بررسي كنترل ازدحام به كمك روش‌هاي يادگيري ماشين

يكي از ملزومات اساسي شبكه‌هاي كامپيوتري در راستاي تأمين خدمات كيفيت سرويس، كنترل ازدحام، جهت تخصيص بهينه منابع شبكه مي‌باشد. دفعات وقوع ازدحام در يك نشست و شدت آن، به عوامل متعددي مانند نرخ ترافيك ورودي، معماري و توپولوژي شبكه، و ميزان منابع شبكه بستگي دارد. ازدحام در مسيرياب‌ها مشاهده شده و سپس پروتكلTCP ، آن را مديريت مي‌كند. بنابراين در روش‌هاي كلاسيك، مسئوليت كنترل ازدحام بر عهده TCP، و همزمان با لايه شبكه است. رويكرد شناسايي ازدحام، مبني بر تلفات بسته و رويكرد كنترل كلاسيك آن، مبتني بر روش‌هاي آماري است. در شبكه‌هاي پيچيده و پويا و سناريوهاي خاص، عملكرد اين الگوريتم‌ها به چالش كشيده مي‌شود. از طرفي، به كمك روش‌هاي يادگيري ماشين، به دليل سازگاري بالا و توان بالاي محاسباتي، مي‌توان به عملكرد بهتر، البته با هزينه بيشتر رسيد. در اين مقاله سعي شده است ابتدا علل ازدحام و مسئله تخصيص منابع مطرح شود، سپس روش‌هاي كنترل ازدحام كلاسيك و چالش‌هاي موجود در اين روش‌ها بيان شود. در ادامه يادگيري ماشين به عنوان يكي از روش‌هاي نوين جهت كنترل ازدحام معرفي شده و الگوريتم‌هايي كه از اين روش‌ها استفاده كرده‌اند بررسي مي‌شوند. در انتها روش‌هاي كلاسيك و روش‌هاي مبتني بر يادگيري ماشين با يكديگر مقايسه شده و مزايا و معايب هر كدام بيان مي‌شود.