Internet of Things (IoT) platforms use a large number of low-cost resource constrained devices and generates millions of short-flows. In-network processing is gaining popularity day by day to handle IoT applications and services. However, traditional software-defined networking (SDN) based management systems are not suitable to handle the plug and play nature of such systems. In this paper, we propose Aloe, an auto-scalable SDN orchestration framework. Aloe exploits in-network processing framework by using multiple lightweight controller instances in place of service grade SDN controller applications. The proposed framework ensures the availability and significant reduction in flow-setup delay by deploying instances in the vicinity the resource constraint IoT devices dynamically. Aloe supports fault-tolerance with recovery from network partitioning by employing self-stabilizing placement of migration capable controller instances. Aloe also provides resource reservation for micro-controllers so that they can ensure the quality of services (QoS). The performance of the proposed system is measured by using an in-house testbed along with a large scale deployment in Amazon Web services (AWS) cloud platform. The experimental results from these two testbeds show significant improvement in response time for standard IoT based services. This improvement of performance is due to the reduction in flow-setup time. We found that Aloe can improve flow-setup time by around 10%–30% in comparison to one of the states of the art orchestration framework.

中文翻译：

---

Aloe：物联网应用的容错网络管理和编排框架

物联网（IoT）平台使用大量低成本资源受限的设备，产生数百万的短流。网络内处理越来越受欢迎，以处理物联网应用程序和服务。然而，传统的基于软件定义网络 (SDN) 的管理系统不适合处理此类系统的即插即用性质。在本文中，我们提出了 Aloe，一种可自动扩展的 SDN 编排框架。Aloe 通过使用多个轻量级控制器实例代替服务级 SDN 控制器应用程序来利用网络内处理框架。所提出的框架通过在资源受限的物联网设备附近动态部署实例来确保流量设置延迟的可用性和显着减少。Aloe 通过采用具有迁移能力的控制器实例的自稳定放置来支持从网络分区恢复的容错。Aloe 还为微控制器提供资源预留，以保证服务质量（QoS）。所提议系统的性能是通过使用内部测试平台以及亚马逊网络服务 (AWS) 云平台中的大规模部署来衡量的。这两个测试平台的实验结果表明，基于标准物联网的服务的响应时间得到了显着改善。性能的这种改进是由于流量设置时间的减少。我们发现，与最先进的编排框架之一相比，Aloe 可以将流程设置时间缩短约 10%–30%。Aloe 还为微控制器提供资源预留，以保证服务质量（QoS）。所提议系统的性能是通过使用内部测试平台以及亚马逊网络服务 (AWS) 云平台中的大规模部署来衡量的。这两个测试平台的实验结果表明，基于标准物联网的服务的响应时间得到了显着改善。性能的这种改进是由于流量设置时间的减少。我们发现，与最先进的编排框架之一相比，Aloe 可以将流程设置时间缩短约 10%–30%。Aloe 还为微控制器提供资源预留，以保证服务质量（QoS）。所提议系统的性能是通过使用内部测试平台以及亚马逊网络服务 (AWS) 云平台中的大规模部署来衡量的。这两个测试平台的实验结果表明，基于标准物联网的服务的响应时间得到了显着改善。性能的这种改进是由于流量设置时间的减少。我们发现，与最先进的编排框架之一相比，Aloe 可以将流程设置时间缩短约 10%–30%。所提议系统的性能是通过使用内部测试平台以及亚马逊网络服务 (AWS) 云平台中的大规模部署来衡量的。这两个测试平台的实验结果表明，基于标准物联网的服务的响应时间得到了显着改善。性能的这种改进是由于流量设置时间的减少。我们发现，与最先进的编排框架之一相比，Aloe 可以将流程设置时间缩短约 10%–30%。所提议系统的性能是通过使用内部测试平台以及亚马逊网络服务 (AWS) 云平台中的大规模部署来衡量的。这两个测试平台的实验结果表明，基于标准物联网的服务的响应时间得到了显着改善。性能的这种改进是由于流量设置时间的减少。我们发现，与最先进的编排框架之一相比，Aloe 可以将流程设置时间缩短约 10%–30%。