An SDN-based traffic load prediction using machine learning

Bibak, Behdad (2023). An SDN-based traffic load prediction using machine learning. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (790kB) | Prévisualisation

Résumé

This thesis is an experimental attempt at predicting network load using machine learning techniques in an SDN (Software Defined Networking) environment.

Software-defined networking (SDN) has revolutionized computer network environments by separating the control and data planes, enabling centralized control through software-defined controllers. SDN offers numerous benefits, including enhanced network configurability, simplified management, and flexibility in resource allocation based on real-time demands. However, specific challenges, such as security, reliability, and congestion, affect the efficiency and effectiveness of SDN systems.

Comparison of Congestion Control: SDN vs. Traditional Networks

A fundamental disparity between Software-Defined Networking (SDN) and traditional networks lies in their approaches to congestion control.

Traditional networks often adopt fixed routing strategies, which can result in sub-optimal resource utilization during congestion. In contrast, SDN’s separation of control and data planes enables real-time congestion prediction and intelligent rerouting. This dynamic adaptation optimizes resource allocation, ensuring uninterrupted service during traffic peaks.

The stark divergence in adaptability becomes evident when assessing how each responds to congestion events. Traditional networks grapple with sluggish responses due to their reliance on predetermined routes. In contrast, SDN’s machine learning-driven congestion management, as showcased in this research, promptly mitigates congestion by dynamically rerouting traffic, enhancing network performance under duress.

Congestion, in particular, significantly impacts the quality of SDN services. Although existing congestion avoidance schemes exist, there is room for improvement to provide high-quality service. This research proposes a congestion avoidance model that combines deep neural networks and the Mijumbi (Mijumbi et al., 2014) algorithm to address the congestion issue in SDNs.

The proposed model utilizes a deep neural network algorithm to predict congestion based on an in-depth analysis of data communication within the network. The model effectively mitigates congestion and ensures smooth transmission by intelligently rerouting data through alternative routes. The subsequent stage of the model employs the Mijumbi algorithm to divert predicted congestion flows away from congested routes, thereby enabling congestion-free communication.

Integrating the proposed model in SDNs results in accurate congestion prediction and efficient congestion management. The model intelligently detects and redirects data communication through alternative routes, utilizing available resources and improving network quality of service. An online dataset, specifically the DDOS dataset, evaluates the proposed model’s performance, considering parameters such as sender nodes, receiver nodes, packet size, transmission time, and protocol.

The proposed model is simulated in Python Jupyter Notebook, and the results are compared with a baseline model (QRTP) to assess performance. The proposed model significantly improves quality-of-service and some metrics; including packet loss rates, throughput, reconfiguration effects, and link utilization. It also demonstrates robustness in dynamic network situations, maintaining its effectiveness despite congestion, network topology changes, and data communication route alterations.

In conclusion, this research presents a novel congestion avoidance model for SDNs that integrates machine learning and deep learning techniques. The proposed model proactively addresses congestion problems, optimizes solutions, and enhances user experience and network performance. The findings contribute to developing a more reliable and scalable communication network, providing a comprehensive solution for network congestion challenges in SDNs.

Titre traduit

Une prédiction de charge de trafic basée sur le SDN à l’aide de l’apprentissage automatique

Résumé traduit

Cette thèse est une tentative expérimentale de prédiction de la charge du réseau à l’aide de techniques d’apprentissage automatique dans un environnement SDN (Software Defined Networking).

Comparaison du contrôle de la congestion : SDN et réseaux traditionnels

Une disparité fondamentale entre le Software-Defined Networking (SDN) et les réseaux traditionnels réside dans leurs approches du contrôle de la congestion.

Les réseaux traditionnels adoptent souvent des stratégies de routage fixes, ce qui peut entraîner une utilisation sous-optimale des ressources pendant la congestion. En revanche, la séparation des plans de contrôle et de données du SDN permet une prédiction de congestion en temps réel et un reroutage intelligent. Cette adaptation dynamique optimise l’allocation des ressources, garantissant un service ininterrompu lors des pics de trafic.

La divergence marquée dans l’adaptabilité devient évidente lors de l’évaluation de la façon dont chacun réagit aux événements de congestion. Les réseaux traditionnels sont aux prises avec des réponses lentes en raison de leur dépendance à des routes prédéterminées. En revanche, la gestion de la congestion basée sur l’apprentissage automatique du SDN, telle que présentée dans cette recherche, atténue rapidement la congestion en redirigeant dynamiquement le trafic, améliorant ainsi les performances du réseau sous la contrainte.

Le réseau défini par logiciel (SDN) a révolutionné les environnements de réseau informatique en séparant les plans de contrôle et de données, permettant un contrôle centralisé via des contrôleurs définis par logiciel. Le SDN offre de nombreux avantages, notamment une meilleure configurabilité du réseau, une gestion simplifiée et une flexibilité dans l’allocation des ressources en fonction des demandes en temps réel. Cependant, des défis spécifiques, tels que la sécurité, la fiabilité et la congestion, affectent l’efficience et l’efficacité des systèmes SDN.

La congestion, en particulier, a un impact significatif sur la qualité des services SDN. Bien qu’il existe des programmes d’évitement de la congestion, des améliorations sont possibles pour fournir un service de haute qualité. Cette recherche propose un modèle d’évitement de congestion qui combine les réseaux de neurones profonds et l’algorithme Mijumbi (Mijumbi et al., 2014) pour résoudre le problème de congestion dans les SDN.

Le modèle proposé utilise un algorithme de réseau neuronal profond pour prédire la congestion sur la base d’une analyse approfondie de la communication de données au sein du réseau. Le modèle atténue efficacement la congestion et assure une transmission fluide en redirigeant intelligemment les données via des itinéraires alternatifs. L’étape suivante du modèle utilise l’algorithme Mijumbi pour détourner les flux de congestion prévus des routes congestionnées, permettant ainsi une communication sans congestion.

L’intégration du modèle proposé dans les SDN se traduit par une prédiction précise de la congestion et une gestion efficace de la congestion. Le modèle détecte et redirige intelligemment la communication de données via des itinéraires alternatifs, en utilisant les ressources disponibles et en améliorant la qualité de service du réseau. Un ensemble de données en ligne, en particulier l’ensemble de données DDOS, évalue les performances du modèle proposé, en tenant compte de paramètres tels que les noeuds expéditeurs, les noeuds récepteurs, la taille des paquets, le temps de transmission et le protocole.

Le modèle proposé est simulé dans Python Jupyter Notebook, et les résultats sont comparés à un modèle de référence (QRTP) pour évaluer les performances. Le modèle proposé améliore considérablement la qualité de service et certaines métriques ; y compris les taux de perte de paquets, le débit, les effets de reconfiguration et l’utilisation des liaisons. Il fait également preuve de robustesse dans les situations de réseau dynamique, en maintenant son efficacité malgré la congestion, les changements de topologie du réseau et les altérations des routes de communication de données.

En conclusion, cette recherche présente un nouveau modèle d’évitement de congestion pour les SDN qui intègre des techniques d’apprentissage automatique et d’apprentissage en profondeur. Le modèle proposé résout de manière proactive les problèmes de congestion, optimise les solutions et améliore l’expérience utilisateur et les performances du réseau. Les résultats contribuent au développement d’un réseau de communication plus fiable et évolutif, offrant une solution complète aux problèmes de congestion du réseau dans les SDN.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment of a master’s degree with thesis in information technology engineering". Comprend des références bibliographiques (pages 67-70).
Mots-clés libres:	SDN, apprentissage automatique, prédiction de la charge de trafic, réseaux de neurones profonds, réseaux de neurones artificiels
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Kadoch, Michel
Programme:	Maîtrise en ingénierie > Génie des technologies de l'information
Date de dépôt:	16 janv. 2024 14:27
Dernière modification:	16 janv. 2024 14:27
URI:	https://espace.etsmtl.ca/id/eprint/3342

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt