33145

ارائه راهكار يادگيري ماشين براي بازيابي پيوند در شبكه هوشمند مبتني بر شبكه نرم‌افزار محور

كارشناسي ارشد

مهندسي كامپيوتر/شبكه‌هاي كامپيوتري

1401

1403/9/4

جناب آقاي دكتر ناصر مزيني

-

مهندسي كامپيوتر

سامانه‌هاي برق كنوني را مي‌توان يكي از دلايل عمده اثرات زيست‌محيطي، از جمله انتشار گازهاي گلخانه‌اي و گرمايش زمين، دانست؛ چرا كه اين سامانه‌ها متكي بر سوخت‌هاي فسيلي، به‌ويژه زغال‌سنگ هستند. ازاين‌رو، معرفي شبكه‌هاي هوشمند برق به‌عنوان يك ضرورت مطرح مي‌شود؛ زيرا اين شبكه‌ها با ايجاد ارتباط دوطرفه ميان اجزاي شبكه، نياز به توليد انرژي متمركز و نيروگاه‌هاي بزرگ را كاهش داده و به مديريت كارآمدتر انرژي كمك مي‌كنند. همچنين، سامانه‌هاي ارتباطي برق دوطرفه اين شبكه‌ها يك شبكه تحويل انرژي پيشرفته، خودكار و كم مصرف ايجاد مي‌كنند. شبكه‌هاي هوشمند به دليل آسيب پذيري در برابر حوادث شديد، نيازمند حفظ ارتباطات مؤثر براي ارائه خدمات برق هستند. خرابي‌هاي شبكه مي‌توانند آسيب‌هاي جدي به همراه داشته و ارتباطات را مختل كنند كه اين موضوع منجر به كاهش قابل توجه خدمات مي‌شود. عوامل متعددي مي‌توانند به خرابي شبكه منجر شوند كه رايج‌ترين آن‌ها خرابي پيوند ميان اجزاء شبكه است. براي عملكرد هوشمند و مستقل از دخالت نيروي انساني، شبكه هوشمند بايد داراي زيرساخت ارتباطي انعطاف پذير باشد كه بتواند در سريع‌ترين زمان ممكن هرگونه خرابي در پيوندها را شناسايي و تعمير كند. رويكرد مبتني بر شبكه‌هاي نرم‌افزار محور اين امكان را فراهم مي‌آورد. شبكه‌هاي نرم‌افزار محور با فراهم‌سازي كنترل متمركز و جداسازي لايه‌هاي داده و كنترل، امكان مديريت پويا و واكنش سريع به خرابي‌ها را ايجاد مي‌كنند. اين فناوري، با ارائه تصميمات متمركز و بهينه، مسيريابي مجدد و بازيابي مسيرها را در زمان خرابي پيوندها تسريع مي‌كند. كنترل‌كننده‌هاي مركزي در شبكه‌هاي نرم‌افزار محور قادرند در صورت بروز خرابي، مسير جديدي را براي جريان داده‌ها انتخاب كنند كه اين موضوع به كاهش زمان بازيابي و نرخ اتلاف بسته كمك مي‌كند. در اين پژوهش، ما واحدي را براي كنترل‌كننده شبكه نرم‌افزار محور طراحي كرده‌ايم كه به ويژگي تشخيص خرابي پيوند مجهز است و با استفاده از الگوريتم يادگيري Q امكان بازيابي خودكار را فراهم مي‌كند. در شبكه‌هاي هوشمند برق، نرخ اتلاف بسته‌ها اهميت بالايي دارد؛ زيرا هرگونه اتلاف بسته مي‌تواند به كاهش كيفيت خدمات و عدم دريافت اطلاعات لازم براي كنترل سيستم در شرايط بحراني منجر شود و در نتيجه، توانايي شبكه در واكنش به ناپايداري‌ها كاهش يابد. تمركز اصلي اين پژوهش بر كاهش نرخ اتلاف بسته است؛ زيرا اتلاف داده ها اثرات مخربي بر پايداري و كارايي شبكه دارد. در مقايسه روش پيشنهادي با مقاله مرجع، نرخ اتلاف بسته، زمان بازيابي و مدت زمان اجراي الگوريتم در توپولوژي آلمان به ترتيب ٪62.66، ٪99.85 و ٪99.91 كاهش يافته است. همچنين، در توپولوژي آمريكا اين مقادير به ترتيب، ٪50.90، ٪99.76 و ٪99.98 كاهش داشته اند. علاوه بر اين، در مقايسه با حالت نرمال، نرخ اتلاف بسته در توپولوژي آلمان به طور ميانگين، ٪95.67 و در توپولوژي آمريكا ٪15.13 درصد كاهش يافته است.

1403/12/25

A Machine Learning Solution for Link Recovery in SDN-based Smart Grid

1/1/1900 12:00:00 AM

Current power systems can be considered one of the major contributors to environmental impacts, including greenhouse gas emissions and global warming, as they rely on fossil fuels, particularly coal. Therefore, the introduction of smart power grids has become a necessity, as these networks facilitate bidirectional communication between network components, reducing the need for centralized energy production and large power plants while contributing to more efficient energy management. Additionally, the bidirectional communication systems in smart grids create an advanced, automated, and energy-efficient power delivery network. Due to their vulnerability to extreme events, smart grids require effective communication systems to maintain electricity services. Network failures can cause significant damage and disrupt communications, leading to a considerable reduction in services. Various factors can cause network failures, with link failures between network compo- nents being the most common. To operate autonomously and independently of human intervention, a smart grid must have a flexible communication infrastructure capable of detecting and repairing any link failure as quickly as possible. A software-defined networking (SDN)-based approach enables this capability. SDN facilitates dynamic management and rapid response to failures by providing centralized control and separating the data and control layers. This technology accelerates rerouting and path recovery in case of link failures by offering centralized and optimized decision-making. Central controllers in SDN can select a new route for data flow in the event of a failure, which helps reduce recovery time and packet loss rate. In this study, we have designed a module for the SDN controller, equipped with link failure detection capabilities and automatic recovery using the Q-learning algorithm. In smart power grids, the packet loss rate is critically important, as any packet loss can lead to reduced service quality and a lack of essential information required for system control in critical situations, thereby diminishing the network’s ability to respond to instabilities. The main focus of this research is on reducing the packet loss rate, as date loss has a detrimental impact on the stability and efficiency of the network. focus of this research is on reducing packet loss rate, as data loss has a damaging effect on the stability and efficiency of the network. When comparing the proposed method with the reference paper, the packet loss rate, recovery time, and algorithm execution time in the German topology were reduced by 62.66%, 99.85%, and 99.91%, respectively. Similarly, in the U.S. topology, these values decreased by 50.90%, 99.76%, and 99.98%, respectively. Additionally, compared to the normal mode, the packet loss rate in the German topology was reduced by an average of 95.67%, and in the U.S. topology by 15.13%.

شبكه هوشمند برق , شبكه نرم‌افزار محور , الگوريتم يادگيري  Q , مديريت خرابي

Smart Grid , Software-Defined Networking(SDN) , Q-Learning Algorithm , Failure Management

Hemila Vali

Dr Nasser Mozayani