دراسة تقنيات التوجيه في الشبكات المعرفة برمجياً باستخدام التعلم الآلي

الملخص

يعمل توجيه التدفق على تحقيق تحسينات دقيقة في أداء الشبكة من خلال توجيه تدفقات حزم البيانات المختلفة عبر مسارات شبكية متنوعة. حيث يوفر التحكم المركزي في الشبكات المعرفة البرمجية SDN (Software-Defined Network) إطاراً لتحسينات مركزية في الشبكة، مثل توجيه التدفق الأمثل، إن توجيه تدفق يتكيف مع تغيرات الأحمال يتطلب نماذج متطورة. نهدف من خلال هذه الدراسة إلى اتباع نهج يعتمد على التعلم المعزز، حيث ينتج عن التوجيه المباشر للتدفق فضاء من الثنائية (حالة-إجراء) يزداد مع زيادة عدد التدفقات الجارية، مما يؤدي إلى ظهور مشكلة محتملة في قابلية التوسع. نشير إلى أن هذه المشكلة تنشأ بشكل أساسي من المساحة المطلوبة لتخزين جدول Q الذي يتضمن الثنائيات الخاصة بالتدفق، بالإضافة إلى الوقت اللازم للتعلم حتى الوصول إلى التقارب والذي يتطلب استكشاف هذا الفضاء الكبير من الحالات والأفعال. من جانب أخر، فإنّ هناك عدد قليل من الحسابات المطلوبة لإيجاد الحالات (ويتطلب فقط تحديث قيم Q في كل خطوة). تم حل مشكلة قابلية التوسع من خلال استخدام عدة متحكمات  SDN Controllersبحيث يكون لكل متحكم عدد أقل من العقد والتدفقات لإدارتها، وبالتالي جدول Q أصغر وفضاء حالة-إجراء أصغر. يقوم كل متحكم بتحسين توجيه التدفق ضمن شبكة صغيرة ومعقولة باستخدام التعلم المعزز، حيث يعمل كل نظام مستقل (Autonomous System)AS  بتحسين التوجيه داخل المجال الخاص به وقد أظهرت النتائج التجريبية أن هذا النهج يُحقّق تحسينات جوهرية في الأداء: حيث بلغ متوسط زمن التقارب للمتحكمات المتعددة 10 خطوات فقط، مقارنةً بـ 40.5 خطوة في حالة المتحكم المركزي الوحيد. كما انخفض متوسط زمن الاستجابة من 31.30 مللي ثانية (في النظام الأحادي) إلى 23.14 و23.99 مللي ثانية في أنظمة المتحكمات المتعددة. هذه النتائج تؤكد أن توزيع مسؤوليات التحكم يقلل بشكل فعّال من تعقيد فضاء التعلم، ويسرع من عملية التقارب، ويحسّن كفاءة توجيه التدفق، مما يجعل الحل المقترح قابلاً للتطبيق في الشبكات الكبيرة والديناميكية.