A DAG (Directed Acyclic Graph)-based dlt (Distributed Ledger Technology) integrated cross-network qos-motivated traffic management framework using reinforcement learning (RL) in software defined networks (SDNs)

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Ankara Üniversitesi, Fen Bilimleri Enstitüsü, Yapay Zeka Teknolojileri Anabilim Dalı, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: İngilizce

Öğrenci: BARIŞ KURTULUŞ

Danışman: Murat Karakuş

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Modern ağlarda artan veri trafiği ve farklı Hizmet Kalitesi (QoS) gereksinimleri, adaptif trafik yönetimini zorunlu hale getirmektedir. Yazılım Tanımlı Ağlar (SDN) esneklik sağlasa da, Açık En Kısa Yol Öncelikli Yönlendirme (OSPF) ve Dijkstra algoritması gibi geleneksel yöntemler gerçek zamanlı ağ koşullarına uyum sağlayamadığından QoS optimizasyonu konusunda yetersiz kalmaktadır. Bu çalışma, Yönlendirilmiş Asiklik Grafik (DAG)-tabanlı QoS Odaklı Trafik Yönetim Çerçevesi (DQRL) adlı yeni bir modeli tanıtmaktadır. DQRL, DAG-tabanlı Dağıtık Defter Teknolojisi (DLT) ve Pekiştirmeli Öğrenme (RL) kullanarak merkeziyetsiz, verimli ve QoS uyumlu yönlendirme sağlamayı hedeflemektedir. DQRL, bant genişliği ve gecikme gibi parametrelere göre en uygun yolları seçerek yüksek verimli ve düşük gecikmeli yönlendirme sunar. Blok zinciri tabanlı sistemlerden farklı olarak, DAG blok içermeyen ve merkeziyetsiz işlem yönetimi sağlar, böylece hızlı doğrulama ve ölçeklenebilirlik avantajları sunar. RL, özellikle Q-öğrenme (Q-learning) algoritmasını kullanarak ağ koşullarından öğrenir ve en uygun yolları dinamik olarak belirler. Simülasyonlar, 5 ila 10 Otonom Sistem (AS) içeren ağlarda gerçekleştirilmiş olup, her AS 5 ila 10 düğüm içermektedir. Mininet ağ emülasyonu için, Python RL algoritmalarını çalıştırmak için ve MATLAB performans değerlendirmesi için kullanılmıştır. Çerçeve, Merkeziyetsiz Yönlendirme Yöntemi (DRM) ve Piramidal Yönlendirme Yöntemi (PRM) ile karşılaştırılmış ve performansı Akış Kurulum Süresi (FET), Mesaj Değişimi ve İşleme (MEE), Ortalama Yol Uzunluğu (APL), Ortalama Düğüm Uzunluğu (ANoL) ve Ortalama Ağ Uzunluğu (ANL) metrikleri üzerinden değerlendirilmiştir. Sonuçlar, DQRL'nin FET'i %29 oranında azalttığını ve PRM'e kıyasla %42'ye varan iyileşme sağladığını göstermektedir. Ayrıca, DQRL MEE'yi %30 azaltarak mesaj yükünü BCQRM'ye kıyasla %23 oranında düşürmektedir. Bununla birlikte, DQRL daha kısa yol seçimleri yaparak APL, ANoL ve ANL değerlerini düşürmekte, böylece daha verimli yönlendirme ve minimum kaynak tüketimi sağlamaktadır. DAG-tabanlı DLT ve RL entegrasyonu sayesinde, DQRL, geleneksel ve blok zinciri destekli yönlendirme yöntemlerinden daha üstün bir performans sunarak SDN'ler için ölçeklenebilir, yüksek hızlı ve adaptif bir çözüm sağlamaktadır. Esnek yapısı, bant genişliği yoğun ve gecikmeye duyarlı uygulamalar için ideal bir alternatif sunmaktadır.