Tez No	İndirme	Tez Künye	Durumu
593248		Traffic aware, utility and machine learning based framework for energy efficiency in software defined networks / Yazılım tanımlı ağlarda enerji verimliliği için trafik farkında, kullanım ve makine öğrenmesi tabanlı sistem Yazar:BEAKAL GIZACHEW ASSEFA Danışman: PROF. DR. ÖZNUR ÖZKASAP Yer Bilgisi: Koç Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2019 181 s.
Yazılım Tanımlı Ağ (SDN) modeli, denetim ve yönlendirme düzlemlerininin ayrılması özelliğiyle programlanabilir ağ elemanları, ağ yönetiminde esneklik ve verimlilik avantajlarına sahiptir. Enerji maliyetleri, ağlardaki genel maliyetlere büyük oranda katkıda bulunurken, enerji verimliliği modern ağ mekanizmaları için önemli bir tasarım gereksinimi haline gelmiştir. Bununla birlikte, enerji verimli çözümler tasarlarken enerji verimliliği ve ağ performansı arasındaki dengenin dikkate alınması önemlidir. Bu tez çalışmasında, enerji verimliliği için trafik farkında, makine öğrenmeye dayalı ve son sistem farkında SDN denetleyici modülleri önerilmektedir. Kontrol ünitesinin ilk modülü olarak, bağlantı kullanım aralıklarına göre enerji verimliliğini ölçen SDN Enerji Tasarrufu Oranı (RESDN) adlı yeni bir enerji verimliliği ölçütü önerilmektedir. Ağın RESDN değerini artırma amacıyla tamsayılı programlama formülasyonu ve yöntemi sunulmaktadır. RESDN yaklaşımı, bağlantıların harcadıkları enerji miktarı açısından karlı bir şekilde nasıl kullanıldığını ölçmesi yönüyle özgündür. Kontrol ünitesinin ikinci modülü olarak, enerjiyi verimli kullanan yönlendirme için yeni bir hibrit makine öğrenme tabanlı HyMER sistemi önerilmektedir. HyMER denetimli ve pekiştirici öğrenme modellerinin avantajlarını birleştirmektedir. Denetimli öğrenme bileşeni, özellik çıkarma, eğitim ve testlerden oluşur. Pekiştirici öğrenme bileşeni mevcut verilerden veya sıfırdan ağ ortamıyla yinelemeli olarak etkileşerek öğrenir. HyMER yaklaşımı, yazılım tanımlı ağlarda enerji verimliliği ve ağ performansı için bir karma makine öğrenme çözümü özelliğiyle yenilikçidir. Kontrol ünitesinin son sistem farkında modülünün bir parçası olarak, sunucuların ve ağ bileşenlerinin enerji verimliliği birlikte ele alınmaktadır. Fiziksel sunucuların, içerdikleri sanal makinelere göre enerjinin ne kadar verimli olduğunu ölçen, Fiziksel Makinelerin Enerji Tasarrufu Oranı (RESPM) adlı bir fiziksel sunucu fayda tabanlı ölçüt önerilmektedir. Deneyler, gerçek topolojiler ve trafik izleri kullanılarak POX kontrol ünitesi ve Mininet ağ emülatöründe gerçekleştirilmiştir. Çeşitli başarım ölçütleri ve farklı SDN özellikli anahtar türleri dikkate alınarak elde edilen sonuçlar RESDN değerini en üst düzeye çıkarmanın kabul edilebilir ağ başarımını sağlarken enerji verimliliğini artırdığını göstermektedir. En son teknolojiye dayalı fayda tabanlı sezgisel araştırmalara kıyasla RESDN yöntemi, enerji tasarrufu için %30'a varan oranlarda başarım, anahtarlama gücü başına 14,7 watt, %38 bağlantı tasarrufu, ortalama yol uzunluğunda 2 atlama azalması ve trafik orantılılığında %5'lik iyileştirme sağlamıştır. HyMER denetimli öğrenme bileşeni, %65 oranında özellik boyutu azalması ve parametre tahmininde %70'den fazla doğruluk sağlamaktadır. Arıtma sezgisel algoritması, 25X hızlanma ile tahminin doğruluğunu %100'e yükseltmiştir. Sonuçlar, HyMER yönteminin anahtar başına güç tasarrufu, bağlantı tasarrufu ve ortalama yol uzunluğunda azalma sağladığını göstermektedir.
Software Defined Networking (SDN) paradigm has the benefits of programmable network elements by separating the control and the forwarding planes, efficiency through optimized routing and flexibility in network management. As the energy costs contribute largely to the overall costs in networks, energy efficiency has become a significant design requirement for modern networking mechanisms. However, designing energy efficient solutions is non-trivial since they need to tackle the trade-off between energy efficiency and network performance. In this thesis, traffic aware, machine learning based, and end system aware SDN controller modules for energy efficiency are proposed. As the first module of the controller, we propose a novel energy efficiency metric named Ratio for Energy Saving in SDN (RESDN) that quantifies energy efficiency based on link utility intervals. We provide integer programming formulation and method for maximizing the RESDN of the network. To the best of our knowledge, RESDN approach is unique as it measures how links are profitably utilized in terms of the amount of energy they consume with respect to their utility. As the second module of the controller, we propose HyMER: a novel hybrid machine learning based framework for traffic aware energy efficient routing in SDN. The framework combines the advantages of supervised and reinforcement learning models. The supervised learning component consists of feature extraction, training, and testing. The reinforcement learning component learns from existing data or from scratch by iteratively interacting with the network environment. HyMER approach is the first that proposes a hybrid machine learning solution considering both energy efficiency and network performance in SDN. As part of the end system aware module of the controller, we jointly address the energy efficiency of servers and network components. We propose a physical server utility-based metric named Ratio for Energy Saving of Physical Machines (RESPM) which measures how energy efficient the physical servers with respect to virtual machines residing in them. Experiments are conducted on POX controller and Mininet network emulator using real topologies and traffic traces. Considering various metrics of interest and different types of SDN enabled switches, the results show that maximizing the RESDN value improves energy efficiency while maintaining acceptable network performance. In comparison to state-of-the-art utility-based heuristics, RESDN method performs up to 30% better ratio for energy saving, 14.7 watts per switch power saving, 38% link saving, 2 hops decrease in average path length and 5% improved traffic proportionality. The supervised component of HyMER achieves more than 65% feature size reduction and 70% accuracy in parameter prediction. The refine heuristics algorithm increases the accuracy of the prediction to 100% with 25X speedup as compared to the brute force method. Results show that HyMER achieves improvements in per switch power saving, link saving, and decrease in average path length.