بهبود تعادل بار در شبكه هاي نرم افزار محور با استفاده از يادگيري ماشين

كارشناسي ارشد

با ظهور شبكه هاي نرم افزار محور (SDN) و با توجه به قابليت مقياس پذيري آنها، شبكه هاي نسل آينده توانايي سرويس دهي به كاربران زيادي را دارا خواهند بود. شبكه هاي مبتني بر نرم افزار مدلي از شبكه هستند كه بر بسياري از چالش هاي شبكه هاي سنتي غلبه خواهند كرد. اصل اساسي در اين شبكه ها جدا كردن سطح كنترل از سطح داده شامل مسيرياب ها و سوئيچ هاي شبكه است. براي برقراري ارتباط ميان اين دو سطح از واسطي مانند پروتكل OpenFlow استفاده مي شود كه با استفاده از آن مي توان داده هاي آماري مربوط به ترافيك شبكه را جمع آوري كرده و به شكل پويا قوانيني را در سوئيچ هاي سازگار با OpenFlow تنظيم نمود. توزيع بار كاري ميان سرويس دهنده هاي شبكه به گونه اي كه افزايش گذردهي و كاهش زمان پاسخ را به دنبال داشته باشد امري ضروري است. با توجه به وجود كنترل كننده مركزي در شبكه نرم افزار محور و بالطبع ديد سراسري روي شبكه، همچنين قابليت برنامه ريزي آن، اين امكان فراهم است كه با بهره گيري از روش هاي هوش مصنوعي بتوان براي تعادل بار در شبكه به شكل هوشمند تصميم گيري كرد. به همين منظور در اين پژوهش سعي شده است كه با استفاده از يادگيري تقويتي عميق و به شكل پويا بار كاري ميان سرويس دهنده هاي اصلي شبكه توزيع شود. در الگوريتم تعادل بار ارائه شده با استفاده از تبادل پيام ميان كنترل كننده و سوئيچ و همچنين با ارسال پيام هاي اطلاع رساني از سوي سرويس دهنده ها، اطلاعاتي كه نشان دهنده وضعيت فعلي محيط هستند، به عنوان ورودي به الگوريتم يادگيري عميق ارسال مي شوند. الگوريتم با توجه به اين وضعيت ياد مي گيرد كه كدام سرويس دهنده بهترين مقصد براي درخواست كاربر است و به اين ترتيب درخواست هاي دريافتي از سمت كاربر توسط كنترل كننده به يكي از سرويس دهنده ها انتساب داده مي شود. طي مقايسه هايي كه بر اساس سه معيار با سه الگوريتم استاندارد موجود در پژوهش هاي قبلي انجام شد، مشخص شد كه روش پيشنهادي به شكل هوشمندانه و با كارايي بهتر بار را ميان سرويس دهنده هاي موجود در شبكه توزيع مي كند.

191765

دانشگاه علم و صنعت ايران

شبكه هاي كامپيوتري

دكتر رضا برنگي - دكتر ناصر مزيني