Rasgele erken algılama bilgisayar ağları tıkanıklık kontrolü algoritmasının başarımının sezgisel yöntemlerle iyileştirilmesi
Improving the performance of random early detection algorithm for computer network congestion control using heuristic methods
- Tez No: 823099
- Danışmanlar: DOÇ. DR. SERKAN ÖZTÜRK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Tıkanıklık kontrolü, aktif kuyruk yönetimi, rastgele erken algılama, genetik algoritma, derin pekis¸tirmeli ögrenme, Congestion control, active queue management, random early detection, genetic algorithm, deep reinforcement learning
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 88
Özet
Internet uygulamalarının sayısı ve çesitliliği arttıkça, veri iletim darboğazlarında ağtıkanıklıgı önemli bir sorun haline gelmiştir. Transfer Kontrol Protokolü (TCP), Aktif Kuyruk Yönetimi (Active Queue Management AQM) tıkanıklık kontrol stratejisini kullanarak bu sorunu çözebilmektedir. AQM, genellikle ag˘ tıkanıklıg˘ını azaltmak veya uçtan uca gecikmeyi iyilestirmek amacıyla, yönlendiriciler ve anahtarlar için arabellekler dolmadan önce paketleri bırakma is¸lemidir. Bu tez çalısmasında, Rasgele Erken Algılama (Random Early Detection, RED) AQM algoritmasının bas¸arımını artırmak için Genetik Algoritma (Genetic Algorithm, GA) ve derin pekistirmeli öğrenme (deep reinforcement learning, DRL) algoritmaları kullanılarak üç yeni yöntem önerilmistir. Önerilen GA temelli yöntemde, verim, gecikme ve gecikme deg˘is¸imi açısından ag basarımını iyilestirmek için RED tıkanıklık kontrol parametreleri GA kullanılarak dinamik olarak optimize edilmistir. Önerilen ikinci yöntemde, RED parametrelerini kendi kendine ayarlayarak RED algoritmasını deg˘is¸en ag˘ kos¸ullarına uyarlanabilir hale getirmek için DRL temelli bir model gelis¸tirilmis¸tir. Gelistirilen bu modelde Deep Q-Learning (DQN) ve Deep Deterministic Policy Gradient (DDPG) DRL algoritmaları ayrı ayrı kullanılarak paket kayıp oranı, gecikme ve verim açısından ağ başarımı değerlendirmiştir. Önerilen üçüncü yöntemde, farklı ag˘ koşullarında yüksek verim, düşük gecikme ve daha az paket kaybı elde etmek için DQN, Proximal Policy Optimisation (PPO), DDPG ve Twin Delayed DDPG (TD3) DRL algoritmaları birleştirilerek ağırlıklı topluluk yaklaşımı ile bir model geliştirilmiştir. Farklı ağ koşullarında önerilen yöntemlerin gecikme değişimi, gecikme, paket kayıp oranı ve verim açısından başarımları deneysel çalışmalarla gösterilmistir.
Özet (Çeviri)
With an increasing number and variety of Internet applications, network congestion in data transmission bottlenecks has become a major problem. Transmission Control Protocol (TCP) can solve this problem by using Active Queue Management (AQM) congestion control strategy. AQM is the process of dropping packets before the buffers for routers and switches are full, often to reduce network congestion or improve end-to-end latency. In this thesis, in order to improve the performance of Random Early Detection (RED) AQM algorithm, three novel methods have been proposed using Genetic Algorithm (GA) and deep reinforcement learning (DRL) algorithms. In the proposed GA-based method, RED congestion control parameters have been dynamically optimized using GA to improve network performance in terms of throughput, delay, and jitter. In the second proposed method, a DRL-based model has been developed to make the RED algorithm adaptable to changing network conditions by self-tuning the RED control parameters. In this model, Deep Q-Learning (DQN) and Deep Deterministic Policy Gradient (DDPG) DRL algorithms have been used separately to evaluate network performance in terms of packet loss rate, delay, and throughput. In the third proposed method, in order to achieve high throughput, low latency and less packet loss in different network conditions, a novel weighted ensemble DRL model has been developed by combining DQN, Proximal Policy Optimization (PPO), DDPG, and Twin Delayed DDPG (TD3) DRL algorithms. The performance of the proposed methods in terms of jitter, delay, packet loss rate, and efficiency has been demonstrated by experimental studies.
Benzer Tezler
- Automatic determination of plant type and phenological stage with deep learning methods
Tarla görüntülerinden bitki türü ve fenolojik evresinin derin öğrenme yöntemleri ile otomatik saptanması
AIGERIM KAIROLDAYEVA
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. ULUĞ BAYAZIT
- Uzaktan algılama sistemleri ile yangına hassas bölgelerin tahmin edilmesi
Forecasting fire prone regions utilizing remote sensing systems
SEMANUR ÇÖKEKOĞLU
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH AHMET ŞENEL
- Gesture recognition and customization on textile-based pressure sensor array
Tekstil tabanlı basınç sensörü dizisinde hareket algılama ve kişiselleştirme
İLKNUR ÇELİK
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN İNCE
- Optimization of deep neural network architectures for the forest fire detection
Orman yangini tespitinde derin sinir aği mimarilerinin optimizasyonu
BERRİN SAVDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜŞTAK ERHAN YALÇIN
PROF. DR. HAZIM KEMAL EKENEL
- Predicting software vulnerabilities and vulnerability inducing code changes using deep neural networks
Derin sinir ağlarını kullanarak yazılım güvenlik açıklarını ve güvenlik açığına sebep olan kod değişikliklerini tahmin etme
SEFA EREN ŞAHİN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE TOSUN