نوقشت رسالة الماجستير للطالبة (تبارك ياسين خضير) من قسم هندسة المعلومات والاتصالات صباح يوم الخميس الموافق27/2/2025 في قاعة الخوارزمي المركزية في الكلية وكانت اللجنة برئاسة أ.م.د. احمد ستار هادي من قسم هندسة المعلومات والاتصالات في كلية الهندسة الخوارزمي وعضوية أ.م.د.علاء محمد عبد الهادي من قسم هندسة الحاسبات في كلية الهندسة جامعة بغداد وأ.م.د. محمد عماد عبدالستار من كلية هندسة المعلومات في جامعة النهرين وبأشراف م.د. عمر علي عذاب من قسم هندسة المعلومات والاتصالات في كلية الهندسة الخوارزمي ، وبعد الاستماع اللجنة الى الطالبة أعلن رئيس اللجنة الدرجة التي حصلت عليها الباحثة والتي كانت بدرجة ( جيد جداً). وذلك لتقديم بحثها الذي كانت الخلاصة منه.
حظيت الشبكات المعرفة برمجياً(SDN)، والتي تُستخدم مؤخرًا في مراكز البيانات، باهتمام كبير نظرًا لقدرتها على توفير إدارة مرنة للشبكة. ومع ذلك، تواجه SDN تحديًا رئيسيًا مشابهًا للشبكات التقليدية، وهو مشكلة الازدحام. يحدث ذلك عندما يتم تحميل الشبكة بحركة مرور بيانات مكثفة، مما يؤدي إلى مشكلات مثل فقدان الحزم وزيادة زمن التأخير. يركز هذا البحث على استخدام خوارزميات التعلم الآلي (ML) لتحسين التحكم في الازدحام داخلSDN. تم استخدام محاكي Mininet لإنشاء طوبولوجيا شجرية لجمع مجموعة بيانات باستخدام متحكم RYU، الذي يتمتع بقدرة على مراقبة معايير إحصائيات الشبكة. تم استخدام هذه المعايير لتدريب واختبار نماذج التعلم الآلي لتحديد موقع الازدحام في المحولات. تم تطبيق أربع خوارزميات ML، وهي: شجرة القرار (DT) ، الغابة العشوائية(RF) ، أقرب الجيران (KNN) ، و آلة المتجهات الداعمة (SVM) . وتم تقييم أدائها لتصنيف والتنبؤ بحدوث الازدحام. أظهرت النتائج أن خوارزميةRF هي الخيار الأمثل لتصنيف وتوقع الازدحام في الزمن الحقيقي، حيث تحقق توازنًا بين زمن التصنيف (32.41 ثانية) و الدقة (83.08%).
التوصيات ..
1. يتميز محاكي Mininet بالعديد من الخصائص التي تجعله خيارًا مثاليًا لمحاكاة SDN، وأهمها أنه مكتوب بلغة Python، مما يسمح بتشغيل البرمجيات النصية المكتوبة بهذه اللغة. تم اختيار متحكم RYU نظرًا لقدرته على تشغيل البرمجيات النصية المكتوبة بلغة Python كذلك و التي تحتوي على خوارزميات التعلم الآلي المُدربة.
2. في مرحلة التحقق، كان البحث الشبكي (Grid Search) أداة مفيدة في تحديد أفضل القيم لمعاملات الضبط التي تحقق أفضل نتائج من حيث الزمن والدقة في تصنيف الازدحام. أما في مرحلة الاختبار، فقد أظهرت خوارزمية SVM دقة تصنيف عالية ولكنها استغرقت أطول زمن تصنيف، مما يجعلها غير مناسبة للتطبيقات الفورية.
3. في مرحلة التقييم، أثبتت خوارزميات ML فعاليتها في معالجة الازدحام، حيث تمكنت من زيادة الحد الأقصى لمعدل الطابور، بدلاً من الحلول التقليدية المستخدمة في الشبكات التقليدية.
