ترجمه فارسی مقاله افزایش انتقال ویدئو با مسیریابی مبتنی بر یادگیری ماشینی در شبکه های نرم افزاری تعریف شده

چکیده

Our study uses the centralized, flexible, dynamic, and programmable structure of Software-Defined networks (SDN) to overcome the problems. Although SDN effectively addresses the challenges present in traditional networks, it still requires further enhancements to achieve a more optimized network architecture. The Floodlight controller utilized in this study employs metrics such as hop count, which provides limited information for routing. In scenarios such as video transmission, this situation is insufficient and the need for optimization arises. For this purpose, an artificial intelligence (AI) based routing algorithm is proposed between the server and the client in the scenario based on NSFNET topology. The topology designed with the Floodlight controller in the Mininet simulation environment includes a client, a server, and 14 switches. A realistic network environment is provided by adding different receivers and creating TCP traffic between these receivers using the iperf3 tool. In three scenarios, video streaming is performed using the FFmpeg tool, and 49 path metrics such as RTT, throughput, and loss are recorded. In these scenarios, PSNR and SSIM calculations are made to observe the differences between the transmitted and the original video in congested and uncongested environments. Due to the lack of a dataset suitable for the proposed network environment in the literature, a new dataset consisting of 876 records is created using continuously transmitted video traffic. Low and high traffic levels are created within the dataset, and different machine learning techniques such as KNN, Random Forest, SVM, AdaBoost, Logistic Regression and XGBoost are applied using the features that affect the traffic levels.

چکیده به فارسی (ترجمه ماشینی)

مطالعه ما از ساختار متمرکز ، انعطاف پذیر ، پویا و قابل برنامه ریزی شبکه های تعریف شده از نرم افزار (SDN) برای غلبه بر مشکلات استفاده می کند.اگرچه SDN به طور موثری چالش های موجود در شبکه های سنتی را برطرف می کند ، اما برای دستیابی به یک معماری بهینه تر شبکه به پیشرفت های بیشتری نیاز دارد.کنترل کننده Floodlight که در این مطالعه استفاده شده است از معیارهایی مانند HOP Count استفاده می کند که اطلاعات محدودی برای مسیریابی فراهم می کند.در سناریوهایی مانند انتقال فیلم ، این وضعیت کافی نیست و نیاز به بهینه سازی بوجود می آید.برای این منظور ، یک الگوریتم مسیریابی مبتنی بر هوش مصنوعی (AI) بین سرور و مشتری در سناریوی مبتنی بر توپولوژی NSFNET ارائه شده است.توپولوژی طراحی شده با کنترل کننده Floodlight در محیط شبیه سازی Mininet شامل یک مشتری ، سرور و 14 سوئیچ است.با افزودن گیرنده های مختلف و ایجاد ترافیک TCP بین این گیرنده ها با استفاده از ابزار IPERF3 ، یک محیط شبکه واقع بینانه ارائه می شود.در سه سناریو ، پخش ویدیو با استفاده از ابزار FFMPEG انجام می شود و 49 معیارهای مسیر مانند RTT ، توان و از دست دادن ثبت می شود.در این سناریوها ، محاسبات PSNR و SSIM برای مشاهده تفاوت های بین فیلم منتقل شده و اصلی در محیط های پر ازدحام و غیرمستقیم انجام شده است.به دلیل کمبود یک مجموعه داده مناسب برای محیط شبکه پیشنهادی در ادبیات ، یک مجموعه داده جدید متشکل از 876 سوابق با استفاده از ترافیک ویدیویی به طور مداوم منتقل می شود.سطح ترافیک کم و زیاد در مجموعه داده ها ایجاد می شود و تکنیک های مختلف یادگیری ماشین مانند KNN ، Random Forest ، SVM ، Adaboost ، رگرسیون لجستیک و XGBOOST با استفاده از ویژگی هایی که بر سطح ترافیک تأثیر می گذارد ، استفاده می شوند.