Yazılım tanımlı çoklu ağlarda makine öğrenmesi ve blok zinciri ile geliştirilmiş servis kalitesi destekli yönlendirme mimarisi

Abstract

Geleceğin ağlarının ana görevi, mümkün olduğunca entellektüelleştirme, etkinleştirme ve özelleştirme için akıllı ağ oluşturma mimarileri oluşturmaktır. Yazılım Tanımlı Ağlar (YTA) oluşturma teknolojisi, geleneksel ağ mimarisinde kontrol düzlemi ile veri düzlemi arasındaki sıkı bağlantıyı kırarak ağ kaynaklarının kontrol edilebilirliğini, güvenliğini ve ekonomisini gerçeğe dönüştürür. Yapay zekanın yöntemlerinden biri olan makine öğrenimi, YTA mimarisiyle birleştiğinde ağ kaynak yönetimi, uçtan uca yol planlama, trafik programlama, arıza teşhisi veya ağ güvenliği gibi alanlarda etkin olmaktadır. Günümüz ağ mimarisindeki cihaz sayılarının hızla artışı, güvenlik, gizlilik, hizmet sağlama ve ağ yönetimi gibi operasyonların merkezi bir kontrol sistemi ile yapılmasını zorlaştırmaktadır. Bu nedenle, merkezi olmayan ağ yönetiminin güvenli, akıllı ve verimli olabilmesi için blokzinciri ve makine öğreniminin birlikte kullanımı akademik çalışmalarda ve endüstriyel uygulamalarda ilgi görmektedir. YTA, geleneksel ağlara göre yazılım ile yönetildiğinden kontrolü daha kolaydır. Bu ağlarda, blokzincir işlem hacmini artırmak ve ortalama blok oluşturma süresini azaltmak gibi blokzincir teknolojisi ile ilgili literatürde farklı makine öğrenme teknikleri kullanılmıştır. Bu çalışmanın amacı, pekiştirmeli öğrenme modellerinin yardımıyla blokzinciri ile servis kalitesi destekli uçtan uca çoklu ağlarda yol bulma mimarisinin oluşturulmasıdır.

The main task of future networks is to create intelligent networking architectures for as much intellectualization, activation and customization as possible. Software Defined Networks (SDN) creation technology breaks the tight connection between the control plane and the data plane in traditional network architecture, making the controllability, security and economy of network resources a reality. Machine learning, one of the methods of artificial intelligence, when combined with SDN architecture, is effective in areas such as network resource management, end-to-end route planning, traffic programming, fault diagnosis or network security. The rapid increase in the number of devices in today's network architecture makes it difficult to carry out operations such as security, privacy, service provision and network management with a central control system. Therefore, the combined use of blockchain and machine learning for decentralized network management to be secure, smart and efficient is of interest in academic studies and industrial applications. SDN is easier to control as it is managed by software compared to traditional networks. In these networks, different machine learning techniques have been used in the literature on blockchain technology, such as increasing the blockchain transaction volume and reducing the average block generation time. The aim of this study is to create a wayfinding architecture in end-to-end multi-networks supported by blockchain with the help of Reinforcement Learning (RL) models.