کنفرانس بین المللی محاسبات نرم

صفحه اصلی / چهارمین کنفرانس بین المللی محاسبات نرم

جاسازی شبکه‌های مجازی با استفاده از روش بهینه سازی آموزش و یادگیری

نویسندگان :

محمدامین ناظم¹ قاسم میرجلیلی² علی‌محمد لطیف³

1- دانشگاه یزد 2- دانشگاه یزد 3- دانشگاه یزد

کلمات کلیدی :

جاسازی شبکه مجازی، روش‌های فراابتکاری، الگوریتم آموزش و یادگیری

چکیده :

با فراگیر شدن فن آوری شبکه و اینترنت، محدودیت زیرساخت‌های فیزیکی مثل پردازنده ها و پهنای باند پیوندهای بین مراکزداده نمی توانست پاسخگوی توسعه خدمات اینترنتی و افزایش تقاضای کابران باشد. این نیاز باعث توسعه پروتکل‌های جدید مخابراتی گردید. یکی از مهترین و کاربردی ترین پروتکل ها، ابداع فن‌آوری شبکه مجازی است. شبکه مجازی به صورت منطقی، گره‌ها و پیوندهای مجازی را بر روی گره و پیوند مجازی مستفر می کند و در نهایت این گره ها و پیوندهای مجازی را با یکدیگر مرتبط می کند؛ بنابراین ایده شبکه مجازی، رویکردی برای غلبه بر محدودیت‌های اجزای سخت‌افزاری شبکه است. در شبکه مجازی مسیریاب‌ها و سوییچ‌های مجازی، توسط پیوندهای مجازی به یکدیگر متصل می‌شوند. شبکه مجازی توانست مشکلات ناشی از محدودیت های پردازنده‌ها و پیوندهای ارتباطی بین آن‌ها را در لایه فیزیکی حل نماید، اما ظرفیت این شبکه مجازی نیز محدود بود و پاسخگویی به رشد تقاضاهای تأمین‌کنندگان خدمات را با مشکل مواجه کرد،لذا تأمین‌کنندگان زیرساخت، برای دادن خدمات به همه تقاضاهای تأمین‌کنندگان خدمات و استفاده بهینه از ظرفیت شبکه فیزیکی از الگوریتم‌های مختلف بهینه‌سازی برای جاسازی شبکه‌های مجازی به‌صورت بهینه استفاده کردند. بزرگ‌ترین چالش الگوریتم بهینه‌سازی، جاسازی درخواست‌های پویای مجازی از طرف کابران است. الگوریتم‌های فراابتکاری از پرکاربردترین روش‌های بهینه‌سازی تقریبی است. جاسازی شبکه مجازی با توجه به محدودیت‌های موجود در گره‌ها و پیوندها جزو مسائل محاسباتی پیچیده است. درخواست‌های مجازی کاربران به‌صورت تصادفی صادر می‌گردند و تأمین‌کنندگان خدمات، هیچ اطلاعاتی راجع به نوع درخواست بعدی ندارند. لذا تأمین‌کنندگان خدمات، برای بازدهی بیش‌تر شبکه فیزیکی، باید در خصوص نوع الگوریتم نگاشت، تصمیم‌گیری کنند. در این مقاله، جدیدترین روش بهینه‌سازی فراابتکاری به نام الگوریتم آموزش و یادگیری برای جاسازی شبکه مجازی پیشنهاد می‌شود. کم بودن پارامترهای تنظیم الگوریتم آموزش و یادگیری و همچنین جابه‌جایی موقعیت جواب های تصادفی به سمت میانگین موقعیت جواب ها باعث برتری این الگوریتم نسبت به دیگر الگوریتم‌های فراابتکاری شده است. در این مقاله برای مقایسه جامع و کارایی، این الگوریتم با دیگر الگوریتم‌های فراابتکاری، ابتدا هریک از الگوریتم‌ها توسط معیارهایی دریک دوره زمانی مشخص با یکدیگر مقایسه شدند. سپس هریک از الگوریتم‌ها با تغییر نرخ تولید شبکه مجازی با یکدیگر مقایسه شدند. در آخر با افزایش تعداد گره در شبکه فیزیکی الگوریتم‌ها با یکدیگر با مقایسه شدند. نتایج تمامی سناریوها، به‌طور متوسط عملکرد بهتر الگوریتم آموزش و یادگیری را نسبت به دیگر روش‌های فراابتکاری در تمام معیارهای فوق نشان می دهد.