Geri Dön

Yazılım tanımlı ağlarda trafik mühendisliği için derin öğrenme tabanlı yaklaşım geliştirme

Developing a deep learning based approach for traffic engineering in software defined networks

PDF İndir

  1. Tez No: 729917
  2. Yazar: SUDAD ABDULRAZZAQ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET DEMİRCİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Bilişim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Bilimleri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 101

Özet

Trafik mühendisliği, özellikle büyük miktarda veri taşıyan günümüzün büyük ağlarında ağ yönetimi için çok önemlidir. Trafik mühendisliği, kaynakların akıllıca tahsisi yoluyla ağın verimliliğini ve güvenilirliğini artırmayı amaçlamaktadır. Bu tez çalışmasında, çeşitli uygulamalar arasında bant genişliği tahsisini iyileştirmek için yazılım tanımlı ağlarda derin öğrenme tabanlı bir trafik mühendisliği yaklaşımı önerilmiştir. Önerilen yaklaşım ile trafik akışlarının sınıflandırılması için derin öğrenme tabanlı bir model geliştirilmek ve trafik sınıflarına göre ağdaki trafik akışlarının hizmet kalitesi dikkate alınarak yönlendirilmesi için bir trafik mühendisliği modülünü YTA kontrolcü üzerinde gerçekleştirilmek amaçlanmıştır. Derin sinir ağı (DNN) ve tek boyutlu evrişimli sinir ağı (1-B CNN) modellerine dayalı trafik sınıflandırması uygulanmıştır. Çeşitli uygulamalardan gelen akışları tanımlayarak ve tanımlanan akışı her kuyruğun farklı bir önceliğe sahip olduğu birden çok kuyruğa dağıtarak hizmet kalitesini (QoS) iyileştirmek hedeflenmiştir. Ayrıca, ağ bant genişliğini ve gelen trafiğin hacmini yönetmek için trafik şekillendirme uygulanmaktadır. Ağın performansını artırmak ve trafik sıkışıklığını önlemek için, genel yük dengelemesini gerçekleştirmek üzere bağlantı noktası kapasitesini dikkate alan bir teknik kullanılmıştır. Sentetik azınlık aşırı örnekleme tekniği (SMOTE) adı verilen bir yüksek hızda örnekleme tekniği uygulanarak dengesiz veri kümesi sorununa çözüm sağlanmıştır. DNN ve 1-B CNN'nin performansı, KNN, SVM, DT ve RF gibi bazı makine öğrenimi modelleriyle karşılaştırılmış ve değerlendirilmiştir. Sonuçlar, 1-B CNN ve DNN'nin 5 s ve 10 s sürelerde yakalanan trafikte yüksek doğruluk elde edebildiğini, KNN ve RF'nin ise 15 s, 30 s, 60 s ve 120 s sürelerde yakalanan trafikte yüksek doğruluk elde edebildiğini gösterilmiştir. CNN ve DNN, 15 s, 30 s, 60 s ve 120 s sürelerde DT ve SVM'den daha iyi doğruluk elde etmeyi başarmıştır. Hizmet kalitesi odaklı trafik mühendisliği sistemini değerlendirmek için farklı senaryolar uygulanmıştır. Sonuçlar, tanımlanan akışlara trafik şekillendirme uygulanmasının, gelen akışların hızını ve hacmini kontrol ederek ağın performansını ve bant genişliği kullanılabilirliğini artırdığını gösterilmiştir.

Özet (Çeviri)

Traffic engineering is essential for network management, particularly in today's large networks carrying massive amounts of data. Traffic engineering aims to increase the network's efficiency and reliability through intelligent allocation of resources. In this thesis, we propose a deep learning-based traffic engineering system in software-defined networks (SDN) to improve bandwidth allocation among various applications. The proposed system implements traffic classification based on deep neural network (DNN) and one dimensional convolution neural network (1-D CNN) models, and implements a traffic engineering module on the SDN controller to direct traffic flows in the network according to traffic classes by considering the Quality of Service. The system aims to improve the Quality of Service (QoS) by identifying flows from various applications and distributing the identified flow to multiple queues where each queue has a different priority. Next, it applies traffic shaping in order to manage network bandwidth and the volume of incoming traffic. To increase the network's performance and avoid traffic congestion, we implement a technique that considers the port capacity to accomplish general load balancing. We solved the issue of imbalanced dataset by implementing an oversampling technique called Synthetic Minority Over-Sampling Technique (SMOTE). The performance of DNN and 1-D CNN have been compared and evaluated with some of machine learning models, such as KNN, SVM, DT, and RF. The results showed 1-D CNN and DNN are able to achieve high accuracy of traffic captured at 5s and 10s timeout, while KNN and RF are able to achieve high accuracy of traffic captured at 15s, 30s, 60s and 120s timeout, while CNN and DNN were able to achieve better accuracy than DT and SVM at 15 s, 30 s, 60 s and 120 s timeout. Different scenarios have been used to evaluate the QoS-based traffic engineering system. The results showed that applying traffic shaping to identified flows increases network performance by regulating of bandwidth usage helps in guaranteeing resources for each type of application and bandwidth availability by controlling the rate and volume of incoming flows.

Benzer Tezler

  1. Tez No

    827040

    Yazılım tanımlı ağlarda yük dengeleme probleminin optimizasyonu

    Optimizing the load balancing problem in software-defined networks

    ŞEYMA AYMAZ

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TUĞRUL ÇAVDAR

  2. Tez No

    797776

    Yazılım tabanlı araçsal ağlara yönelik gerçekleştirilen DDoS saldırılarının derin öğrenme tabanlı gerçek zamanlı tespiti

    Deep learning based real-time detection of DDoS attacks on software-defined based vehicular networks

    ONUR POLAT

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HÜSEYİN POLAT

  3. Tez No

    856467

    Yazılım tanımlı ağlarda makine öğrenme temelli saldırı tespit sistemi

    Machine learning based intrusion detection system in software defined networks

    BİROL EMEKLİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilişim Sistemleri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İHSAN HAKAN SELVİ

  4. Tez No

    775591

    Quality of service and DDos attacks detection improvement with deep flows discrimination in SDNS

    SDN'de derin akış ayrımcılığı ile hizmet kalitesi ve DDoS saldırılarının tespitinin iyileştirilmesi

    RAMIN MOHAMMADI

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs Üniversitesi

    Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı

    PROF. DR. SEDAT AKLEYLEK

    DOÇ. DR. ALİ GHAFFARI

  5. Tez No

    415201

    Design and implementation of an intra-domain routing module for an SDN controller for traffic engineering in sdn environment

    Yazılım Tanımlı Ağlarda trafik mühendisliği için bir alan içi yönlendirme modülü tasarımı ve gerçeklemesi

    KHİROTA GORGEES YALDA

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    BiyomühendislikKahramanmaraş Sütçü İmam Üniversitesi

    Biyomühendislik ve Bilimleri Ana Bilim Dalı

    Assoc. Prof. Dr. İBRAHİM TANER OKUMUŞ

Geri Dön