Traffic load prediction in SDN/Open Flow Networks

Πετροπούλου, Θεώνη

dc.contributor.advisor	Δεμέστιχας, Παναγιώτης
dc.contributor.author	Πετροπούλου, Θεώνη
dc.date.accessioned	2017-02-07T09:05:34Z
dc.date.available	2017-02-07T09:05:34Z
dc.date.issued	2016-11
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/9412
dc.description.abstract	Η 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.extent	79	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.title	Traffic load prediction in SDN/Open Flow Networks	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	This 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.master	Ψηφιακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	Application software -- Development	el
dc.subject.keyword	Future network traffic	el
dc.subject.keyword	Software-defined networking environment	el
dc.subject.keyword	Artificial neural networks	el
dc.subject.keyword	OpenFlow SDN network	el

Αρχεία σε αυτό το τεκμήριο

Name:: Petropoulou_Theoni.pdf
Μέγεθος:: 2.194Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

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