چکیده پایان نامه

چکیده پایان نامه با گسترش مراكز داده و افزايش چشمگير ترافيك شبكه‌هاي كامپيوتري، نياز به روش‌هاي كارآمد براي مديريت منابع و متوازن‌سازي بار بيش از پيش احساس مي‌شود. شبكه‌هاي مبتني بر نرم‌افزار (SDN) با جداسازي لايه‌هاي كنترل و داده، امكان مديريت متمركز و انعطاف‌پذير را فراهم كرده و نقش مهمي در بهينه‌سازي منابع در مراكز داده ايفا مي‌كنند. با اين حال، پيچيدگي و پويايي بالاي ترافيك شبكه، نيازبه راهكارهاي هوشمند و كارآمد را ضروري ساخته است. دراين پژوهش، با هدف بهبود متوازن‌سازي بار در شبكه‌هاي مركز داده مبتني بر نرم افزار با توپولوژي Fat-Tree (K=۴)، از الگوريتم‌هاي يادگيري ماشين XGBoost و جنگل تصادفي به‌عنوان مدل‌هاي پيش‌بيني‌كننده بار شبكه استفاده شده است. به منظور ارزيابي عملكرد روش پيشنهادي، شبيه‌سازي‌هايي تحت شرايط مختلف ترافيكي انجام شده و مدل‌ها بر اساس معيارهايي نظير زمان پاسخ، ميانگين زمان پاسخ، دقت مدل، ماتريس درهم‌ريختگي، امتياز F۱ و منحني ROC تحليل شده‌اند. نتايج نشان مي‌دهد كه استفاده از مدل‌هاي يادگيري ماشين، به‌ويژه XGBoost، بهبود قابل‌توجهي در كاهش زمان پاسخ و افزايش كارايي شبكه ايجاد مي‌كند. ميانگين زمان پاسخ فراالگوريتم XGBoost در طرح­هاي آزمايشي ترافيكي مختلف بين ۱/۰۴ تا ۱/۷۱ ميلي‌ثانيه متغير بوده و اين مدل عملكرد بهتري نسبت به پژوهش‌هاي مشابه در متوازن‌سازي بار و پيش‌بيني دقيق ترافيك شبكه ارائه داده است. در مجموع، يافته‌هاي اين پژوهش نشان مي‌دهد كه الگوريتم‌هاي يادگيري ماشين مي‌توانند تأثير چشمگيري در بهينه‌سازي مديريت منابع در شبكه‌هاي SDN داشته و زمينه را براي توسعه سيستم‌هاي هوشمند و كارآمدتر در مراكز داده آينده فراهم سازند.