فایل ورد کامل طراحی و ارزیابی الگوریتم های یادگیری برای مدیریت دینامیک منابع در شبکه های مجازی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل طراحی و ارزیابی الگوریتم های یادگیری برای مدیریت دینامیک منابع در شبکه های مجازی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۴۰ صفحه

مجازی سازی شبکه بعنوان راه حلی برای قالب بندی-تقویت ساختار اینترنت، توجه زیادی را بخود جلب نموده است. اگرچه، بخشی از موفقیت مجازی سازی شبکه بستگی به این خواهد داشت که تا چه اندازه شبکه های مجازی از منابع فرعی شبکه بطرز موثری استفاده می کنند. در این مقاله، رویکرد مبتنی بر یادگیری ماشین برای مدیریت منابع شبکه مجازی پیشنهاد می شود. ما پیشنهاد می کنیم تا شبکه فرعی بصورت سیستم غیرمتمرکز مدل سازی شود و الگوریتم یادگیری را در هر گره فرعی و لینک فرعی معرفی می کنیم، که سبب ایجاد توانایی های خودسازماندهی می شود. همچنین الگوریتم یادگیری چندعاملی را پیشنهاد می کنیم که مدیریت منابع شبکه فرعی را به روش هماهنگ و غیرمتمرکز انجام می دهد. وظیفه این عامل ها (نماینده ها) استفاده از فیدبک تخمینی برای یادگیری ترفندی بهینه است تا بصورت دینامیک منابع شبکه را به گره ها و لینک های مجازی اختصاص دهند. عامل ها اطمینان می دهند که درحین اینکه شبکه های مجازی دارای منابعی هستند که در زمان های معین به ان ها نیاز دارند، تنها منابع مورد نیاز برای این منظور ذخیره می شوند. نتایج شبیه سازی ها نشان می دهند که روش دینامیکی ما، بطور قابل توجهی نرخ پذیرش شبکه مجازی و حداکثر تعداد درخواست های مورد قبول شبکه مجازی را در هر زمان بهبود می دهد حال انکه اطمینان می-دهد کیفیت نیازهای خدماتی شبکه مجازی مانند نرخ رهاسازی بسته و تاخیر لینک مجازی تحت تاثیر قرار نمی گیرند.

کلمات کلیدی: مجازی سازی شبکه | تخصیص دینامیک منابع | تعبیه شبکه مجازی | هوش مصنوعی | یادگیری ماشین | یادگیری تقویت | سیستم های چند عاملی

عنوان انگلیسی:

Design and Evaluation of Learning Algorithms for Dynamic Resource Management in Virtual Networks

~~en~~ writers :

Rashid Mijumbi, Juan-Luis Gorricho, Joan Serrat, Maxim Claeysy, Filip De Turcky and Steven Latre

Network virtualisation is considerably gaining attention as a solution to ossification of the Internet. However, the
success of network virtualisation will depend in part on how efficiently the virtual networks utilise substrate network resources.
In this paper, we propose a machine learning-based approach
to virtual network resource management. We propose to model
the substrate network as a decentralised system and introduce
a learning algorithm in each substrate node and substrate link,
providing self-organization capabilities. We propose a multiagent
learning algorithm that carries out the substrate network resource
management in a coordinated and decentralised way. The task
of these agents is to use evaluative feedback to learn an optimal
policy so as to dynamically allocate network resources to virtual
nodes and links. The agents ensure that while the virtual networks
have the resources they need at any given time, only the required
resources are reserved for this purpose. Simulations show that
our dynamic approach significantly improves the virtual network
acceptance ratio and the maximum number of accepted virtual
network requests at any time while ensuring that virtual network
quality of service requirements such as packet drop rate and
virtual link delay are not affected.

Keywords: Network virtualization | Dynamic Resource Allocation | Virtual Network Embedding | Artificial Intelligence | Machine
Learning | Reinforcement Learning | Multiagent Systems

$$en!!