كلية تكنولوجيا المعلومات تناقش اطروحة دكتوراه بعنوان موازنة التحميل الديناميكي الذكية لتحسين جودة الخدمة وتوزيع عبء العمل في الشبكات المعرفة بالبرمجيات للطالب مغرب عبد الرضا.


ناقشت كلية تكنولوجيا اطروحة دكتوراه بعنوان موازنة التحميل الديناميكي الذكية لتحسين جودة الخدمة وتوزيع عبء العمل في الشبكات المعرفة بالبرمجيات للطالب مغرب عبد الرضا.

حيث تضمنت الأطروحة ما يلي :

عدم قدرة الشبكات التقليدية على توزيع الموارد بكفاءة، والتكيف مع أنماط المرور المتغيرة، والتعامل مع أنظمة الإدارة اللامركزية. تقترح الأطروحة استخدام أساليب حديثة بديلة، مثل الشبكات المعرفة بالبرمجيات (SDN)، للتعامل مع القيود الموجودة في الشبكات التقليدية. يؤدي فصل مهام التحكم في الشبكة وإعادة توجيه البيانات إلى إنشاء بنية شبكة مركزية وقابلة للبرمجة.
أحد التحديات المهمة في الشبكات التقليدية هو الطريقة المستخدمة لموازنة التحميل. عادةً ما تعتمد الشبكات التقليدية على خوادم مخصصة لأداء مهام موازنة التحميل. تتعامل هذه الخوادم مع المهمة المعقدة المتمثلة في توزيع حركة مرور الشبكة عبر موارد متعددة، وهذا الأسلوب له حدود من حيث المرونة وسرعة الحركة. في المقابل، تُحدث SDN ثورة في موازنة التحميل من خلال تمكين تنسيقها وإدارتها داخل وحدة تحكم SDN. يمكن برمجته لتوزيع حركة مرور الشبكة بذكاء بناءً على الظروف والسياسات الديناميكية.
اقترحت الأطروحة نهجًا جديدًا لموازنة التحميل في شبكات SDN من خلال اقتراح خوارزمية متكاملة ثلاثية النماذج، KNN-MLQLRL، والتي تجمع بين التعلم الآلي وقائمة الانتظار متعددة المستويات وجدولة موازنة التحميل (ML-MLQLBS). ويهدف هذا التكامل إلى إنشاء نموذج ذكي لموازنة الحمل الديناميكي، وبالتالي تحسين جودة الخدمة (QoS) للشبكة وتوزيع عبء العمل.
يتكون النموذج المقترح من سبع مراحل مختلفة. تشمل المرحلة الأولية إنشاء الحزم والتقاطها وتحليلها وتجميعها لإنشاء مجموعة بيانات، ومرحلة المعالجة المسبقة هي المرحلة الثانية. ثم يتم استخدام أساليب التجميع في المرحلة الثالثة لتعيين تسميات الفئة. تستخدم المرحلة الرابعة تصنيف التعلم الآلي (MLC)، وخوارزمية K-Nearest Neighbors (KNN) ، لتصنيف الأولويات والتنبؤ بها بشكل فعال. من ناحية أخرى، تستخدم المرحلة الخامسة طريقة قائمة الانتظار متعددة المستويات (MLQ) المقترحة للحصول على الأولويات من MLC وتخزينها قبل إرسالها إلى الخوادم. تم تطبيق طريقة جدولة موازنة التحميل (LBS) المقترحة في المرحلة السادسة. تستخدم هذه الطريقة خوارزمية جديدة تسمى تحميل الموارد الأقل (LRL) لتحديد الخادم الذي يحتوي على أقل وحدة معالجة مركزية وذاكرة. وأخيراً المرحلة السابعة وهي تصميم النموذج المقترح. يتضمن هذا النموذج نتائج المراحل السابقة وموازنة التحميل الديناميكية الذكية لتوزيع العمل بين الخوادم بشكل أفضل.
لمقارنة مدى جودة عمل النموذج المقترح مع طرق موازنة التحميل الستة الأخرى بناءً على أربعة من معلمات جودة الخدمة: وقت الاستجابة، وزمن الوصول، والإنتاجية، ودرجة موازنة التحميل. النموذج المقترح (KNN-MLQLRL) تحسن بشكل كبير في جميع المعلمات. حققت معلمة وقت الاستجابة في مجموعة البيانات 1 20%، وفي مجموعة البيانات 2، حققت 15%. كانت معلمة زمن الوصول 93% في مجموعة البيانات 1، وفي مجموعة البيانات 2، كانت 77%. حققت معلمة الإنتاجية في مجموعة البيانات 1 18%، وفي مجموعة البيانات 2، كان الأداء 7%. وأخيرًا، بلغت درجة معلمة موازنة التحميل في مجموعة البيانات 1 45%، وفي مجموعة البيانات 2، كانت 38%.