جاسازی شبکه های مجازی (VNE) با الگوریتم های بهینه سازی در متلب

یکشنبه ۱۷ مهر ۱۴۰۱
بازدید ۳۲۴ نفر
رسول سیفی زاده
(10 امتیاز از 2 رای)
Loading...

تصویر virtual-network-embedding-vne-optimization-matlab_7530_14 جاسازی شبکه های مجازی (VNE) با الگوریتم های بهینه سازی در متلب

جاسازی شبکه های مجازی (VNE) با الگوریتم های فراابتکاری در MATLAB

در این بخش پروژه شبیه سازی جاسازی شبکه های مجازی (VNE) با الگوریتم های بهینه سازی در نرم افزار MATLAB به همراه فیلم آموزشی و گزارش کار آماده کرده ایم که در ادامه توضیحاتی از معرفی پروژه ارائه شده و قسمتی از فیلم آموزشی به همراه تصاویر خروجی پروژه در محیط متلب قرار داده شده است.

شبکه مجازی (Virtual Network)

محدودیت زیرساخت های فیزیکی در توسعه پروتکل های جدید مخابراتی باعث ایجاد شبکه مجازی (Virtual Network) شده است. شبکه مجازی در واقع روشی است که شبکه فیزیکی را به چندین شبکه منطقی مستقل تقسیم می کند. درنتیجه ایده شبکه مجازی، رویکردی برای غلبه بر محدودیت های سخت افزاری شبکه و اینترنت غیرقابل انعطاف کنونی است. در شبکه مجازی (شبکه منطقی) مسیریاب ها و سوییچ های مجازی، توسط پیوند های مجازی به یکدیگر متصل می شوند.

جاسازی شبکه مجازی (VNE)

مسأله نگاشت بهینه شبکه های مجازی بر روی شبکه های فیزیکی به اختصار جاسازی شبکه های مجازی نامیده می شود. جاسازی شبکه مجازی به معنای استفاده حداکثری و بهینه از منابع شبکه فیزیکی (حافظه، پهنای باند، ظرفیت پردازشی) می باشد. به طور کلی هدف از مسئله VNE استفاده بهینه از منابع فیزیکی جهت نگاشت منابع مجازی است شکل زیر نگاشت شبکه مجازی را بر روی سرور های فیزیکی که از طریق فیبر نوری به یکدیگر متصل شده اند، نشان می دهد.

تصویر virtual-network-embedding-vne-optimization-matlab_7530_1 جاسازی شبکه های مجازی (VNE) با الگوریتم های بهینه سازی در متلب

شکل نگاشت شبکه مجازی بر روی شبکه فیزیکی فیبر نوری

همچنین شکل زیر دو شبکه مجازی مستقل را نشان می دهد. شبکه مجازی اول خدمت ویدیویی به کاربران ارائه می دهد. در انتقال ویدیو از دست رفتن بسته ها اهمیتی ندارد اما تأخیر بسته ها بسیار مهم است. شبکه مجازی دوم به کاربرانی که درخواست بارگذاری داده دارند، پاسخ می دهد. در انتقال داده تأخیر بسته ها اهمیت چندانی ندارد ولی تمام بسته داده باید کامل توسط کاربر دریافت گردد؛ بنابراین برای حفظ کیفیت، درخواست های مختلف کاربران باید توسط شبکه های مجازی مستقل پاسخ داده شود. در اینجا هدف از جاسازی شبکه مجازی، پذیرش هرچه بیشتر درخواست های کاربران با مدیریت صحیح منابع شبکه فیزیکی است.

تصویر virtual-network-embedding-vne-optimization-matlab_7530_2 جاسازی شبکه های مجازی (VNE) با الگوریتم های بهینه سازی در متلب

شکل نگاشت دو شبکه مجازی باکیفیت خدمات مختلف بر روی شبکه فیزیکی

برای فهم بیشتر شبکه مجازی به شکل زیر توجه نمایید. در سمت چپ این شکل دو شبکه مجازی هر کدام با سه گره مجازی و سمت راست همین شکل یک شبکه فیزیکی با چهار گره فیزیکی وجود دارد. این دو شبکه مجازی بر روی این شبکه فیزیکی به صورت همزمان نگاشت داده شده است. در این شکل برخی از گره ها و پیوند های فیزیکی میزبان چندین گره و پیوند مجازی هستند.

تصویر virtual-network-embedding-vne-optimization-matlab_7530_3 جاسازی شبکه های مجازی (VNE) با الگوریتم های بهینه سازی در متلب

شکل نمایش نگاشت دو شبکه مجازی بر روی یک شبکه فیزیکی

برای جاسازی شبکه مجازی (Virtual Network Embedding) منابع فیزیکی میزبان باید منابع برابر و یا بزرگتر منابع مورد نیاز شبکه مجازی داشته باشند. به طور مثال، پیوند مجازی با ظرفیت ارتباطی 1000 mbps را نمی توان بر روی پیوند فیزیکی با ظرفیت ارتباطی 100 mbps نگاشت داد. به طور مشابه ظرفیت پردازش هر گره فیزیکی نیز باید بیشتر یا برابر ظرفیت پردازش گره مجازی متناظر باشد. با توجه به ماهیت تصادفی درخواست های شبکه مجازی، برای ارائه خدمت به تمام درخواست ها، منابع فیزیکی باید به صورت اقتصادی بهینه گردند و از اختصاص منابع فیزیکی بزرگ به منابع کوچک مجازی اجتناب شود.

بهینه سازی جاسازی شبکه مجازی

محدودیت پردازنده ها (گره ها) و پیوند های ارتباطی بین آنها در لایه فیزیکی (شبکه زیرین)، پاسخگویی به رشد تقاضا های تامین کنندگان خدمات را با مشکل رو به رو کرده است. لذا تامین کنندگان زیرساخت، برای خدمت دهی به همه تقاضا های تامین کنندگان سرویس از الگوریتم های مختلف بهینه سازی (روش های فراابتکاری) برای جاسازی شبکه های مجازی استفاده می کنند. یکی از مهم ترین و پرکاربردترین این روش ها، بهینه سازی تقریبی توسط الگوریتم های فراابتکاری می باشد. با استفاده از الگوریتم های بهینه سازی مثل الگوریتم ژنتیک (GA) و ازدحام ذرات (PSO) ، چندین شبکه مجازی به صورت بهینه بر روی شبکه فیزیکی نگاشت می شوند. جاسازی شبکه مجازی با توجه به محدودیت های موجود در گره ها و پیوندها جزو مسائل محاسباتی پیچیده می باشد. نکته مهمی که در جاسازی شبکه مجازی باید به آن توجه شود، معیارهای شبکه است. این معیارها محدودیت های مسئله بهینه سازی را ایجاد می کنند. درخواست های مجازی به صورت تصادفی صادر می شوند و تامین کنندگان خدمات، هیچ اطلاعاتی راجع به نوع درخواست بعدی ندارند. لذا تامین کنندگان سرویس، برای بازدهی بیشتر شبکه فیزیکی و توازن تعداد نگاشت گره و پیوند مجازی بر روی گره و پیوند فیزیکی، باید در خصوص نوع الگوریتم نگاشت، تصمیم گیری کنند.

در این پروژه ابتدا مسئله جاسازی شبکه مجازی (VNE) با استفاده از الگوریتم های بهینه سازی مختلف شامل الگوریتم ژنتیک (GA)، الگوریتم ژنتیک اصلاح شده (Modified GA)، الگوریتم ازدحام ذرات (PSO) و الگوریتم کلونی زنبور عسل (ABC) با استفاده از نرم افزار MATLAB شبیه سازی شده و در نهایت، جدیدترین روش بهینه سازی فراابتکاری به نام الگوریتم آموزش و یادگیری (TLBO) برای جاسازی شبکه مجازی پیشنهاد شده و این 5 الگوریتم در سه سناریو مختلف در معیار متوسط درآمد بلند مدت ، معیار نرخ پذیرش ، معیار نسبت درآمد به هزینه در محیط متلب با یکدیگر مقایسه شده اند. تعداد کم پارامترهای الگوریتم بهینه سازی مبتنی بر یادگیری و آموزش (TLBO) باعث برتری این الگوریتم نسبت به دیگر الگوریتم های بهینه سازی می باشد.

مدل شبیه سازی

برای ارزیابی عملکرد هر الگوریتم، هر یک جداگانه در محیط متلب شبیه سازی شده است. ابتدا مشابه یکی از مقالات مرجع، پارامتر های اولیه مقداردهی می شود. در اینجا، همه شبکه های مجازی درخواست شده دریک واحد زمانی، باهم جاسازی می شوند. اگر یک درخواست به علت کمبود منابع فیزیکی نتواند در یک واحد زمانی جاسازی گردد در صف انتظار قرار می گردد. درخواست های این صف قبل از انقضا، در واحد زمانی بعدی جاسازی می شوند. این فرایند تا زمانی که طول عمر درخواست شبکه مجازی منقضی شود، تکرار می گردد. در صورت عدم جاسازی و انقضای طول عمر یک درخواست، از صف حذف می گردد. فرایند جاسازی شبکه مجازی در شکل زیر نشان داده شده است.

تصویر virtual-network-embedding-vne-optimization-matlab_7530_4 جاسازی شبکه های مجازی (VNE) با الگوریتم های بهینه سازی در متلب

شکل فرایند جاسازی شبکه مجازی

سناریو های شبیه سازی

سناریوی اول: هریک از الگوریتم های فراابتکاری توسط معیارهای فوق دریک دوره 50.000 واحد زمانی در 100 نمونه شبکه فیزیکی تصادفی با مشخصات: 100 گره فیزیکی و نرخ تولید شبکه مجازی 0.04 با یکدیگر مقایسه شدند. نتایج، به طور متوسط عملکرد بهتر الگوریتم TLBO را نسبت به دیگر روش های فراابتکاری در تمام معیارهای فوق نشان می دهد.
سناریوی دوم: هریک از الگوریتم های فراابتکاری توسط معیارهای فوق در 100 نمونه شبکه فیزیکی تصادفی با مشخصات: 100 گره فیزیکی و تغییر نرخ تولید شبکه مجازی از 0.04 تا 0.08 با یکدیگر مقایسه شده اند. نتایج، به طور متوسط عملکرد بهتر الگوریتم آموزش و یادگیری (TLBO) را نسبت به دیگر روش های فراابتکاری در تمام معیارهای فوق نشان می دهد.
سناریو سوم: هریک از الگوریتم های فراابتکاری توسط معیارهای فوق در 100 نمونه شبکه فیزیکی تصادفی با مشخصات: 25 ، 75 و 100 گره فیزیکی و نرخ تولید شبکه مجازی 0.04 در هر واحد زمانی با یکدیگر مقایسه شدند. نتایج، به طور متوسط عملکرد بهتر الگوریتم بهینه سازی TLBO یا Teaching-learning-based optimization را نسبت به دیگر روش های فراابتکاری در تمام معیارهای فوق نشان می دهد.