos es que se busca ahorrar energı́a apagando o poniendo en suspención
nodos y/o enlaces, los cuales deben ser SDN.
Los abordajes encontrados, en su mayorı́a, son del tipo multiobjetivo,
los cuales son formulados como mono-objetivo, como sumas ponderadas por
ejemplo. Como oportunidad de investigación se destaca formular y resolver
con un planteamiento multiobjetivo puro.
Es destacable que en los trabajos encontrados se plantean soluciones
por medio de algoritmos heurı́sticos, la utilización de algoritmos genéticos es
escaza y también la de otras metaheurı́sticas bioinspiradas constituyendose en
otro desafı́o de investigación posible. Por último pero no menos importante,
165
la inteligencia artificial para la resolución de los problemas planteados es
inexistente. Combinar el ahorro de energı́a, con la calidad del servicio, el
balanceo de carga en una red SDN Hı́brida es un importante desafı́o de
optimización Multi-Objetivo.
166
Parte V
Conclusiones y Trabajos
Futuros de la Tesis
167
Capı́tulo 7
Conclusiones y trabajos futuros
7.1 Conclusiones
En este trabajo se abordaron y aportaron cinco temas principales, el en-
rutamiento como optimización, la clasificación de las aplicaciones de SDN
alineados con el enrutamiento y la optimización, la aplicación en el ahorro de
energı́a y el despliegue incremental en redes SDN hı́bidas y ambas de manera
conjunta.
Se dieron respuestas a las preguntas de investigacion planteadas en la
sección 1.2 de la siguiente manera:
Se exploró el estado del arte, analizando y clasificando los métodos
de enrutamiento en SDN dándo énfasis a los abordajes que lo tratan como
problema de optimización, con ello se logró tener una visión sistemica y
holı́stica del nuevo paradigma SDN. (Objetivo 1, desarrollado en la Sección
2.1.2)
En base a 248 artı́culos estudiados se consiguió establecer la taxono-
mia (ver Figura 2.5) e identificar los problemas en los que el paradigma
SDN ofrece ventajas alineadas al enrutamiento y son aplicados los diferen-
tes métodos de optimización. (Objetivo 2, desarrollado en la Sección 2.2).
Los más destacados fueron el ahorro de energı́a, la calidad del servicio y el
displiegue HSDN (ver Figura 2.7).
Dando respuesta a la segunda pregunta de investigación, se abordó el
168
problema de optimizar el consumo de energı́a de las redes SDN considerando
dos problemas: el problema de la ubicación del controlador y el problema de
enrutamiento de flujos y asignación de dispositivos. Este último problema
se encuentra fuertemente asociado al problema de ubicación de reglas de
ruteo. Para el primer problema se ha realizado un estudio que indica el
beneficio de considerar el grado y la utilización del nodo para la selección
del nodo controlador. En el segundo problema se ha encontrado el beneficio
de considerar todos los dispositivos del switch SDN para lograr un mayor
ahorro de energı́a que son: el chasis, line cards y los enlaces, al poner los
dispositivos inactivos en modo de suspensión también se tuvo en cuenta la
utilización del enlace. Para el problema de ubicación del controlador se
ha propuesto una heurı́stica competitiva al propuesto en el estado del arte.
Para el segundo problema se ha propuesto una solución exacta basada en
MILP como también una meta-heurı́tica basada en Algoritmos Genéticos.
(Objetivo 3, desarrollado en el capı́tulo 3 y publicado en [205] y [206]).
Por otro lado, para responder la tercera pregunta de investigación, se
analizó uno de los desafı́os inherentes al esquema HSDN que es el despliegue
incremental de dispositivos SDN en una topologı́a tradicional ya existente.
Se consideraron las ventajas y desventajas de las técnicas del estado del arte
que han abordado el mismo desafı́o reemplazando dispositivos tradicionales
por otros SDN o agregando dispositivos SDN y se ha propuesto una técnica
que permita optimizar los beneficios de las primeras.
La técnica propuesta ha sido implementada a través de un Programa
Lineal Entero Mixto y su rendimiento fue comparado contra un represen-
tante de cada técnica del estado del arte demostrando un margen mayor de
tráfico controlado por el paradigma SDN a medida que la carga de trabajo
va aumentando, hasta un 37% en comparación con la técnica por adición y
hasta un 98% en comparación con la técnica por reemplazo, en escenarios
donde la carga de trabajo fue superior al 80%.
Además se propuso una implementación de la técnica hı́brida a través de
un GA, pues se constató que el MILP no es escalable para grandes topologı́as
o grandes cargas de trabajo. El GA por otra parte dió un rendimiento su-
perior al 90% de calidad de tráfico, es decir que más del 90% de todo el
169
tráfico fue controlado por el paradigma SDN, en todos los escenarios con
tiempos muy inferiores a los MILP propuesto y a los modelos matemáticos
del estado del arte en topologı́as Mediana y Grande. Todo ello con costos de
implementación inferiores a las ofrecidas por las técnicas del estado del arte
y el modelo de optimización propuesto. De esta forma también se demuestra
que la implementación del esquema HSDN como estrategia a largo plazo es
factible. (objetivo 4, desarrollado en el capı́tulo 4 y publicado en [41])
Sumado a lo anterior, se estudió los beneficios de implementar una red
SDN hı́brida a través de un enfoque multiobjetivo puro y utilizando la es-
trategia de reemplazo. En este estudio, desarrollamos tres algoritmos: RD -
MOLP, RD MOGA y RD MOEA. Los resultados experimentales muestran
una ventaja y un rendimiento significativo a favor del RD MOEA a partir
de topologı́as medias y niveles de carga medios en adelante. Los resultados
proporcionados por RD MOEA generan un frente de Pareto que domina com-
pletamente los resultados de RD MOLP y RD MOGA. En trabajos futuros,
se planea implementar otros algoritmos multiobjetivo que incluyan el tercer
objetivo en el modelo e incluyan la técnica de adición de forma conjunta o
individual. (Objetivo 4, desarrollado en el capı́tulo 5)
Finalmente, para dar respuesta a la cuarta pregunta de investigación,
se trató sobre la convergencia entre la lı́nea de ahorro de energı́a en SDN y el
despliegue incremental de dispositivos SDN en una red tradicional llamada
HSDN. El ahorro de energı́a en las redes es un tema muy importante y su
aplicación práctica será factible gracias a las redes Hı́bridas SDN lo que la
convierte en un tema de interés indiscutible.
Se revisaron los trabajos del estado del arte en el que se trata la eficien-
cia energética en redes HSDN como problema de optimización, se encontraron
11 trabajos que plantean diferentes posibles soluciones. El factor común en-
tre todos es que se busca ahorrar energı́a apagando o poniendo en suspención
nodos y/o enlaces, los cuales deben ser SDN. (Objetivo 5, desarrollado en el
capı́tulo 6).
Los abordajes encontrados, en su mayorı́a, son del tipo multiobjetivo,
los cuales son formulados como mono-objetivo, como sumas ponderadas por
ejemplo. Como oportunidad de investigación se destaca formular y resolver
170
con un planteamiento multiobjetivo puro.
Es destacable que en los trabajos encontrados se plantean soluciones
por medio de algoritmos heurı́sticos, la utilización de algoritmos genéticos es
escasa y también la de otras metaheurı́sticas bioinspiradas constituyendose en
otro desafı́o de investigación posible. Por último pero no menos importante,
la inteligencia artificial para la resolución de los problemas planteados es
inexistente. Combinar el ahorro de energı́a, con la calidad del servicio, el
balanceo de carga en una red SDN Hı́brida es un importante desafı́o de
optimización Multi-Objetivo.
7.2 Trabajos futuros

Como trabajo futuro se propone analizar los siguientes aspectos:
• Analizar el comportamiento de la técnica propuesta con tráfico multi-

cast y divisible.
• Tomar en cuenta parámetros de comportamiento para considerar métricas

de robustez y confianza, como cantidad máxima de caminos de respaldo.
• Abordar el problema con tráfico dinámico.
• Plantear la propuesta de despliegue incremental hı́brido en el escenario

HSDN/OSPF con un contexto multi objetivo.
• Extender el trabajo presentado por Tamal et al. [58] utilizando la

técnica de despliegue incremental hı́brido.
• Implementar el ahorro de energı́a en redes SDN hı́bridas agregando

QoS a la función objetivo.
171
Referencias Bibliográficas
[1] SNDlib Home. [Online]. http://sndlib.zib.de/home.action.
[2] ”Software-defined networking: The new norm for networks”, Palo

Alto,CA, USA, White Paper, Apr. 2012. [Online]. Available:
https://www.opennetworking.org/images/stories/downloads/
white-papers/wp-sdnnewnorm.pdf.
[3] A. Bley. Approximability of unsplittable shortest path routing prob-

lems. Networks 2009, 54(1)(pp. 23-46), 2009.
[4] S. Abdallah, A. Kayssi, I. H. Elhajj, and A. Chehab. Adaptive op-

timization for hybrid network control planes. In 2018 IEEE/ACS
15th International Conference on Computer Systems and Applications
(AICCSA), pages 1–8. IEEE, 2018.
[5] M. Afaq, S. Rehman, and W.-C. Song. Large flows detection, mark-
ing, and mitigation based on sflow standard in sdn. Journal of Korea
Multimedia Society, 18(2):189–198, 2015.
[6] O. Ahmed, F. Ren, A. Hawbani, and Y. Al-Sharabi. Energy optimized

congestion control-based temperature aware routing algorithm for soft-
ware defined wireless body area networks. IEEE Access, 8:41085–41099,
2020.
[7] A. Akhunzada, A. Gani, N. B. Anuar, A. Abdelaziz, M. K. Khan,

A. Hayat, and S. U. Khan. Secure and dependable software defined
networks. Journal of Network and Computer Applications, 61:199–221,
2016.
172
[8] E. Akin and T. Korkmaz. Comparison of routing algorithms with static
and dynamic link cost in sdn. In 2019 16th IEEE Annual Consumer
Communications & Networking Conference (CCNC), pages 1–8. IEEE,
2019.
[9] C. Al Hasrouty, V. Autefage, C. Olariu, D. Magoni, and J. Murphy.

Sdn-driven multicast streams with adaptive bitrates for voip confer-
ences. In 2016 IEEE International Conference on Communications
(ICC), pages 1–7. IEEE, 2016.
[10] A. K. Al Mhdawi and H. S. Al-Raweshidy. iprdr: Intelligent power

reduction decision routing protocol for big traffic flood in hybrid-sdn
architecture. IEEE Access, 6:10944–10955, 2018.
[11] Z. AlSaeed, I. Ahmad, and I. Hussain. Multicasting in software defined

networks: A comprehensive survey. Journal of Network and Computer
Applications, 104:61–77, 2018.
[12] R. Alvizu, G. Maier, M. Tornatore, and M. Pióro. Differential delay

constrained multipath routing for sdn and optical networks. Electronic
Notes in Discrete Mathematics, 52:277–284, 2016.
[13] R. Amin, M. Reisslein, and N. Shah. Hybrid sdn networks: A survey

of existing approaches. IEEE Communications Surveys & Tutorials,
20(4):3259–3306, 2018.
[14] R. Amin, N. Shah, and W. Mehmood. Enforcing optimal acl policies

using k-partite graph in hybrid sdn. Electronics, 8(6):604, 2019.
[15] A. S. Andrae and T. Edler. On global electricity usage of communica-

tion technology: trends to 2030. Challenges, 6(1):117–157, 2015.
[16] B. G. Assefa and Ö. Özkasap. A survey of energy efficiency in SDN:

Software-based methods and optimization models. Journal of Network
and Computer Applications, 137:127–143, 2019.
173
[17] G. S. Aujla, S. Garg, S. Batra, N. Kumar, I. You, and V. Sharma.
Drops: A demand response optimization scheme in sdn-enabled smart
energy ecosystem. Information Sciences, 476:453–473, 2019.
[18] M. K. Awad, M. El-Shafei, T. Dimitriou, Y. Rafique, M. Baidas, and

A. Alhusaini. Power-efficient routing for sdn with discrete link rates
and size-limited flow tables: A tree-based particle swarm optimization
approach. International Journal of Network Management, 27(5):e1972,
2017.
[19] M. K. Awad, Y. Rafique, S. Alhadlaq, D. Hassoun, A. Alabdulhadi, and

S. Thani. A greedy power-aware routing algorithm for software-defined
networks. In 2016 IEEE International Symposium on Signal Processing
and Information Technology (ISSPIT), pages 268–273. IEEE, 2016.
[20] M. K. Awad, Y. Rafique, and R. A. M’Hallah. Energy-aware rout-

ing for software-defined networks with discrete link rates: A benders
decomposition-based heuristic approach. Sustainable Computing: In-
formatics and Systems, 13:31–41, 2017.
[21] J. Bailey, D. Pemberton, A. Linton, C. Pelsser, and R. Bush. Enforcing

rpki-based routing policy on the data plane at an internet exchange.
In Proceedings of the third workshop on Hot topics in software defined
networking, pages 211–212, 2014.
[22] B. M. Baker and M. Ayechew. A genetic algorithm for the vehicle

routing problem. Computers & Operations Research, 30(5):787–800,
2003.
[23] K. Bakshi. Considerations for software defined networking (SDN): Ap-

proaches and use cases. In 2013 IEEE Aerospace Conference, pages
1–9. IEEE, 2013.
[24] A. A. Barakabitze, N. Barman, A. Ahmad, S. Zadtootaghaj, L. Sun,

M. G. Martini, and L. Atzori. Qoe management of multimedia stream-
ing services in future networks: a tutorial and survey. IEEE Commu-
nications Surveys & Tutorials, 22(1):526–565, 2019.
174
[25] M. F. Bari, A. R. Roy, S. R. Chowdhury, Q. Zhang, M. F. Zhani,
R. Ahmed, and R. Boutaba. Dynamic controller provisioning in soft-
ware defined networks. In CNSM, pages 18–25, 2013.
[26] S. Ben Hadj Said and A. Petrescu. Energy-efficient routing in sdn-

based access networks. Greening Video Distribution Networks: Energy-
Efficient Internet Video Delivery, pages 159–175, 2018.
[27] R. Bennesby, P. Fonseca, E. Mota, and A. Passito. An inter-as rout-

ing component for software-defined networks. In 2012 IEEE Network
Operations and Management Symposium, pages 138–145. IEEE, 2012.
[28] P. Bhaumik, S. Zhang, P. Chowdhury, S.-S. Lee, J. H. Lee, and

B. Mukherjee. Software-defined optical networks (sdons): a survey.
Photonic Network Communications, 28(1):4–18, 2014.
[29] A. Binsahaq, T. R. Sheltami, and K. Salah. A survey on autonomic

provisioning and management of qos in sdn networks. IEEE Access,
7:73384–73435, 2019.
[30] M. Birattari and J. Kacprzyk. Tuning metaheuristics: a machine learn-

ing perspective, volume 197. Springer, 2009.
[31] R. Bolla, R. Bruschi, F. Davoli, and C. Lombardo. Fine-grained energy-

efficient consolidation in sdn networks and devices. IEEE Transactions
on Network and Service Management, 12(2):132–145, 2015.
[32] O. S. Brief. Openflow-enabled sdn and network functions virtualization.

Open Netw. Found, 17:1–12, 2014.
[33] M. Caesar, D. Caldwell, N. Feamster, J. Rexford, A. Shaikh, and

J. van der Merwe. Design and implementation of a routing control plat-
form. In Proceedings of the 2nd conference on Symposium on Networked
Systems Design & Implementation-Volume 2, pages 15–28. USENIX
Association, 2005.
175
[34] G. Cammarata, A. Di Stefano, G. Morana, and D. Zito. Energy-aware
routing in a4sdn. In Complex, Intelligent, and Software Intensive Sys-
tems: Proceedings of the 11th International Conference on Complex,
Intelligent, and Software Intensive Systems (CISIS-2017), pages 577–
588. Springer, 2018.
[35] M. Caria, T. Das, A. Jukan, and M. Hoffmann. Divide and conquer:

Partitioning ospf networks with sdn. In 2015 IFIP/IEEE International
Symposium on Integrated Network Management (IM), pages 467–474.
IEEE, 2015.
[36] M. Caria, A. Jukan, and M. Hoffmann. A performance study of net-

work migration to sdn-enabled traffic engineering. In 2013 IEEE Global
Communications Conference (GLOBECOM), pages 1391–1396. IEEE,
2013.
[37] M. Caria, A. Jukan, and M. Hoffmann. Sdn partitioning: A centralized

control plane for distributed routing protocols. IEEE Transactions on
Network and Service Management, 13(3):381–393, 2016.
[38] G. Carle, D. Raumer, and L. Schwaighofer. Future internet (fi) and in-
novative internet technologies and mobile communications (iitm). 2015.
[39] D. J. Casey and B. E. Mullins. SDN shim: Controlling legacy devices.

In 2015 IEEE 40th Conference on Local Computer Networks (LCN),
pages 169–172. IEEE, 2015.
[40] S. Čaušević and M. Begović. Optimizing traffic routing in different

network environments using the concept of software-defined networks.
In 2019 42nd International Convention on Information and Commu-
nication Technology, Electronics and Microelectronics (MIPRO), pages
409–414. IEEE, 2019.
[41] P. P. Cespedes-Sanchez, B. Maluff, D. P. Pinto-Roa, and H. Legal-

Ayala. Hybrid incremental deployment of hsdn devices. IEEE Trans-
actions on Network and Service Management, 19(2):1662–1678, 2021.
176
[42] R. Chai, H. Li, F. Meng, and Q. Chen. Energy consumption
optimization-based joint route selection and flow allocation algorithm
for software-defined networking. Science China Information Sciences,
60:1–14, 2017.
[43] Y. Chai and X.-J. Zeng. Load balancing routing for wireless mesh
network with energy harvesting. IEEE Communications Letters, 2020.
[44] B. C. Chatterjee, S. Ba, and E. Oki. Fragmentation problems and

management approaches in elastic optical networks: a survey. IEEE
Communications Surveys & Tutorials, 20(1):183–210, 2018.
[45] B. C. Chatterjee, T. Sato, and E. Oki. Recent research progress on

spectrum management approaches in software-defined elastic optical
networks. Optical Switching and Networking, 30:93–104, 2018.
[46] H. Chen, J. Zhang, Y. Zhao, J. Deng, W. Wang, R. He, J. Zhou, Y. Ji,

H. Zheng, Y. Lin, et al. Demonstration of cloud resources integrated
provisioning over multi-domain software defined optical networks. In
2014 The European Conference on Optical Communication (ECOC),
pages 1–3. IEEE, 2014.
[47] Y. Cheng and X. Jia. Namp: Network-aware multipathing in software-

defined data center networks. IEEE/ACM Transactions on Networking,
28(2):846–859, 2020.
[48] M. Chiosi, D. Clarke, P. Willis, A. Reid, J. Feger, M. Bugenhagen,

W. Khan, M. Fargano, C. Cui, H. Deng, et al. Network functions
virtualisation: An introduction, benefits, enablers, challenges and call
for action. In SDN and OpenFlow world congress, volume 48, page 202.
sn, 2012.
[49] Y.-L. Chou and V. A. Armer. Análisis estadı́stico. Technical report,

Interamericana, 1977.
177
[50] N. M. K. Chowdhury and R. Boutaba. Network virtualization: state
of the art and research challenges. IEEE Communications magazine,
47(7):20–26, 2009.
[51] C.-Y. Chu, K. Xi, M. Luo, and H. J. Chao. Congestion-aware single

link failure recovery in hybrid sdn networks. In 2015 IEEE Conference
on Computer Communications (INFOCOM), pages 1086–1094. IEEE,
2015.
[52] C.-C. Chuang, Y.-J. Yu, and A.-C. Pang. Flow-aware routing and for-
warding for sdn scalability in wireless data centers. IEEE Transactions
on Network and Service Management, 15(4):1676–1691, 2018.
[53] C. A. C. Coello, G. B. Lamont, D. A. Van Veldhuizen, et al. Evolution-

ary algorithms for solving multi-objective problems, volume 5. Springer,
2007.
[54] C. A. C. Coello and C. S. P. Zacatenco. Introducción a la computación

evolutiva. México, 2004.
[55] D. Hong, Y. Ma, S. Banerjee, Z. M. Mao. Incremental deployment

of SDN in hybrid enterprise and ISP networks. Proceedings of the
Symposium on SDN Research, (pp. 1), March 2016.
[56] D. Levin, M. Canini, S. Schmid, F. Schaffert, A. Feldmann. Panopti-

con: Reaping the benefits of incremental SDN deployment in enterprise
networks. 2014 USENIX Annual Technical Conference (USENIX ATC
14), (pp. 333-345), 2014.
[57] M. H. Dahir, H. Alizadeh, and D. Gözüpek. Energy efficient virtual

network embedding for federated software-defined networks. Interna-
tional Journal of Communication Systems, 32(6):e3912, 2019.
[58] T. Das, M. Caria, A. Jukan, and M. Hoffmann. Insights on SDN

migration trajectory. In 2015 IEEE International Conference on Com-
munications (ICC), pages 5348–5353. IEEE, 2015.
178
[59] L. Davis. Job shop scheduling with genetic algorithms. In Proceedings
of an international conference on genetic algorithms and their applica-
tions, volume 140, 1985.
[60] J. R. de Almeida Amazonas, G. Santos-Boada, S. Ricciardi, and J. Solé-

Pareta. Technical challenges and deployment perspectives of sdn based
elastic optical networks. In 2016 18th International Conference on
Transparent Optical Networks (ICTON), pages 1–5. IEEE, 2016.
[61] S. Demirci and Ş. Sağıroğlu. Optimal placement of virtual network

functions in software defined networks: A survey. Journal of Network
and Computer Applications, page 102424, 2019.
[62] J. Deng, H. Hu, H. Li, Z. Pan, K.-C. Wang, G.-J. Ahn, J. Bi, and
Y. Park. Vnguard: An nfv/sdn combination framework for provisioning
and managing virtual firewalls. In 2015 IEEE Conference on Network
Function Virtualization and Software Defined Network (NFV-SDN),
pages 107–114. IEEE, 2015.
[63] Q. Duan, N. Ansari, and M. Toy. Software-defined network virtualiza-

tion: An architectural framework for integrating sdn and nfv for service
provisioning in future networks. IEEE Network, 30(5):10–16, 2016.
[64] A. E. Eiben, J. E. Smith, et al. Introduction to evolutionary computing,

volume 53. Springer, 2003.
[65] J. Estaran, M. I. Olmedo, D. Zibar, X. Xu, and I. T. Monroy. First

experimental demonstration of coherent cap for 300-gb/s metropolitan
optical networks. In Optical Fiber Communication Conference, pages
Th3K–3. Optica Publishing Group, 2014.
[66] A. Estero-Botaro, Á. Cortijo-Garcı́a, A. Garcı́a-Domı́nguez, F. Palomo-

Lozano, J. J. Domı́nguez-Jiménez, and I. Medina-Bulo. Análisis y de-
terminación del impacto del operador de mutación en la generación
genética de casos de prueba para WS-BPEL.
179
[67] F. Fan, B. Hu, and K. L. Yeung. Distributed and dynamic multicast
scheduling in fat-tree data center networks. In 2016 IEEE International
Conference on Communications (ICC), pages 1–6. IEEE, 2016.
[68] M. Farid, R. Latip, M. Hussin, and N. A. W. Abdul Hamid. A survey

on qos requirements based on particle swarm optimization scheduling
techniques for workflow scheduling in cloud computing. Symmetry,
12(4):551, 2020.
[69] N. Farrugia, V. Buttigieg, and J. A. Briffa. A globally optimised mul-

tipath routing algorithm using sdn. In 2018 21st Conference on Inno-
vation in Clouds, Internet and Networks and Workshops (ICIN), pages
1–8. IEEE, 2018.
[70] N. Feamster, J. Rexford, and E. Zegura. The road to sdn: an intellec-

tual history of programmable networks. ACM SIGCOMM Computer
Communication Review, 44(2):87–98, 2014.
[71] A. Fernandez-Fernandez, C. Cervello-Pastor, and L. Ochoa-Aday.

Achieving energy efficiency: An energy-aware approach in SDN. In
2016 IEEE Global Communications Conference (GLOBECOM), pages
1–7. IEEE, 2016.
[72] A. Fernández-Fernández, C. Cervelló-Pastor, and L. Ochoa-Aday. A

distributed energy-aware routing algorithm in software-defined net-
works. Trends in Practical Applications of Scalable Multi-Agent Sys-
tems, the PAAMS Collection, pages 369–373, 2016.
[73] A. Fernández-Fernández, C. Cervelló-Pastor, and L. Ochoa-Aday. Im-

proved energy-aware routing algorithm in software-defined networks.
In 2016 IEEE 41st Conference on Local Computer Networks (LCN),
pages 196–199. IEEE, 2016.
[74] A. Fernández-Fernández, C. Cervelló-Pastor, and L. Ochoa-Aday.

A multi-objective routing strategy for qos and energy aware-
ness in software-defined networks. IEEE Communications Letters,
21(11):2416–2419, 2017.
180
[75] M. M. Fouad, A. I. Hafez, and A. E. Hassanien. Optimizing topolo-
gies in wireless sensor networks: A comparative analysis between the
grey wolves and the chicken swarm optimization algorithms. Computer
Networks, 163:106882, 2019.
[76] J. Galan-Jimenez. Legacy ip-upgraded sdn nodes tradeoff in energy-

efficient hybrid ip/sdn networks. Computer Communications, 114:106–
123, 2017.
[77] J. Galán-Jiménez. Exploiting the control power of sdn during the tran-
sition from ip to sdn networks. International Journal of Communica-
tion Systems, 31(5):e3504, 2018.
[78] J. Galan-Jimenez, M. Polverini, and A. Cianfrani. Reducing the recon-

figuration cost of flow tables in energy-efficient software-defined net-
works. Computer Communications, 128:95–105, 2018.
[79] J. Galàn-Jimènez, M. Polverini, F. G. Lavacca, J. L. Herrera, and

J. Berrocal. On the tradeoff between load balancing and energy-
efficiency in hybrid ip/sdn networks. In 2021 12th International Con-
ference on Network of the Future (NoF), pages 1–9. IEEE, 2021.
[80] J. Galán-Jiménez, M. Polverini, F. G. Lavacca, J. L. Herrera, and

J. Berrocal. Joint energy efficiency and load balancing optimization in
hybrid ip/sdn networks. Annals of Telecommunications, pages 1–19,
2022.
[81] I. Gasparakis. Hybrid SDN controller, Jan. 29 2019. US Patent

10,193,760.
[82] A. Ghiasian, P. Liu, X. Wang, and M. Collier. Energy-efficient opera-

tion of a network of openflow switches featuring hardware acceleration
and frequency scaling. Transactions on Emerging Telecommunications
Technologies, 30(6):e3619, 2019.
181
[83] S. Ghosh, T. Dagiuklas, and M. Iqbal. Energy-aware ip routing over
sdn. In 2018 IEEE Global Communications Conference (GLOBE-
COM), pages 1–7. IEEE, 2018.
[84] F. Giroire, D. Mazauric, J. Moulierac, and B. Onfroy. Minimizing

routing energy consumption: from theoretical to practical results. In
2010 IEEE/ACM Int’l Conference on Green Computing and Commu-
nications & Int’l Conference on Cyber, Physical and Social Computing,
pages 252–259. IEEE, 2010.
[85] F. Giroire, J. Moulierac, and T. K. Phan. Optimizing rule placement

in software-defined networks for energy-aware routing. In 2014 IEEE
Global Communications Conference, pages 2523–2529. IEEE, 2014.
[86] F. Giroire, J. Moulierac, and T. K. Phan. Optimizing rule placement

in software-defined networks for energy-aware routing. In 2014 IEEE
Global Communications Conference, pages 2523–2529, Dec 2014.
[87] D. E. Goldberg. Genetic algorithms in search. Optimization, and Ma-

chineLearning, 1989.
[88] D. E. Goldberg, R. Lingle, et al. Alleles, loci, and the traveling salesman
problem. In Proceedings of an international conference on genetic al-
gorithms and their applications, volume 154, pages 154–159. Lawrence
Erlbaum, Hillsdale, NJ, 1985.
[89] J. J. Grefenstette. Optimization of control parameters for genetic

algorithms. IEEE Transactions on Systems, Man, and Cybernetics,
16(1):122–128, 1986.
[90] S. Gu, L. Luo, Z. Zhao, and X. Li. The multi-objective routing opti-
mization algorithm for hybrid sdn. In Proceedings of the 28th Confer-
ence of Spacecraft TT&C Technology in China: Openness, Integration
and Intelligent Interconnection 28, pages 487–499. Springer, 2018.
[91] W. Gu, X. Zhang, B. Gong, and L. Wang. A survey of multicast

in software-defined networking. In 5th International Conference on
182
Information Engineering for Mechanics and Materials. Atlantis Press,
2015.
[92] J. W. Guck, A. Van Bemten, M. Reisslein, and W. Kellerer. Unicast qos

routing algorithms for sdn: A comprehensive survey and performance
evaluation. IEEE Communications Surveys & Tutorials, 20(1):388–415,
2017.
[93] W. Guizhi, L. Guanghong, J. Wucai, J. Chuanghui, and Z. Jianshen.

A review on the application of machine learning in sdn routing opti-
mization. Journal of Computer Research and Development, 57(4):688,
2020.
[94] Y. Guo, Z. Wang, Z. Liu, X. Yin, X. Shi, J. Wu, Y. Xu, and H. J.

Chao. Sote: Traffic engineering in hybrid software defined networks.
Computer Networks, 154:60–72, 2019.
[95] Y. Guo, Z. Wang, X. Yin, X. Shi, and J. Wu. Traffic engineering in

SDN/OSPF hybrid network. In 2014 IEEE 22nd International Con-
ference on Network Protocols, pages 563–568. IEEE, 2014.
[96] Y. Guo, Z. Wang, X. Yin, X. Shi, J. Wu, and H. Zhang. Incremental

deployment for traffic engineering in hybrid sdn network. In 2015 IEEE
34th International Performance Computing and Communications Con-
ference (IPCCC), pages 1–8. IEEE, 2015.
[97] Z. Guo, W. Chen, Y.-F. Liu, Y. Xu, and Z.-L. Zhang. Joint switch up-
grade and controller deployment in hybrid software-defined networks.
IEEE Journal on Selected Areas in Communications, 37(5):1012–1028,
2019.
[98] H. Xu, J. Fan, J. Wu, C. Qiao, L. Huang. Joint deployment and routing
in hybrid SDNs. 2017 IEEE/ACM 25th International Symposium on
Quality of Service (IWQoS), June 2017.
[99] H. Xu, X. Li, L. Huang, H. Deng, H. Huang, H Wang. Incremental

deployment and throughput maximization routing for a hybrid SDN.
183
IEEE/ACM TRANSACTIONS ON NETWORKING, 35((3) pp. 1861-
1875), June 2017.
[100] B. Han, V. Gopalakrishnan, L. Ji, and S. Lee. Network function vir-

tualization: Challenges and opportunities for innovations. IEEE Com-
munications Magazine, 53(2):90–97, 2015.
[101] I. T. Haque and N. Abu-Ghazaleh. Wireless software defined network-

ing: A survey and taxonomy. IEEE Communications Surveys & Tuto-
rials, 18(4):2713–2737, 2016.
[102] F. Hayes-Roth. Review of ” Adaptation in Natural and Artificial Sys-

tems by John H. Holland”, the u. of michigan press, 1975. ACM
SIGART Bulletin, (53):15–15, 1975.
[103] R. Hays, A. Wertheimer, and E. Mann. Active/idle toggling with low-

power idle, 2008.
[104] J. He and W. Song. Achieving near-optimal traffic engineering in hybrid

software defined networks. In 2015 IFIP Networking Conference (IFIP
Networking), pages 1–9. IEEE, 2015.
[105] B. Heller, S. Seetharaman, P. Mahadevan, Y. Yiakoumis, P. Sharma,

S. Banerjee, and N. McKeown. Elastictree: Saving energy in data
center networks. In Nsdi, volume 10, pages 249–264, 2010.
[106] B. Heller, R. Sherwood, and N. McKeown. The controller placement

problem. In Proceedings of the first workshop on Hot topics in software
defined networks, pages 7–12. ACM, 2012.
[107] J. G. Herrera and J. F. Botero. Resource allocation in nfv: A compre-

hensive survey. IEEE Transactions on Network and Service Manage-
ment, 13(3):518–532, 2016.
[108] L. Hiryanto, S. Soh, K.-W. Chin, D.-S. Pham, and M. Lazarescu. Green
multi-stage upgrade for bundled-links sdn/ospf-ecmp networks. In ICC
2021-IEEE International Conference on Communications, pages 1–7.
IEEE, 2021.
184
[109] L. Hiryanto, S. Soh, K.-W. Chin, D.-S. Pham, and M. M. Lazarescu.
Multi-path routing in green multi-stage upgrade for bundled-links
sdn/ospf-ecmp networks. IEEE Access, 9:99073–99091, 2021.
[110] D. Hock, M. Hartmann, S. Gebert, M. Jarschel, T. Zinner, and P. Tran-

Gia. Pareto-optimal resilient controller placement in SDN-based core
networks. In Proceedings of the 2013 25th International Teletraffic
Congress (ITC), pages 1–9. IEEE, 2013.
[111] D. K. Hong, Y. Ma, S. Banerjee, and Z. M. Mao. Incremental deploy-

ment of sdn in hybrid enterprise and isp networks. In Proceedings of
the Symposium on SDN Research, pages 1–7, 2016.
[112] P. Hongyu, W. Weidong, W. Chaowei, C. Gang, and Z. Yinghai. Qos-

guaranteed energy saving routing strategy using sdn central control for
backbone networks. The Journal of China Universities of Posts and
Telecommunications, 22(5):92–100, 2015.
[113] Y. Hu, T. Luo, N. C. Beaulieu, and C. Deng. The energy-aware con-

troller placement problem in software defined networks. IEEE Com-
munications Letters, 21(4):741–744, 2016.
[114] Y. Hu, T. Luo, N. C. Beaulieu, and W. Wang. An initial load-based

green software defined network. Applied Sciences, 7(5):459, 2017.
[115] Y. Hu, W. Wendong, X. Gong, X. Que, and C. Shiduan. Reliability-

aware controller placement for software-defined networks. In 2013
IFIP/IEEE International Symposium on Integrated Network Manage-
ment (IM 2013), pages 672–675. IEEE, 2013.
[116] H. Huang, Z. Wu, and S. Tang. Energy-saving route optimizationin

a software-defined wireless sensor network. International Journal of
Distributed Sensor Networks, 14(10):1550147718807655, 2018.
[117] L. Huang, X. Zhi, Q. Gao, S. Kausar, and S. Zheng. Design and

implementation of multicast routing system over sdn and sflow. In
185
2016 8th IEEE International Conference on Communication Software
and Networks (ICCSN), pages 524–529. IEEE, 2016.
[118] X. Huang, T. Yuan, and M. Ma. Utility-optimized flow-level bandwidth

allocation in hybrid sdns. IEEE Access, 6:20279–20290, 2018.
[119] N. Huin, M. Rifai, F. Giroire, D. L. Pacheco, G. Urvoy-Keller, and

J. Moulierac. Bringing energy aware routing closer to reality with sdn
hybrid networks. IEEE Transactions on Green Communications and
Networking, 2(4):1128–1139, 2018.
[120] F. Idzikowski, L. Chiaraviglio, A. Cianfrani, J. L. Vizcaino,

M. Polverini, and Y. Ye. A survey on energy-aware design and op-
eration of core networks. IEEE Communications Surveys & Tutorials,
18(2):1453–1499, 2015.
[121] S. Jain, A. Kumar, S. Mandal, J. Ong, L. Poutievski, A. Singh,

S. Venkata, J. Wanderer, J. Zhou, M. Zhu, et al. B4: Experience
with a globally-deployed software defined WAN. In ACM SIGCOMM
Computer Communication Review, volume 43, pages 3–14. ACM, 2013.
[122] X. Jia, Y. Jiang, Z. Guo, G. Shen, and L. Wang. Intelligent path

control for energy-saving in hybrid sdn networks. Computer networks,
131:65–76, 2018.
[123] W. Jiawei, Q. Xiuquan, and N. Guoshun. Dynamic and adap-

tive multi-path routing algorithm based on software-defined net-
work. International Journal of Distributed Sensor Networks,
14(10):1550147718805689, 2018.
[124] Y. Jimenez, C. Cervello-Pastor, and A. J. Garcı́a. On the controller

placement for designing a distributed SDN control layer. In 2014 IFIP
Networking Conference, pages 1–9. IEEE, 2014.
[125] C. Jin, C. Lumezanu, Q. Xu, Z.-L. Zhang, and G. Jiang. Telekinesis:

Controlling legacy switch routing with openflow in hybrid networks.
186
In Proceedings of the 1st ACM SIGCOMM Symposium on Software
Defined Networking Research, pages 1–7, 2015.
[126] R. Jing, C. Zhang, Y. Ma, J. Li, X. Huo, Y. Zhao, J. Han, J. Wang,

and S. Fu. Experimental demonstration of hierarchical control over
multi-domain otn networks based on extended openflow protocol. In
Optical Fiber Communication Conference, pages W4J–4. Optica Pub-
lishing Group, 2015.
[127] M. Jinno, H. Takara, Y. Sone, K. Yonenaga, and A. Hirano. Multiflow

optical transponder for efficient multilayer optical networking. IEEE
Communications Magazine, 50(5):56–65, 2012.
[128] A. J. Kadhim and S. A. H. Seno. Energy-efficient multicast routing

protocol based on sdn and fog computing for vehicular networks. Ad
Hoc Networks, 84:68–81, 2019.
[129] K. P. Kadiyala and J. A. Cobb. Inter-as traffic engineering with sdn. In

2017 IEEE Conference on Network Function Virtualization and Soft-
ware Defined Networks (NFV-SDN), pages 1–7. IEEE, 2017.
[130] K. P. Kadiyala and J. A. Cobb. Sdn node selection for inter-as te. In
2018 4th IEEE Conference on Network Softwarization and Workshops
(NetSoft), pages 523–528. IEEE, 2018.
[131] B. Kar, E. H.-K. Wu, and Y.-D. Lin. The budgeted maximum coverage
problem in partially deployed software defined networks. IEEE Trans-
actions on Network and Service Management, 13(3):394–406, 2016.
[132] M. Karakus and A. Durresi. Quality of service (QoS) in software de-

fined networking (SDN): A survey. Journal of Network and Computer
Applications, 80:200–218, 2017.
[133] K. Kaur, S. Garg, G. Kaddoum, E. Bou-Harb, and K.-K. R. Choo. A

big data-enabled consolidated framework for energy efficient software
defined data centers in iot setups. IEEE Transactions on Industrial
Informatics, 16(4):2687–2697, 2019.
187
[134] K. Kaur, V. Mangat, and K. Kumar. A comprehensive survey of service
function chain provisioning approaches in sdn and nfv architecture.
Computer Science Review, 38:100298, 2020.
[135] S. K. Keshari, V. Kansal, and S. Kumar. A systematic review of qual-

ity of services (qos) in software defined networking (sdn). Wireless
Personal Communications, 116:2593–2614, 2021.
[136] S. Khan, A. Wahid, and S. Tanvir. Comparative study of routing

strategies in software defined networking. In Proceedings of the 31st
Annual ACM Symposium on Applied Computing, pages 696–702. ACM,
2016.
[137] B. Koldehofe, F. Dürr, M. A. Tariq, and K. Rothermel. The power

of software-defined networking: line-rate content-based routing using
openflow. In Proceedings of the 7th Workshop on Middleware for Next
Generation Internet Computing, pages 1–6, 2012.
[138] Konstantinos Poularakis, George Iosifidis, Georgios Smaragdakis, Le-

andros Tassiulas. One step at a time: Optimizing sdn upgrades in isp
networks. 2017 IEEE Infocom, June 2017.
[139] V. P. Koryachko, D. A. Perepelkin, and V. Byshov. Development and

research of improved model of multipath adaptive routing in computer
networks with load balancing. Automatic Control and Computer Sci-
ences, 51:63–73, 2017.
[140] V. Kotronis, X. Dimitropoulos, and B. Ager. Outsourcing the routing

control logic: Better internet routing based on sdn principles. In Pro-
ceedings of the 11th ACM workshop on hot topics in networks, pages
55–60, 2012.
[141] A. Ksentini, M. Bagaa, and T. Taleb. On using sdn in 5G: the controller
placement problem. In 2016 IEEE Global Communications Conference
(GLOBECOM), pages 1–6. IEEE, 2016.
188
[142] A. Ksentini, M. Bagaa, T. Taleb, and I. Balasingham. On using bar-
gaining game for optimal placement of SDN controllers. In 2016 IEEE
International Conference on Communications (ICC), pages 1–6. IEEE,
2016.
[143] N. Kumar and D. P. Vidyarthi. A green routing algorithm for iot-

enabled software defined wireless sensor network. IEEE Sensors Jour-
nal, 18(22):9449–9460, 2018.
[144] A. Laghrissi and T. Taleb. A survey on the placement of virtual re-

sources and virtual network functions. IEEE Communications Surveys
& Tutorials, 21(2):1409–1434, 2018.
[145] F. Lamharras, N. Elkamoun, and O. Labouidya. Energy saved ap-

proaches in software defined networks: State of the art. In Proceedings
of the 2nd International Conference on Networking, Information Sys-
tems & Security, page 14. ACM, 2019.
[146] S. Lange, S. Gebert, T. Zinner, P. Tran-Gia, D. Hock, M. Jarschel,

and M. Hoffmann. Heuristic approaches to the controller placement
problem in large scale SDN networks. IEEE Transactions on Network
and Service Management, 12(1):4–17, 2015.
[147] G. Li, S. Guo, Y. Yang, and Y. Yang. Traffic load minimization in

software defined wireless sensor networks. IEEE Internet of Things
Journal, 5(3):1370–1378, 2018.
[148] W. Li, W. Meng, and L. F. Kwok. A survey on openflow-based software

defined networks: Security challenges and countermeasures. Journal of
Network and Computer Applications, 68:126–139, 2016.
[149] W. Li, Z. Yang, W. Zhao, Z. Qi, and F. Liu. A review of research on

software-defined optical network. In 2019 International Conference on
Intelligent Transportation, Big Data & Smart City (ICITBS), pages
155–160. IEEE, 2019.
189
[150] Z. Li, L. Huang, H. Xu, and G. Zhao. Segment routing in hybrid
software-defined networking. In 2017 IEEE 9th International Confer-
ence on Communication Software and Networks (ICCSN), pages 160–
165. IEEE, 2017.
[151] P. Lin, J. Bi, S. Wolff, Y. Wang, A. Xu, Z. Chen, H. Hu, and Y. Lin.
A west-east bridge based SDN inter-domain testbed. IEEE Communi-
cations Magazine, 53(2):190–197, 2015.
[152] Y.-D. Lin, T.-L. Liu, S.-H. Wang, and Y.-C. Lai. Proactive multipath
routing with a predictive mechanism in software-defined networks. In-
ternational Journal of Communication Systems, page e4065, 2019.
[153] Z. Liu, G. Xu, P. Liu, X. Fu, and Y. Liu. Energy-efficient multi-

user routing in a software-defined multi-hop wireless network. Future
Internet, 11(6):133, 2019.
[154] F. Lopez-Pires and B. Baran. Virtual machine placement literature

review. arXiv preprint arXiv:1506.01509, 2015.
[155] J. E. Lozano-Rizk, R. Rivera-Rodriguez, J. I. Nieto-Hipolito,

S. Villarreal-Reyes, A. Galaviz-Mosqueda, and M. Vazquez-Briseno.
Quality of service in software defined networks for scientific applica-
tions: Opportunities and challenges. Programming and Computer Soft-
ware, 46:561–568, 2020.
[156] Z. Lu, J. Lei, Y. He, Z. Li, S. Deng, and X. Gao. Energy optimiza-
tion for software-defined data center networks based on flow allocation
strategies. Electronics, 8(9):1014, 2019.
[157] T. Lukovszki, M. Rost, and S. Schmid. It’s a match! near-optimal

and incremental middlebox deployment. ACM SIGCOMM Computer
Communication Review, 46(1):30–36, 2016.
[158] L. Luo, Z. Li, J. Wang, and H. Yu. Simplifying flow updates in software-
defined networks using atoman. IEEE Access, 7:39083–39097, 2019.
190
[159] W. Ma, C. Medina, and D. Pan. Traffic-aware placement of nfv mid-
dleboxes. In 2015 IEEE Global Communications Conference (GLOBE-
[160] R. Maaloul, R. Taktak, L. Chaari, and B. Cousin. Energy-aware routing

in carrier-grade ethernet using sdn approach. IEEE Transactions on
Green Communications and Networking, 2(3):844–858, 2018.
[161] I. Maity, S. Misra, and C. Mandal. Ethos: Energy-aware traffic engi-

neering for sustainable hybrid sdn. IEEE Transactions on Sustainable
Computing, 2022.
[162] F. Malandrino, C. Casetti, G. Landi, et al. Optimization-in-the-loop for

energy-efficient 5g. In 2018 IEEE 19th International Symposium on”
A World of Wireless, Mobile and Multimedia Networks”(WoWMoM),
pages 1–9. IEEE, 2018.
[163] D. Maltz. Scaling bottlenecks in data center networks. In Optical Fiber

Communication Conference, pages Tu2I–1. Optica Publishing Group,
2014.
[164] J. A. Manjate, M. Hidell, and P. Sjödin. Network energy efficiency

through matching and reconfiguration. In 2018 IEEE International
Conference on Internet of Things (iThings) and IEEE Green Com-
puting and Communications (GreenCom) and IEEE Cyber, Physical
and Social Computing (CPSCom) and IEEE Smart Data (SmartData),
pages 244–250. IEEE, 2018.
[165] D. Marabissi, R. Fantacci, and L. Simoncini. Sdn-based routing for

backhauling in ultra-dense networks. Journal of Sensor and Actuator
Networks, 8(2):23, 2019.
[166] A. Markiewicz, P. N. Tran, and A. Timm-Giel. Energy consumption

optimization for software defined networks considering dynamic traf-
fic. In 2014 IEEE 3rd International Conference on Cloud Networking
(CloudNet), pages 155–160. IEEE, 2014.
191
[167] M. Masood, M. M. Fouad, S. Seyedzadeh, and I. Glesk. Energy ef-
ficient software defined networking algorithm for wireless sensor net-
works. Transportation Research Procedia, 40:1481–1488, 2019.
[168] R. Masoudi and A. Ghaffari. Software defined networks: A survey.

Journal of Network and computer Applications, 67:1–25, 2016.
[169] J. Matias, J. Garay, N. Toledo, J. Unzilla, and E. Jacob. Toward

an sdn-enabled nfv architecture. IEEE Communications Magazine,
53(4):187–193, 2015.
[170] N. McKeown, T. Anderson, H. Balakrishnan, G. Parulkar, L. Peterson,

J. Rexford, S. Shenker, and J. Turner. Openflow: enabling innovation
in campus networks. ACM SIGCOMM Computer Communication Re-
view, 38(2):69–74, 2008.
[171] A. M. Medhat, T. Taleb, A. Elmangoush, G. A. Carella, S. Covaci,

and T. Magedanz. Service function chaining in next generation net-
works: State of the art and research challenges. IEEE Communications
Magazine, 55(2):216–223, 2016.
[172] S. Mehraban and R. Yadav. Quality of services in hybrid sdn (hsdn): A

review. In 2022 7th International Conference on Communication and
Electronics Systems (ICCES), pages 652–658. IEEE, 2022.
[173] C. R. Meiners, A. X. Liu, and E. Torng. Bit weaving: A non-prefix

approach to compressing packet classifiers in tcams. IEEE/ACM Trans-
actions on Networking, 20(2):488–500, 2011.
[174] C. R. Meiners, A. X. Liu, and E. Torng. Bit weaving: A non-prefix

approach to compressing packet classifiers in tcams. IEEE/ACM Trans-
actions on Networking (ToN), 20(2):488–500, 2012.
[175] K. M. Modieginyane, B. B. Letswamotse, R. Malekian, and A. M.

Abu-Mahfouz. Software defined wireless sensor networks application
opportunities for efficient network management: A survey. Computers
& Electrical Engineering, 66:274–287, 2018.
192
[176] R. Mohammadi, R. Javidan, M. Keshtgari, and R. Akbari. A novel
multicast traffic engineering technique in sdn using tlbo algorithm.
Telecommunication Systems, 68:583–592, 2018.
[177] M. Molnár, D. D. Le, J. Perelló, J. Solé-Pareta, and C. McArdle. Mul-

ticast routing from a set of data centers in elastic optical networks.
Optical Switching and Networking, 34:35–46, 2019.
[178] A. Moratilla, E. Fernández, J. J. Sánchez, and B. Vicario. Selección

óptima de operadores para el tratamiento de problemas VRP con al-
gorı́tmos genéticos. In Cuarta Conferencia Iberoamericana de Comple-
jidad, Informática y Cibernética: CICIC, 2014.
[179] L. F. Müller, R. R. Oliveira, M. C. Luizelli, L. P. Gaspary, and M. P.

Barcellos. Survivor: An enhanced controller placement strategy for
improving SDN survivability. In 2014 IEEE Global Communications
Conference, pages 1909–1915. IEEE, 2014.
[180] F. M. Mustafa. Software defined networking based optical network: A

review. Academic Journal of Nawroz University, 9(2):139–151, 2020.
[181] G. Nagib and W. G. Ali. Network routing protocol using genetic al-
gorithms. International Journal of Electrical & Computer Sciences
IJECS-IJENS, 10(02):40–44, 2010.
[182] M. R. Nascimento, C. E. Rothenberg, M. R. Salvador, C. N. Corrêa,

S. C. De Lucena, and M. F. Magalhães. Virtual routers as a service:
the routeflow approach leveraging software-defined networks. In Pro-
ceedings of the 6th International Conference on Future Internet Tech-
nologies, pages 34–37, 2011.
[183] M. Nassiri and R. Mohammadi. A joint energy-and qos-aware routing

mechanism for wmns using software-defined networking paradigm. The
Journal of Supercomputing, 76:68–86, 2020.
[184] NEC. Nec programmableflow - univergepf5240, 2012.
193
[185] S. Nedevschi, L. Popa, G. Iannaccone, S. Ratnasamy, and D. Wether-
all. Reducing network energy consumption via sleeping and rate-
adaptation. In NsDI, volume 8, pages 323–336, 2008.
[186] S. Orlowski, R. Wessäly, M. Pióro, and A. Tomaszewski. Sndlib

1.0—survivable network design library. Networks: An International
Journal, 55(3):276–286, 2010.
[187] S. Panda. Energy efficient routing and lightpath management in soft-

ware defined networking based inter-dc elastic optical networks. Optical
Fiber Technology, 55:102128, 2020.
[188] P. M. Pardalos and S. A. Vavasis. Open questions in complexity theory

for numerical optimization. Mathematical Programming, 57(1):337–
339, 1992.
[189] R. Parkinson. Traffic engineering techniques in telecommunications.

Infotel Systems Corporation, 2002.
[190] M. Pham, D. B. Hoang, and Z. Chaczko. Congestion-aware and energy-

aware virtual network embedding. IEEE/ACM Transactions on Net-
working, 28(1):210–223, 2019.
[191] D. P. Pinto-Roa et al. Routing and spectrum allocation in elastic op-

tical networks based on multi-objective genetic algorithm. Proceeding
Series of the Brazilian Society of Computational and Applied Mathe-
matics, 6(1), 2018.
[192] F. L. Pires and B. Barán. A virtual machine placement taxonomy. In

2015 15th IEEE/ACM International Symposium on Cluster, Cloud and
Grid Computing, pages 159–168. IEEE, 2015.
[193] M. Polverini, A. Baiocchi, A. Cianfrani, A. Iacovazzi, and M. Listanti.

The power of sdn to improve the estimation of the isp traffic matrix
through the flow spread concept. IEEE Journal on Selected Areas in
Communications, 34(6):1904–1913, 2016.
194
[194] K. Poularakis, G. Iosifidis, G. Smaragdakis, and L. Tassiulas. One step
at a time: Optimizing sdn upgrades in isp networks. In IEEE IN-
FOCOM 2017-IEEE Conference on Computer Communications, pages
1–9. IEEE, 2017.
[195] K. Poularakis, G. Iosifidis, G. Smaragdakis, and L. Tassiulas. Optimiz-

ing gradual sdn upgrades in isp networks. IEEE/ACM transactions on
networking, 27(1):288–301, 2019.
[196] M. Priyadarsini, P. Bera, and M. A. Rahman. A new approach for en-

ergy efficiency in software defined network. In 2018 Fifth International
Conference on Software Defined Systems (SDS), pages 67–73. IEEE,
2018.
[197] Z. Qu, Y. Wang, L. Sun, D. Peng, and Z. Li. Study qos optimization
and energy saving techniques in cloud, fog, edge, and iot. Complexity,
2020:1–16, 2020.
[198] Y. Rafique, M. K. Awad, and G. Neama. A benchmark implementa-

tion for evaluating the performance of power-aware routing algorithms
in practical software-defined networks. In 2017 Fourth International
Conference on Software Defined Systems (SDS), pages 118–124. IEEE,
2017.
[199] P. S. Ragavan and K. Ramasamy. Software defined networking ap-

proach based efficient routing in multihop and relay surveillance using
lion optimization algorithm. Computer Communications, 150:764–770,
2020.
[200] M. Rahnamay-Naeini, S. S. Baidya, E. Siavashi, and N. Ghani. A

traffic and resource-aware energy-saving mechanism in software defined
networks. In 2016 International Conference on Computing, Networking
and Communications (ICNC), pages 1–5. IEEE, 2016.
[201] W. Rankothge, F. Le, A. Russo, and J. Lobo. Experimental results

on the use of genetic algorithms for scaling virtualized network func-
195
tions. In 2015 IEEE Conference on Network Function Virtualization
and Software Defined Network (NFV-SDN), pages 47–53. IEEE, 2015.
[202] H. K. Rath, V. Revoori, S. M. Nadaf, and A. Simha. Optimal controller

placement in software defined networks (SDN) using a non-zero-sum
game. In Proceeding of IEEE International Symposium on a World
of Wireless, Mobile and Multimedia Networks 2014, pages 1–6. IEEE,
2014.
[203] C. Ren, S. Wang, J. Ren, X. Wang, T. Song, and D. Zhang. En-

hancing traffic engineering performance and flow manageability in hy-
brid sdn. In 2016 IEEE Global Communications Conference (GLOBE-
[204] T. rep. Software-defined networking: The new norm for networks.

Technical report, Open Networking Foundation (ONF), Apr. 2012.
[205] G. Riveros, P. P. Cespedes-Sanchez, D. P. Pinto-Roa, and H. Legal-

Ayala. Energy optimization model for software defined network rout-
ing. In Conference of Computational Interdisciplinary Sciences 2019,
Atlanta - USA. CCiS, 2019.
[206] G. Riveros, P. P. Cespedes-Sanchez, D. P. Pinto-Roa, and H. Legal-

Ayala. Ilp-based energy saving routing for software defined networking.
In 2019 XLV Latin American Computing Conference (CLEI), pages 1–
7. IEEE, 2019.
[207] C. E. Rothenberg, M. R. Nascimento, M. R. Salvador, C. N. A. Corrêa,

S. Cunha de Lucena, and R. Raszuk. Revisiting routing control plat-
forms with the eyes and muscles of software-defined networking. In
Proceedings of the first workshop on Hot topics in software defined net-
works, pages 13–18, 2012.
[208] S. B. H. Said and A. Petrescu. Energy-efficient routing in SDN-Based

access networks. In Greening Video Distribution Networks, pages 159–
175. Springer, 2018.
196
[209] D. Sajjadi, R. Ruby, M. Tanha, and J. Pan. Fine-grained traffic en-
gineering on sdn-aware wi-fi mesh networks. IEEE Transactions on
Vehicular Technology, 67(8):7593–7607, 2018.
[210] A. Sallahi and M. St-Hilaire. Optimal model for the controller place-
ment problem in software defined networks. IEEE communications
letters, 19(1):30–33, 2014.
[211] S. Salsano, P. L. Ventre, L. Prete, G. Siracusano, M. Gerola, and E. Sal-

vadori. OSHI-Open source hybrid IP/SDN networking (and its emula-
tion on mininet and on distributed sdn testbeds). In 2014 Third Eu-
ropean Workshop on Software Defined Networks, pages 13–18. IEEE,
2014.
[212] M. Sanaei and S. Mostafavi. Multimedia delivery techniques over

software-defined networks: A survey. In 2019 5th International Con-
ference on Web Research (ICWR), pages 105–110. IEEE, 2019.
[213] Sandhya et al. A survey: Hybrid sdn. Journal of Network and Com-
putar Applications, 100(35-55), October 2017.
[214] S. Saraswat, V. Agarwal, H. P. Gupta, R. Mishra, A. Gupta, and

T. Dutta. Challenges and solutions in software defined networking:
A survey. Journal of Network and Computer Applications, 141:23–58,
2019.
[215] M. Schaap, B. O. K. Intelligentie, P. Grosso, and F. A. Moghaddam.

Saving energy in openflow computer networks. 2015.
[216] S. Sezer, S. Scott-Hayward, P. K. Chouhan, B. Fraser, D. Lake,

J. Finnegan, N. Viljoen, M. Miller, and N. Rao. Are we ready for
SDN? implementation challenges for software-defined networks. IEEE
Communications Magazine, 51(7):36–43, 2013.
[217] S.-H. Shen. Efficient svc multicast streaming for video conferencing
with sdn control. IEEE Transactions on Network and Service Manage-
ment, 16(2):403–416, 2019.
197
[218] J.-P. Sheu, L.-W. Liu, R. Jagadeesha, and Y.-C. Chang. An efficient
multipath routing algorithm for multipath tcp in software-defined net-
works. In 2016 European conference on networks and communications
(EuCNC), pages 371–376. IEEE, 2016.
[219] M. N. Siraj, N. Javaid, Q. Shafi, Z. Ahmed, U. Qasim, and Z. A. Khan.

Energy aware dynamic routing using sdn for a campus network. In 2016
19th International Conference on Network-Based Information Systems
(NBiS), pages 226–230. IEEE, 2016.
[220] M. Soliman, B. Nandy, I. Lambadaris, and P. Ashwood-Smith. Source

routed forwarding with software defined control, considerations and
implications. In Proceedings of the 2012 ACM conference on CoNEXT
student workshop, pages 43–44, 2012.
[221] Y. Song, L. Liu, and J. Chen. A temporal graph model based power
aware routing algorithm in deep-space networks. In 2017 IEEE/ACIS
16th International Conference on Computer and Information Science
(ICIS), pages 25–30. IEEE, 2017.
[222] K. Sood and Y. Xiang. The controller placement problem or the con-
troller selection problem? Journal of Communications and Information
Networks, 2(3):1–9, 2017.
[223] R. Souza, K. Dias, and S. Fernandes. Nfv data centers: A systematic

review. IEEE Access, 8:51713–51735, 2020.
[224] X. Sun, Z. Jia, M. Zhao, and Z. Zhang. Multipath load balancing in

sdn/ospf hybrid network. In Network and Parallel Computing: 13th
IFIP WG 10.3 International Conference, NPC 2016, Xi’an, China,
October 28-29, 2016, Proceedings 13, pages 93–100. Springer, 2016.
[225] M. M. Tajiki, S. Salsano, L. Chiaraviglio, M. Shojafar, and B. Akbari.

Joint energy efficient and qos-aware path allocation and VNF place-
ment for service function chaining. IEEE Transactions on Network
and Service Management, 16(1):374–388, 2018.
198
[226] M. Tanha, D. Sajjadi, R. Ruby, and J. Pan. Traffic engineering en-
hancement by progressive migration to sdn. IEEE Communications
Letters, 22(3):438–441, 2018.
[227] P. W. Thai and J. C. de Oliveira. Decoupling bgp policy from routing

with programmable reactive policy control. In Proceedings of the 2012
ACM conference on CoNEXT student workshop, pages 47–48, 2012.
[228] A. S. Thyagaturu, A. Mercian, M. P. McGarry, M. Reisslein, and

W. Kellerer. Software defined optical networks (sdons): A comprehen-
sive survey. IEEE Communications Surveys & Tutorials, 18(4):2738–
2786, 2016.
[229] C. J. Tipantuña Tenelema. Contributions to energy-aware demand-

response systems using sdn and nfv for fog computing. 2022.
[230] S. Tomovic, I. Radusinovic, and N. Prasad. Performance comparison

of qos routing algorithms applicable to large-scale sdn networks. In
IEEE EUROCON 2015-International Conference on Computer as a
Tool (EUROCON), pages 1–6. IEEE, 2015.
[231] A. Tootoonchian and Y. Ganjali. Hyperflow: A distributed control

plane for openflow. In Proceedings of the 2010 internet network man-
agement conference on Research on enterprise networking, volume 3,
2010.
[232] S.-H. Tseng, A. Tang, G. L. Choudhury, and S. Tse. Routing stabil-

ity in hybrid software-defined networks. IEEE/ACM Transactions on
Networking, 27(2):790–804, 2019.
[233] W. Tuttlebee. Software defined radio: enabling technologies. published

online, 2003.
[234] M. F. Tuysuz, Z. K. Ankarali, and D. Gözüpek. A survey on energy

efficiency in software defined networks. Computer Networks, 113:188–
204, 2017.
199
[235] E. Vaezpour. Joint routing and bandwidth allocation in hybrid software
defined networks. In 2018 9th International Symposium on Telecom-
munications (IST), pages 192–196. IEEE, 2018.
[236] P. E. Valencia. Optimización mediante algoritmos genéticos. In Anales

del Instituto de Ingenieros de Chile, volume 109, pages 83–92, 1997.
[237] S. J. Vaughan-Nichols. Openflow: The next generation of the network?

Computer, (8):13–15, 2011.
[238] S. Vissicchio, L. Vanbever, and O. Bonaventure. Opportunities and

research challenges of hybrid software defined networks. ACM SIG-
COMM Computer Communication Review, 44(2):70–75, 2014.
[239] S. Vissicchio, L. Vanbever, and J. Rexford. Sweet little lies: Fake

topologies for flexible routing. In proceedings of the 13th ACM Work-
shop on Hot Topics in Networks, pages 1–7, 2014.
[240] Vissicchio et al. Opportunities and research challenges of hybrid soft-

ware defined networks. ACM SIGCOMM Computer Communication
Review, 44(2), April 2014.
[241] H. Wang, Y. Li, D. Jin, P. Hui, and J. Wu. Saving energy in partially
deployed software defined networks. IEEE Transactions on Computers,
65(5):1578–1592, 2015.
[242] I.-L. Wang. Multicommodity network flows: A survey, part i: Applica-

tions and formulations. International Journal of Operations Research,
15(4):145–153, 2018.
[243] J. H. Wang, J. Cai, J. Lu, K. Yin, and J. Yang. Solving multicast

problem in cloud networks using overlay routing. Computer Commu-
nications, 70:1–14, 2015.
[244] K. Wang, H. Gao, X. Xu, J. Jiang, and D. Yue. An energy-efficient

reliable data transmission scheme for complex environmental monitor-
ing in underwater acoustic sensor networks. IEEE Sensors Journal,
16(11):4051–4062, 2015.
200
[245] R. Wang, Z. Jiang, S. Gao, W. Yang, Y. Xia, and M. Zhu. Energy-
aware routing algorithms in software-defined networks. In Proceeding
of IEEE International Symposium on a World of Wireless, Mobile and
Multimedia Networks 2014, pages 1–6. IEEE, 2014.
[246] W. Wang, W. He, and J. Su. Boosting the benefits of hybrid sdn. In
2017 IEEE 37th International Conference on Distributed Computing
Systems (ICDCS), pages 2165–2170. IEEE, 2017.
[247] W. Wang, W. He, and J. Su. Enhancing the effectiveness of traffic

engineering in hybrid sdn. In 2017 IEEE International Conference on
Communications (ICC), pages 1–6. IEEE, 2017.
[248] Y. Wei, X. Zhang, L. Xie, and S. Leng. Energy-aware traffic engineering

in hybrid sdn/ip backbone networks. Journal of Communications and
Networks, 18(4):559–566, 2016.
[249] A. Wetzel. Evaluation of the effectiveness of genetic algorithms in

combinatorial optimization. University of Pittsburgh, 1:983, 1983.
[250] W. Xia, Y. Wen, C. H. Foh, D. Niyato, and H. Xie. A survey on

software-defined networking. IEEE Communications Surveys & Tuto-
rials, 17(1):27–51, 2015.
[251] Xia et al. A survey on software-defined networking. IEEE Communi-

cations Surveys Tutorials, 17(1), First Quarter 2015.
[252] P. Xiao, W. Qu, H. Qi, Z. Li, and Y. Xu. The SDN controller placement
problem for WAN. In 2014 IEEE/CIC International Conference on
Communications in China (ICCC), pages 220–224. IEEE, 2014.
[253] K. Xie, X. Huang, S. Hao, and M. Ma. Distributed power saving for
large-scale software-defined data center networks. Ieee Access, 6:5897–
5909, 2018.
[254] G. Xu, B. Dai, B. Huang, and J. Yang. Bandwidth-aware energy ef-

ficient routing with sdn in data center networks. In 2015 IEEE 17th
201
International Conference on High Performance Computing and Com-
munications, 2015 IEEE 7th International Symposium on Cyberspace
Safety and Security, and 2015 IEEE 12th International Conference on
Embedded Software and Systems, pages 766–771. IEEE, 2015.
[255] G. Xu, B. Dai, B. Huang, J. Yang, and S. Wen. Bandwidth-aware

energy efficient flow scheduling with sdn in data center networks. Future
Generation computer systems, 68:163–174, 2017.
[256] H. Xu, H. Huang, S. Chen, G. Zhao, and L. Huang. Achieving high

scalability through hybrid switching in software-defined networking.
IEEE/ACM Transactions on Networking, 26(1):618–632, 2018.
[257] H. Xu, X.-Y. Li, L. Huang, H. Deng, H. Huang, and H. Wang. Incre-
mental deployment and throughput maximization routing for a hybrid
sdn. IEEE/ACM Transactions on Networking, 25(3):1861–1875, 2017.
[258] S. Xu, C. Wu, and Z. Li. Software defined mobile multicast. In 2015
IEEE 12th International Conference on Mobile Ad Hoc and Sensor
Systems, pages 208–216. IEEE, 2015.
[259] Z. Xu, W. Liang, M. Huang, M. Jia, S. Guo, and A. Galis. Approxi-

mation and online algorithms for nfv-enabled multicasting in sdns. In
2017 IEEE 37th International Conference on Distributed Computing
Systems (ICDCS), pages 625–634. IEEE, 2017.
[260] N. Xue, X. Chen, L. Gong, S. Li, D. Hu, and Z. Zhu. Demonstration of

openflow-controlled network orchestration for adaptive svc video many-
cast. IEEE Transactions on Multimedia, 17(9):1617–1629, 2015.
[261] F. Yaghoubi, M. Furdek, A. Rostami, P. Öhlén, and L. Wosinska.

Consistency-aware weather disruption-tolerant routing in sdn-based
wireless mesh networks. IEEE Transactions on Network and Service
Management, 15(2):582–595, 2018.
[262] J. Y. Yen. Finding the k shortest loopless paths in a network. man-

agement Science, 17(11):712–716, 1971.
202
[263] B. Yi, X. Wang, M. Huang, and L. Ma. Sdn and nfv enabled service
function multicast mechanisms over hybrid infrastructure. Peer-to-Peer
Networking and Applications, 12(2):405–421, 2019.
[264] B. Yu, Y. Han, X. Wen, X. Chen, and Z. Xu. An energy-aware algo-

rithm for optimizing resource allocation in software defined network.
In 2016 IEEE global communications conference (GLOBECOM), pages
1–7. IEEE, 2016.
[265] M. Yu, J. Rexford, M. J. Freedman, and J. Wang. Scalable flow-based

networking with difane. ACM SIGCOMM Computer Communication
Review, 41(4):351–362, 2011.
[266] D. Zeng, G. Yang, L. Gu, S. Guo, and H. Yao. Joint optimization

on switch activation and flow routing towards energy efficient software
defined data center networks. In 2016 IEEE International Conference
on Communications (ICC), pages 1–6. IEEE, 2016.
[267] J. Zhang, K. Xi, M. Luo, and H. J. Chao. Load balancing for mul-
tiple traffic matrices using sdn hybrid routing. In 2014 IEEE 15th
International Conference on High Performance Switching and Routing
(HPSR), pages 44–49. IEEE, 2014.
[268] J. Zhang, H. Yang, Y. Zhao, Y. Ji, H. Li, Y. Lin, G. Li, J. Han, Y. Lee,
and T. Ma. Experimental demonstration of elastic optical networks
based on enhanced software defined networking (esdn) for data center
application. Optics Express, 21(22):26990–27002, 2013.
[269] J. Zhang, Y. Zhao, H. Yang, Y. Ji, H. Li, Y. Lin, G. Li, J. Han,

Y. Lee, and T. Ma. First demonstration of enhanced software defined
networking (esdn) over elastic grid (egrid) optical networks for data
center service migration. In Optical Fiber Communication Conference,
pages PDP5B–1. Optica Publishing Group, 2013.
[270] L. Zhang, S. Guo, Y. Yang, D. Liu, and R. Liu. Re-fpr: flow preemption
routing scheme with redundancy elimination in software defined data
203
center networks. Sustainable Computing: Informatics and Systems,
18:14–24, 2018.
[271] M. Zhang, C. Yi, B. Liu, and B. Zhang. Greente: Power-aware traffic

engineering. In The 18th IEEE International Conference on Network
Protocols, pages 21–30. IEEE, 2010.
[272] X. Zhang and V. Suppakitpaisarn. An approximation algorithm for

incrementally deploying sdn forwarding devices. In Proceedings of the
12th International Conference on Ubiquitous Information Management
and Communication, IMCOM ’18, pages 38:1–38:8, New York, NY,
USA, 2018. ACM.
[273] Y. Zhao, Y. Wang, W. Wang, and X. Yu. Software-defined optical

networking (sdon): Principles and applications. In Optical Fiber and
Wireless Communications. InTech Rijeka, 2017.
[274] Y. Zhao, J. Zhang, Y. Ji, H. Li, H. Wang, and C. Ge. Experimental

demonstration of software defined data center optical networks with
tbps end-to-end tunability. Optical Fiber Technology, 25:72–79, 2015.
[275] Y. Zhao, J. Zhang, H. Yang, and X. Yu. Data center optical networks
(dcon) with openflow based software defined networking (sdn). In 2013
8th International Conference on Communications and Networking in
China (CHINACOM), pages 771–775. IEEE, 2013.
[276] Z.-N. Zhao, J. Wang, and H.-W. Guo. A hierarchical adaptive

routing algorithm of wireless sensor network based on software-
defined network. International Journal of Distributed Sensor Networks,
14(8):1550147718794617, 2018.
[277] H. Zhu, X. Liao, C. de Laat, and P. Grosso. Joint flow routing-

scheduling for energy efficient software defined data center networks:
A prototype of energy-aware network management platform. Journal
of Network and Computer Applications, 63:110–124, 2016.
204
[278] T. Zhu, X. Chen, L. Chen, W. Wang, and G. Wei. Gclr: Gnn-based
cross layer optimization for multipath tcp by routing. IEEE Access,
8:17060–17070, 2020.
[279] Q. Zuo, M. Chen, K. Ding, and B. Xu. On generality of the data

plane and scalability of the control plane in software-defined network-
ing. China Communications, 11(2):55–64, 2014.
205
APENDICE A
Artı́culos publicados en revistas de
alto impacto y conferencias inter-
nacionales
206
A.1 Publicaciones en revistas
• Cespedes-Sanchez, P. P., Maluff, B., Pinto-Roa, D. P., & Legal-
Ayala, H. (2021). Hybrid Incremental Deployment of HSDN Devices.
IEEE Transactions on Network and Service Management, 19(2), 1662-
1678. DOI: 10.1109/TNSM.2021.3135122
A.2 Publicaciones en congresos

• G. Riveros, D.P. Pinto-Roa, Pedro P. Cespedes Sanchez and Hora-
cio Legal-Ayala; Energy Optimization Model for Software Defined Net-
work Routing. In: Conference of Computational Interdisciplinary Sci-
ences 2019, Atlanta - USA. (https://proceedings.science/ccis-2019/pa-
pers/energy-optimization-model-for-software-defined-network-routing)
• Riveros, G., Cespedes-Sanchez, P. P., Pinto-Roa, D. P., & Legal-

Ayala, H. (2019, September). ILP-based Energy Saving Routing for
Software Defined Networking. In 2019 XLV Latin American Computing
Conference (CLEI) (pp. 1-7). IEEE.
207
1
Energy Optimization Model for

Software-Defined Networks Routing1
Gerardo Riveros, Diego P. Pinto-Roa2 , Pedro Cespedes and Horacio Legal-Ayala
Campus San Lorenzo - Paraguay
Abstract
Software Defined Network (SDN) is an emerging technology that will
make possible benefits that before were impossible with traditional net-
works. Easier network management, global view and reduced expenses
are some of these benefits since the control plane and data plane are sep-
arated. The centralized logic control offers the ability to save energy by
strategic activation of devices. In this paper we propose an approach
that seeks to minimize the global energy consumption of the network
by putting inactive devices such as chassis and/or line-cards to sleep as
well as limiting the use of links by the traffic sessions. For this purpose,
we develop an Integer Linear Programming model for the SDN routing
problem in order to obtain the minimal energy consumption, subject to
meet the static traffic demands. The experimental results, on two real
network topologies with different real traffic loads, indicate that the pro-
posed model is promissory, saving 42% of global energy consumption and
gets better performance than the previous works.
Keywords: Energy Saving, Software Defined Networking, Routing, Integer

Linear Programming.
1. Introduction
Internet has become an indispensable tool for human activities, with the
IoT (Internet of Things) and IoE (Internet of Everything) the growth of the
use of technology is linked to energy consumption. The current demand for
energy in global networks represents 8% of total energy consumption and this
number is expected to continue growing until reaching 20% in 2020 according
to an updated survey[1].
Traditional energy-saving researches focuses on battery operated devices.
The fixed infrastructure and DCN (Data Center Network) as routers, switches,
repeaters, transponders and other network devices, still lack effective centralized
power management solutions.
In GreenTE[2] as an alternative strategy proposed to put some devices and
links to sleep given the redundancy of paths and low use of links. In case the
demand for data increases and to activate these devices or links is necessary to
1 This work was partially supported by grant 14-POS-007 CONACTY-Paraguay
2 E-mail Corresponding Author: dpinto@pol.una.py
ILP-based Energy Saving Routing for Software
Defined Networking
Gerardo Riveros Pedro P. Cespedes-Sanchez Diego P. Pinto-Roa
Facultad Politécnica Facultad Politécnica and Horacio Legal-Ayala
Universidad Nacional de Asunción Universidad Nacional de Asunción Facultad Politécnica
Campus San Lorenzo, Paraguay Campus San Lorenzo, Paraguay Universidad Nacional de Asunción
Email: gerardojriveros@fpuna.edu.py Email: pcespede@pol.una.py Campus San Lorenzo, Paraguay
2019 XLV Latin American Computing Conference (CLEI) 978-1-7281-5574-6/20/$31.00 ©2020 IEEE 10.1109/CLEI47609.2019.235109
Abstract—Software defined networking (SDN) is an emerging En GreenTE [4], se plantea “poner a dormir” algunos
technology based on the separation of the control plane and the dispositivos y enlaces, dada la redundancia de caminos y la
data plane. This allows to obtain benefits, in comparison with baja utilización de los enlaces. En caso que la demanda de
traditional networks, in terms of network management, global
monitoring-control, cost reduction, and in particular the energy datos aumente y sea necesario activar estos dispositivos o
saving by the strategic activation of devices. In this paper, we enlaces surge la necesidad de enviar paquetes dummies para
propose an approach that seeks to minimize the global energy volver a activarlos antes de transmitir datos [5]. Las tarjetas
consumption of the network by suspending inactive devices, such de interfaz de red pueden hacer transiciones de capa fı́sica en
as chassis and line cards, as well as limiting the use of links tan solo 10 mili segundos, los line cards y chasis necesitarı́an
in traffic sessions. For this purpose, we developed an Integer
Linear Programming (ILP) model for the SDN routing problem un poco más [6].
in order to obtain the minimum energy consumption, subject Las Redes Definidas por Software (Software Defined Net-
to satisfy all traffic demands. The experimental results on two working, SDN) se basan en la separación fı́sica del plano de
network topologies for a set of static traffic requests indicate that control de red del plano de reenvı́o, y donde un controlador
the proposed model is promising, saving up to 42% of the global lógicamente centralizado administra varios dispositivos [7].
energy consumption obtaining a better performance to the models
proposed in the literature. On the other hand, the experimental Esto permite que el controlador pueda dar instrucciones a
results for incremental semi-dynamic traffic indicate that the los dispositivos que soporten SDN para que en ellos puedan
performance of the optimization with re-routing improves the aplicarse funciones de ahorro de energı́a. La arquitectura SDN
approach without re-routing when increasing the traffic in the está compuesta por tres capas [8], en la parte superior se
network, but this improvement is not always perceptible. The encuentra la capa de aplicación, es una interfaz programable
approach without re-routing in terms of scalability is promising,
by increasing the traffic load not generate interruptions to the que permite al usuario o administrador de red interactuar con la
traffic already attended and affect the quality of the service. red, es en esta capa donde se hace posible agregar algoritmos
de ahorro energético. Luego en el centro, la capa de control
Keywords: Energy Saving, Software Defined Networking, Routing, Integer administra los equipos que se encuentran en la capa del plano
Linear Programming. de datos. La comunicación entre el plano de datos y el plano
de control se realiza generalmente por medio del protocolo
I. I NTRODUCCION OpenFlow [9].
El controlador SDN mantiene información general de la
Internet se ha vuelto una herramienta indispensable para topologı́a de la red, estadı́sticas de dispositivos, tablas de
las actividades humanas. Con el IoT (Internet de las Cosas flujo y solicitudes de usuarios. De esta manera, cuando se
– Internet of Things) e IoE (Internet de Todo – Internet of envı́an múltiples solicitudes de enrutamiento entre el mismo
Everything), el crecimiento del uso de la tecnologı́a está ligado par origen-destino y el tráfico de cada ruta de solicitud
con el consumo de energı́a. La demanda actual de energı́a en la es bajo, el tráfico se mueve a un número menor de rutas
redes globales representa el 8 % del consumo de energı́a total utilizando un algoritmo de energı́a-consciente. Además, de-
y esta cifra se espera que continúe creciendo hasta alcanzar bido al aprovisionamiento excesivo de enlaces de las redes
un 20 % en el 2020 según una encuesta actualizada [1], [2]. troncales, aún se puede ahorrar una gran cantidad de energı́a
Las investigaciones tradicionales de ahorro de energı́a se al poner en modo ”sueño” las interfaces de puerto que no
centran en dispositivos operados por baterı́a. La infraestructura están transfiriendo datos. Después de ajustar el tráfico de
fija y red de centro de datos como enrutadores, conmutadores, usuarios a rutas razonables, al poner en suspensión los enlaces
transponders, repetidores y otros dispositivos de red, aún inactivos, line cards y el chasis, es posible ahorrar energı́a
carecen de soluciones efectivas de administración de energı́a considerablemente.
de forma centralizada [3]. Otro factor importante es la ubicación del controlador SDN
que influye significativamente en el consumo general de la
c 2019 IEEE
978-1-7281-5574-6/19/$ 31.00 red. Con respecto a los trabajos actuales [10], [11], [12], [13],
Authorized licensed use limited to: Murdoch University. Downloaded on June 15,2020 at 03:08:11 UTC from IEEE Xplore. Restrictions apply.
This article has been accepted for publication in IEEE Transactions on Network and Service Management. This is the author's version which has not been fully edited and
content may change prior to final publication. Citation information: DOI 10.1109/TNSM.2021.3135122
IEEE TRANSACTIONS ON NETWORK AND SERVICE MANAGEMENT 1
Hybrid Incremental Deployment of HSDN Devices

Pedro Cespedes-Sanchez, Member, IEEE, Bader Maluff, Diego P. Pinto-Roa, Member, IEEE, Horacio
Legal-Ayala, Member, IEEE
Abstract—Hybrid-software-defined networks (HSDN) have play, in which devices with traditional technology and SDN
opened up an enormous range of functionality and benefits for technology coexist. This new paradigm tries to offer the best
network users and administrators. Many of these functionalities of both worlds through the integration and interaction of the
have been extensively studied and addressed over the past few
years. However, it is not a panacea as it brings with it many traditional paradigm with a distributed control plane, and the
design challenges to get a robust and reliable network. In this SDN paradigm with a centralized control plane.
paper, we focus on one of the SDN challenges: the incremental The term integration refers to the amount, rhythm, and
deployment of SDN devices in HSDN treated as an optimization manner in which SDN devices will be inserted into a tra-
problem. In this context, we developed a mixed integer linear
programming (MILP) and a genetic algorithm (GA) considering
ditional network. Simultaneously, the interaction determines
a hybrid deployment scheme that combines current incremental how, when, and which devices will communicate for the proper
deployment and replaced deployment techniques. The proposed functioning of the network [8]. Several integration levels are
strategy determines which traditional devices will be replaced explained in detail in the study [10], such as integration only
by SDN devices, which SDN devices will be added to the at the level of the control plane [11], only at the level of the
network changing its topology, and how the traffic will be
routed. Consequently, the aim is to minimize the deployment cost,
data plane, and integration in both planes [12].
minimize the routing cost and maximize the traffic controlled by The choice of the integration level or strategy to be followed
the SDN network simultaneously. The experiments show that the for adopting the new paradigm follows several criteria [10]
proposed hybrid deployment approach is promising compared to such as investment and transition budget, the level of disrup-
current techniques, and the GA is more robust and scalable than tion in the deployment, desired automation, the applicability
the MILP as the traffic volume increases.
of policies, scalability and robustness.
Index Terms—Deployment, SDN, Hybrid SDN, MILP, GA This work studies the integration in both planes focusing
on the SDN device location in the data plane. We consider
I. I NTRODUCTION one SDN controller because it is enough of a single controller
C ommunication networks have evolved with a strong to detect performance changes in a network [13]. Therefore,
foundation in the robustness-and-reliability concepts [1], this document focuses on the strategic device location that
[2], [3], [4], leading the traditional paradigm to a distributed supports the SDN paradigm and physical manipulation of data
and adaptive system endowed with multiple fault tolerance and traffic. This choice is made because these devices impact more
restoring service in the shortest time possible depending on the directly on customer data and enterprise budgets.
complexity and size of the networks. However, technological In this context, Xu et al. [14] classify techniques of de-
advances have become increasingly important in the last ployment or insertion of SDN devices into two large groups:
few years in a growing number of areas, revealing that this the replacement and addition techniques. Both techniques
paradigm is becoming increasingly costly to maintain due to have strengths and weaknesses. First, the physical design of
its intrinsic complexity and the old device-oriented business the network remains unchanged in the replacement approach.
model [5]. On the other hand, the addition approach can better use the
The sum of the above challenges and technology opportu- investment previously made to purchase network equipment.
nities resulted in the paradigm of Software-Defined Networks Nevertheless, this work will study the possibility of taking
(SDN) [6] that promises to overcome all obstacles imposed by advantage of both techniques’ characteristics to combine their
the traditional scheme thanks to the architecture of centralized benefits in the deployment of an HSDN network.
control and decoupled of the data layer. However, everything Thus, this paper proposes a new technique that combines
has a cost, which is not the exception, since it implies a the replacement and addition of SDN devices simultaneously
complete modification of the devices as suggested in the works in a traditional network. i.e. hybrid deployment. As far as we
[6], [7]. know, this work proposes a hybrid deployment approach for
The total replacement of traditional technology by SDN im- the first time in the literature.
plies a considerable investment to acquire pieces of equipment. In that sense, the contributions of this work are:
Consequently, this investment stops adopting this paradigm C1. The proposal of a ”Hybrid Incremental Deployment strat-
spontaneously and massively, as explained by Vissichio et egy” raised as an optimization problem,
al. at [8]. The success of the replacement depends on an C2. The formulation of the Hybrid Incremental Deployment
adequate planning for the transition to be successful. Here, Strategy as a Mixed Integer Linear Programming (MILP)
the concept of a Hybrid SDN (HSDN) [9] network comes into model to minimize the implementation cost and routing
The authors is with the Polytechnic Faculty, National University of cost, while maximize the amount of traffic controlled by
Asunción, Paraguay (email: pcespede@pol.una.py) the SDN paradigm,
© 2021 IEEE. Personal use is permitted, but republication/redistribution requires IEEE permission.See https://www.ieee.org/publications/rights/index.html for more information.

Tesis Doctoral Pedro Cespedes VersionFinal

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis Doctoral Pedro Cespedes VersionFinal

Cargado por

Copyright:

Formatos disponibles

Universidad Nacional de Asunción

Pedro Pablo Céspedes Sánchez

Tesis presentada a la Facultad Politécnica, Universidad Nacional de Asunción,

San Lorenzo - Paraguay

Pedro Pablo Céspedes Sánchez

Tesis presentada a la Facultad Politécnica, Universidad Nacional de Asunción,

San Lorenzo - Paraguay

Céspedes Sánchez, Pedro Pablo.

Optimización Multiobjetivo en Enrutamiento de Redes Definidas por

Tesis (Doctor en Ciencias de la Computación ). - - Facultad Politécnica,

1. SDN. 2. Optimización Multiobjetivo. 3. Algoritmos Genéticos. 4.

Optimización Multiobjetivo en Enrutamiento

Pedro Pablo Céspedes Sánchez

Tesis de Doctorado aprobada el 19 de junio de 2023 por los siguientes

Prof. Dr. Diego Ariel Aquino B.

Agradezco profundamente a Dios y a la Virgen Marı́a por todas las

Palabras claves: Redes definidas por software, Despliegue incremental,

Lista de Figuras xvi

Lista de Tablas xviii

Lista de Abreviaturas xxi

Lista de Sı́mbolos xxv

2 Taxonomı́a - Optimización en Enrutamiento SDN 10

3 Optimización del Consumo de

III SDN Hı́brido 97

4 Despliegue incremental SDN Hı́brido 98

5 Técnica de Despliegue por

IV Energy-Aware en HSDN 147

6 Ahorro de Energı́a en SDN Hı́brido 148

7 Conclusiones y trabajos futuros 168

A Artı́culos publicados en revistas de alto impacto y conferen-

1.1 Arquitectura de Red Tradicional Vs. Arquitectura SDN. . . . 2

2.1 Descripción general de la arquitectura SDN con sus planos

3.1 Componentes de un conmutador SDN. [15] . . . . . . . . . . . 61

4.1 En la técnica hı́brida se seleccionan el nodo 3 para cambiar

5.1 Topologı́a de la red Nobel Germany . . . . . . . . . . . . . . . 141

6.1 Ejemplo de red SDN parcialmente implementada [241]. . . . . 151

2.1 Clasificación según enfoques de eficiencia Energética para SDN 41

3.1 Notación de la formulación del Modelo MILP. . . . . . . . . . 65

4.1 Constantes y Parámetros del modelo. . . . . . . . . . . . . . . 102

5.1 Índices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125

6.1 Trabajos del Estado del Arte - Ahorro de Energı́a en SDN

A-CPI: Application-Controller Plane Interface.

El crecimiento de las redes de computadoras a nivel global es inevitable de-

Figura 1.1: Arquitectura de Red Tradicional Vs. Arquitectura SDN.

Dado que la arquitectura SDN propone un modelo lógicamente cen-

1.2 Problemas de Investigación

• ¿Cómo se aborda el enrutamiento en SDN tratado como problema de

• ¿Cómo optimizar el ahorro de energı́a en SDN aplicando algoritmos

• ¿Cómo mejorar las técnicas de despliegue SDN Hı́brido aplicando al-

• ¿Cómo se trata, de manera conjunta el ahorro de energı́a en las Redes

1.3 Objetivo General

1.4 Objetivos Especı́ficos

O4. Desarrollar algoritmos metaheurı́sticos competitivos comparables con

O5. Explorar, analizar y clasificar el problema de ahorro de energı́a en las

1.5.1 Publicaciones en revistas

1.5.2 Publicaciones en congresos

• Riveros, G., Cespedes-Sanchez, P. P., Pinto-Roa, D. P., & Legal-

2.1 Conceptos básicos sobre SDN

2.1.1 La Arquitectura SDN

- Plano de datos: el plano de datos es el plano inferior y consta de

2.1.2 Enrutamiento en Redes SDN

2.1.2.1 Arquitectura de enrutamiento en SDN

SDN pretende proporcionar innovación en el diseño y la gestión, y además,