An SDN-based traffic load prediction using machine learning

Résumé

Cette thèse est une tentative expérimentale de prédiction de la charge du réseau à l’aide de techniques d’apprentissage automatique dans un environnement SDN (Software Defined Networking). Comparaison du contrôle de la congestion : SDN et réseaux traditionnels Une disparité fondamentale entre le Software-Defined Networking (SDN) et les réseaux traditionnels réside dans leurs approches du contrôle de la congestion. Les réseaux traditionnels adoptent souvent des stratégies de routage fixes, ce qui peut entraîner une utilisation sous-optimale des ressources pendant la congestion. En revanche, la séparation des plans de contrôle et de données du SDN permet une prédiction de congestion en temps réel et un reroutage intelligent. Cette adaptation dynamique optimise l’allocation des ressources, garantissant un service ininterrompu lors des pics de trafic. La divergence marquée dans l’adaptabilité devient évidente lors de l’évaluation de la façon dont chacun réagit aux événements de congestion. Les réseaux traditionnels sont aux prises avec des réponses lentes en raison de leur dépendance à des routes prédéterminées. En revanche, la gestion de la congestion basée sur l’apprentissage automatique du SDN, telle que présentée dans cette recherche, atténue rapidement la congestion en redirigeant dynamiquement le trafic, améliorant ainsi les performances du réseau sous la contrainte. Le réseau défini par logiciel (SDN) a révolutionné les environnements de réseau informatique en séparant les plans de contrôle et de données, permettant un contrôle centralisé via des contrôleurs définis par logiciel. Le SDN offre de nombreux avantages, notamment une meilleure configurabilité du réseau, une gestion simplifiée et une flexibilité dans l’allocation des ressources en fonction des demandes en temps réel. Cependant, des défis spécifiques, tels que la sécurité, la fiabilité et la congestion, affectent l’efficience et l’efficacité des systèmes SDN. La congestion, en particulier, a un impact significatif sur la qualité des services SDN. Bien qu’il existe des programmes d’évitement de la congestion, des améliorations sont possibles pour fournir un service de haute qualité. Cette recherche propose un modèle d’évitement de congestion qui combine les réseaux de neurones profonds et l’algorithme Mijumbi (Mijumbi et al., 2014) pour résoudre le problème de congestion dans les SDN. Le modèle proposé utilise un algorithme de réseau neuronal profond pour prédire la congestion sur la base d’une analyse approfondie de la communication de données au sein du réseau. Le modèle atténue efficacement la congestion et assure une transmission fluide en redirigeant intelligemment les données via des itinéraires alternatifs. L’étape suivante du modèle utilise l’algorithme Mijumbi pour détourner les flux de congestion prévus des routes congestionnées, permettant ainsi une communication sans congestion. L’intégration du modèle proposé dans les SDN se traduit par une prédiction précise de la congestion et une gestion efficace de la congestion. Le modèle détecte et redirige intelligemment la communication de données via des itinéraires alternatifs, en utilisant les ressources disponibles et en améliorant la qualité de service du réseau. Un ensemble de données en ligne, en particulier l’ensemble de données DDOS, évalue les performances du modèle proposé, en tenant compte de paramètres tels que les noeuds expéditeurs, les noeuds récepteurs, la taille des paquets, le temps de transmission et le protocole. Le modèle proposé est simulé dans Python Jupyter Notebook, et les résultats sont comparés à un modèle de référence (QRTP) pour évaluer les performances. Le modèle proposé améliore considérablement la qualité de service et certaines métriques ; y compris les taux de perte de paquets, le débit, les effets de reconfiguration et l’utilisation des liaisons. Il fait également preuve de robustesse dans les situations de réseau dynamique, en maintenant son efficacité malgré la congestion, les changements de topologie du réseau et les altérations des routes de communication de données. En conclusion, cette recherche présente un nouveau modèle d’évitement de congestion pour les SDN qui intègre des techniques d’apprentissage automatique et d’apprentissage en profondeur. Le modèle proposé résout de manière proactive les problèmes de congestion, optimise les solutions et améliore l’expérience utilisateur et les performances du réseau. Les résultats contribuent au développement d’un réseau de communication plus fiable et évolutif, offrant une solution complète aux problèmes de congestion du réseau dans les SDN.

Date	29 sept. 2023
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Michel Kadoch (Directeur(-trice))