یک روش چند عاملی جدید مبتنی بر یادگیری تقویتی برای شکلدهی ترافیک و تخصیص حافظه بافر در روترها
محورهای موضوعی : فناوری اطلاعات و ارتباطات
1 -
کلید واژه: شبکه کامپیوتری, سیستم چند عاملی, حافظه بافر, روتر, شکلدهی ترافیک,
چکیده مقاله :
چکیده دراین مقاله با توجه به ساختار توزیع شده شبکههای کامپیوتری و رفتار تصادفی موجود در آنها و از طرف دیگر محدودیتهای زمانی که در الگوریتمهای کنترلی برای اینگونه سیستمها وجود دارد، از مفاهیم سیستمهای چند عاملی و تکنیکهای یادگیری تقویتی برای شکل دهی ترافیک در روترها و تخصیص دینامیک حافظه بافر بین پورت های مختلف یک روتر استفاده شده است. در واقع با استفاده از این مفاهیم شکل دهنده ترافیک جدیدی بر مبنای یک الگوریتم سطل نشانهدار توسعه داده شده است که در آن به جای آنکه نرخ تولید نشانهها به طور استاتیک تخصیص داده شود به طور دینامیک و هوشمند و بر مبنای وضعیت شبکه مشخص میشود. این پیادهسازی علاوه بر آنکه به استفاده بهینه و منطقی از پهنای باند منجر میشود باعث میگردد ترافیک در دیگر نقاط شبکه نیز کاهش یابد. همچنین از این مفاهیم استفاده میشود تا یک روش جدید برای تخصیص هوشمند و دینامیک حافظه بافر برای پورتهای یک روتر توسعه داده شود. این پیادهسازی نیز باعث میگردد تا نرخ افت بستهها در کل شبکه به ویژه در شرایطی که بار شبکه افزایش مییابد کاهش داده شود. نتایج شبیهسازیهای انجام شده کار آمدی روش پیشنهادی را نشان میدهد.
Normal 0 false false false EN-US X-NONE AR-SA MicrosoftInternetExplorer4 /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Table Normal" mso-tstyle-rowband-size:0 mso-tstyle-colband-size:0 mso-style-noshow:yes mso-style-priority:99 mso-style-qformat:yes mso-style-parent:"" mso-padding-alt:0cm 5.4pt 0cm 5.4pt mso-para-margin:0cm mso-para-margin-bottom:.0001pt mso-pagination:widow-orphan font-size:11.0pt font-family:"Calibri","sans-serif" mso-ascii-font-family:Calibri mso-ascii-theme-font:minor-latin mso-fareast-font-family:"Times New Roman" mso-fareast-theme-font:minor-fareast mso-hansi-font-family:Calibri mso-hansi-theme-font:minor-latin mso-bidi-font-family:Arial mso-bidi-theme-font:minor-bidi} Abstract In this paper, realizing the distributed structure of computer networks, the random behaviors in such networks, and the time limitations for control algorithms, the concepts of reinforcement learning and multi-agent systems are invoked for traffic shaping and buffer allocation between various ports of a router. In fact, a new traffic shaper based on token bucket has been developed. In this traffic shaper, instead of a static token production rate, a dynamic and intelligent rate based on the network condition is specified. This results in a reasonable utilization of bandwidth while preventing traffic overload in other part of the network. Besides, based on the stated techniques a new method for dynamic buffer allocation in the ports of a router is developed. This leads to a reduction in the total number of packet dropping in the whole network. Simulation results show the effectiveness of the proposed techniques.