الكلمات المفتاحية
كيفية الاقتباس
الملخص
أثبتت الشبكات المحددة بالبرمجيات (SDN) تفوقها في معالجة مشاكل الشبكة العادية مثل قابلية التوسع وخفة الحركة والأمن. تأتي هذه الميزة من SDN بسبب فصل مستوى التحكم عن مستوى البيانات. على الرغم من وجود العديد من الأوراق والدراسات التي تركز على إدارة SDN، والرصد، والتحكم، وتحسين QoS، إلا أن القليل منها يركز على تقديم ما يستخدمونه لتوليد حركة المرور وقياس أداء الشبكة. كما أن المؤلفات تفتقر إلى مقارنات بين الأدوات والأساليب المستخدمة في هذا السياق. تقدم هذه الورقة كيفية محاكاة إحصاءات المرور وتوليدها والحصول عليها من بيئة SDN. وبالإضافة إلى ذلك، تعالج المقارنة بين الأساليب المستخدمة في جمع بيانات شبكة المعرفة برمجياً لاستكشاف قدرة كل طريقة، وبالتالي تحديد البيئة المناسبة لكل طريقة. تمت محاكاة اختبار SDN باستخدام برنامج Mininet مع طوبولوجيا الأشجار ومفاتيح OpenFlow. تم توصيل وحدة تحكم RYU بإرسال التحكم. تُستخدم الأدوات الشهيرة iperf3 و ping و python scripts لجمع مجموعات بيانات الشبكة من عدة أجهزة في الشبكة. تم استخدام Wireshark وتطبيقات RYU وأمر ovs-ofctl لمراقبة مجموعة البيانات المجمعة. تظهر النتائج نجاحًا في إنشاء عدة أنواع من مقاييس الشبكة لاستخدامها في المستقبل لتدريب الآلة أو خوارزميات التعلم العميق. وخلصت إلى أنه عند توليد البيانات لغرض التحكم في الازدحام، فإن iperf3 هو أفضل أداة، في حين أن ping مفيد عند توليد البيانات لغرض الكشف عن هجمات DDoS. تعد تطبيقات RYU أكثر ملاءمة للاستفسار عن جميع تفاصيل طوبولوجيا الشبكة نظرًا لقدرتها على عرض الطوبولوجيا وخصائص التبديل وإحصائيات التبديل. كما تم استكشاف العديد من العقبات والأخطاء وإدراجها ليتم منعها عندما يحاول الباحثون إنشاء مجموعات البيانات هذه في جهودهم العلمية التالية.
المراجع
[1] A. Sha, S. Madhan, S. Neemkar, V. B. C. Varma and L. S. Nair, “Machine Learning Integrated Software Defined Networking Architecture for Congestion Control,” In: 2023 Inter-national Conference on Distributed Computing and Electrical Circuits and Electronics (ICDCECE), Ballar, India, pp. 1-5, 2023, doi: 10.1109/ICDCECE57866.2023.10151339.
[2] A. T. Albu-Salih, S. A. H. Seno, and S. J. Mohammed, “Dynamic Routing Method over Hybrid SDN for Flying Ad Hoc Networks,” Baghdad Sci.J, vol. 15, no. 3, 0361, Sep. 2018.
[3] T. E. Ali, A.H. Morad, and M. A. Abdala, “SDN Implementation in Data Center Network,” Journal of Communications, vol. 14, no. 3, 223–228, March 2019.
[4] T. Y. Mu, “Toward Self-Reconfigurable Parametric Systems: Reinforcement Learning Approach,” Doctoral thesis, Western Michigan University, Dec. 2019.
[5] N. S. Soud and N. A. S. Al-Jamali, “Intelligent Congestion Control of 5G Traffic in SDN using Dual-Spike Neural Network,” Jcoeng, vol. 29, no. 1, pp. 110–127, Jan. 2023.
[6] H. Jiang, Q. Li, Y. Jiang, G. Shen, R. Sinnott, C. Tian, and M. Xu, “When machine learning meets congestion control: A survey and comparison,” Computer Networks, vol. 192, 2021, 108033, ISSN 1389-1286.
[7] J. Zhao, M. Tong, H. Qu, and J. Zhao, “An Intelligent Congestion Control Method in Soft-ware Defined Networks,” 2019 IEEE 11th International Conference on Communication Software and Networks (ICCSN), pp. 51-56, Chongqing, China, 2019, doi: 10.1109/ICCSN.2019.8905364.
[8] J. Wu, Y. Peng, M. Song, M. Cui and L. Zhang, “Link Congestion Prediction using Machine Learning for Software-Defined-Network Data Plane,” 2019 International Conference on Computer, Information and Telecommunication Systems (CITS), pp. 1-5, Beijing, China, 2019, doi: 10.1109/CITS.2019.8862098.
[9] R. C. Meena, M. Bundele , and M. Nawal, “SDN-CIFE: SDN-Controller with Instant Flow Entries to Improve First Packet Processing Period,” Test Engineering and Management, vol. 83, pp. 911-919, March-April 2020, Available at SSRN: https://ssrn.com/abstract=3569521.
[10] T. E. Ali, A.H. Morad, and M. A. Abdala, “Traffic management inside software-defined data centre networking,” Bulletin of Electrical Engineering and Informatics, vol. 9, no. 5, pp. 2045-2054, October 2020.
[11] K. B. Nougnanke, “Towards ML-based Management of Software-Defined Networks,” Doctoral dissertation, Université Paul Sabatier-Toulouse III, 2021.
[12] G. Diel, C. C. Miers, M. A. Pillon and G. P. Koslovski, "Data classification and reinforcement learning to avoid congestion on SDN-based data centers," GLOBECOM 2022 - 2022 IEEE Global Communications Conference, Rio de Janeiro, Brazil, pp. 2861-2866, 2022, doi: 10.1109/GLOBECOM48099.2022.10000708.
[13] M.A. Mohsin, and A.H. Hamad, “Performance evaluation of SDN DDoS attack detection and mitigation based random forest and K-nearest neighbors machine learning algorithms,” Revue d'Intelligence Artificielle, vol. 36, no. 2, pp. 233-240, 2022, https://doi.org/10.18280/ria.360207
[14] I. M. Ali and M. I. Salman, “SDN-assisted Service Placement for the IoT-based Systems in Multiple Edge Servers Environment,” Iraqi Journal of Science, vol. 61, no. 6, pp. 1525–1540, Jun. 2020.
[15] A. Sharma, V. Balasubramanian, and J. Kamruzzaman, “A Novel Dynamic Software-Defined Networking Approach to Neutralize Traffic Burst,” Computers, vol. 12, no. 7, p. 131, Jun. 2023, doi: 10.3390/computers12070131.
[16] A. R. Mohammed, S. A. Mohammed and S. Shirmohammadi, "Machine Learning and Deep Learning Based Traffic Classification and Prediction in Software Defined Networking,” 2019 IEEE International Symposium on Measurements & Networking (M&N), pp. 1-6, Catania, Italy, 2019, doi: 10.1109/IWMN.2019.8805044.
[17] T. E. Ali, Y.-W. Chong, and S. Manickam, “Comparison of ML/DL Approaches for Detect-ing DDoS Attacks in SDN,” Applied Sciences, vol. 13, no. 5, pp. 3033, Feb. 2023, doi: 10.3390/app13053033.
[18] O. F. Hussain, B. R. Al-Kaseem, and O. Z. Akif, “Smart Flow Steering Agent for End-to-End Delay Improvement in Software-Defined Networks,” Baghdad Sci.J, vol. 18, no. 1, pp. 0163, Mar. 2021, https://doi.org/10.21123/bsj.2021.18.1.0163.
[19] M. I. Salman et al, “A Software Defined Network of Video Surveillance System Based on Enhanced Routing Algorithms,” Baghdad Sci.J, vol. 17, no. 1(Suppl.), pp. 0391, Mar. 2020.
[20] M. H. Khairi, S. H. Ariffin, N. M. Latiff, and K. M. Yusof “Generation and collection of data for normal and conflicting flows in software defined network flow table,” Indonesian J. Electr. Eng. Comput. Sci, vol. 22, no. 1, pp. 30., 2021.
[21] http://mininet.org/
[22] https://iperf.fr/iperf-doc.php
[23] https://ryu.readthedocs.io/en/latest/ofproto_v1_3_ref.html
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
الحقوق الفكرية (c) 2025 مجلة الخوارزمي الهندسية