19395

۱۹۳۹۵

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

كارشناسي ارشد

شبكه هاي كامپيوتري

1394-1396

۱۳۹۷/۰۴/۰۴

دكتر رضا برنگي - دكتر ناصر مزيني

كامپيوتر

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.

1397/07/02

Improving Load Balancing in Software Defined Networks By Machine Learning Mechanism

9/26/2018 12:00:00 AM

With the advent of software-defined networks (SDNs) and according to their scalability, next-generation networks will be able to service many users. Software-based networks are a network model that will overcome many of the challenges of traditional networks. The basic principle in these networks is to separate the control plane of the data plane, including routers and network switches. To communicate between these two levels, an interface such as the OpenFlow protocol is used to collect information from the traffic data of the network and dynamically adjust the rules in the OpenFlow switches. It is essential to distribute workloads between network servers in such a way as to increase throughput and reduce response time. Due to the existence of a central controller in the software-defined network and, therefore, global visibility on the network, and the ability to programing, it is possible to use artificial intelligence methods to decide for load balancing in the network. For this purpose, in this research, we have tried to use the deep reinforcement learning algorithm to distribute the load between the main servers of the network at any given time and dynamically. In the load balancing algorithm, using the exchange of messages between the controller and switch, as well as by sending informative messages from the servers, information indicating the current state of the environment as input to the deep learning algorithm are being sent. The algorithm learns which one is the best destination for the user request, and so requests received from the user by the controller are assigned to one of the servers. In comparisons based on three criteria with three standard algorithms in previous researches, it was found that the proposed method would intelligently and efficiently distribute the load among the existing network servers.