متوازن‌سازی بار در سرورهای شبکه مرکز داده مبتنی بر نرم‌افزار با استفاده از یادگیری ماشین

در این پژوهش، مسئله متوازن‌سازی بار در مراکز داده مبتنی بر معماری شبکه‌های نرم‌افزارمحور با بهره‌گیری از الگوریتم‌های یادگیری ماشین مورد بررسی قرار گرفته است. هدف اصلی، ارتقای کیفیت خدمات و کاهش زمان پاسخ در شرایط پویا و متغیر شبکه است. به منظور استخراج ویژگی‌های هزینه مسیر، داده‌های عملکردی از یک توپولوژی مناسب برای مرکز داده نرم‌افزارمحور، گردآوری و به مدل‌های یادگیری ماشین اعمال شد. نتایج آزمایش‌ها نشان داد که الگوریتم xgboost، به‌عنوان یک روش پیشرفته یادگیری جمعی، در مقایسه با سایر مدل‌ها، زمان پاسخ کوتاه‌تر، نرخ دقت بالاتر و توانایی تفکیک مسیرهای بهینه را با کارایی قابل‌توجهی ارائه می‌دهد. این الگوریتم در سناریوهای بدون ترافیک پس-زمینه، عملکردی در حدود یک میلی‌ثانیه نشان داد و در حضور ترافیک پس‌زمینه نیز پایداری چشمگیری را حفظ کرد. افزون بر این، دستیابی به نرخ دقت بالای بیش از 99 درصد و مساحت زیر منحنی roc برابر با 1.00 حاکی از توانمندی قابل توجه این روش است. یافته‌های پژوهش نشان می‌دهد که همگرایی فناوری sdn با الگوریتم‌های یادگیری ماشین می‌تواند راهکاری کارآمد جهت مدیریت هوشمند ترافیک و بهبود کیفیت خدمات در مراکز داده ارائه کند.

load balancing in software-defined data center network servers using machine learning

this study addresses the load balancing problem in data centers based on software-defined networking (sdn) architecture using machine learning algorithms. the primary objective is to enhance service quality and reduce response time under dynamic and variable network conditions. to extract path cost features, performance data were collected from a suitable topology for an sdn-based data center and applied to machine learning models. experimental results revealed that one reinforcement learning-based algorithm outperformed other models, delivering shorter response times, higher accuracy rates, and superior capability in distinguishing optimal paths with significant efficiency. this algorithm demonstrated near one-millisecond performance in scenarios without background traffic and maintained remarkable stability in the presence of background traffic. furthermore, achieving an accuracy rate of over 99% and an roc-auc score of 1.00 highlights the method s exceptional capabilities. the findings indicate that the convergence of sdn technology with machine learning algorithms provides an effective solution for intelligent traffic management and improving service quality in data centers.