-
شماره ركورد
21419
-
شماره راهنما(اين فيلد مربوط به كارشناس ميباشد لطفا آن را خالي بگذاريد)
21419
-
پديد آورنده
ميترا مهرابي
-
عنوان
ارائه روشي كارامد براي مهاجرت سوييچ ها به منظور بهبود توازن بار بين كنترلكننده هاي شبكه هاي نرم افزار محور
-
مقطع تحصيلي
كارشناسي ارشد
-
رشته تحصيلي
فناوري اطلاعات
-
سال تحصيل
1395
-
تاريخ دفاع
1398/6/31
-
استاد راهنما
دكتر رضا برنگي - دكتر احمد اكبري
-
دانشكده
كامپيوتر
-
چكيده
تكنولوژي شبكه هاي سنتي داراي نقايصي همچون ساختار سفت و سخت، پيكربندي پيچيده و عدم توانايي انطباق با نيازمندي هاي جديد است. در همين راستا نياز است تا معماري جديد با ساختاري پويا و توسعه پذير و با قابليت برنامه ريزي و تحمل پذير در برابر خطا ارائه شود. رويكرد شبكه هاي نرم افزار محور در راستاي تحقق موارد ذكر شده معرفي گرديد.
با پيدايش شبكه هاي نرم افزار محور تحولي بزرگ در زمينه كنترل، مديريت و برنامه ريزي شبكه هاي با مقياس بزرگ ايجاد شد.در اين معماري با جداسازي صفحه داده از صفحه كنترل كليه اقدامات مديريتي مربوط به شبكه به لايه ي كنترل انتقال يافت و صفحه داده تنها وظيفه ارسال را بر عهده گرفت. در ابتدا كه تنها از يك كنترل كننده در صفحه كنترل استفاده شد با افزايش تعداد درخواست ها بار كاري آن افزايش يافته و دچار سربار مي شود لذا از راهكار كنترل كننده هاي توزيع شده استفاده شده است كه به صورت منطقي متمركز و از نظر فيزيكي توزيع شده هستند تا ديد سراسري شبكه حفظ شود.
هنگاميكه بار شبكه بهصورت متعادل بر روي تمام كنترلكنندهها توزيع نشود، كارايي شبكه افت مي¬كند و ممكن است به برخي درخواست ها پاسخ داده نشود و يا زمان پاسخ طولاني گردد و در نتيجه كارايي سيستم كاهش مي يابد. براي رفع اين مشكل يكي از مهم ترين راهكار هاي ممكن، انتساب پوياي سوييچ ها به كنترل كننده هاست.
آنچه در اين پژوهش مورد توجه قرار گرفته است، ارائه روشي براي برقراري توازن بار به نحوي كه در هر بار برهم خوردن شرايط تعادلي الگوريتمي با رويكرد تركيبي از روش هاي تكاملي و شبكه عصبي به منظور يافتن بهترين نگاشت ممكن بين سوييچ ها و كنترل كننده ها اجرا شود و به اين ترتيب بتوان به پايدارترين وضعيت ممكن براي نگاشت دست يابيم. كنترل كننده اي كه در اين پژوهش مورد استفاده قرار گرفته است OpenDayLight، و سوييچ بكار رفته OpenvSwitch مي باشد. در اين پژوهش با استفاده از رويكرد پيشنهادي به بهبود 19.62% درمورد كاهش زمان تاخير و كاهش 9.31% در زمينه نرخ از دست رفتن بسته ها دست يافتيم.
واژههاي كليدي: شبكه هاي نرم افزار محور توزيعشده ، كنترلكنندههاي توزيعشده ، توازن بار ، الگوريتم هاي تكاملي ، شبكه هاي عصبي.
-
تاريخ ورود اطلاعات
1398/09/14
-
عنوان به انگليسي
An efficient switch migration method to improve the load balancing among the controllers in an SDN network
-
تاريخ بهره برداري
12/5/2019 12:00:00 AM
-
دانشجوي وارد كننده اطلاعات
ميترا مهرابي
-
چكيده به لاتين
Traditional network technologies suffered certain shortcomings such as complicated structures and difficulty to management. They are not flexible to compatible with the new requirements so we needed a new approach to tackle these problems.
A new type of networking paradigm called Software-Defined Networking (SDN) were proposed.
SDN decouples the control plane from the data plane to enable the network to be intelligent and
centrally controlled.
The data plane is only responsible for forwarding data. According to the huge volume of network
traffic, a single controller is overloaded as soon as possible so we should use a logically centralized and physically distributed architecture for the controllers in control plane.
When the network load increase and do not distribute equally on all controllers, the performance
declines so some requests are not answered or answered with delay. To tackle this kind of
problems it is recommended to assigns right switch to the right controller.
In this survey, we propose a new approach by using a combination of evolutionary algorithms
and neural networks to balance the load between controllers.
In this way we can achieve, the most stable situation to assign switches to controllers.
The controller, which was examined in the survey, was Open Daylight and the switch was
Open Switch.
With the suggested approach, 19.2% decrease in delay and 9.31% improvement in prevention of
packet loss were achieved.
Keywords:
Distributed Software-Defined Networking, distributed controllers, loadbalancing, evolutionary algorithems, and neural networks.
-
لينک به اين مدرک :