بررسی کنترل ازدحام به کمک روش‌های یادگیری ماشین

یکی از ملزومات اساسی شبکه‌های کامپیوتری در راستای تامین خدمات کیفیت سرویس، کنترل ازدحام، جهت تخصیص بهینه منابع شبکه می‌باشد. دفعات وقوع ازدحام در یک نشست و شدت آن، به عوامل متعددی مانند نرخ ترافیک ورودی، معماری و توپولوژی شبکه، و میزان منابع شبکه بستگی دارد. ازدحام در مسیریاب‌ها مشاهده شده و سپس پروتکلtcp ، آن را مدیریت می‌کند. بنابراین در روش‌های کلاسیک، مسئولیت کنترل ازدحام بر عهده tcp، و همزمان با لایه شبکه است. رویکرد شناسایی ازدحام، مبنی بر تلفات بسته و رویکرد کنترل کلاسیک آن، مبتنی بر روش‌های آماری است. در شبکه‌های پیچیده و پویا و سناریوهای خاص، عملکرد این الگوریتم‌ها به چالش کشیده می‌شود. از طرفی، به کمک روش‌های یادگیری ماشین، به دلیل سازگاری بالا و توان بالای محاسباتی، می‌توان به عملکرد بهتر، البته با هزینه بیشتر رسید. در این مقاله سعی شده است ابتدا علل ازدحام و مسئله تخصیص منابع مطرح شود، سپس روش‌های کنترل ازدحام کلاسیک و چالش‌های موجود در این روش‌ها بیان شود. در ادامه یادگیری ماشین به عنوان یکی از روش‌های نوین جهت کنترل ازدحام معرفی شده و الگوریتم‌هایی که از این روش‌ها استفاده کرده‌اند بررسی می‌شوند. در انتها روش‌های کلاسیک و روش‌های مبتنی بر یادگیری ماشین با یکدیگر مقایسه شده و مزایا و معایب هر کدام بیان می‌شود.