بهینه سازی مسیردهی در شبکه های SDN با استفاده از هوش مصنوعی ترکیب یادگیری تقویتی و شبکه های عصبی عمیق

ظهور شبکه های نرم افزارمحور (SDN) موجب تحول اساسی در نحوه طراحی مدیریت و کنترل شبکه های رایانشی شده است. معماری SDN با جداسازی لایه کنترل از لایه داده امکان مدیریت متمرکز، پویایی در تصمیم گیری و اعمال سیاست های شبکه ای را فراهم می سازد (Nurcahyani & Lee, ۲۰۲۱). با این حال، ماهیت متغیر، ترافیک، تهدیدهای امنیتی نوظهور و نیاز روزافزون به تصمیم گیری بلادرنگ چالش های قابل توجهی را در مسیردهی شبکه ایجاد کرده است (رهداری و همکاران، ۲۰۲۴). الگوریتم های سنتی مسیردهی به دلیل وابستگی به ساختارهای ایستا و غیر انطباقی پاسخگوی شرایط پیچیده و پویا نیستند (Had همکاران، ۲۰۲۴). در این مقاله با تمرکز بر نقش هوش مصنوعی به ویژه یادگیری تقویتی (RL) و شبکه های عصبی عمیق (DNN)، یک چارچوب هوشمند برای بهینه سازی مسیردهی در شبکه های SDN ارائه شده است. مدل های RL با قابلیت یادگیری از محیط امکان انتخاب مسیرهای بهینه را بر اساس تغییرات لحظه ای فراهم می کنند (Kalusivalingam et al., ۲۰۲۲)، در حالی که DNN با توانایی استخراج الگوهای پیچیده، قدرت بالایی در پیش بینی رفتار ترافیک نشان می دهد (Li et al., ۲۰۲). همچنین داده های شبیه سازی شده حاصل از بارهای ترافیکی واقعی برای آموزش مدل ها مورد استفاده قرار گرفته اند (Agrawal et al.). یافته ها نشان می دهند که ترکیب RL و DNN موجب کاهش تاخیر، افزایش توان عبوری و مصرف انرژی بهینه تر می شود (Brown et al.). در نهایت مسیرهای آتی شامل توسعه مدل های هیبریدی، کاهش پیچیدگی محاسباتی و استفاده از پردازش لبه است (Sarker, ۲۰۲۱).

Keywords:

شبکه های نرم افزار محور (SDN) , هوش مصنوعی (AI) , یادگیری تقویتی (RL) , شبکه های عصبی عمیق (DNN) , مسیردهی دینامیک