소프트웨어 정의 네트워킹(SDN)은 동적 트래픽 제어 및 중앙 집중식 제어를 제공하는 현대 네트워킹에서 파괴적인 기술로 인정받고 있습니다. 그러나 높은 수요와 동적 환경에서 네트워크 트래픽을 비용 효율적으로 관리하는 것은 여전히 도전 과제입니다. 이러한 한계를 해결하기 위해, 본 논문은 확장성, 수렴 속도 및 에너지 효율성 간의 균형을 맞추기 위한 하이브리드 퍼지-강화 학습 트래픽 관리 모델을 제안합니다. 제안된 방식은 초기 신속한 의사 결정을 위한 퍼지 로직과 온라인 최적화를 위한 강화 학습을 활용하여 네트워크 동적에 즉시 적응할 수 있도록 합니다. 이 접근법은 지연 시간, 처리량, 패킷 손실률, 대역폭 사용률 및 에너지 소비와 같은 성능 지표를 기반으로 하며, 다양한 트래픽 조건 하에서 모델에 적용됩니다. DFRDRL 및 AVRO와 같은 기존 모델과의 비교는 새로운 접근법의 효과성과 효율성을 더욱 입증합니다. 성능 결과는 우리의 접근 방식이 종단 간 지연 시간을 최대 33% 단축하고, 30%의 에너지 절약을 달성하며, 기존 방법보다 더 나은 처리량을 보여준다는 것을 나타냅니다. 네트워크 규모와 트래픽 부하가 증가함에 따라 모델은 우수한 성능을 유지하였으며, 이는 확장성과 안정성을 입증합니다. 또한, 신속한 수렴 속도(적응형 학습 및 모니터링)는 네트워크의 동적 안정성을 가능하게 합니다. 더욱이, 결과는 제안된 모델이 최근 네트워크 시스템의 기술적 및 지속 가능성 문제에 대한 실용적이고 혁신적인 SDN 트래픽 관리 솔루션으로서의 효과성과 실행 가능성을 확증합니다.
Hadi et al. (수요일), 이 문제를 연구했습니다.