A DAG (Directed Acyclic Graph)-based dlt (Distributed Ledger Technology) integrated cross-network qos-motivated traffic management framework using reinforcement learning (RL) in software defined networks (SDNs)
Yazılım tanımlı ağlar (SDN) içinde takviyeli öğrenme (RL) kullanarak yönlendirilmiş döngüsüz grafik (DAG) temelli dağıtık defter teknolojisi (DLT) entegreli hizmet kalitesi (QOS) odaklı ağlar arası trafik yönetim çerçevesi
- Tez No: 938815
- Danışmanlar: DOÇ. DR. MURAT KARAKUŞ
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Dağıtık kayıt defteri, Otonom sistemler, Takviyeli öğrenme, Trafik yönetimi, Yapay zeka, Yol atama, Distributed ledger, Autonomous systems, Reinforced learning, Traffic management, Artificial intelligence, Routing
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka ve Veri Bilimi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Modern ağlarda artan veri trafiği ve farklı Hizmet Kalitesi (QoS) gereksinimleri, adaptif trafik yönetimini zorunlu hale getirmektedir. Yazılım Tanımlı Ağlar (SDN) esneklik sağlasa da, Açık En Kısa Yol Öncelikli Yönlendirme (OSPF) ve Dijkstra algoritması gibi geleneksel yöntemler gerçek zamanlı ağ koşullarına uyum sağlayamadığından QoS optimizasyonu konusunda yetersiz kalmaktadır. Bu çalışma, Yönlendirilmiş Asiklik Grafik (DAG)-tabanlı QoS Odaklı Trafik Yönetim Çerçevesi (DQRL) adlı yeni bir modeli tanıtmaktadır. DQRL, DAG-tabanlı Dağıtık Defter Teknolojisi (DLT) ve Pekiştirmeli Öğrenme (RL) kullanarak merkeziyetsiz, verimli ve QoS uyumlu yönlendirme sağlamayı hedeflemektedir. DQRL, bant genişliği ve gecikme gibi parametrelere göre en uygun yolları seçerek yüksek verimli ve düşük gecikmeli yönlendirme sunar. Blok zinciri tabanlı sistemlerden farklı olarak, DAG blok içermeyen ve merkeziyetsiz işlem yönetimi sağlar, böylece hızlı doğrulama ve ölçeklenebilirlik avantajları sunar. RL, özellikle Q-öğrenme (Q-learning) algoritmasını kullanarak ağ koşullarından öğrenir ve en uygun yolları dinamik olarak belirler. Simülasyonlar, 5 ila 10 Otonom Sistem (AS) içeren ağlarda gerçekleştirilmiş olup, her AS 5 ila 10 düğüm içermektedir. Mininet ağ emülasyonu için, Python RL algoritmalarını çalıştırmak için ve MATLAB performans değerlendirmesi için kullanılmıştır. Çerçeve, Merkeziyetsiz Yönlendirme Yöntemi (DRM) ve Piramidal Yönlendirme Yöntemi (PRM) ile karşılaştırılmış ve performansı Akış Kurulum Süresi (FET), Mesaj Değişimi ve İşleme (MEE), Ortalama Yol Uzunluğu (APL), Ortalama Düğüm Uzunluğu (ANoL) ve Ortalama Ağ Uzunluğu (ANL) metrikleri üzerinden değerlendirilmiştir. Sonuçlar, DQRL'nin FET'i %29 oranında azalttığını ve PRM'e kıyasla %42'ye varan iyileşme sağladığını göstermektedir. Ayrıca, DQRL MEE'yi %30 azaltarak mesaj yükünü BCQRM'ye kıyasla %23 oranında düşürmektedir. Bununla birlikte, DQRL daha kısa yol seçimleri yaparak APL, ANoL ve ANL değerlerini düşürmekte, böylece daha verimli yönlendirme ve minimum kaynak tüketimi sağlamaktadır. DAG-tabanlı DLT ve RL entegrasyonu sayesinde, DQRL, geleneksel ve blok zinciri destekli yönlendirme yöntemlerinden daha üstün bir performans sunarak SDN'ler için ölçeklenebilir, yüksek hızlı ve adaptif bir çözüm sağlamaktadır. Esnek yapısı, bant genişliği yoğun ve gecikmeye duyarlı uygulamalar için ideal bir alternatif sunmaktadır.
Özet (Çeviri)
Modern networks require adaptive traffic management to handle increasing data volume and diverse Quality of Service (QoS) requirements. Software-Defined Networks (SDNs) offer flexibility; however, traditional routing algorithms such as Open Shortest Path First (OSPF) and Dijkstra's algorithm lack real-time adaptability, limiting QoS optimization. To address these limitations, this study introduces the Directed Acyclic Graph (DAG)-based QoS-Centric traffic management framework (DQRL), integrating DAG-based Distributed Ledger Technology (DLT) and Reinforcement Learning (RL) to enable efficient QoS-aware routing. DQRL dynamically selects optimal paths based on bandwidth and delay, ensuring high-throughput and low-latency routing. Unlike blockchain-based approaches, DAG enables blockless, decentralized transactions, facilitating rapid validation and improved scalability. RL, particularly Q-learning, enables adaptive path selection by learning from network conditions. Simulations were conducted in networks with 5 to 10 Autonomous Systems (ASes), each containing 5 to 10 nodes, using Mininet for network emulation, Python for RL implementation, and MATLAB for performance evaluation. The framework was evaluated against Decentralized Routing Method (DRM) and Pyramidal Routing Method (PRM) using five key Key Performance Indicators (KPIs): Flow Establishment Time (FET), Messages Exchanged and Executed (MEE), Average Pathlet Length (APL), Average Node Length (ANoL), and Average Network Length (ANL). Results demonstrate that DQRL reduces FET by 29%, achieving up to 42% improvement over PRM. Additionally, DQRL decreases MEE by 30%, reducing message overhead by 23% compared to Blockchain-based QoS Routing Method (BCQRM). Furthermore, DQRL achieves shorter path selection with lower APL, ANoL, and ANL, ensuring efficient routing with minimal resource consumption. By integrating DAG-based DLT and RL, DQRL surpasses both traditional and blockchain-enhanced routing methods, offering a scalable, high-speed solution for SDNs. Its adaptability makes it ideal for bandwidth-intensive and delay-sensitive applications.
Benzer Tezler
- Yazılım tanımlı çoklu ağlarda yönlendirilmiş döngüsüz graf modelli dijital cüzdan teknolojileri ile servis kalitesi destekli yönlendirme mimarisi
Quality of service assisted routing architecture with digital wallet technologies using a loop-free graph model routed in software-defined multi-domain networks
CEREN BUSE YILDIRIM
Yüksek Lisans
Türkçe
2023
Bilim ve TeknolojiBartın ÜniversitesiAkıllı Sistemler Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EVRİM GÜLER
DR. ÖĞR. ÜYESİ MURAT KARAKUŞ
- Novel swarm intelligence algorithms for structure learning of bayesian networks and a comparative evalnation
Bayes ağ yapılarının öğrenilmesi için yeni sürü zekası algoritmaları ve karşılaştırılmalı bir değerlendirme
SHAHAB WAHHAB KAREEM
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYaşar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET CUDİ OKUR
- Data discretization and Bayesian network modeling: A case study in R
Veriyi kesikli hale getirme ve Bayes ağ modellemesi: R'de bir vaka çalışması
GÜNAL BİLEK
Doktora
İngilizce
2018
BiyoistatistikYıldız Teknik Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. FİLİZ KARAMAN
- Trijenerasyon sistemlerinin modellenmesine yönelik yeni bir yaklaşım: Bir üniversite uygulaması
A new approach for the modelling of trigeneration system: A university applications
KEZBAN BULUT
Doktora
Türkçe
2016
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLGÜN KAYAKUTLU
- Bayesçi ağlarda zamansal değişkenlerin kullanımı
Using time dependent variables in Bayesian networks
ASLI YAMAN
Doktora
Türkçe
2022
İstatistikOndokuz Mayıs Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. MEHMET ALİ CENGİZ