Yeni nesil yazılım tanımlı veri merkezleri için yapay zeka tabanlı görev planlama modeli

Son zamanlarda, 5G ağında IoT cihazlarının sayısında muazzam bir artış yaşanmaktadır. Bu durum, fiziksel ağ topolojisinin karmaşıklığını artırıp, yönetimini zorlaştırmaktadır. Bu nedenle, Yazılım Tanımlı Ağlar (SDN), veri ve kontrol düzlemlerini ayırarak topolojiyi merkezi bir bakış açısından düzenlemek için kullanılır. Ancak, SDN tabanlı 5G topolojisinin veri merkezlerinde düzenleme yaparken birçok zorluğu bulunmaktadır. Merkezi bir denetleyici, tek bir arıza noktasına neden olabilir ve bu darboğaz kontrol düzleminin tepki süresini artırabilmektedir. Bu da müşterilerin milisaniye düzeyinde uçtan uca gecikmelerle hizmet alamamasına neden olmaktadır. Bu zorluğun üstesinden gelmek için, Yazılım Tanımlı Veri Merkezleri (SDDC) yeni bir şekilde kullanılmaktadır ve topolojideki veri depolamasını hiyerarşik bir şekilde yönetir. Bütün topolojinin kontrolü için genel depolama ve işlemleri yönetir ve bir noktadan başka bir noktaya kontrol cihazları arasında hizmetleri izler, kaydeder ve taşır. Ancak, tek bir denetleyicinin artan taleplerin altında, yanıt süresi kabul edilemez bir 5G seviyesine ulaşabilir. Gecikmeyi en aza indirmek için, SDDC'de iki nokta bulunmaktadır: denetleyicilerin konum optimizasyonu ile yayılma gecikmesinin en aza indirilmesi ve veri merkezinde ağ işlemlerinin işleme süresini en aza indirmek için akıllı görev zamanlamasıdır. Literatürde, yayılma gecikmesini en aza indirmek için konum optimizasyonuna odaklanan birçok çalışma bulunmaktadır. Ancak veri merkezi fonksiyonlarından kaynaklanan ağ operasyonlarının işlem süresini dikkate alan az sayıda çalışma bulunmaktadır; örneğin oluşturma, okuma, güncelleme ve silme işlemleri gibi. Ayrıca veri merkezlerine gelen taleplerde Makine Öğrenimi tabanlı Hizmet Kalitesi (QoS) tahminini dikkate almazlar. Bu tezde, SDDC'de yapay zeka tabanlı görev zamanlama modeli önerilmektedir. İki aşamadan oluşur: Makine Öğrenimi tabanlı QoS tahmini ve AI tabanlı zeki görev zamanlama algoritması. İlk olarak veri tabanında kendi trafiğimizi oluşturarak yeni bir veri seti tanımladık. Bu veri seti 5000 adet satırdan oluşup, 3 farklı sınıflandırma etiketi (BEST, ACCEPTABLE, NONACCEPTABLE) kullanılmıştır. Daha sonra bu veri seti üzerinde 5 farklı sınıflandırma algoritması (Navie Bayes, Kstar, IBk, Multiclass Classifier, SMO) koşularak en iyi sonucu veren algoritma belirlenmiştir. Belirlenen algoritma baz alınarak servise gelen istekleri sınıflandırıp tekrar kendi içinde sıralayarak çalıştıran bir sistem geliştirilmiştir. Performans değerlendirmesindeki sonuçlara göre, IBK algoritması 0,978 F1 skoru ile en iyi sonucu vermiştir. Ancak algoritmanın çalışma süresi 0.22 saniye sürmüştür. SDDC de daha düşük gecikme süresi önem arz ettiği için 0,964 F1 skoru ile Navie Bayes algoritmasının eğitim süresi 0,001 sn sürmüştür. Sonuç olarak Navie Bayes algoritmasının 5G ağlarında kullanımı açısından üstünlüğü kanıtlanmıştır. Navie Bayes algoritması ise önerilen sistem üzerinde sınıflandırma yaparak güncellenmek istenen veriler için akıllı bir sıralama algoritması tasarımı için kullanılmıştır. Kullanılan bu sınıflandırılmış veriler önerilen sistemde yaklaşık. 100 – 4000 adet güncelleme isteği için daha başarılı sonuçlar sergilemiştir. Bu aralık dışındaki değerler için ise kullanılan cihaz özellikleri dikkate alındığında Navie Bayes algoritmasının sınıflandırma süresinin servis süresine olumsuz yönde etki yaptığı saptanmıştır.