A learning packet-based autonomic network architecture
Une architecture du réseau autonomique basée sur l’apprentissage par paquet
Résumé
Autonomic computing paradigm represents an emerging solution to deal with the ever-increasing size and complexity of managing IT systems. When applied to the networking, it relates to the capability of the network to operate and serve its objectives optimally by managing its own self without external intervention. We distinguish between two levels of management: Intra-application level which consists in managing different parameters within an application or service in order to optimize it; and inter-application level which is in charge of optimizing between several different applications and services. In this paper, we propose a generic approach applicable to both area. Our proposed architecture is based on random neural networks and uses the reinforcement learning. This enables the network to continuously converge to optimal configurations when network conditions change. In addition, the random neural network decision-making process is fed by normal transiting packets in the network, which significantly reduce the amount of control traffic. To show the effectiveness or our architecture, a case study consisting in optimizing the performance of mobile ad hoc network routing protocols is used. We proposed a dynamic routing protocol which interacts continuously with the architecture in order to enhance the network operation. Simulations show that the architecture improves significantly the QoS performance of ad hoc routing protocols.
Paradigme de système autonome représente une solution émergente pour faire face à la taille sans cesse croissante et la complexité de la gestion des systèmes IT. L’autonomie dans les réseaux se traduit par la capacité du réseau pour fonctionner et servir ses objectifs de façon optimale sans intervention extérieure. Nous distinguons deux niveaux de gestion: Intra-application et Inter-application. Le niveau de gestion intra-application consiste à gérer les différents paramètres au sein d'une application ou un service, afin d’optimiser l’application en question. Le niveau de gestion inter-applications est en charge de l'optimisation entre les différentes applications et de services. Dans ce papier, nous proposons une approche générique applicable à la fois à la gestion inter-application et intra-application. Notre architecture proposée est basée sur les réseaux de neurones aléatoires et utilise l'apprentissage par renforcement. Cela permet au réseau de converger en permanence vers des configurations optimales lorsque les conditions du réseau change. En outre, le processus décisionnel du réseau de neurones aléatoires est alimenté par paquets normales transitant dans le réseau, ce qui réduit considérablement la quantité de surcout de contrôle. Pour montrer l'efficacité de notre architecture, nous avons utilisé une étude de cas consistant à optimiser les performances des protocoles de routage des réseaux mobiles ad hoc. A cette fin, le protocole de routage devrait interagir en permanences avec notre architecture afin d’optimiser ses performances. Les simulations montrent que l'architecture améliore considérablement les performances des protocoles de QoS routage ad hoc.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...