هوشمندسازی مسیریابی در شبکه های SDN با استفاده از آتاماتای یادگیر

با پیشرفت فناوری و گسترش کاربردهای متکی بر شبکه های ارتباطی، نیاز به روش های مسیریابی هوشمند در شبکه های نرم افزارمحور (SDN) بیش از پیش احساس می شود. در معماری SDN، کنترلر مرکزی وظیفه مدیریت ترافیک را بر عهده دارد و انتخاب مسیرهای مناسب نقش مهمی در کاهش تاخیر، افزایش کارایی شبکه و جلوگیری از ازدحام ایفا می کند. با این حال، الگوریتم های سنتی مسیریابی مانند دیکسترا و بلمن-فورد که مبتنی بر ساختارهای ایستا هستند، قادر به سازگاری سریع با تغییرات پویای توپولوژی و ترافیک شبکه نیستند. در این مقاله، یک روش هوشمند و تطبیق پذیر برای مسیریابی در SDN مبتنی بر آتاماتای یادگیر (Learning Automata) پیشنهاد شده است. این روش با دریافت بازخورد از شبکه و ارزیابی مداوم عملکرد مسیرهای انتخاب شده، به طور پیوسته وزن مسیرها را به روزرسانی کرده و مسیرهای بهینه را در شرایط مختلف شبکه انتخاب می کند. روش پیشنهادی در محیط Mininet و Python شبیه سازی شده و عملکرد آن از نظر تاخیر انتها به انتها، میزان استفاده از پهنای باند و توزیع بار ترافیکی مورد ارزیابی قرار گرفته است. نتایج نشان می دهد که این روش نسبت به الگوریتم های سنتی، بهبود چشمگیری در کاهش تاخیر، جلوگیری از ازدحام و افزایش بهره وری شبکه ای جاد می کند. علاوه بر این، با تغییرات پویای توپولوژی، مکانیزم یادگیری آتاماتا به طور پیوسته تصمیمات مسیریابی را اصلاح کرده و مسیرهای کارآمدتری را پیشنهاد می دهد. این ویژگی سبب می شود روش پیشنهادی انعطاف پذیری باالایی در شبکه های نسل جدید مانند ۵G و ۶G داشته باشد.

کلیدواژه ها:

مسیریابی تطبیقی ، شبکه های نرم افزارمحور (SDN) ، آتاماتای یادگیر ، بهینه سازی مسیر ، کنترلر SDN ، یادگیری تقویتی