SOFTWARE DEFINED NETWORK APPLICATION WITH ARTIFICIAL INTELLIGENCE TECHNIQUES

Year 2020, Volume: 8 Issue: 4, 999 - 1009, 25.12.2020

Sukran Degirmenci , Derya Yıltas

https://doi.org/10.21923/jesd.676110

Abstract

This study has been done to monitor the network traffic using a software defined network controller. For this purpose, Floodlight was used as the controller and Eclipse was used as the development platform. In order to increase the accuracy, the statistical information on packets was obtained after observing five separate topologies. The statistical data were processed on MATLAB and the desired data sets were created. These data sets are used in artificial neural networks via nntool on MATLAB to predict the packet flow at a particular time. Artificial neural networks were tested on five separate topologies and their accuracies were tested with MAPE and R2 functions. The optimization operations were applied to the topology having the highest accuracy derived from the performed tests. For this purpose, the optimization tests were verified by four optimization techniques which were linear search, tabu search, modified tabu search and combination algorithm (simulated annealing-tabu search). As a result, with the optimization performed with the proposed combination algorithm, the densest route was determined at the smallest time duration.

Keywords

Linear Search, Tabu Search, Artificial Neural Networks, Artificial Intelligence, Software Defined Network

YAPAY ZEKÂ TEKNİKLERİYLE YAZILIM TANIMLI AĞ UYGULAMASI

Abstract

Bu çalışma yazılım tanımlı ağ denetleyicisi kullanarak ağ trafiğini takip etme amacıyla yapılmıştır. Bu doğrultuda denetleyici olarak Floodlight ve çalışma platformu olarak Eclipse kullanılmıştır. Doğruluğu artırmak adına beş ayrı topoloji üzerinde gerçekleştirilen takipler sonrasında paket istatistik bilgileri elde edilmiştir. İstatistik verileri MATLAB üzerinde işlenerek istenilen veri setleri oluşturulmuştur. Bu veri setleri MATLAB’de yer alan nntool vasıtasıyla yapay sinir ağlarında kullanılarak belirli zamanlardaki paket akışı tahmin edilmiştir. Yapay sinir ağları beş ayrı topoloji üzerinde denenmiş ve doğrulukları MAPE ve R2 denklemleri ile test edilmiştir. Yapılan testler sonucunda doğruluğu en yüksek çıkan topoloji üzerinde optimizasyon işlemleri uygulanmıştır. Bu amaç doğrultusunda doğrusal arama, tabu arama, değiştirilmiş tabu arama ve tavlama benzetimi ile tabu arama algoritmasının karışımı olmak üzere toplamda dört ayrı optimizasyon tekniği ile optimizasyon testleri gerçekleştirilmiştir. Sonuç olarak çalışmada önerilen karışım algoritması ile gerçekleştirilen optimizasyon sonucunda en yoğun olan güzergâh en kısa sürede tespit edilmiştir.

Keywords

Doğrusal arama, Tabu arama, Yapay sinir ağları, Yapay zeka, Yazılım tanımlı ağ

References

• Abu Salam, Z. K. A., Keskin, M. E., 2018. Yapay Sinir Ağları ile Dibis Barajı’nın Seviye Tahmini. Journal of Engineering Sciences and Design, 6(4), 564-569.
• Aladağ, Ç. H., 2009. Yapay Sinir Ağlarının Mimari Seçimi İçin Tabu Arama Algoritması. Doktora Tezi. Hacettepe Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik Anabilim Dalı, Ankara, Türkiye.
• Çakır, B., 2006. Stokastik İşlem Zamanlı Montaj Hattı Dengeleme İçin Tavlama Benzetimi Algoritması. Yüksek Lisans Tezi, Endüstri Mühendisliği, Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Ankara.
• Değirmenci, Ş., 2018. Yazılım Tanımlı Ağ Denetleyicisine Bağlı Paket Trafik Gözetleme Uygulaması ve Optimizasyonu. Yüksek Lisans Tezi. İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, İstanbul, Türkiye.
• Floodlight. Project Floodlight-Floodlight Controller-Installation Guide, [Online]. Available: https://floodlight.atlassian.net/wiki/spaces/floodlightcontroller/pages/1343544/Installation+Guide#InstallationGuide-Linux.
• Gendreau, M., Potvin, J.-Y., 2010. Handbook of Metaheuristics, 2nd ed. Springer Science+Business Media.
• Haykin, S., 2009. Neural Networks and Learning Machines, Third ed. New Jersey, USA: Pearson Education, Inc., [Online]. Available: http://dai.fmph.uniba.sk/courses/NN/haykin.neural-networks.3ed.2009.pdf.
• Kalınlı, A., 2003. Elman Ağının Benzetilmiş Tavlama Algoritması Kullanarak Eğitilmesi. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 19(1), 28-37.
• Kılıçaslan, K. Isıl İşlem Algoritması (Simulated Annealing), [Online]. Available: ders.kilicaslan.nom.tr/doc/19/52/Isıl%20İşlem%20Algoritması.docx
• Kovačević-Vujčić, V. V., Čangalović, M. M., Ašić, M. D., Ivanović, L., Dražić, M., 1999. Tabu Search Methodology in Global Optimization. Computers & Mathematics with Applications, 37, 125-133.
• Kutay, M., Ercan, T., 2016. An Overview of Software Defined Campus Networks. Selçuk Üniversitesi Mühendislik, Bilim ve Teknoloji Dergisi, 4(2), 155-164.
• Michalska, M., Zufferey, N., Mattevelli, M., 2016. Tabu Search For Partitioning Dynamic Dataflow Programs. The International Conference on Computational Science, Procedia Computer Science, 80, 1577-1588.
• Mourrain, B., Pavlidis, N. G., Tasoulis, D. K., Vrahatis, M. N., 2006. Determining the Number of Real Roots of Polynomials Through Neural Networks. Computers & Mathematics with Applications, 51(3-4), 527-536.
• Niyaz, Q., Sun, W., Alam, M., 2015. Impact on SDN Powered Network Services Under Adversarial Attacks. The 2015 International Conference on Soft Computing and Software Engineering (SCSE 2015), Procedia Computer Science, 62, 228 – 235.
• Oommen, B. J., Rueda, L. G., 2005. A Formal Analysis of Why Heuristic Functions Work. Artificial Intelligence, 164, 1-22.
• Sezer, S., Scott-Hayward, S., Chouhan, P. K., Fraser, B., Lake, D., Finnegan, J., Viljoen, N., Miller, M., Rao, N., 2013. Are We Ready for SDN? Implementation Challenges for Software-Defined Networks. IEEE Communications Magazine, 51(7), 36-43.
• Shih, H. S., Wen, U. P., Lee, E. S., Lan, K. M., Hsiao, H. C., 2004. A Neural Network Approach to Multiobjective and Multilevel Programming Problems. Computers & Mathematics with Applications, 48, 95-108.
• Staub, S., Karaman, E., Kaya, S., Karapınar, H., Güven, E., 2015. Artificial Neural Network and Agility. World Conference on Technology, Innovation and Entrepreneurship, Procedia - Social and Behavioral Sciences, 195, 1477 – 1485.
• Taşhan, B., 2017. Road Lane Detection System With Convolutional Neural Network. Master’s Thesis. Bahçeşehir University, Graduate School of Natural and Applied Sciences, Computer Engineering, İstanbul, Turkey.
• Ünsal, Ö., Yiğit, T., 2018. Optimization of School Bus Routing Problem by Using a Method with Artificial Intelligence and Clustering Techniques, Journal of Engineering Sciences and Design, 6(1), 7-20.
• Xia, W., Wen, Y., Foh, C. H., Niyato, D., Xie, H., 2015. A Survey on Software-Defined Networking. IEEE Communication Surveys & Tutorials, 17(1), 27-51.
• Yazar, S., 2013. Ağ Anahtarlarında OpenFlow Protokolü ve Pox Denetleyicisi Kullanımı. Yüksek Lisans Tezi. Trakya Üniversitesi. Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Edirne, Türkiye.
• Yıltaş, D., 2007. Alçak Yörüngedeki Uydu Sistemlerinde Yeni Bir Yönlendirme Algoritmasının Tasarımı. Doktora Tezi. İstanbul Üniversitesi. Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, İstanbul, Türkiye.
• Yiğit, T., Aydemir, M., 2018. Container Loading Problem Optimization By Using Genetic Algorithm Without Rotating The Package, Journal of Engineering Sciences and Design, 6(1), 21-28.
• Zhao, X., Lin, W., Yu, C., Chen, J., Wang, S., 2013. A New Hybrid Differential Evolution with Simulated Annealing and Self-Adaptive Immune Operation.