Your browser does not support JavaScript!

Αρχική    Farcast : improving forecasting via SDN  

Αποτελέσματα - Λεπτομέρειες

Προσθήκη στο καλάθι
[Προσθήκη στο καλάθι]
Κωδικός Πόρου 000413378
Τίτλος Farcast : improving forecasting via SDN
Άλλος τίτλος Farcast: Βελτίωση του Forecasting μέσω των SDN
Συγγραφέας Μπαμιεδάκης – Πανανός, Μιχαήλ Ν.
Σύμβουλος διατριβής Δημητρόπουλος, Ξενοφώντας
Μέλος κριτικής επιτροπής Παπαδοπούλη, Μαρία
Μούχταρης, Αθανάσιος
Περίληψη Το Forecasting στα δίκτυα υπολογιστών είναι η διαδικασία πρόβλεψης μελλοντικών αιτημάτων κυκλοφορίας με βάση τα υπάρχοντα και τα παρελθόντα δεδομένα και την ανάλυση των τάσεων. Η πάροχοι δικτύου χρησιμοποιούν το Forecasting ώστε να εξετάσουν εάν η κίνηση διοχετεύεται αποτελεσματικά, χρησιμοποιούν τις προβλέψεις για την κατανομή εύρους ζώνης και τον έλεγχο συμφόρησης. Για τέτοιου είδους εφαρμογές, η ακρίβεια των προβλέψεων για την μελλοντικό φόρτο κίνησης, έχει μεγάλη σημασία για τους παρόχους δικτύου. Στη παρούσα διπλωματική, προτείνουμε μια προσέγγιση, την οποία ονομάζουμε Farcast, για τη βελτίωση της ακρίβειας της πρόβλεψης της κίνησης του δικτύου χρησιμοποιώντας τις αρχές των Δικτύων Καθοριζόμενων από Λογισμικό (SDN). Στο Farcast, οι προβλέψεις που έγιναν από τους μεταγωγείς δικτύου αποστέλλονται σε έναν ελεγκτή SDN. Ο ελεγκτής SDN έχει μια συνολική εικόνα του δικτύου και είναι σε θέση να παρακολουθεί τη κατάσταση του δικτύου σε ορισμένα χρονικά πλαίσια που ονομάζονται διαστήματα ενημέρωσης. Σε αυτά τα διαστήματα, ο ελεγκτής SDN λαμβάνει μηνύματα από τους μεταγωγείς δικτύου, σχετικά με τις τρέχουσες ροές κυκλοφορίας που διέρχονται από το δίκτυο. ́Επειτα, ο ελεγκτής SDN αξιολογεί εάν οι προβλέψεις των μεταγωγέων πρόκειται να είναι ακριβείς ή όχι, βασιζόμενος στις τωρινές ανάγκες της κίνησης. Αν υπάρχουν ανακριβείς προβλέψεις που αναμένονται, εξασφαλίζει ότι το σφάλμα πρόβλεψης για κάθε μεταγωγέα μειώνεται, αναδρομολογώντας, όταν αυτό είναι δυνατόν, τις υπάρχουσες ροές στο δίκτυο ανάλογα. Το Farcast υλοποιήθηκε σε ένα περιβάλλον προσομοίωσης SDN. Τα πειράματα προσομειώνουν απότομες μεταβολές της κίνησης, οι οποίες είναι δύσκολο να προβλεφθούν με τις παραδοσιακές μεθόδους πρόβλεψης. Συγκρίνουμε την απόδοση της μεθόδου πρόβλεψης Αυτοπαλίδρομου Ολοκληρωμένου Μοντέλου Κινητού Μέσου ARIMA με το Farcast. Τα αποτελέσματα δείχνουν ότι το Μέσο Απόλυτο Ποσοστιαίο Σφάλμα (MAPE) μπορεί να υποστεί μείωση μιας τάξης μεγέθους όταν ο στόχος είναι να ικανοποιηθούν οι προβλέψεις μιας σύνδεσης εντός του δικτύου. Επιπλέον, όταν παρακολουθείται ο φόρτος πολλαπλών συνδέσεων ταυτόχρονα, υπάρχει βελτίωση στο MAPE, έως 50%. Η μέθοδος μας μπορεί να υλοποιηθεί ανεξαρτήτως του αλγορίθμου μηχανικής μάθησης που χρησιμοποιείται για την εξαγωγή προβλέψεων. Για παράδειγμα, μια τέτοια προσέγγιση θα ήταν χρήσιμη στο παθητικό οπτικό δίκτυο χωρητικότητας 10 Gigabit (XG-PON). Το PON αποτελείται από οπτικές δικτυακές μονάδες (ONUs) και μια γραμμή οπτικού τερματισμού (OLT). Τα ONUs προβλέπουν το μελλοντικό φόρτο της κίνησης και στέλνουν αιτήματα εύρους ζώνης στην OLT, τα οποία βασίζονται στις προβλέψεις τους. Η OLT κατανέμει δυναμικά το εύρος ζώνης βασιζόμενο στα αιτήματα των ONUs. Σε τέτοια σενάρια, η αξιοπιστία των προβλέψεων είναι μείζονος σημασίας, καθώς λάθος προβλέψεις μπορεί να οδηγήσουν σε υπολειτουργία των πόρων του συστήματος ή σε κυκλοφοριακή συμφόρηση.
Φυσική περιγραφή iv, 56 φύλλα : σχεδ., πιν., εικ. ; 30 εκ.
Γλώσσα Αγγλικά
Θέμα ARIMA
Computer networks
OMNET
Ημερομηνία έκδοσης 2017-11-24
Συλλογή   Σχολή/Τμήμα--Σχολή Θετικών και Τεχνολογικών Επιστημών--Τμήμα Επιστήμης Υπολογιστών--Μεταπτυχιακές εργασίες ειδίκευσης
  Τύπος Εργασίας--Μεταπτυχιακές εργασίες ειδίκευσης
Εμφανίσεις 77

Ψηφιακά τεκμήρια
No preview available

Προβολή Εγγράφου
Εμφανίσεις : 4