Εμφάνιση απλής εγγραφής

dc.contributor.advisorΔεμέστιχας, Παναγιώτης
dc.contributor.authorΠετροπούλου, Θεώνη
dc.date.accessioned2017-02-07T09:05:34Z
dc.date.available2017-02-07T09:05:34Z
dc.date.issued2016-11
dc.identifier.urihttps://dione.lib.unipi.gr/xmlui/handle/unipi/9412
dc.description.abstractΗ παρούσα διπλωματική εργασία αποτελεί μία πειραματική απόπειρα εφαρμογής τεχνικών μηχανικής μάθησης για την πρόβλεψη του φόρτου ενός δικτύου στο πλαίσιο ενός περιβάλλοντος SDN (Software-Defined Networking). Αξιοποιώντας ένα Autonomic Network Management Framework, το οποίο υλοποιήθηκε από το Πανεπιστήμιο Πειραιώς, καθώς και πραγματικές δικτυακές υποδομές με OpenFlow switches, αναπτύχθηκε με την χρήση της γλώσσας προγραμματισμού Java ένα αυτόνομο στοιχείο λογισμικού, το οποίο πραγματοποιεί προβλέψεις της μελλοντικής κίνησης μεταξύ πέντε κόμβων ενός δικτύου υλοποιώντας τον αλγόριθμο Backpropagation. Το στοιχείο λογισμικού αυτό προσαρμόστηκε στο ανωτέρω Framework και εκτελέστηκε ως εφαρμογή SDN. Ο στόχος των σχετικών πειραμάτων, που εκτελέστηκαν, ήταν διπλός, και αφορούσε αφενός την αξιολόγηση της αποτελεσματικότητας ενός τυπικού αλγορίθμου μηχανικής μάθησης ως προς την έγκυρη πρόβλεψη του μελλοντικού δικτυακού φόρτου σε πραγματικές συνθήκες βάσει συγκεκριμένων μοντέλων δικτυακής κίνησης και αφετέρου την διερεύνηση της δυνατότητας της ταυτόχρονης εκτέλεσης και συνεργασίας περισσότερων από μίας εφαρμογών SDN με σκοπό την αυτόνομη λήψη αποφάσεων από το δίκτυο σχετικά με την δρομολόγηση της κίνησης βάσει μελλοντικών προβλέψεων χωρίς ανθρώπινη παρέμβαση.el
dc.format.extent79el
dc.language.isoenel
dc.publisherΠανεπιστήμιο Πειραιώςel
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.titleTraffic load prediction in SDN/Open Flow Networksel
dc.typeMaster Thesisel
dc.contributor.departmentΣχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτωνel
dc.description.abstractENThis thesis is an experimental attempt at applying machine learning techniques to predict the load of a network within an SDN (Software Defined Networking) environment. Utilizing an Autonomic Network Management Framework, which was implemented by the University of Piraeus, as well as actual network infrastructure with OpenFlow switches, an autonomous software component was developed using the Java programming language, which makes predictions of future traffic between five nodes on a network by implementing the Backpropagation algorithm. The software component is deployed and tested in the above Framework as an SDN application. The main objective of the conducted experiments was both to assess the efficiency of a well-known machine learning algorithm regarding prediction of future network traffic in real conditions based on specific network traffic patterns, as well as to investigate the possibility of simultaneous execution and cooperation of more than one SDN applications in order to facilitate the autonomic decision-making of traffic routing based on future predictions without any human intervention.el
dc.contributor.masterΨηφιακά Συστήματα και Υπηρεσίεςel
dc.subject.keywordApplication software -- Developmentel
dc.subject.keywordFuture network trafficel
dc.subject.keywordSoftware-defined networking environmentel
dc.subject.keywordArtificial neural networksel
dc.subject.keywordOpenFlow SDN networkel


Αρχεία σε αυτό το τεκμήριο

Thumbnail

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Εμφάνιση απλής εγγραφής

Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές

Βιβλιοθήκη Πανεπιστημίου Πειραιώς
Επικοινωνήστε μαζί μας
Στείλτε μας τα σχόλιά σας
Created by ELiDOC
Η δημιουργία κι ο εμπλουτισμός του Ιδρυματικού Αποθετηρίου "Διώνη", έγιναν στο πλαίσιο του Έργου «Υπηρεσία Ιδρυματικού Αποθετηρίου και Ψηφιακής Βιβλιοθήκης» της πράξης «Ψηφιακές υπηρεσίες ανοιχτής πρόσβασης της βιβλιοθήκης του Πανεπιστημίου Πειραιώς»