Ευφυής ενσωμάτωση εικονικών δικτύων (virtual network embedding) με τη χρήση γενετικών αλγορίθμων

Intelligent virtual network embedding using genetic algorithms (Αγγλική)

  1. MSc thesis
  2. Ρόδης, Παντελεήμων
  3. Συστήματα Κινητού και Διάχυτου Υπολογισμού (ΣΔΥ)
  4. 26 Σεπτεμβρίου 2020 [2020-09-26]
  5. Ελληνικά
  6. 67
  7. Παπαδημητρίου, Παναγιώτης
  8. Παπαδημητρίου, Παναγιώτης | Χατζημίσιος, Περικλής
  9. εικονικοποίηση δικτύου | τεχνητή νοημοσύνη | γενετικοί αλγόριθμοι | network virtualization | artificial intelligence | genetic algorithms
  10. 81
  11. Περιέχει : πίνακες, σχήματα, διαγράμματα
    • Η σύγχρονη τάση στην ανάπτυξη δικτύων είναι η εικονικοποίηση των συστατικών μερών τους. Στα υπό ανάπτυξη δίκτυα 5G η εικονικοποίηση συσκευών και δικτύων είναι μία τεχνική που προσφέρει ευελιξία κατά την ανάπτυξη αλλά και στις μελλοντικές αναβαθμίσεις. Επίσης δίνει την δυνατότητα βελτιστοποίησης και μεταβολής της τοπολογίας των δικτύων όταν κριθεί απαραίτητο. Η εικονικοποίηση χρησιμοποιείται και σαν ένας ευέλικτος και αποδοτικός τρόπος υλοποίησης δικτύων και υπηρεσιών σε υποδομές νεφών. Σε αυτές τις περιπτώσεις το εικονικοποιημένο δίκτυο εκμεταλλεύεται τους πόρους της υποδομής αναπτύσσοντας την δική του τοπολογία μέσω της οποίας θα εγκαταστήσει τις λειτουργίες του. Σαν ενσωμάτωση ενός εικονικού δικτύου σε ένα φυσικό δίκτυο ορίζεται η εικονικοποίηση της τοπολογίας και των λειτουργιών του δικτύου, αντιστοιχώντας τους εικονικούς πόρους με τους αντίστοιχους φυσικούς. Η αντιστοίχηση αυτή πρέπει να προσφέρει την βέλτιστη απόδοση για το φυσικό δίκτυο εκμεταλλευόμενη τους πόρους του με τον ιδανικότερο τρόπο. Το πρόβλημα της ενσωμάτωσης εικονικών δικτύων είναι NP-hard. Σε πραγματικές συνθήκες ο υπολογισμός του είναι απαιτητικός και δεν μπορεί να προσφέρει λύσεις σε πραγματικό χρόνο με παραδοσιακές αναλυτικές μεθόδους υπολογισμού. Για την αντιμετώπιση του προβλήματος οι ερευνητές στρέφονται σε μεθόδους και τεχνικές τεχνητής νοημοσύνης. Στην εργασία μελετήθηκε το πρόβλημα και για την αποδοτική επίλυσή του αναπτύχθηκε μία μέθοδος τεχνητής νοημοσύνης βασισμένη σε γενετικό αλγόριθμο. Το αποτέλεσμα είναι η υλοποίηση μίας μεθόδου που επιλύει αποδοτικά το πρόβλημα προσφέροντας μία ικανοποιητική λύση για την αντιστοίχηση των πόρων του φυσικού δικτύου με τους πόρους του εικονικού δικτύου. Για την εκτίμηση της αποδοτικότητας της μεθόδου έγινε μελέτη της υπολογιστικής πολυπλοκότητας του γενετικού αλγορίθμου.
    • The modern trend in network development is the virtualization of the network resources. In developing 5G networks the technique of device and network virtualization provides flexibility during the stage of development and on future upgrades. It also enables the optimization and modification of the network topology when necessary. Virtualization is also used as a flexible and efficient technique for the development of networks and services in cloud infrastructures. In these cases the virtualized network exploits the resources of the infrastructure and develops its own topology through which it will deploy its functions. The embedding of a virtual network into a physical network is defined as the virtualization of the network topology and functions that is achieved by mapping the virtual resources to physical resources. This mapping must provide optimum performance for the physical network by exploiting its resources in the most ideal way. The virtual network embedding problem is NP-hard. In real terms, its computation is demanding and cannot provide real-time solutions with traditional analytical methods. To address the problem, researchers are turning to artificial intelligence methods and techniques. In this thesis, the problem of virtual network embedding is studied and for its efficient solution an artificial intelligence method based on genetic algorithm is developed. The result is the implementation of a method that efficiently solves the problem by providing satisfactory solutions for the mapping of physical network resources with the virtual network resources. In order to estimate the efficiency of the method, the computational complexity of the genetic algorithm was studied.
  13. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.