• Home
  • A New Green Optimal Routng Algorithm in Data Communication Networks

Share To

Article Url


Manuscript ID : 1402020341974 Visit : 1092 Page: 65 - 84

Article Type: Original Research

A New Green Optimal Routng Algorithm in Data Communication Networks

Subject Areas : electrical and computer engineering

Mohsen Heydarian 1 , Fariba Darvishiyan 2

1 - University faculty member
2 - Azarbaijan Shahid Madani University

Received: 2023-04-24 Accepted : 2023-11-08 Published : 2024-09-24

Keywords: Green computer networks, green standard, optimal routing, linear modeling, optimal consumption of resources,

Abstract :

The production of energy from renewable sources, such as the energy from electricity-water, which reduces the amount of CO2, is called clean energy. Today, technologies and methods that reduce energy consumption in computer networks and Co2 production in the environment are called green networks. Now, high consumption of energy in networks and increasing production of Co2 is an important global challenge. This research analyzes the three important principles of optimization, not draining resources and not wasting resources from green network standards. This research shows that high-performance optimal routing algorithms do not always guarantee green standards in networks, and the principles of optimality and greenness must be combined. Therefore, by combining the principles of being green and the principles of linear optimization, a new green optimal routing algorithm in computer networks is presented. Next, three types of USCP, OUMR and OMMR routing algorithms are analyzed according to green standards and it is proven that they are not green despite being optimal. Then, based on the strengths and weaknesses of these methods, a new green optimal routing algorithm is presented. The simulation results and comparisons show that the new method, while increasing the network efficiency, also improves the green standards of data transmission.

References:

[1] A. Mihailovic, B. Abrishamchi, and M. Farhoudi, "A comprehensive multi-topology minimum set cover link-state routing approach for emerging random all-IP access network ntopologies," J. of Computer Networks, vol. 219, Article ID: 109418, 2022.
[2] A. Y. Romanov, E. V. Lezhnev, and A. Y. Glukhikh, "Development of routing algorithms in networks-on-chip based on two-dimensional optimal circulant topologies," J. of Heliyon, vol. 6, no. 1, Article ID: e03183, Jan. 2020.
[3] Z. Basit, M. Tabassum, T. Sharma, and M. Furqan, "Performance analysis of OSPF and EIGRP convergence through IPsec tunnel using multi-homing BGP connection," Materials Today: Proceedings, vol. 62, no. 7, pp. 4853-4861, Dec. 2022.
[4] D. Liu, B. Barber, and L. DiGrande, CHAPTER 5 - Routing Protocols: RIP, RIPv2, IGRP, EIGRP, OSPF, Cisco CCNA/CCENT Exam 640-802, 640-822, 640-816 Preparation Kit 2009, pp. 169-196.
[5] H. Wu and Y. Gao, "An ant colony optimization based on local search for the vehicle routing problem with simultaneous pickup-delivery and time window," J. of Applied Soft Computing, vol. 139, no. C, Article ID: 110203, May 2023.
[6] I. L. Cherif, L. Zitoune, and V. Vèque, "Energy efficient routing for wireless mesh networks with directional antennas: when Q-learning meets ant systems," J. of Ad Hoc Networks, vol. 121, Article ID: 102589, Oct. 2021.
[7] A. Isazadeh and M. Heydarian, "Optimal multicast multichannel routing in computer networks," J. of Computer Communications, vol. 31, no. 17, pp. 4149-4161, Nov. 2008.
[8] M. Garvey, R. G. Rieksts, B. Q. Ventura, and J. A. Ahn, "Binary linear programming models for robust broadcasting in communication networks," J. of Mathematics, vol. 204, pp. 173-184, May 2016.
[9] J. Costa, J. M. Paniago, P. P. Andrade, J. Noronha, and T. F. Vieira, "Integer linear programming formulations for the variable data rate and variable channel bandwidth scheduling problem in wireless networks," J. of Computer Networks, vol. 165, Article ID: 106939, Dec. 2019.
[10] Y. Liu and Q. Chen, "Collaborated eco-routing optimization for continuous traffic flow based on energy consumption difference of multiple vehicles," J. of Energy, vol. 274, Article ID: 127277, Jul. 2023.
[11] M. M. Nasiri, H. Mousavi, and S. N. Abarghooee, "A green location-inventory-routing optimization model with simultaneous pickup and delivery under disruption risks," Decision Analytics J., vol. 6, Article ID: 100161, Mar. 2023.
[12] S. Chaurasia, K. Kumar, and N. Kumar, "MOCRAW: a meta-heuristic optimized cluster head selection based routing algorithm for WSNs," J. of Ad Hoc Networks, vol. 141, Article ID: 103079, Mar. 2023.
[13] A. Taneja, S. Rani, and S. Garg, "Energy aware resource control mechanism for improved performance in future green 6G networks," J. of Computer Networks, vol. 217, Article ID: 109333, Nov. 2022.
[14] S. Kamble, P. Bhilwar, and B. R. Chandavarkar, "Novel fuzzy-based objective function for routing protocol for low power and lossy networks," J. of Ad Hoc Networks, vol 144, Article ID: 103150, May 2023.
[15] R. Tirumalasetti and S. K. Singh, "Automatic dynamic user allocation with opportunistic routing over vehicles network for intelligent transport system," J. of Sustainable Energy Technologies and Assessments, vol. 57, Article ID: 103195, Jun. 2023.
[16] B. R. Dawadi, D. B. Rawat, S. R. Joshi, and M. M. Keitsch, "Recommendations for energy efficient SoDIP6 network," in Proc. Int. Conf. on Computing, Networking and Communications, ICNC'19, pp. 714-718, Honolulu, HI, USA, 18-21 Feb. 2019.
[17] C. Kaur and S. Kaur, "An energy efficient resource allocation policy in cloud infrastructure," International J. of Engineering Science, vol. 31, no. ???, pp. ???-???, Feb. 2024.
[18] G. Koutsandria, V. DiValerio, D. Spenza, S. Basagni, and C. Petrioli, "Wake-up radio-based data forwarding for green wireless networks," J. of Computer Communications, vol. 160, pp. 172-185, Sept. 2020.
[19] Y. Wu, B. Guo, Y. Shen, J. Wang, and X. Liu, "A cross-layer optimization and design approach under QoS constraints for green IP over WDM networks," J. of Computer Networks, vol. 76, pp. 177-190, May 2015.
[20] C. Singhal, D. K. Jain, A. Tarable, and A. Nayyar, "Special issue on smart green computing for wireless sensor networks," J. of Computer Communications, vol. 190, no. C, pp. 216-218, Jun. 2022.
[21] S. Kumar, et al., "Towards green communication in wireless sensor network: GA enabled distributed zone approach," J. of Ad Hoc Networks, vol. 93, Article ID: 101903, Oct. 2019.
[22] F. Andreagiovanni, R. G. Garroppo, and M. G. Scutellà, "Green design of wireless local area networks by multiband robust optimization," J. of Electronic Notes in Discrete Mathematics, vol. 64, pp. 225-234, Feb. 2018.
[23] S. Abbasi and H. A. Choukolaei, "A systematic review of green supply chain network design literature focusing on carbon policy," Decision Analytics J., vol. 6, Article ID: 100189, Mar. 2023.
[24] S. Dong, G. Ren, Y. Xue, and K. Liu, "Urban green innovation's spatial association networks in China and their mechanisms," J. of Sustainable Cities and Society, vol. 93, Article ID: 104536, Jun. 2023.
[25] L. Melander and A. Arvidsson, "Green innovation networks: a research agenda," J. of Cleaner Production, vol. 357, no Article ID: 131926, May 2022.
[26] C. H. Hsu and N. M. Eshwarappa, "Green communication approach for the smart city using renewable energy systems," J. of Energy Reports, vol. 8, pp. 9528-9540, Nov. 2022.
[27] B. T. Geetha, P. S. Kumar, and B. S. Bama, "Green energy aware and cluster based communication for future load prediction in IoT," J. of Sustainable Energy Technologies and Assessments, vol. 52, no. C, Article ID: 102244, Aug. 2022.
[28] N. Drouant, E. Rondeau, J. P. Georges, and F. Lepage, "Designing green network architectures using the ten commandments for a mature ecosystem," J. of Computer Communications, vol. 42, pp. 38-46, Apr. 2014.
[29] A. Isazadeh and M. Heydarian, "Optimal multicast multichannel routing in computer networks," Computer Communications, vol. 31, no. 17, pp. 4149-4161, Nov. 2008.
[30] G. L. Xue, "Optimal multichannel data transmission in computer networks," J. of Computer Communications, vol. 26, no. 7, pp. 759-765, May 2003.
[31] L. R. Ford and D. R. Fulkerson, "Constructing maximal dynamic flows from static flows," J. of Operation Reasearch, vol. 6, no. 3, pp. 419-433, Sept./Jun. 1958.
[32] D. Lin, Z. Lin, L. Kong, and Y. L. Guan, "CMSTR: a constrained minimum spanning tree based routing protocol for wireless sensor networks," J. of Ad Hoc Networks, vol. 146, Article ID: 103160, Jul. 2023.
[33] S. Babu and A. R. K. Parthiban, "DTMR: an adaptive distributed tree-based multicast routing protocol for vehicular networks," J. of Computer Standards & Interfaces, vol. 79, Article ID: 103551, Jan. 2022.
[34] Q. Liu, H. P. Ren, R. J. Tang, and J. L. Yao, "Optimizing co-existing multicast routing trees in IP network via discrete artificial fish school algorithm," J. of Knowledge-Based Systems, vol. 191, Article ID: 105276, Mar. 2020.
Full-Text:
معرفي يک روش جديد خوشه‌يابي خودکار

نشریه مهندسی برق و مهندسی کامپیوتر ایران، ب- مهندسی کامپیوتر، سال 22، شماره 2، تابستان 1403                                                                                       65

مقاله پژوهشی

یک الگوریتم جدید مسیریابی بهینه سبز در شبکه‌های انتقال داده

محسن حیدریان و فریبا درویشیان

 

 

1 

چکیده: تولید انرژی از منابع تجدیدپذیر مانند برق- آبی که مقدار 2CO را کاهش می‌دهد، انرژی پاک نامیده می‌شود. امروزه فناوری‌ها و روش‌هایی که مصرف انرژی در شبکه‌های کامپیوتری و تولید 2CO در محیط زیست را کاهش می‌دهند، شبکه سبز نامیده می‌شوند. اکنون مصرف زیاد انرژی در شبکه‌ها و 
تولید روزافزون 2CO، یک چالش مهم جهانی است. این تحقیق سه اصل مهم بهینه‌سازی، تخلیه‌نکردن منابع و هدرندادن منابع در استانداردهای شبکه سبز را تحلیل می‌کند و نشان می‌دهد که الگوریتم‌های مسیریابی بهینه با کارایی بالا، همواره استانداردهای سبز در شبکه‌ها را تضمین نمی‌کنند و باید اصول بهینگی 
و سبزبودن را تلفیق نمود. لذا با تلفیق اصول سبزبودن و بهینه‌سازی خطی، 
یک الگوریتم مسیریابی بهینه سبز جدید در شبکه‌های کامپیوتری ارائه می‌شود. در ادامه، سه نوع الگوریتم مسیریابی USCP، OUMR و OMMR مطابق با استانداردهای سبز تحلیل می‌شوند و ثابت می‌گردد که علی‌رغم بهینه‌بودن، سبز نیستند. سپس بر اساس نقاط ضعف و قوت این روش‌ها، الگوریتم مسیریابی بهینه سبز جدیدی ارائه می‌شود. نتایج شبیه‌سازی و مقایسه‌ها نشان می‌دهند 
که روش جدید ضمن افزایش کارایی شبکه، معیارهای سبز انتقال داده را نیز بهبود می‌بخشد.

 

کلیدواژه: شبکه‌های کامپیوتری سبز، استاندارد سبز، مسیریابی بهینه، مدل‌سازی خطی، مصرف بهینه منابع.

1-       مقدمه

در طول سه دهه گذشته، مهم‌ترین دلیل توسعه شبکه‌های کامپیوتری و سیستم‌های ارتباطی، جلوگیری از مصرف بی‌رویه منابع زیست‌محیطی مانند منابع جنگلی، منابع دریایی و انرژی‌های فسیلی بوده است. مصرف بی‌رویه این منابع باعث افزایش تولید 2CO و گرمایش زمین شده‌اند. 
این در حالی است که امروزه انواع شبکه‌های ارتباطی نظیر اینترنت اشیا، شبکه‌های خودرویی، شبکه‌های موبایل و غیره باعث یک انفجار بزرگ در مصرف انرژی و سوخت‌های فسیلی شده‌اند. لذا توسعه شبکه‌های ارتباطی نوین با هدف کاهش‌دادن مصرف انرژی، استفاده بیشتر از انرژی‌های تجدیدپذیر2، جایگزینی گردش اطلاعات به‌جای فرم‌های کاغذی، توسعه حمل و نقل هوشمند به جای حمل و نقل سنتی و غیره به‌صورت جدی در دستور کار مراکز تحقیقاتی مهم دنیا قرار گرفته‌اند. یکی از این ایده‌های نوین و مهم، گسترش و توسعه شبکه‌های کامپیوتری سبز3 و کاهش ضایعات در مصرف منابع است. این تحقیق سعی می‌کند ایده شبکه‌های کامپیوتری سبز را از منظر مسیریابی بهینه سبز محقق نماید.

1-1                      مسیریابی بهینه

مسیریابی در یک شبکه کامپیوتری عبارت است از محاسبه و تشکیل مسیر بین دو گره از شبکه جهت ارسال و دریافت داده بین آن دو گره [1] و [2]. معمولاً ارتباط بین گره‌های یک شبکه کامپیوتری توسط یک گراف مدل‌سازی می‌شود که گره‌ها در آن، سخت‌افزارهای شبکه نظیر روترها، سوئیچ‌ها یا کامپیوترها بوده و یال‌ها نیز اتصال بین این سخت‌افزارها را نمایش می‌دهند. مسیریابی در یک شبکه به شکل‌های بسیار متنوع و متعددی انجام‌پذیر است. یک دسته از این روش‌ها مبتنی بر پروتکل‌های مسیریابی نظیر 4OSPF، 5RIP، 6EIGRP و 7MSTها هستند که برای تشکیل مسیر بین مبدأ و مقصد و پیش‌راندن بسته‌ها، مبتنی بر نظریه گراف و الگوریتم‌های کنترل ترافیک عمل می‌کنند [3] و [4]. دسته دیگر مبتنی بر روش‌های خوشه‌بندی، الگوریتم‌های کلونی مورچه، الگوریتم‌های یادگیری و ... هستند [5] و [6]. یک گونه دیگر از روش‌های مسیریابی مبتنی بر بهینه‌سازی- برنامه‌ریزی خطی هستند [7] تا [9] که از روش‌های بیشینه‌سازی یا کمینه‌سازی ریاضی استفاده می‌کنند.

توجه شود که در روش‌های بیشینه‌سازی یا کمینه‌سازی بر اساس یک تابع هدف، تعدادی از ویژگی‌های شبکه مانند کارایی، بهره‌وری، خروجی، نرخ گم‌شدن بسته‌ها، کیفیت خدمات و ... ، کمینه یا بیشینه می‌شوند [10] تا [12]. بنا بر نظر محقق و بنا بر این تحقیق در بسیاری از موارد می‌توان دید بیشینه‌سازی یا کمینه‌سازی پارامترهای شبکه، هرچند ممکن است کارایی شبکه را افزایش دهد، اما ممکن است استانداردهای سبز در شبکه را تهدید کند. به عبارت دیگر شبکه کامپیوتری مورد نظر از منظر مصرف انرژی، تولید 2CO و افزایش ضایعات مصرف منابع و گرمایش، بحران‌ساز خواهد شد؛ بنابراین در چنین مواردی باید سیاست‌های بیشینه‌سازی یا کمینه‌سازی پارامترها را با بهینه‌سازی پارامترهای کلیدی و مؤثر در مصرف انرژی ادغام نمود تا استانداردهای سبز شبکه تضعیف نشود. در واقع از منظر استانداردهای شبکه‌های سبز، همه روش‌های کمینه‌سازی یا بیشینه‌سازی، سبز نیستند.

1-2 شبکه‌های کامپیوتری سبز

در دهه‌های گذشته، شبکه‌های کامپیوتری برای کاهش مصرف انرژی فسیلی، کاهش تردد در شهرها، توسعه شبکه‌های اجتماعی، افزایش امنیت اطلاعات، انتقال سریع داده‌ها، بهبود زیرساخت‌های دیجیتال و ... ، توسعه یافتند؛ اما امروزه به‌دلیل استفاده بسیار زیاد از این تجهیزات ارتباطی و دیجیتال، شبکه‌های ارتباطی، خود عاملی برای افزایش مصرف انرژی و تولید 2CO شده‌اند؛ لذا باید نسل جدید شبکه‌های کامپیوتری را به سمت کاهش مصرف انرژی و تولید 2CO سوق دهیم. مجموعه روش‌ها و فناوری‌هایی که برای کاهش مصرف انرژی در شبکه‌ها و ممانعت از تولید 2CO به‌کار می‌رود، شبکه سبز نامیده می‌شوند [13] تا [17]. معمولاً واژه انرژی قهوه‌ای (برق تولیدشده در یک نیروگاه گازی)، نقطه مقابل انرژی سبز (برق تولیدشده توسط یک ژنراتور بادی) بوده و منظور از انرژی قهوه‌ای، انرژی‌ای است که تولید یا مصرف آن باعث تولید 2CO و هدردادن منابع تجدیدناپذیر محیط‌زیست مثل سوخت‌های فسیلی می‌شود.

1-2                      چالش‌های شبکه‌های کامپیوتری سبز

بسیاری از الگوریتم‌های مسیریابی بهینه در شبکه‌های کامپیوتری، سبز نیستند؛ در واقع این الگوریتم‌ها، بهینه‌سازی را با توجه به تمام پارامترهای سبز انجام نمی‌دهند. به عنوان مثال، تعدادی از پارمترهای سبز و غیرسبز که در الگوریتم‌های مسیریابی در یک شبکه بی‌سیم استفاده می‌شوند عبارتند از [18] تا [22]:

        پارامترهای سبز: نویز، قدرت سیگنال، انرژی باتری، طول عمر شبکه، جابه‌جایی گره‌ها و پویایی توپولوژی، نرخ خطا، نرخ گم‌شدن بسته‌ها و ازدحام.

        پارامترهای غیر سبز: زمان انتقال، تعداد اتصالات به‌کاررفته، پهنای باند مصرفی، حجم داده عبوری از شبکه، طول بسته و فاصله بین گره‌ها.

مشاهده می‌شود پارامترهای سبز، پارامترهایی هستند که بر روی مصرف انرژی سبز و قهوه‌ای، منابع تجدیدپذیر و تولید 2CO مستقیماً اثرگذار هستند و اندازه‌گیری آنها می‌تواند معیاری برای تحلیل سبزبودن یا نبودن شبکه باشد؛ اما پارامترهای غیرسبز مستقیماً تأثیرگذاری پارامترهای سبز را ندارند. با ابداع الگوریتم‌های کارآمد می‌توان وضعیت پارامترهای سبز و غیرسبز را بهبود بخشید.

ممکن است یک الگوریتم مسیریابی، زمان انتقال بسته‌ها را کمینه کند؛ اما پهنای باند مصرفی را بیشینه نماید. یقیناً این الگوریتم، سرعت انتقال داده را بیشینه خواهد کرد؛ اما تضمینی وجود ندارد که مصرف انرژی یا نرخ خطا را کمینه کند. لذا به‌عنوان ایده‌ای جدید، یک الگوریتم مسیریابی بهینه باید بتواند مسیر بهینه را به‌گونه‌ای انتخاب کند که پارامترهای کلیدی سبز را نیز بهبود داده و نهایتاً مطابقت بیشتری با معیارهای سبزبودن حاصل نماید.

1-4 ایده‌ها و راهکارهای سبز موجود

استفاده از روش‌های کنترلی بهینه برای خاموش و روشن‌کردن به‌موقع تجهیزات شبکه نظیر سوئیچ‌ها، روترها، ابزارهای بین شبکه‌سازی، آنتن‌ها و ... باعث می‌شود که سطح مصرف انرژی با وظایف تعریف‌شده برای تجهیزات شبکه، سازگار و از مصرف اضافی انرژی جلوگیری شود [18].

برقراری ارتباط بهینه و تعاملی بین پارامترهای 8QoS و پارامترهای مصرف انرژی، یکی از روش‌های مهم در کاهش مصرف انرژی و کاهش ضایعات است. پارامترهای QoS مانند تأخیر، پهنای باند، نرخ گم‌شدن بسته‌ها، تغییرات تأخیر و نرخ خطای شبکه، تأثیر بسیار زیادی در فرایندهای دوباره‌کاری در شبکه و افزایش مصرف انرژی دارند؛ لذا کنترل بهینه این پارامترها می‌تواند نرخ مصرف انرژی را بیهنه کند [19].

در بسیاری از موارد، کاهش حجم محاسبات از طریق توسعه و ارتقای نرم‌افزارها باعث جلوگیری از مصرف انرژی در سخت‌افزارها شده و زمینه‌های توسعه روش‌های محاسبات نرم و هوشمند را فراهم می‌کند؛ لذا محاسبات نرم هوشمند می‌تواند باعث کاهش مصرف انرژی در شبکه‌های کامپیوتری شود [20].

استفاده از روش‌های فراابتکاری نظیر الگوریتم‌های ژنتیک برای کاهش پیچیدگی محاسباتی مسئله‌ها در شبکه‌ها نظیر تقسیم و حل مسئله‌های مسیریابی و راهگزینی، بخش مهمی از تحقیقات امروزین را به خود اختصاص داده است [21].

در این تحقیق سعی می‌شود که الگوریتم‌های مسیریابی بهینه با استانداردهای سبز، تلفیق و روش‌های نوینی در مسیریابی بهینه سبز ابداع گردد. ابزار تحقق این روش‌های نوین، تلفیق توپولوژی شبکه با روش‌های مدل‌سازی خطی است. چالش مهمی که در این راه وجود دارد، مدل‌سازی پارامترهای شبکه و پارامترهای سبز در قالب قیدهای مدل‌سازی خطی است. انتخاب پارامترهای تأثیرگذارتر از بین تعداد زیادی پارامتر نیز چالش بعدی در این زمینه است.

نتایج شبیه‌سازی و مقایسه بین روش‌های موجود و جدید نشان می‌دهند که روش‌های جدید به‌صورت مؤثری انرژی مصرفی، ضایعات پهنای باند، ضایعات گره‌های مصرفی، ضایعات اتصالات مصرفی، طول مسیرها، زمان انتقال و پارامترهای سبزبودن شبکه را بهبود می‌بخشد.

1-5 ساختار مقاله

بخش 2 به تعریف استانداردهای سبز در شبکه‌های کامپیوتری و بخش 3 به تشریح تعاریف و مفاهیم روش‌های مسیریابی بهینه موجود می‌پردازد. بخش 4 از منظر استانداردهای سبز، نقاط ضعف و قوت روش‌های بهینه موجود را ارائه می‌کند. در بخش 5 اصول بهینگی و سبزبودن روش‌های مسیریابی بهینه سبز با مدل‌سازی فرمال و ریاضی، تعریف و ارائه شده است. در بخش 6 نیز شبیه‌سازی‌های کامپیوتری و نتایج عددی حاصل از مقایسه بین روش‌های بهینه موجود و روش‌های بهینه جدید آمده است.

2-       استاندارد شبکه‌های کامپیوتری سبز

در این بخش، ابتدا استانداردهای شبکه‌های کامپیوتری سبز مطالعه شده و سپس مشخص می‌کنیم کدام معیارهای سبز در این تحقیق مورد تحلیل قرار خواهند گرفت. می‌توان ادعا کرد که در یک سیستم سبز، کاهش ضایعات، ممانعت از تخریب منابع و عملکرد مطلوب، مهم‌ترین اهداف سیستم هستند. معمولاً یک استاندارد سبز برای شبکه‌های کامپیوتری سبز بر تعدادی قانون، دستورالعمل یا معیار تأکید دارد که در صورت رعایت همه یا تعدادی از آنها، یک شبکه کامپیوتری در چارچوب سبز قرار می‌گیرد [23] تا [28]. یکی از استانداردهای سبز شامل ده فرمان است که به شرح ذیل ارائه می‌شود [28]:

1)        از زباله به‌عنوان یک منبع استفاده شود: منظور توانایی بازیافت زباله و استفاده مجدد از آن است.

2)        در استفاده کامل و مطلوب از زیستگاه جغرافیایی همکاری شود: حقوقی که برای زیستگاه جغرافیایی تعریف می‌شود متعدد و گسترده است و ما حق پایمال‌کردن آن را نداریم. مثلاً در بسیاری از موارد، زباله رهاشده باعث تخریب یا توقف فرایندهای زیست‌محیطی گردیده و تأثیرات نامطلوبی بر شرایط زیست‌محیطی گونه‌های 

img0 

شکل 1:  نمایش مسیرهای تک‌پراکن تک‌کاناله و تک‌پراکن چندکاناله بین مبدأ img0 و مقصد img0.

 

حیات خواهد داشت.

3)        از انرژی به‌صورت کارامد استفاده کنید: مصرف انرژی و تبدیل آن به کار مفید باید اندازه‌گیری و ارزیابی شده و به‌طور مستمر، بهره‌وری مصرف انرژی باید کنترل گردد.

4)        به‌جای بیشینه‌سازی تک‌بعدی، بهینه‌سازی چندبعدی کنید: بیشینه‌سازی/ کمینه‌سازی ممکن است که تعدادی پارامتر را بیشینه/ کمینه کند؛ اما سایر پارامترها نظیر پارامترهای سبزبودن شبکه را نادیده بگیرد. معمولاً بهینه‌سازی باید شامل ترکیبی از پارامترهای سبز و غیرسبز باشد. بهینه‌سازی چندمعیاره نیز که تعداد متفاوتی تابع هدف را بهینه می‌کند می‌تواند مفید باشد (ما این فرمان را اصل بهینه‌سازی پارامترهای سبز9 (OptGrnIndx) می‌نامیم).

5)        هنگام مصرف، مواد و منابع حفظ گردند و ضایعات نشوند: باید بتوانیم با مصرف منابع کمتر، خدمات بیشتری ارائه بدهیم (ما این فرمان را اصل عدم تولید ضایعات 10(NoWstProd) می‌نامیم). ضایعات عبارت است از کار یا منابعی که مصرف‌نکردن آنها، تأثیری بر کمیت و کیفیت محصول نهایی ندارد.

6)        محیط زیست خود را آلوده نکنید.

7)        منابع را تخلیه نکنید: هنگام ارائه یک سرویس با محدودیت‌های خاص در مصرف منابع، سرعت و شدت عمل وجود نداشته باشد تا منابع در دسترس سایر خدمات نیز قرار بگیرد و سرویس‌های دیگر با کمبود ناگهانی یا درازمدت منابع مواجه نشوند (ما این فرمان را اصل عدم تخلیه انرژی یا مابع 11(NoDisChrg7) می‌نامیم).

8)        در تعادل با محیط‌زیست باشید: تعادل بدین معناست که اجرای یک فرایند نباید روند مطلوب یا خروجی مفید فرایندهای دیگر را مختل یا متوقف کند.

9)        بر اساس اطلاعات و آگاهی عمل کنید: منظور از اطلاعات و آگاهی، رکوردهای داده‌ای و اطلاعاتی است که مرتبط با پیکربندی مناسب سیستم و روند عملیاتی صحیح سیستم است. اگر این اطلاعات در دسترس نباشند یا آگاهی کم یا نادرست باشد، سیستم مناسب عمل نکرده و موجب تخریب و هدررفتن منابع خواهد شد.

10) به‌صورت محلی و با طی مسافت‌های محدود خرید کنید: منظور ممانعت از نقل و انتقال‌های سرتاسری و غیرضروری است. در این موارد استفاده از یک سیستم توزیع بهینه یا کارامد برای منابع می‌تواند ضایعات انتقال را کاهش دهد.

در این تحقیق با الهام از ده فرمان فوق و با تأکید بر سه فرمان 4، 5 و 7، ایده‌های لازم برای ارائه یک روش مسیریابی بهینه و سبز ارائه خواهند شد. لذا این سه فرمان به شرح زیر مد نظر هستند:

1)        بیشینه‌سازی پارامترهای سبز: منظور این است که الگوریتم‌های مسیریابی جدیدی ارائه شوند که به‌صورت مطلوب به بیشینه‌سازی یا کمینه‌سازی پارامترهای سبز هم توجه داشته باشند و فقط بر روی پارامترهای غیرسبز تمرکز نکنند.

2)        هدرندادن منابع: غالباً در الگوریتم‌های مسیریابی، پارامترها و منابع تعداد لینک استفاده‌شده، طول مسیر، پهنای باند مصرفی مسیر، انرژی مصرفی مسیر، حجم بسته و ... ، مهم هستند. لذا در این مقاله، الگوریتم‌های مسیریابی جدیدی ارائه شده که سعی می‌کنند با مصرف منابع کمتر، خدمات بیشتری بدهند. مثلاً با مصرف‌کردن تعداد لینک یا پهنای باند کمتر، داده بیشتری از شبکه عبور دهند.

3)        تخلیه‌نکردن منابع: در این تحقیق سعی می‌شود الگوریتم‌های مسیریابی جدیدی ابداع گردند که منابع کمتری را به نشست‌های بیشتری تخصیص دهند و از بلعیده‌شدن منابع توسط تعداد کمی از نشست‌ها جلوگیری کنند.

الگوریتم‌های جدیدی که در این تحقیق ارائه می‌شوند مبتنی بر برنامه‌ریزی خطی بوده و کمینه‌سازی یا بیشینه‌سازی پارامترهای سبز و غیرسبز را مد نظر خواهند داشت؛ لذا از نوع بهینه‌سازی سبز هستند.

3-       روش‌های موجود: مسیریابی‌های بهینه

در این بخش همراه با ارائه تعاریف لازم، سه نوع از الگوریتم‌های مسیریابی مبتنی بر برنامه‌ریزی خطی و یک نوع الگوریتم درختی انتشار را مورد بررسی و مطالعه قرار می‌دهیم و اصول مسیریابی آنها را تشریح خواهیم کرد [29] تا [34]. سپس در بخش‌های بعدی عملکرد آنها را از نظر سه اصل سبزبودن تحلیل خواهیم نمود.

تعریف 1) مدل‌سازی شبکه [29] و [30]: یک شبکه کامپیوتری توسط img0 مدل‌سازی می‌گردد که img0 یک گراف ساده جهت‌دار با مجموعه رئوس img0 و مجموعه اتصالات img0 است. هر اتصال یک یال به‌صورت img0 می‌باشد و همچنین سه عدد تابع img0، img0 و img0 که مقدار آنها صحیح هستند، به این ترتیب تعریف می‌گردند:

        img0: عبارت است از پهنای باند قابل دسترس در یال جهت‌دار img0.

        img0: تأخیر انتشار را برای یال جهت‌دار img0 نشان می‌دهد.

        img0: تأخیر صف‌بندی در گره img0 را نمایش می‌دهد. در این تحقیق فرض می‌شود برای هر یال و گره شروع آن، تأخیر img0 برابر با مقدار زیر تعریف می‌شود

img0        (1)

توجه شود که img0 به‌اختصار، شبکه img0 نامیده می‌شود. با توجه به شکل 1، گره img0 مبدأ و گره‌های img0، img0 و img0 به‌ترتیب نشان‌دهنده گره‌های مقصد هستند.

تعریف 2) مسئله مسیریابی تک‌پراکن تک‌کاناله [30] و [31] یا 12USCR: مطابق شکل 1 در یک مسئله تک‌پراکن، هدف این است که پیام به اندازه img0 از یک مبدأ img0 به یک مقصد img0 توسط مسیری مانند img0 منتقل گردد. مطابق شکل 1 و تعریف 3، مسیر img0 یک مسیر تک‌پراکن تک‌کاناله یا 13USCP نامیده می‌شود. همچنین مطابق با شکل 1، مسیر حاصل از جمع دو مسیر img0 و img0، یک مسیر تک‌پراکن چندکاناله نامیده می‌شود که شامل حلقه نیز خواهد بود. این دو مسیر از مبدأ img0 به مقصد img0 منتهی می‌شوند. بسته‌هایی که از img0 به سمت img0 ارسال می‌شوند می‌توانند بین این دو مسیر توزیع گردند.

تعریف 3) تأخیر مسیر [29] تا [31]: یک مسیر منفرد USCP عبارت است از یک مسیر

img0        (2)

شامل گره‌های img0 که به‌اختصار مسیر منفرد بدون حلقه هم نامیده می‌شود. زمان مورد نیاز برای انتقال پیام در طول یک مسیر منفرد img0 با استفاده از img0 عبارت است از

img0        (3)

تأخیر مسیر USCP به شرح زیر محاسبه می‌شود

img0        (4)

تعریف 4) مسیر تک‌پراکن چندکاناله [29] و [30] یا 14UMCP: یک مسیر تک‌پراکن چندکاناله بین img0 و img0 از چند عدد USCP تشکیل می‌گردد که مبدأ همه آنها img0 و مقصد همه آنها نیز img0 است و شامل یک یا چند حلقه نیز خواهد شد. این USCPها ممکن است در یک یا چند یال با یکدیگر مشترک باشند (شکل 1).

تعریف 5) پهنای باند قابل دسترس یک مسیر [29] و [32]: پهنای باند قابل دسترس در یک مسیر USCP به‌صورت img0 برابر است با

img0        (5)

هر مسیر USCP در یک UMCP می‌تواند بخشی از پیام img0 را از مبدأ به مقصد منتقل کند.

تعریف 6) مسئله مسیریابی تک‌پراکن تک‌کاناله بهینه [29] تا [31] یا 15OUSR: در این مسئله یک پیام به اندازه img0 باید از مبدأ img0 به مقصد img0 توسط کوتاه‌ترین USCP منتقل گردد (یک UCSP با کمترین تأخیر)؛ به‌طوری که زمان img0 کمینه باشد [9]. این مسئله برای اولین بار با عنوان Quickest Path Problem توسط چن معرفی شد. البته روش‌های مختلفی مانند OSPF، RIP و EIGRP برای آن وجود دارد. همچنین به‌عنوان یک تحقیق جدید می‌توان برای آن یک مدل خطی بهینه ارائه کرد.

تعریف 7: مسئله مسیریابی تک‌پراکن چندکاناله بهینه [29] یا 16OUMR: این بخش به تشریح روش و نتایج حاصل از تحقیقات Xue می‌پردازد [30]. ایشان یک روش مسیریابی بهینه تک‌پراکن چندکاناله 
را با عنوان OUMR در شبکه‌های کامپیوتری ارائه کرده‌اند. فرض کنید که img0 اندازه یک پیام باشد که باید توسط چند USCP به شکل img0 از مبدأ img0 به مقصد img0 منتقل شود. هدف در اینجا تجزیه پیام img0 به img0 جزء صحیح و مثبت به‌صورت

img0        (6)

و نیز یافتن یک تجزیه صحیح مثبت برای پهنای باند اتصال img0 به‌صورت

img0        (7)

می‌باشد و نهایتاً کمینه‌کردن مقدار

img0        (8)

مد نظر است. لازم به ذکر است که روش OUMR از یک مدل خطی به نام MDF برای یافتن جواب بهینه متغیرهای img0 استفاده می‌کند و مشخص می‌نماید که در هر یالی باید به چه اندازه از پهنای باند مصرف شود. سپس به محاسبه اندازه هر جریان انتقال داده از مبدأ به مقصد می‌پردازد و مشخص می‌کند که از هر مسیر USCP باید چه جریانی به سمت مقصد ارسال شود. بدین ترتیب سعی می‌کند در مدت زمان کمینه img0، مقدار داده img0 را بین مسیرهای USCP توزیع کرده و از شبکه عبور داده و از مبدأ به مقصد ارسال کند.

Ford و Fulkerson ثابت کردند که مدل خطی MDF همواره یک جواب بهینه دارد [31]. مدل MDF به‌صورت زیر مدل‌سازی می‌گردد. در این مدل، زمان کمینه img0 توسط یک الگوریتم جستجوی دودویی محاسبه می‌شود و تابع هدف به‌صورت کمینه‌سازی است. قیدهای 1 و 2 نیز تضمین می‌کنند که مجموع جریان داده‌های ارسال‌شده از مبدأ در مقصد دریافت شوند. قید 3 نیز تضمین می‌کند مجموع جریان‌های واردشده به یک گره باید از آن گره خارج شود. قید 4 هم تضمین می‌کند پهنای مصرف‌شده در هر یال از پهنای باند قابل دسترس در آن یال بیشتر نشود. مدل بهینه‌سازی خطی MDF همراه با تابع هدف کمینه‌سازی آن به شرح زیر است [29] تا [31]

img0        (9)

در تابع هدف، مقدار img0 زمان لازم برای انتقال پیام را نشان می‌دهد که متغیر نیست و باید برای بار اول مقداردهی گردد. مقدار اولیه آن از (1) محاسبه می‌شود [30]

img0        

مسیر img0 در این رابطه، طولانی‌ترین مسیر در بین USCPهای مورد استفاده بین مبدأ و مقصد است. پس از حل مسائل فوق و مشخص‌شدن مقدار متغیرهای img0 و img0، با استفاده از یک الگوریتم دودویی، کمترین مقدار img0 که در تابع هدف صدق کند محاسبه خواهد شد. همچنین بیشینه داده عبورکرده از شبکه نیز برابر است با [29] و [31]

img0        (10)

تعریف 8) مسیریابی چندپراکن چندکاناله بهینه (درخت‌های حقله‌دار) [29] یا 17OMMR: با توجه به شکل 1، روش OMMR پیام به اندازه img0 را از مبدأ img0 به مقصدهای چندپراکنی img0، img0 و img0 ارسال می‌کند؛ به‌طوری که هر کدام از مسیرهای img0، img0 و img0 می‌تواند یک UMCP باشد و مدت زمان انتقال نیز باید کمینه شود. برای توضیح روش، لازم است مفاهیم و تعاریف مورد نیاز در این روش، تشریح گردند [29] تا [31].

تعریف 9) گره تک‌پراکن میانی: این گره، داده ورودی را فقط برای یک گره بعدی ارسال می‌کند.

تعریف 10) گره چندپراکن میانی: در این گره، داده ورودی به بیش از یک گره بعدی ارسال می‌شود. این کار با ایجاد یک یا چند کپی از داده ورودی، تولید و هر کپی برای یک گره بعدی ارسال می‌شود.

چندبرابرسازی: در یک گره چندپراکن لازم است برای ارسال داده به هر گره بعدی، کپی‌سازی انجام شود که چندبرابرسازی نامیده می‌شود. بیشترین ظرفیت چندبرابرسازی در یک گره چندپراکن با img0 و میزان چندبرابرسازی لازم در گره با img0 نمایش داده می‌شود.

تأخیر چندبرابرسازی: زمان لازم برای انجام عملیات چندبرابرسازی img0 در یک گره چندپراکن با img0 نشان داده می‌شود. اگر گره تک‌پراکن باشد و یا img0، آنگاه img0 است.

تعریف 11) مسئله مسیریابی چندکاناله چندپراکن بهینه [29]: فرضاً تعداد مقصدهای img0، img0 باشد و از مبدأ img0 به هر مقصد چندپراکن img0، img0 مسیر منفرد با نام img0 موجود باشد img0. برای انتقال پیام img0 از مبدأ img0 به هر کدام از مقصدهای img0 به‌طور هم‌زمان و جداگانه، زمان انتقال img0 باشد. مسئله تصمیم‌گیری مسیریابی چندکاناله چندپراکن عبارت است از مشخص‌کردن یک تجزیه به شرح زیر

img0        (11)

به‌طوری که هر img0 توسط img0 از مبدأ به تمام مقصدها ارسال می‌شود و همچنین لازم است پهنای باند برای هر یال img0 تجزیه گردد؛ به‌طوری که خواهیم داشت

img0        (12)

در گره‌های چندپراکن نیز پس از محاسبه img0، زمان انتقال مسیر توسط (13) مشخص می‌گردد

img0        (13)

زمان کمینه برای انتقال داده مورد نیاز توسط الگوریتم معرفی‌شده در [29] قابل محاسبه می‌باشد. مسئله تصمیم‌گیری چندکاناله چندپراکن با واحد زمانی img0 توسط مسئله Multicast Maximum Dynamic Flow یا img0 به‌صورت زیر قابل حل است [29]

img0        (14)

در صورتی که جواب بهینه M_MDF بالا img0 باشد، جریان ورودی img0 به مجموعه‌ای از جریان‌های متصل در شبکه و در گره‌های چندپراکن بین مسیرها توزیع می‌گردد. بیشترین مقدار داده‌ای که در زمان img0 از مبدأ img0 به مقصدهای img0 ارسال می‌گردد برابر با (15) است

img0        (15)

در نتیجه برای هر مقصد این مقدار برابر است با

img0        (16)

در شکل 1، یک پیام به اندازه img0 می‌تواند به قسمت‌های کوچک‌تر تقسیم گردد و هر قسمت از طریق مسیرهای منفرد img0، img0، img0 و img0 از مبدأ img0 به مقصدهای img0، img0 و img0 ارسال شود. البته هر بسته خارج‌شونده از img0 باید به سه مقصد نیز تحویل گردد؛ یعنی هر بسته باید به تعداد سه بار کپی‌سازی شود. در این انتقال، زمان باید کمینه شده و مشخص گردد از هر یال چه پهنای باندی استفاده شود.

یقیناً الگوریتم OMMR (ارسال بسته از یک مبدأ به چند مقصد) نسبت به الگوریتم OUMR (ارسال بسته از یک مبدأ به یک مقصد) سریع‌تر و کاراتر بوده و الگوریتم OUMR نیز نسبت به الگوریتم USCP سریع‌تر 
و کاراتر خواهد بود. اما سؤال اصلی آن است که آیا این الگوریتم‌ها نسبت به مصرف انرژی نیز بهینه‌اند؟ آیا این الگوریتم‌های بهینه نسبت به پارامترهای سبز شبکه نیز بهینه‌اند؟ در ادامه این تحقیق، این الگوریتم‌های بهینه نسبت به معیارهای سبزبودن، تحلیل خواهند شد و بر اساس این تحلیل، الگوریتم‌های مسیریابی سبز بهینه جدیدی ارائه می‌شوند.

تعریف 12: مسیریابی چندپراکن درختی18 [32] تا [34]: الگوریتم‌های چندپراکن، مطابق شکل 1 یک بسته را از یک مبدأ مانند img0 به بیش از یک مقصد مانند img0، img0 و img0 ارسال کرده و غالباً ساختار درختی (گراف بدون حلقه) دارند. ریشه درخت در مبدأ و برگ‌های آن نیز گره‌های مقصد هستند. برای هر مسیر تشکیل‌شده از تعدادی یال img0 استفاده می‌شود و علامت img0 معرف تأخیر کل مسیر و علامت img0 نمایش‌دهنده حداکثر پهنای باند قابل دسترس در یال‌های این مسیر است. مسیر درختی MST یکی از درخت‌های معروف چندپراکنی بدون حلقه است.

4-       تحلیل سبز مسیریابی‌های بهینه بین مبدأ و مقصد

برای تشریح الگوریتم‌های مسیریابی ‌معرفی‌شده در بخش قبلی، شبکه ساده ارائه‌شده در شکل 2 را در نظر می‌گیریم. گره img0، گره مبدأ و گره‌های img0، img0، img0 و img0 گره‌های مقصدها را نمایش می‌دهند. همچنین گره‌های img0، img0 و img0 از نوع چندپراکن میانی و سایر گره‌ها از نوع تک‌پراکن میانی هستند. برای راحتی کار، یال‌ها و گره‌های چندپراکن را با متغیرهای img0 مشخص کرده‌ایم. مثلاً در لینک img0، پهنای باند قابل دسترس آن 6 واحد داده بر واحد زمان و تأخیر آن نیز 2 واحد زمانی است. یعنی اگر یک واحد داده‌ای (یا 6 واحد داده‌ای به‌طور هم‌زمان) از img0 خارج شود، بعد از 2 واحد زمانی به img0 خواهد رسید. در این مقاله منظور از یک بسته، یک واحد داده‌ای است که در حالت کلی نیازی به اندازه‌گیری آن  بر  حسب  بیت  یا  بایت  نیست.  همچنین  برای  اندازه‌گیری  زمان،  عبارت 

img0 

شکل 2:  یک شبکه نمونه img0 با منابع مشخص که به‌صورت گراف نمایش داده شده است.

 

واحد زمانی به‌کار می‌رود که یک عبارت کلی بوده و برحسب ثانیه محاسبه نمی‌شود. حجم یک پیام داده‌ای نیز به‌صورت مضربی از واحدهای داده‌ای یا بسته‌ای است. واحد اندازه‌گیری پهنای باند نیز «یک واحد داده بر یک واحد زمان است» که مشابه نرخ انتقال داده است. یک یا چند واحد داده‌ای می‌توانند به‌صورت پیاپی با اختلاف زمانی معادل یک واحد زمانی از یکدیگر در یک گره مبدأ تولید و ارسال شوند.

متغیر img0 نیز پهنای باند مصرف‌شده از یال img0 را نشان می‌دهد که در هر کدام از روش‌های مسیریابی قابل محاسبه است و داریم: img0. مشخصات منابع موجود در گره‌ها و لینک‌ها نیز در جدول داخل شکل قابل مشاهده است. در ادامه جهت درک فرایند مسیریابی و مراحل انتقال داده از یک مبدأ به یک یا چند مقصد، مسئله‌های تک‌پراکن تک‌کاناله، تک‌پراکن چندکاناله بهینه و چندپراکن چندکاناله بهینه را از مبدأ img0 به یک یا چند مقصد به‌عنوان مثال تشریح می‌کنیم. حجم پیامی img0 که باید منتقل شود برابر با 80 واحد داده‌ای است.

4-1 اجرای مسیرهای تک‌پراکن تک‌کاناله بهینه در شکل 2

باید مسیرهای USCP را بین img0 و img0 اجرا کنیم. در مسئله مسیریابی تک‌پراکن تک‌کاناله از img0 به img0، مسیرهای img0 و img0 می‌توانند استفاده شوند. برای هر دو مسیر، زمان انتقال و پهنای باند قابل دسترس را محاسبه می‌کنیم. طبق محاسبات زیر برای انتقال img0 واحد داده از مسیر img0، عبارت img0 مقدار زمان کمینه را نشان می‌دهد؛ لذا برای ارسال پیام img0 از کانال منفرد img0، 16 واحد زمانی لازم است [29] تا [31]

img0 

(الف)

img0 

(ب)

شکل 3:  مسئله مسیریابی تک‌پراکن تک‌کاناله برای img0. خطوط نقطه‌چین مسیر عبور داده را نشان می‌دهد. (الف) جریان ورودی وارد مبدأ می‌شود و (ب) مسیر img0 با کمترین زمان انتقال انتخاب می‌شود.

(در متن ارجاع ندارد)

img0        (17)

برای انتقال img0 واحد داده‌ای از مسیر img0، زمان کمینه و پهنای باند قابل دسترس به شرح زیر قابل محاسبه است

img0        (18)

لذا مشاهده می‌شود که مسیر img0 از مسیر img0 سریع‌تر بوده و نرخ انتقال داده بالاتری دارد. نرخ انتقال داده در دو مسیر img0 و img0 به‌ترتیب برابرند با img0 و img0 واحد داده بر واحد زمان؛ لذا img0 مسیر بهینه است.

4-2 اجرای مسیریابی تک‌پراکن چندکاناله بهینه در شکل 2

در شکل 4- الف باید مسیرهای UMCP را بین img0 و img0 اجرا نماییم. فرض کنیم که در مسیریابی تک‌پراکن چندکاناله از img0 به img0، فقط از دو مسیر img0 و img0 استفاده نماییم؛ البته می‌توانیم مسیرهای دیگری را نیز اضافه کنیم. در این صورت تابع هدف و قیدهای مدل خطی MDF به شرح زیر ساخته خواهند شد

img0        (19)

در تابع هدف که تابع کمینه‌سازی است، img0 زمان استفاده از شبکه را نشان می‌دهد که متغیر نیست و باید در تکرار اول الگوریتم از مقدار تأخیر در  هر  دو  مسیر img0 و img0 بیشتر  در  نظر  گرفته  شود.  قیدهای  1  تا  4  نیز 

img0 

(الف)

img0 

(ب)

img0 

(ج)

img0 

(د)

img0 

(ﻫ)

img0 

(و)

شکل 4:  الگوریتم UMCP برای انتقال پیام به حجم 80 بین img0 و img0 اجرا می‌شود.

 

نشان می‌دهند در هر گره بین فلوی ورودی و خروجی به یال‌ها چه قانونی برقرار است.

به عنوان مثال در گره img0، مجموع فلوهای ورودی img0 و img0 برابر با فلوی خروجی img0 است. چون مسئله فوق یک مسئله برنامه‌ریزی خطی است، در نرم‌افزار Matlab یا QSB قابل حل می‌باشد و برای عبوردادن پیام img0 از img0 به img0، جواب بهینه آن به‌صورت زیر حاصل خواهد شد: img0، img0، img0، img0، img0 و img0. لذا مشاهده می‌شود برای انتقال پیام img0 به‌صورت تک‌پراکن چندکاناله در مقایسه با روش تک‌پراکن تک‌کاناله، زمان انتقال داده‌ها کوتاه‌تر و سرعت انتقال داده نیز بیشتر شده و برابر است با img0.

بر اساس شکل‌های 4- الف تا 4- و، روند اجرای الگوریتم مشخص گردیده و در این مراحل، مسئله مسیریابی تک‌پراکن چندکاناله در نشست img0 تشریح شده و پاسخ مسئله خطی MDF در شکل 4- و آمده است. مراحل الف تا ج نحوه عبور داده از کانال‌ها و تقدم و تأخر دریافت آن در هر گره را نشان می‌دهند. خطوط خط‌چین به معنای شرکت‌کردن اتصال در عبور داده هستند و جواب بهینه مسئله MDF در شکل 4- و قابل رؤیت است. در شکل 4- الف نیز هنوز مقدار هیچ یک از متغیرهای img0 محاسبه نشده است.

4-3 اجرای مسیرهای چندپراکن چندکاناله در شکل 2

اکنون در شکل 2 باید مسیرهای MMCP را بین مبدأ و مقصدها اجرا کنیم. در این مسئله پیام img0 از مبدأ img0 به مقصدهای img0، img0، img0 و img0 منتقل می‌شود و در هر مقصد نیز باید پیام img0 دریافت شود (جمعاً باید 320 واحد داده به مقصدها تحویل شود). سه گره img0، img0 و img0 پیام دریافتی را چندبرابرسازی می‌کنند. اکنون متغیرهای img0 الی img0 توسط مدل بهینه‌سازی خطی M-MDF مدل‌سازی و محاسبه خواهند شد. با توجه به قوانین و تابع هدف، یک مسئله چندپراکنی چندکاناله داریم. معادلات (20) تا (27) مربوط به مدل M_MDF(T) هستند که با تشریح اثرگذاری در ذیل مشخص و درج شده‌اند. در هر گره، یک معادله یا قانون مرتبط به آن گره اعمال شده است.

معادلات مربوط به اعمال مسئله خطی M_MDF(T) در مسئله مسیریابی چندپراکن چندکاناله برای توپولوژی شکل 2 به شرح زیر خواهد بود. توجه شود معادلات به‌ترتیب برحسب قیود مسئله اصلی ساخته می‌شوند و نام هرگره قبل از معادلات مرتبط ذکر شده است.

رابطه (20) تابع هدف را با متغیرهای آن نمایش می‌دهد

img0        (20)

رابطه (21) معادله بین جریان‌های ورودی و خروجی در گره مبدأ img0 را نشان می‌دهد

img0        (21)

رابطه (22) ارتباط بین متغیرهای جریانی و چندبرابرسازی در گره‌های میانی را نمایش می‌دهد

img0        (22)

روابط (23) نشان می‌دهند جریان ورودی به مبدأ باید برابر با جریان‌های ورودی به مقصدها باشد

img0        (23)

رابطه (24) محاسبه لازم برای چندبرابرسازی داده‌ها در گره‌های میانی را تعیین می‌کند

img0        (24)

رابطه (25) باعث می‌شود که در گره‌های چندبرابرسازی، داده اضافی تولید نشود

img0        (25)

img0 

(الف)

img0 

(ب)

img0 

(ج)

img0 

(د)

img0 

(ﻫ)

img0 

(و)

img0 

(ز)

img0 

(ح)

شکل 5:  تشریح مراحل انتقال داده از گره img0 به گره‌های مقصد img0 تا img0 با روش مسیریابی چندپراکن چندکاناله بهینه. مرحله‌های (الف) تا (د) نحوه اجرای الگوریتم را تشریح می‌کنند.

رابطه (26) کران متغیرهای جراینی و چندبرابرساز را تعیین می‌کند

img0        (26)

رابطه (27) تعیین می‌کند که کران متغیرهای چندبرابرساز باید چه‌قدر باشد

img0        (27)

مسئله M-MDF بالا (مطابق (20) تا (27)) یک مسئله بهینه‌سازی خطی است و توسط نرم‌افزار MATLAB یا QSB قابل حل است. پس از حل مسئله بالا، ابتدا مقادیر متغیرهای img0 محاسبه شده و سپس مسیرها مطابق با شکل 5، انتخاب و علامت‌گذاری می‌گردند.

طبق مراحل مختلف ذکرشده در شکل‌های 5- الف تا 5- ح برای مسئله مسیریابی چندپراکن چندکاناله بر روی مسیرهای img0 با توجه به مدل خطی M_MDF، ؟؟؟ به شرح زیر قابل اعمال است:

الف) یک شبکه ساده با مقدار img0 برای هر یال و مقدار (28) برای هر گره چندپراکن

img0        (28)

ب) انتخاب و علامت‌گذاری مسیر img0

ج) انتخاب و علامت‌گذاری مسیر img0

د) انتخاب و علامت‌گذاری مسیر img0

ﻫ) انتخاب و علامت‌گذاری مسیر img0

و) انتخاب و علامت‌گذاری مسیر img0

ز) انتخاب و علامت‌گذاری مسیر img0

ح) انتخاب و علامت‌گذاری مسیر img0

در هر مرحله از تصویر، مسیر انتخاب‌شده بین مبدأ و مقصد مورد نظر نمایش داده شده است. مقدار اولیه img0 نیز طبق رابطه موجود محاسبه و جایگذاری می‌شود. مشاهده می‌گردد که در مسیریابی چندپراکن چندکاناله از تمام لینک‌های شبکه برای انتقال پیام استفاده شده است. همچنین زمان بهینه برای انتقال پیام img0 به هر چهار مقصد، طبق محاسبات الگوریتم برابر با 12/8 واحد زمانی است. به عبارت دیگر مقدار 320 واحد داده‌ای در 12/8 واحد زمانی به هر 4 مقصد منتقل شده است؛ لذا سرعت انتقال داده کل در این روش برابر با img0 است. همچنین سرعت انتقال داده برای هر گره به‌طور متوسط برابر با img0 است؛ بنابراین روش مسیریابی چندپراکنی چندکاناله در مقایسه با سایر روش‌ها از سرعت بسیار بالاتری برخوردار است. توجه شود که بر روی 
هر یال، یک برچسب img0 درج شده که img0 حداکثر پهنای باند قابل دسترس در اتصال img0 و img0 میزان تأخیر همان اتصال را نشان می‌دهد. برای هر گره چندپراکن، برچسب img0 نمایش داده 
شده که img0 حداکثر ظرفیت چندبرابرسازی و img0 نیز تأخیر چندبرابرسازی برای همین گره چندپراکن را نشان می‌دهد. مقادیری که توسط مسئله M_MDF برای متغیرهای img0 محاسبه و تخصیص می‌گردد، قبل از برچسب‌ها در شکل درج شده است.

4-4 تحلیل و مقایسه نتایج روش‌های مسیریابی از منظر کارایی و بهینگی

مطابق جدول 1 برای الگوریتم‌های OUSR، OUMR و OMMR، مقادیر متغیرهای img0 الی img0 و نیز مقادیر لازم برای متغیر img0 و پارامتر 

[1] این مقاله در تاریخ 3 ارديبهشت ماه 1402 دریافت و در تاریخ 13 شهريور ماه 1402 بازنگری شد.

 

محسن حیدریان (نویسنده مسئول)، دانشکده فناوری اطلاعات و 
مهندسی کامپیوتر، دانشگاه شهید مدنی آذربایجان، تبریز، ايران، 
(email: eydarian@azaruniv.ac.ir).

فریبا درویشیان، دانشکده فناوری اطلاعات و مهندسی کامپیوتر، دانشگاه شهید مدنی آذربایجان، تبریز، ايران، (email: f.darvishyan@azaruniv.ac.ir).

[2] . Renewable Energy

[3] . Green Networks

[4] . Open Shortest Path First

[5] . Routing Information Protocol

[6] . Enhanced Interior Gateway Routing Protocol

[7] . Minimum Spaning Tree

[8] . Quality of Services

[9] . Optimized Green Indexes

[10] . Saving and No Waste Production

[11] . No Discharging Resources

[12] . Unicast Single Channel Routing

[13] . Unicast Single Channel Path

[14] . Unicast Multichannel Path

[15] . Optimal Unicast Single Channel Routing

[16] . Optimal Unicast Multichannel Routing

[17] . Optimal Multicast Multichannel Routing

[18] . Tree Based Routing

جدول 1: نتایج مربوط به انواع مسیریابی در شبکه شکل 2 بین مبدأ و همه مقصدها.

 

Routing

img0 

img0 

img0 

img0 

img0 

img0 

img0 

img0 

img0 

img0 

img0 

img0 

img0 

img0 

img0 

img0 

img0 

img0 

1

4

4

5

5

5

1

4

5

3

2

2

6

4

5

5

12/8

img0 

OUSR

5

0

0

5

5

0

0

0

0

0

0

0

0

0

0

5

20

OUMR

5

0

0

5

5

0

0

0

0

0

0

0

0

0

0

5

20

img0 

OUSR

6

0

0

0

0

6

0

0

0

0

0

0

0

0

0

6

17

OUMR

6

4

4

0

0

10

0

0

0

0

0

0

0

0

0

10

4/11

img0 

OUSR

5

0

0

0

0

0

5

0

5

0

0

0

0

0

0

5

20

OUMR

4

4

0

0

0

0

4

4

8

0

0

0

0

0

0

8

96/12

img0 

OUSR

0

3

0

0

0

0

0

3

0

3

0

0

0

0

0

3

30

OUMR

5

0

0

0

0

0

5

0

0

3

2

2

0

0

0

5

31/20

 

جدول 2: منابع مصرف‌شده در الگوریتم‌های مسیریابی بهینه برای شکل 5 بین مبدأ و همه مقصدها.

 

پارامترهای مصرفی

OUSR

OUMR

OMMR

میانگین پهنای باند مصرفی هر مقصد

75/12=4÷51

20=4÷80

25/10=4÷41

میانگین گره مصرفی هر مقصد

75/3=4÷4/13

25/4=4÷4/17

25/2=4÷10

میانگین تعداد لینک مصرفی هر مقصد

75/2=4÷11

25/4=4÷17

3=4÷12

پهنای باند مصرفی کل مقصدها

51

80

41

میانگین سرعت انتقال داده به هر مقصد

84/3=4÷37/15

29/5=4÷15/21

86/9=12/8÷80

میانگین زمان انتقال به مقصدها

75/21=4÷87

19/16=4÷74/64

12/8

متوسط فلوی ورودی به مبدأ برای هر نشست

75/4=4÷19

7=4÷28

5

 

 

img0 محاسبه و درج شده است. این متغیرها در شکل 5 و جدول 1 مشخص گردیده‌اند. جدول 1 نشان می‌دهد الگوریتم OUMR در مقایسه با الگوریتم OUSR زمان انتقال را کاهش و فلوی ورودی را افزایش داده است. الگوریتم OMMR نیز نسبت به هر دو الگوریتم دیگر سرعت انتقال داده و فلوی ورودی را بیشتر کرده است.

در جدول 1، توجه شود در مسئله تک‌پراکن تک‌کاناله، جریان ورودی به مبدأ برابر با پهنای باند قابل دسترس در مسیر می‌باشد. همچنین الگوریتم‌های OMMR، OUMR و OUSR به‌ترتیب 1، 4 و 4 بار اجرا شده‌اند و در کل 320 واحد داده‌ای را از مبدأ به مقصد ارسال کرده‌اند. الگوریتم OMMR از دو الگوریتم دیگر کارآمدتر و سریع‌تر است.

در جدول 2 مشاهده می‌شود که الگوریتم OMMR در مقایسه با سایر الگوریتم‌ها، زمان، پهنای باند و تعداد لینک را کمتر مصرف کرده و سرعت انتقال داده را نیز افزایش داده است. اکنون نتایج حاصل برای سه الگوریتم فوق را از منظر استانداردهای سبز (سه معیار ذکرشده) بررسی و تحلیل می‌کنیم تا مشخص شود کدام الگوریتم مسیریابی بهینه با استاندارد شبکه سبز سازگارتر است. در بخش بعدی، تعدادی پارامتر جدید را معرفی می‌کنیم و نشان می‌دهیم این الگوریتم‌ها با توجه به این پارامترهای جدید، سبز نیستند و معیارهای سبزبودن را تضعیف می‌کنند.

4-5 تحلیل و مقایسه نتایج مسیرهای بهینه از منظر سبزبودن

در این بخش بر اساس سه اصل استاندارد سبزبودن شبکه‌ها، وضعیت سبزبودن الگوریتم‌های OUSR، OUMR و OMMR را بررسی می‌کنیم.

الف) تحلیل بر اساس اصل 4OptGrnIndx: اصل بهینگی چندمعیاری- چندبعدی

طبق این اصل، مشاهده می‌شود که معیارهایی مانند پهنای باند مصرفی یا زمان انتقال داده به‌صورت بهینه (بیشینه/ کمینه) محاسبه و مصرف می‌شوند؛ اما معیاری مانند تعداد نشست‌های موفق برگزارشده نمی‌تواند بهینه (بیشینه) شود. در الگوریتم‌های چندکاناله که حلقه دارند، یال‌هایی در گراف وجود دارند که در تعداد زیادی از مسیرها بین مبدأها و مقصدهای متعددی قرار دارند. به عبارت دیگر این یال‌ها بین مسیرهای زیادی مشترک هستند و در نتیجه به‌دلیل استفاده مکرر، پهنای باند آنها تقلیل می‌یابد و تبدیل به اتصال تنگنا می‌شوند. به عنوان مثال برای انتقال داده از img0 به img0 مسیرهای img0، img0 و img0 قابل استفاده هستند. در بین این سه مسیر، مسیر img0 با شرایط img0، img0 و img0، همان مسیر بهینه است (مطابق با جداول 1 و 2). بعد از برپاشدن این مسیر از پهنای باند img0 به اندازه 5 واحد مصرف می‌شود و پهنای باند باقیمانده در این مسیر به 1 کاهش می‌یابد. اکنون برای انتقال داده از img0 به img0 و img0 عملاً با یک اتصال تنگنا مواجه هستیم.

در این صورت، مسیر اولی که توسط الگوریتم‌های مسیریابی OUSR، OUMR یا OMMR از img0 به مقصدهای img0، img0 و img0 برپا می‌شود، یقیناً بخش بزرگی از پهنای باند img0 را مصرف خواهد کرد و پهنای باند بسیار کمی از img0 برای مسیرهای بعدی باقی خواهد ماند؛ لذا مسیرهای بعدی یا با پهنای باند بسیار کمی برپا می‌شوند یا قابلیت برگزاری نخواهند داشت. بنابراین تعداد مسیرهای بعدی که قابل تشکیل هستند به‌شدت کاهش می‌یابد؛ لذا بهتر است با استفاده از تکنیک‌های مهندسی ترافیک و بهینه‌سازی در الگوریتم‌های مسیریابی OUMR و OMMR تغییراتی ایجاد شود که این نقطه ضعف برطرف گردیده و علاوه بر پهنای باند مصرف‌شده، تعداد مسیرهای تشکیل‌شده را نیز بهینه (بیشینه/ کمینه) کنند. در این صورت معیارهایی نظیر پهنای باند مصرفی، یک معیار سبز محسوب نمی‌شوند و معیارهایی نظیر تعداد مسیرهای برپاشده، یک معیار سبز خواهند بود. به عبارت دیگر، الگوریتمی که بتواند پهنای باند مصرفی و تعداد مسیرهای تشکیل‌شده را همزمان بهینه کند، سبزتر است.

img0 

شکل 6:  الگوریتم OUSR نسبت به الگوریتم OUMR نشست‌های زیادی را با پهنای باند صفر مواجه کرده و این نشست‌ها را تشکیل نداده است.

 

ب) تحلیل بر اساس اصل 5NoWstProd: اصل هدرندادن منابع

طبق این اصل، حفظ (نگهداشت) منابع و عدم تبدیل منابع به ضایعات باید بررسی شود. اگر برای ارائه مقدار مشخصی از خدمات به یک نشست انتقال داده، مقدار منابع مصرف‌شده را کاهش دهیم، از ضایعات منابع جلوگیری کرده‌ایم. به عبارت دیگر برای ارائه خدمات، بدون اینکه از کمیت و کیفیت خدمات بکاهیم باید سعی کنیم از منابع کمتری استفاده کنیم. با توجه به نتایج جداول 2 و 3، الگوریتم OMMR در مقایسه با الگوریتم‌های OUSR و OUMR، منابعی نظیر پهنای باند، تعداد لینک‌ها، تعداد اتصالات، تعداد گره‌ها، زمان و تعداد مسیرهای کمتری را استفاده کرده؛ اما مثل دو الگوریتم دیگر، 320 واحد داده‌ای را از شبکه عبور داده است. نکته مهم دیگر اینکه الگوریتم OMMR به‌دلیل اینکه چندپراکنی است، فقط یک بار اجرا شده؛ اما دو الگوریتم دیگر، هر کدام 4 بار اجرا شده‌اند. لذا الگوریتم OMMR با مصرف منابع محاسباتی و مصرفی کمتر، داده بیشتری را از شبکه عبور داده و توانسته تا منابع بیشتری از شبکه را حفظ کرده و نجات دهد.

ج) تحلیل بر اساس اصل 7NoDisChrg: اصل تخلیه‌نکردن منابع

هدف این اصل، جلوگیری از بلعیده‌شدن منابع و تخلیه آنها توسط یک نشست انتقال داده است؛ به‌طوری که الگوریتم دچار نوسانات ناگهانی نشده و برای اجرای نشست‌های بعدی نیز به اندازه کافی منابع باقی بماند. فرض کنید قصد داریم با الگوریتم مسیریابی بهینه OUMR داده به حجم img0 را از مبدأ img0 به مقصد img0 به روش تک‌پراکن چندکاناله ارسال کنیم. در این صورت با حل مسئله OUMR برای این مسیر، جواب بهینه img0، img0، img0، img0 و img0 حاصل می‌شود. این امر باعث می‌گردد که همه پهنای باند img0 مصرف شده و پهنای باند باقیمانده در img0 و img0 نیز به 1 واحد برسد و این اتصالات به اتصال تنگنا تبدیل شوند. لذا به دلیل این تنگناها، عملاً برپایی مسیر از img0 به سمت img0 و img0 غیرممکن خواهد شد. این در حالی است که هنوز در سایر اتصالات img0، img0 و img0 به اندازه کافی پهنای باند وجود دارد که رها و آزاد بوده و علی‌رغم داشتن قابلیت استفاده نمی‌توان آنها را به‌کار برد (یعنی  به  ضایعات  تبدیل  شده‌اند).  این  مشکل  به  نوعی  بلاک‌شدن  منابع 

جدول 3: هر کدام از الگوریتم‌ها 100 بار بر روی توپولوژی شکل 2 اجرا شده است.
در هر بار اجرا، حجم داده منتقل‌شده به هر مقصد برابر با 80 واحد داده‌ای است.

 

                       روش

   معیار

OUSR

OUMR

OMMR

میانگین زماان انتقال

88/19

05/16

85/8

میانگین فلوی ورودی

7/13

67/20

11

img0 

26525/3451

13/0=

19544/6246

31/0=

24900/8800

35/0=

img0 

549/131

23/0=

573/335

58/0=

1200/400

33/0=

img0 

502/174

34/0=

499/405

81/0=

1000/450

45/0=

 

و قفل‌شدن شبکه محسوب می‌شود (نوسان شدید کارایی الگوریتم یا ایست ناگهانی الگوریتم). دلیل این امر آن است که الگوریتم بهینه‌سازی OUMR به‌صورت یکجا همه منابع در img0 و img0 را استفاده کرده که به معنای تخلیه‌کردن یا بلعیدن این منابع است. اگر با ابداع روش‌های جدید، الگوریتم OUMR را ارتقا دهیم و از این تخلیه‌کردن منابع جلوگیری کنیم، آنگاه مسیرهای منتهی به img0 و img0 نیز قابل اجرا خواهند بود. در واقع تخلیه منابع شبکه می‌تواند سایر مسیرها و منابع بالفعل را نیز از دسترس خارج کرده و باعث سقوط کارایی شبکه شود.

4-6 تحلیل به‌ازای تکرار زیاد الگوریتم‌ها

ابتدا سناریوی شبیه‌سازی به شکل زیر ارائه می‌شود: در ابتدای الگوریتم مسیریابی بهینه، OUSR، OUMR یا OMMR اجرا گردیده و سپس مسیر بهینه بین مبدأ و مقصد(ها) تشکیل می‌شود. در این مسیرها تعداد اتصالات، گره‌ها و پهنای باند به‌کارگرفته‌شده (مثل Consumed Nodes) و همچنین تعداد گره‌ها، اتصالات و پهنای باند قابل دسترس که به‌کار گرفته نشده‌اند (مثل Total Nodes) محاسبه می‌شود. مطابق جدول 3، خارج قسمت این دو مقدار می‌تواند مقدار مورد نظر برای مقایسه معیارهای 4OptGrnIndx، 5NoWstProd و 7NoDisChrg را در استاندارد سبز حاصل کند. خارج قسمت این مقادیر به ازای صد بار اجرای هر الگوریتم در جدول 3 آمده و هر الگوریتم به‌صورت متوالی و پی‌درپی اجرا می‌شود. به ازای اجرای بار اول، مقادیر صورت و مخرج کسر محاسبه می‌شود. یقیناً برای اجرای بار دوم، پهنای باند، تعداد گره‌ها و تعداد اتصالات کاهش خواهد یافت؛ لذا اجرای دوم الگوریتم یا مقدور است و یا به‌دلیل کمبود منابع، قابل اجرا نخواهد بود. به عبارت دیگر اجرای دوم یا سقوط می‌کند یا انجام می‌شود؛ لذا مقادیر صورت و مخرج مجدداً محاسبه شده و به مقادیر صورت و مخرج در اجرای بار اول افزوده می‌شوند. در نتیجه برای صد بار اجرا، مجموع صورت و مخرج کسر برای همه اجراهای موفق و سقوط‌کرده محاسبه خواهد شد.

در شکل 6 نتایج حاصل از صد بار اجرای الگوریتم‌های OUSR و OUMR نمایش داده شده است. این نمودار به‌خوبی نشان می‌دهد 
که ستون img0 برای الگوریتم OUSR بارها با صفر برابر شده است. به عبارتی نشست‌های سقوط‌کرده در این الگوریتم بسیار بیشتر از OUMR است. طبق این شکل مشاهده می‌شود که الگوریتم OUMR تعداد نشست‌های شکست‌خورده کمتری داشته و لذا میزان استفاده از پهنای باند در آن بهتر بوده و نیز با شدت کمتری منابع پهنای باند را تخلیه کرده است. با توجه به اینکه OUMR از  مسیرهای  چندکاناله  استفاده  می‌کند،  انعطاف‌پذیری  بیشتری  در  انتخاب 

img0 

شکل 7:  درصد تعداد گره‌های مصرفی بر مجموع تعداد گره‌ها برای دو الگوریتم OUSR و OUMR نشان می‌دهد که الگوریتم OUMR توانایی بیشتری در استفاده از گره‌های شبکه دارد.

 

img0 

شکل 8:  درصد تعداد اتصالات مصرفی بر مجموع تعداد اتصالات برای دو الگوریتم OUSR و OUMR نشان می‌دهد که الگوریتم OUMR توانایی بیشتری در استفاده از اتصالات شبکه دارد.

 

مسیر داشته و از تخلیه‌شدن منابع بیشتر جلوگیری می‌کند. اما مطابق با جدول 4 و شکل 5 مشاهده می‌شود هر سه الگوریتم از مشکل تخلیه منابع رنج می‌برند و شاخص

img0        (29)

برای هر سه از 50 درصد کل منابع کمتر است. به همین ترتیب با توجه به جدول 3 و شکل‌های 7 و 8 برای دو شاخص

img0        (30)

و

img0 

شکل 9:  الگوریتم OMMR با یک بار اجرای مسیریابی بین مبدأ و مقصدها برای بار دوم پهنای باند یا ظرفیت چندبرابرسازی قابلیت دسترسی نخواهد داشت؛ لذا نمودار این الگوریتم نشان می‌دهد که نشست‌های درخواستی، یک در میان مردود می‌شوند.

 

جدول 4: پارامترها و مقادیر شبیه‌سازی.

 

گره مبدأ

تعداد دفعات اجرا (n)

تعداد گره‌های مقصد

حداقل پهنای باند (lb)

حداکثر پهنای باند (ub)

حداقل تأخیر (ld)

حداکثر تأخیر (ud)

محدودیت پهنای باند (K)

اندازه پیام (σ)

A و B

10

3

20

50

1

5

350

80

 

img0        (31)

نیز مقدار به‌دست‌آمده پایین است. هر چند عملکرد الگوریتم OUMR از عملکرد OUSR بهتر است، اما هر دو الگوریتم در شاخص‌های تخلیه منابع، تعداد نشست‌های سقوط‌کرده و ضایعات منابع وضعیت مطلوبی ندارند. هر دو الگوریتم در مقایسه با OMMR داده یکسانی را با صرف منابع بیشتری از شبکه عبور می‌دهند.

مطابق شکل 7، این الگوریتم توانایی لازم برای بهره‌برداری از پهنای باند موجود در شبکه را ندارد. این بدان معناست که الگوریتم OUSR پهنای باند زیادی را به ضایعات تبدیل می‌کند. طبق شکل در نشست‌های زیادی، الگوریتم OUSR نتوانسته نشست انتقال داده را تشکیل بدهد 
و گره‌های مصرفی آن صفر بوده است. این بدان معناست که الگوریتم OUSR تعداد گره‌های زیادی را به ضایعات تبدیل می‌کند.

مطابق شکل 8 در نشست‌های زیادی، الگوریتم OUSR نتوانسته نشست انتقال داده را تشکیل بدهد و اتصالات مصرفی آن صفر بوده و بدان معناست که الگوریتم OUSR تعداد اتصالات زیادی را به ضایعات تبدیل می‌کند.

در مورد الگوریتم چندپراکن چندکاناله OMMR در نمودار مربوط به پهنای باند در شکل 9 پرش‌های متناوب مشاهده می‌گردد. عدم امکان برگزاری یک نشست چندپراکن جدید به‌دلیل وجود یک گلوگاه ظرفیت 
در گره‌های چندبرابرساز است. در صورتی که حداقل یکی از گره‌های چندبرابرساز، ظرفیتی برای چندبرابرسازی داده نداشته باشد با وجود پهنای باند و ظرفیت چندبرابرسازی در سایر گره‌ها، این نشست قابل اجرا نخواهد بود. در واقع تمام ظرفیت گره چندپراکن توسط نشست اول بلعیده می‌شود.

با توجه به نتایج حاصل، هر سه الگوریتم با بلعیدن تمام ظرفیت موجود (پهنای باند و در ظرفیت چندبرابرسازی در الگوریتم چندپراکن) و تخلیه منابع برای اجرای نشست‌های بعدی دچار مشکل می‌شوند و ضمن افزایش ضایعات در منابع شبکه، کارایی آنها نیز به‌شدت پایین می‌آید. در ادامه سعی می‌شود با ارتقای این الگوریتم‌ها، معیارهای سبزبودن را در آنها بهبود بخشیده و کارایی آنها را افزایش دهیم. از آنجا که برای سبزترکردن این الگوریتم‌ها، راه حل‌های متفاوتی برای هر کدام از آنها لازم است؛ در این تحقیق بر روی الگوریتم OUMR تمرکز می‌کنیم و بررسی دو الگوریتم OUSR و OMMR را به تحقیقات بعدی موکول می‌نماییم.

5-       ابداع روش جدید و تشریح دلایل ارتقای آن
 از منظر معیارهای سبز

5-1 هدف از ابداع الگوریتم مسیریابی بهینه سبز

در بخش پیش مشاهده شد که روش‌های مسیریابی بهینه موجود، 
سه معیار 4OptGrnIndx، 5NoWstProd و 7NoDisChrg را تضعیف کرده و در استاندارد سبزبودن مورد تأیید قرار نمی‌گیرند. با الهام از نتایج حاصل در بخش پیش، اینک قصد داریم الگوریتم مسیریابی بهینه‌ای ارائه کنیم که استاندارد سبز شبکه را بیشتر رعایت کند. در ادامه تحقیق، مدل برنامه‌ریزی خطی جدیدی برای مسیریابی بهینه ارائه می‌کنیم؛ به‌طوری که ضمن بهینه‌کردن سایر پارامترهای مورد نظر، ضایعات مصرف پهنای باند و زمان را نیز کاهش دهد. در بخش شبیه‌سازی و نتایج نشان می‌دهیم که الگوریتم مسیریابی بهینه جدید ضمن سبزبودن، نسبت به سایر الگوریتم‌های موجود کارایی بیشتری دارد.

5-2 متغیرسازی و شرح فرمال روش جدید

الف) بهبود معیار 4OptGrnIndx- بهینه‌سازی چندمعیاری

تابع هدف مدل خطی MDF به‌صورت img0 در 

روش OUMR است که در صورت قرینه‌کردن به تابع هدف بیشینه‌سازی img0  تبدیل  می‌شود.  این  تابع  هدف  نشان 

می‌دهد که مدل خطی MDF سعی می‌کند جریان ورودی img0 را به شبکه وارد کرده و آن را به‌گونه‌ای به جریان‌های img0 تجزیه کرده و از اتصالات شبکه عبور دهد که در مدت زمان img0، بیشترین مقدار داده از شبکه عبور کند. لذا این مدل خطی در مصرف پهنای باند، به‌کارگیری تعداد لینک‌ها، به‌کارگیری گره‌های شبکه و تعمیق جریان در بعضی مسیرها حریص بوده و سعی می‌کند مصرف آنها را بیشینه نماید. لذا به‌دلیل غفلت از معیارهای سبز، غیرسبز و غیرعادلانه عمل می‌کند. بنابراین ممکن است که جواب متغیرهای پهنای باند img0 را بیشینه و به‌صورت غیرعمد از بهینه‌سازی متغیرهای دیگر شبکه غفلت کند. در نتیجه ممکن است مصرف منابع شبکه در نشست تشکیل‌شده فعلی را بیشینه کرده و نشست‌های آتی را با کمبود جدی منابع مواجه نماید. این رفتار ناعادلانه با متغیرهای شبکه، عملکرد شبکه را غیرسبز خواهد کرد. برای رفع این مشکل بهتر است یک مدل خطی بهینه یعنی MDF جدید ایجاد کرده و با بهینه‌کردن متغیرهای بیشتری (سبز و غیرسبز)، سبزبودن الگوریتم را بهبود دهیم. مدل جدید MDF شامل متغیرها، معادلات و نامعادلات جدیدی بوده که می‌توانند معیار 4OptGrnIndx را محقق نمایند.

ب) بهبود معیار 7NoDisChrg- ممانعت از تخلیه‌شدن منابع شبکه

مدل MDF فعلی، منابع شبکه را برای مسیرهای اولیه تخلیه کرده و می‌بلعد و مسیرهای بعدی با کمبود شدید منابع روبه‌رو می‌شوند؛ لذا با طراحی و ساخت یک مدل جدید MDF و با افزودن متغیرها و قیدهای کنترلی جدید به آن می‌توان از شدت و سرعت تخلیه‌شدن منابع شبکه جلوگیری به عمل آورد.

ج) بهبود معیار 5NoWstProd- حفظ و ممانعت از هدررفتن منابع

نحوه تشکیل و اجرای مسیرهای اولیه توسط MDF فعلی می‌تواند بر روی کیفیت اجرای مسیرهای آتی اثرگذار باشد. مثلاً پراکندگی و موقعیت مکانی مسیرهای اولیه در توپولوژی شبکه ممکن است مسیرهای بعدی 
را با اتصال تنگنا مواجه کند؛ در نتیجه مسیرهای آتی با جریان ورودی کوچکی از img0 تشکیل خواهند شد. گاهی اوقات نیز این اتصالات تنگنا قابل استفاده نبوده و بلااستفاده باقی می‌مانند تا احتمالاً درخواست‌های بعدی، امکان استفاده از آنها را بیابند. این موضوع بدان معناست که در شبکه، منابع وجود دارند؛ اما به‌دلیل مشکلاتی نظیر بروز اتصال تنگنا، امکان بهره‌برداری از آنها نیست. این مشکل، هدررفتن ظرفیت یا هدررفتن منابع شبکه نامیده می‌شود. گاهی اوقات نیز ممکن است منابع زیادی برای ارائه خدمات کوچکی مصرف شود که این چالش، هدررفتن منابع شبکه نامیده می‌شود. لذا با ایجاد مدل جدید MDF و افزودن متغیرها و قیدهای جدیدی به آن می‌توان از هدررفتن منابع شبکه جلوگیری بیشتری به عمل آورد. با توجه به توضیحات فوق، لازم است مدل جدید MDF همراه با قیدها و متغیرهای جدید ساخته شود که این روش جدید را 1GMDF می‌نامیم.

تعریف فرمال مسئله جدید GMDF: هدف تعیین ضرایب کنترلی، تنظیم پهنای باند img0، img0، img0 و img0 است؛ به‌طوری که فلوی ورودی img0 به زنجیره‌ای از جریان‌های img0 تجزیه شود به قسمی که پهنای باند شبکه به‌صورت بهینه و عادلانه (با توزیع یکنواخت) در اختیار نشست‌های فعلی و بعدی شبکه قرار گیرد. همچنین قوانین ممانعت از تخلیه پهنای باند برای عادلانه و بهینه‌کردن مصرف پهنای باند توسط مسیرهای شبکه استفاده می‌شود. این قوانین به‌صورت شرط‌های جدید در مدل خطی جدید تعبیه می‌شوند. ما مدل خطی جدید GMDF را به شرح زیر ارائه می‌کنیم

img0        (32)

img0        (33)

img0        (34)

img0        (35)

img0 

شکل 10:  یک توپولوژی شامل 1 مبدأ، 2 مقصد، 7 گره میانی و 12 لینک یا اتصال برای تحلیل ضرایب مدل خطی جدید به‌ویژه تحلیل img0.

 

img0        (36)

img0        (37)

در تابع هدف جدید GMDF با توجه به اینکه مقدار تأخیر img0 برای هر لینک در این مدل خطی ثابت است، افزایش ضرایب img0 موجب کاهش متغیر img0 در تابع هدف خواهد شد و بالعکس. این امر باعث کاهش یا افزایش پهنای باند مصرفی در لینک img0ام می‌شود؛ لذا متغیر img0 مقدار پهنای باند مصرفی در لینک را کنترل خواهد کرد. به همین ترتیب متغیر img0 نیز مقدار جریان ورودی img0 را کنترل خواهد کرد. از طرف دیگر تغییرات ضرایب img0 و img0 می‌تواند تغییر در تأخیرهای img0 در لینک‌های مسیر بهینه محسوب شده و مسیر بین مبدأ و مقصد را عوض کند؛ لذا این ضرایب به‌عنوان ضرایب کنترلی و تغییردهنده مسیر یا توزیع مسیر در شبکه نیز می‌توانند تعبیر شوند.

قید 1 نشان می‌دهد که جریان ورودی img0 باید بر روی لینک‌های خارج‌شونده از گره مبدأ پخش شود. همچنین قید 2 نشان می‌دهد فلوهای واردشونده به مقصد باید برابر با فلوی img0 باشند. دو قید 1 و 2 به نوعی اصل بقای جریان را در شبکه تضمین می‌کنند؛ یعنی هیچ بخشی از داده نباید در شبکه حذف شود و کل داده ورودی به شبکه img0 باید برابر با کل داده خروجی از شبکه باشد img0. قید 3 نشان می‌دهد که مجموع جریان ورودی به یک گره میانی با مجموع جریان خروجی از همان گره میانی باید برابر باشد. در قید 4 ضرایب img0 و img0 می‌توانند کران پایین و بالای متغیرهای img0 را تغییر داده که این تغییرات نیز می‌تواند محدوده img0 را تغییر داده و کاهش یا افزایش آن را موجب شود. به عنوان مثال، یک تخصیص img0 و img0 بدین معناست که در لینک 7، مقدار پهنای باند مصرفی img0 نمی‌تواند از 50 درصد پهنای باند قابل دسترس لینک یعنی img0 کمتر و از 75 درصد آن نیز بیشتر شود. مقدار img0 در قید 5 نیز باعث می‌شود که پهنای باند مصرف‌شده در همه اتصالات یک نشست کران‌دار شده و از یک سقف و کف مشخصی در یک مسیر تقاضاشده تجاوز نکند. این قید تضمین می‌کند سایر نشست‌ها نیز به‌صورت بهینه از پهنای باند قابل قبولی برخوردار شوند.

مدل جدید 2GOUMR می‌تواند توزیع مصرف پهنای باند، تنظیم عادلانه پهنای باند، کاهش زمان انتقال در یک مسیر انتقال داده و امتیازات دیگری را عملی کند. روش GOUMR ابتدا مدل خطی GMDF را حل کرده و سپس زمان بهینه برای انتقال پیام را از مبدأ به مقصد محاسبه می‌کند. در این تحقیق در اولین اجرا فرض می‌کنیم که img0 و img0 است و در تکرارهای بعدی جهت انتخاب مسیرها، این ضرایب متناسب با نیازمندی‌ها تغییر کرده و به‌روزرسانی می‌شوند. تخصیص مقادیر مختلف به این ضرایب، مسیرهای بهینه انتخاب‌شده را تغییر می‌دهد و به ما اجازه می‌دهد بتوانیم ترافیک را در سطح توپولوژی شبکه به‌صورت دلخواه جابه‌جا کنیم.

قضیه 1: مسئله GMDF دارای جواب شدنی و بهینه است.

قضیه 2: تغییرات ضرایب img0، مقادیر متغیرهای img0 را به سمت کران بالا یا پایین آنها میل می‌دهد.

قضیه 3: تغییرات ضرایب img0 و img0، لینک‌های مسیر بهینه را تغییر می‌دهد و ترافیک بین مبدأ و مقصد را بر روی مسیرهای پرلینک یا کم‌لینک فشرده خواهد کرد (چگالی لینک بر روی مسیر بهینه را تغییر خواهد داد).

تغییرات img0 می‌تواند محدوده سبزبودن الگوریتم و مسیرهای بهینه انتخاب‌شده را تغییر دهد. برای درک بهتر تأثیر ضرایب فوق، شکل 9 را در نظر می‌گیریم.

در شکل 10، دو نشست تک‌پراکن چندکاناله بین مبدأ img0 و مقصدهای img0 و img0 تشکیل می‌شود. اولویت اجرای هر کدام از این نشست‌ها روی کارایی نشست بعدی تأثیرگذار است.

دو جریان img0 و img0 مطابق شکل 10 از مبدأ img0 وارد شبکه شده و به‌ترتیب به سمت مقصدهای img0 و img0 ارسال می‌شوند. ابتدا یکی از دو نشست را با الگوریتم OUMR و سپس نشست بعدی را اجرا می‌کنیم.
به این ترتیب مشخص می‌شود که تأثیر نشست اول بر روی نشست دوم 
و میزان مصرف منابع شبکه چگونه است. ابتدا نشست AB و سپس نشست AC را اجرا خواهیم کرد. نشست AB را مسئله اول برنامه‌ریزی خطی (1Problem) و نشست AC را مسئله دوم برنامه‌ریزی خطی (2Problem) نام‌گذاری می‌کنیم. در هر اجرا، میزان تأخیر و پهنای باند مسیرها به‌صورت تصادفی تولید شده است. در شکل 10، متغیرهای img0 وجود دارند. روش تولید قیدها در نشست‌های AB و AC مطابق با مدل خطی OUMR است؛ به عنوان مثال در گره img0، قید img0 قابل تولید می‌باشد. تابع هدف در این مسئله‌ها به شکل img0 است.

پارامتر  کنترلی  img0  با  قید  img0  به  مدل  خطی،  اعمال 

و مقدار img0 از صفر شروع می‌شود و در شکل‌های 11 تا 16 نمایش‌دهنده maximum available bandwidth یا همان شمارنده محور img0 است. مشاهده می‌شود در همه شکل‌های مذکور با تغییر مقدار img0 و نیز تغییر در اولویت اجراشدن دو مسئله 1 و 2، مقدار تحویل بسته‌ها به مقصد3، تعداد لینک‌های استفاده‌شده و نیز پهنای باند مصرف‌شده در دو مسئله دچار کاهش یا افزایش مهمی می‌شود؛ لذا دسترسی به یک مقدار img0 قابل قبول (بهینه) و نیز کنترل اولویت نشست‌ها نیاز به یک الگوریتم جدید دارد که هدف این تحقیق می‌باشد.

شکل‌های 14 تا 16 اجرای الگوریتم OUMR را برای دو مسئله نشان می‌دهند؛  به‌طوری  که  اول  نشست  AC  و  سپس  نشست  AB  اجرا  شده 

K:\Darvishian Paper\1-2.jpg 

شکل 11:  ابتدا نشست AB و بعد نشست AC اجرا شده است. مشاهده می‌شود با شروع img0 از صفر و افزایش آن، هر دو نشست قابلیت اجرا داشته و نشست AB همواره بیشتر از نشست AC پهنای باند مصرف کرده است. در این سناریو، نشست AC نیز مجال و مهلت اجرا پیدا کرده است.

 

K:\Darvishian Paper\1-3.jpg 

شکل 12:  ابتدا نشست AB و بعد نشست AC اجرا شده است. مشاهده می‌شود با شروع img0 از صفر و افزایش آن برای نشست دوم یعنی AC، باز هم لینک‌های زیادی قابل دسترس بوده است. تعداد کل لینک‌های توپولوژی شبکه 12 عدد است و دو مسیر تک‌پراکن چندکاناله توانسته‌اند به‌صورت مشترک از بعضی لینک‌ها استفاده کنند.

 

K:\Darvishian Paper\1-1.jpg 

شکل 13:  ابتدا نشست AB و بعد نشست AC اجرا شده است. مشاهده می‌شود با شروع img0 از صفر و افزایش آن، نشست دوم یعنی AC هم توانسته که همواره بسته‌هایی را به مقصد تحویل دهد.

K:\Darvishian Paper\2-2.jpg 

شکل 14:  ابتدا نشست AC و بعد نشست AB اجرا شده است. مشاهده می‌شود با افزایش img0 از یک نقطه به بعد به‌دلیل بلعیده‌شدن کل پهنای باند توسط نشست اول AC، نشست دوم AB توانایی اجراشدن را از دست داده است.

 

K:\Darvishian Paper\2-3.jpg 

شکل 15:  ابتدا نشست AC و بعد نشست AB اجرا شده است.

 

K:\Darvishian Paper\2-1.jpg 

شکل 16:  ابتدا نشست AC و بعد نشست AB اجرا شده است. نرخ تحویل بسته به مقصد از تکرار 41ام به بعد برای نشست AB صفر شده است.

 

است. در این حالت مشاهده می‌شود که معمولاً نشست AC منابع شبکه 
را بلعیده و نشست AB را در بسیاری از موارد غیر قابل اجرا کرده است. مطابق  با  شکل  15  مشاهده  می‌شود  با  تغییرات  مقدار img0 از  صفر  و  رشد 

جدول 5: پارامترها و مقادیر شبیه‌سازی.

 

تعداد گره مبدأ

تعداد دفعات اجرا (n)

تعداد گره‌های مقصد

حداقل پهنای باند (lb)

حداکثر پهنای باند (ub)

حداقل تأخیر (ld)

حداکثر تأخیر (ud)

محدودیت پهنای باند (K)

اندازه پیام (δ)

3

10

3

20

50

1

5

350

80

 

صعودی آن، تعداد نشست‌های قابل استفاده برای نشست دوم یعنی AB با نوسان همراه بوده و سرانجام از یک نقطه به بعد، نشست AB، دیگر مجال اجراشدن را نداشته و تعداد لینک‌های مصرفی آن صفر شده است.

مشاهده می‌شود برای اینکه نشست AB بعد از نشست AC دچار کاهش کارایی نشود، لازم است یک مقدار img0 بهینه و مطلوب محاسبه شود تا هر دو نشست کارآمد به کارشان ادامه دهند. به نظر می‌رسد مقدار img0 در این مسئله، مقدار مطلوبی باشد. برای اینکه نشست AC بعد از AB دچار مشکل نشود، مقدار img0 مناسب و بهینه است. مثال فوق نشان می‌دهد که تغییر ترتیب اجرای نشست‌ها، مقدار بهینه img0 را تغییر می‌دهد.

6-       شبیه‌سازی و نتایج

6-1 اصطلاحات و تعاریف

در ابتدا اصطلاحات جدید و لازم در شبیه‌سازی را به‌صورت ذیل معرفی می‌کنیم:

        فلوی ورودی img0: الگوریتم OUMR یا GOUMR اجازه می‌دهد فلوی ورودی با نرخ مشخصی از مبدأ به داخل مسیرهای تک‌پراکن چندکاناله جریان یابد. اگر یک الگوریتم، پهنای باند و تعداد اتصالات شبکه را هدر ندهد، یقیناً این پارامتر را افزایش خواهد داد.

        img0: عبارت است از مقدار داده‌ای که یک الگوریتم در مدت زمان مشخص img0 از مبدأ به مقصد انتقال می‌دهد. هنگام مقایسه الگوریتم‌ها با یکدیگر، مقدار img0 برای آنها یکسان در نظر گرفته خواهد شد.

        img0: مدت زمانی است که یک الگوریتم برای انتقال داده مشخصی از یک مبدأ به یک مقصد لازم دارد.

        معیار سبزبودن img0: معیار

img0        (38)

        را معیار سبزبودن یک الگوریتم در نظر می‌گیریم. توجه شود چون حجم داده‌ای که در یک نشست باید از شبکه عبور کند برای هر دو الگوریتم مساوی است، پس اگر یک الگوریتم بتواند هم‌زمان مقادیر img0 و img0 (فلوی ورودی مبدأ و پهنای باند مصرفی) را کاهش داده و مقدار img0 (زمان انتقال داده) را در سطح مطلوب و ثابتی حفظ کند، یقیناً می‌تواند سه معیار سبزبودن را بهبود دهد. یعنی الگوریتمی بهتر است که نسبت به الگوریتم‌های دیگر، ضایعات پهنای باند کمتری داشته باشد و با فلوی ورودی کمتری بتواند همان مقدار داده را در زمان قابل قبول‌تری (زمان برابر یک کمتر) از شبکه عبور دهد. لذا جهت مقایسه دو الگوریتم بر اساس معیار سبزبودن، الگوریتمی بهتر است که مقدار img0 کمتری را به‌ازای مقادیر مساوی img0 کسب کند.  از  طرف  دیگر  عدم  نوسان  مقدار img0 نشان  می‌دهد  که  یک 

جدول 6: پارامترهای شبیه‌سازی و مقایسه دو الگوریتم.

 

نام الگوریتم

تعداد دفعات اجرا (n)

تعداد تکرارها در هر اجرا

حداقل پهنای باند (lb)

حداکثر پهنای باند (ub)

حداقل تأخیر (ld)

حداکثر تأخیر (ud)

محدودیت پهنای باند (K)

OUMR

10

100

20

50

1

4

-

GOUMR

10

100

20

50

1

4

150

 

        الگوریتم در مصرف منابع شدت و ضعف ندارد و منابع را هدر نمی‌دهد؛ لذا پایداری مقدار img0 نیز نشان‌دهنده عملکرد سبز یک الگوریتم است. نتایج شبیه‌سازی نشان می‌دهند ضمن ثابت‌بودن مقدار img0، مدل GMDF در مقایسه با مدل MDF پارامترهای سبز شبکه را بهبود می‌دهد.

6-2 اجرای آزمایش 1

در شکل 16 شبکه img0 با دو مبدأ img0 و img0 و سه مقصد img0، img0 و img0 و وزن‌های img0 ارائه شده است (جدول 4)؛ به‌طوری که img0 و img0 می‌باشد.

در هر بار اجرا img0 بوده و مبدأ و مقصد به‌صورت تصادفی انتخاب می‌شوند. توجه گردد که بین دو مبدأ و سه مقصد مذکور، همواره شش نشست تک‌پراکن چندکاناله بین یک مبدأ و یک مقصد به‌صورت img0 قابل برگزاری است و هر شش نشست از شانس تصادفی یکسان برای برگزارشدن برخوردار هستند. یک نشست تقاضاشده بین یک مبدأ و یک مقصد، ممکن است به‌دلیل وجود اتصالات تنگنا، مسدودبودن مسیرها، تخلیه پهنای باند، ضایعات‌شدن پهنای باند و سایر دلایل، قابل برگزاری نباشد. نشستی که قابلیت اجرا پیدا نمی‌کند، یک نشست شکست‌خورده تلقی می‌شود. هر دو الگوریتم OUMR و GOUMR برای اجرای این شش نشست با شرایط یکسان بر روی توپولوژی شکل 17 اجرا می‌شوند و نتایج حاصل از اجرای آنها برای پارامترهای img0، img0، img0، img0 و img0 مقایسه خواهند شد.

6-3 اجرای آزمایش 2

اکنون برای انجام مقایسه‌های بیشتر بین دو الگوریتم جدید و قبلی، شبکه‌های بزرگ‌تری را در شبیه‌سازی لحاظ می‌کنیم. در شکل 21 شبکه img0 را با 77 یال و 36 گره مشاهده می‌نماییم. شبکه img0 با سه مبدأ img0، img0 و img0، سه مقصد img0، img0 و img0 و وزن‌های img0 ارائه شده است؛ به‌طوری که img0 و img0 می‌باشد. مانند آزمایش 1، دو الگوریتم OUMR و GOUMR را بر روی شکل 22 اجرا می‌کنیم و نتایج را بررسی و مقایسه خواهیم کرد. جدول 5 مقادیر و پارامترهای شبیه‌سازی را نمایش می‌دهد؛ لذا الگوریتم GOUMR نسبت به OUMR عملکرد بسیار مناسبی داشته و از هدردادن منابع و نشست‌ها به میزان چشم‌گیری جلوگیری می‌کند.

6-4 اجرای آزمایش 3

ما هر دو الگوریتم را در شرایط یکسان مطابق جدول 6 بر روی شکل 22 مورد آزمایش قرار می‌دهیم و در 10 اجرای متوالی نتایج آنها را تحلیل خواهیم  کرد.  در  هر  اجرا  نیز  هر  دو  الگوریتم  را  100  بار  بر  روی  شبکه 

img0 

شکل 17:  یک شبکه نمونه img0 جهت انجام شبیه‌سازی و مقایسه بین دو الگوریتم. در هر نشست تک‌پراکن چندکاناله، گره‌های A و B کاندیدای مبدأبودن و گره‌های img0، img0 و img0 نیز کاندیدای مقصدبودن هستند.

 

img0 

شکل 18:  مقایسه مقدار img0 در دو الگوریتم GOUMR و OUMR. مشاهده می‌شود که الگوریتم GOUMR مقادیر img0 کوچک‌تر و پایدارتری داشته و لذا از پهنای باند کمتری برای انتقال داده استفاده می‌کند؛ در نتیجه از تخلیه‌شدن پهنای باند و هدررفتن آن جلوگیری می‌کند. توجه شود برای هر دو الگوریتم داریم: img0. الگوریتم GOUMR به اندازه 86/0 الگوریتم OUMR جریان ورودی نیاز دارد و 14 درصد جریان ورودی به شبکه را کاهش می‌دهد (شکل‌های 18 تا 21).

(شکل‌های 18 تا 20 در متن ارجاع ندارند)

img0 

شکل 19:  مشاهده می‌شود که الگوریتم GOUMR به 95 درصد زمان OUMR برای انتقال داده از مبدأ به مقصد نیاز دارد و مصرف زمان را به اندازه 5 درصد کاهش می‌دهد. توجه شود برای هر دو الگوریتم داریم: img0.

 

به‌صورت متوالی پیاده‌سازی می‌کنیم. پارامترهای شبیه‌سازی در جدول 6 مشخص شده است. سپس نتایج حاصل از صد بار پیاده‌سازی را به‌صورت موردی و میانگین مورد تحلیل قرار می‌دهیم.

6-5 تحلیل هدردادن پهنای باند سراسری (پارامتر 1p)

جهت بررسی نحوه استفاده از پهنای باند در تمام اتصالات شبکه در هر تکرار، پارامتر

img0        (39)

را تعریف کرده و مورد بررسی قرار می‌دهیم. img0 مجموع پهنای باند مصرف‌شده در تمام اتصالات شبکه در تکرار img0ام img0 
و img0 مجموع پهنای باند اولیه در تمام اتصالات شبکه است. در واقع 
img0 مجموع پهنای باند در حال مصرف را توسط نشست جدید و سایر نشست‌هایی که به اتمام نرسیده‌اند، نشان می‌دهد. پس از اتمام هر نشست، پهنای باندی که توسط آن نشست در حال استفاده بوده است به پهنای باند قابل دسترس در شبکه برگردانده می‌شود.

img0 

شکل 20:  GOUMR به 98 درصد پهنای باند مورد نیاز OUMR نیاز دارد؛ لذا مصرف پهنای باند را به اندازه 2 درصد کاهش می‌دهد.

 

img0 

شکل 21:  الگوریتم GOUMR نسبت به الگوریتم OUMR سبزتر است؛ زیرا پارامتر 
img0 در آن به اندازه 81/0 درصد پارامتر img0 در OUMR بوده و پایدارتر است. هر دو الگوریتم به ازای مقدار img0 به تعداد 10 بار متوالی در شرایط مساوی و تصادفی بر روی توپولوژی شکل 17 اجرا شده‌اند. توجه شود که برای هر دو الگوریتم داریم: img0. هر اجرا بر روی منابع باقیمانده شبکه اعمال می‌شود. در این حالت، img0 یک مقدار مطلوب و بهینه است.

 

در شکل 27 نحوه استفاده از پهنای باند شبکه توسط دو الگوریتم OUMR و GOUMR مشاهده می‌شود. از آنجا که پهنای باند اولیه در شبکه برای هر دو الگوریتم یکسان بوده است، می‌توان ادعا کرد الگوریتم پیشنهادی با استفاده از پهنای باند کمتری نسبت به الگوریتم OUMR دیتا را عبور می‌دهد. همچنین استفاده از پهنای باند به شکل توزیع‌شده می‌باشد؛ در نتیجه الگوریتمی که پارامتر img0 آن کوچک‌تر است از پهنای باند کمتری برای انتقال دیتا استفاده می‌کند.

6-6 تحلیل هدردادن پهنای باند قابل دسترس (پارامتر 2p)

جهت بررسی نحوه استفاده از پهنای باند قابل دسترس توسط یک نشست، پارامتر

img0        (40)

را مورد بررسی قرار می‌دهیم. در اینجا img0 مجموع پهنای باند مصرف‌شده توسط نشست جدید در تکرار img0ام و img0 مجموع پهنای باند باقیمانده (قابل دسترس) اتصالات در تکرار img0ام است.

شکل 28 نشان می‌دهد که الگوریتم GOUMR بر عکس الگوریتم OUMR، پارامتر img0 را بسیار پایدار کنترل کرده است. الگوریتم OUMR در بسیاری از موارد نتوانسته از پهنای باند قابل دسترس موجود در اتصالات شبکه استفاده کند و نشست‌های درخواستی را با شکست مواجه کرده و پهنای باندی به آنها تخصیص نداده است. الگوریتم GOUMR در مقایسه با الگوریتم OUMR، مقدار پارامتر img0 را کاهش داده و توانسته که پهنای باند باقیمانده را به‌صورت مفیدتری استفاده نماید و از تولید ضایعات جلوگیری کند.

در شکل 28 نحوه استفاده از پهنای باند قابل دسترس توسط هر نشست جدید را مشاهده می‌کنیم. الگوریتم OUMR دارای نوسانات شدیدی در استفاده از پهنای باند قابل دسترس است. بالابودن پارامتر img0 در نقاط قله این نمودار، استفاده بالا از پهنای باند قابل دسترس برای 

[1] . Green Maximum Dynamic Flow

[2] . Green Optimal Unicast Multichannel Routing

[3] . Data Delivery

img0 

شکل 22:  یک شبکه با 36 گره و 77 اتصال. داده‌ها از سه مبدأ به سمت سه مقصد به‌صورت تک‌پراکن چندکاناله مسیریابی خواهند شد.

 

 

img0 

شکل 23:  زمان لازم برای انتقال داده در GOUMR نسبت به OUMR پایدار است و نسبت آن برابر با 07/1 می‌باشد. الگوریتم GOUMR زمان انتقال را به اندازه 7 درصد افزایش داده است.

(شکل‌های 23 تا 26 در متن ارجاع ندارند)

img0 

شکل 24:  جریان ورودی برای انتقال داده در GOUMR نسبت به OUMR پایدار است و نسبت آن برابر با 10/1 می‌باشد. الگوریتم GOUMR فلوی انتقال را به اندازه 10 درصد افزایش داده است.

 

img0 

شکل 25:  تعداد نشست‌های شکست‌خورده در GOUMR برابر با 5 و در OUMR برابر با 223 است که تفاوت بسیار چشم‌گیری را نشان می‌دهند. این مورد نشان می‌دهد که الگوریتم OUMR به‌دلیل عدم پایداری در پارامترهای img0 و img0 به‌شدت درخوست‌های تشکیل جلسه را با شکست مواجه می‌کند. الگوریتم OUMR نسبت به GOUMR بیش از 99 درصد نشست‌ها را با شکست مواجه می‌کند و کارایی را به‌شدت تهدید کرده و منابع را هدر می‌دهد. الگوریتم OUMR هنگام تشکیل نشست‌ها، بسیار بد عمل می‌کند و پهنای باند را به‌صورت شدیدی تخلیه می‌کند؛ به‌طوری که پس از آن مجبور می‌شود علی‌رغم وجود داشتن منابع، نشست‌های بسیار زیادی را رد کرده و با شکست مواجه کند.

img0 

شکل 26:  پارامتر img0 در الگوریتم OUMR نسبت به الگوریتم GOUMR بسیار ناپایدار است. توجه شود الگوریتم GOUMR نسبت به OUMR مقدار img0 را به اندازه 10 درصد افزایش می‌دهد.

 

img0 

شکل 27:  تحلیل و ارزیابی پارامتر img0. الگوریتم GOUMR نسبت به الگوریتم OUMR در مصرف پهنای باند بسیار پایدار عمل کرده و با مصرف پهنای باند کمتر، داده‌ها را از شبکه عبور می‌دهد؛ به عبارتی ضایعات کمتری دارد و سبزتر است.

 

img0 

شکل 28:  مقایسه پهنای باند قابل دسترس هدررفته در دو الگوریتم. الگوریتم GOUMR بهتر می‌تواند از پهنای باند قابل دسترس باقیمانده در شبکه استفاده کند.

img0 

شکل 29:  مقایسه سبزبودن دو الگوریتم. مشاهده می‌شود الگوریتم GOUMR پارامتر سبزبودن را افزایش داده است.

 

جدول 7: تعداد نشست‌های شکست‌خورده.

 

تعداد نشست‌های شکست‌خورده در الگوریتم GOUMR

تعداد نشست‌های شکست‌خورده در الگوریتم OUMR

شماره شبیه‌سازی

1

19

1

0

15

2

0

21

3

0

15

4

0

44

5

1

11

6

0

13

7

0

28

8

0

15

9

0

19

10

 

هر نشست را نشان می‌دهد که نشان‌دهنده بلعیدن پهنای باند در این 
نقاط قله‌ای است. به‌دلیل استفاده نامناسب و بیش از حد پهنای باند 
توسط نشست‌های در حال انجام، پهنای باند قابل دسترس برای اجرای نشست‌های بعدی کافی نیست؛ لذا در نقاطی که پارامتر img0 مقدار صفر را نشان می‌دهد الگوریتم OUMR توانایی برگزاری نشست بعدی را ندارد. در مقابل، الگوریتم GOUMR به‌دلیل استفاده از قید محدودکننده پهنای باند به‌صورت توزیع‌شده از پهنای باند قابل دسترس در شبکه استفاده می‌کند و احتمال شکست در اجرای نشست را بسیار کاهش داده و به 
همه نشست‌های درخواستی، پهنای باند اختصاص می‌دهد. الگوریتم GOUMR در مقایسه با OUMR توانسته که به‌صورت میانگین، پهنای باند قابل دسترس را 14 درصد بهتر مورد استفاده قرار دهد.

6-7 تحلیل معیار سبزبودن الگوریتم‌ها (پارامتر 3p)

جهت بررسی میزان سبزبودن الگوریتم‌های مسیریابی، پارامتر

img0        (41)

را مورد بررسی قرار می‌دهیم. با توجه به رابطه فوق، این پارامتر در بازه img0 قرار می‌گیرد. الگوریتمی که پارامتر img0 آن بزرگ‌تر باشد از لحاظ معیار سبزبودن بهتر عمل کرده است.

همان طور که در شکل 29 مشاهده می‌کنیم الگوریتم GOUMR در مقایسه با الگوریتم OUMR سبزتر است و این برتری در تمام دفعات اجرای شبیه‌سازی برقرار است. در واقع الگوریتم GOUMR همواره نسبت به  الگوریتم  OUMR،  پهنای  باند  بیشتری  را  بدون  استفاده  رها  می‌کند  و 

img0 

شکل 30:  الگوریتم GOUMR نسبت به الگوریتم OUMR زمان کمتری برای انتقال داده مصرف می‌کند.

 

این پهنای باند رهاشده می‌تواند در نشست‌های بعدی بهتر مورد استفاده قرار گیرد.

6-8 تحلیل هدردادن زمان

اجرای هر نشست از زمان شروع تا اتمام نشست در هر تکرار قابل اندازه‌گیری می‌باشد. همچنین زمان اجرای هر دو الگوریتم برای 100 بار درخواست اجرای نشست نیز قابل اندازه‌گیری است. ممکن است هنگامی که یک نشست جدید ایجاد می‌شود، نشست‌هایی که هنوز به اتمام نرسیده‌اند نیز در حال اجرا باشند. این همپوشانی زمانی در محاسبه زمان اجرای کل الگوریتم نیز لحاظ شده و منظور ما در اینجا، بازه زمانی شروع اولین نشست تا اتمام آخرین نشست است.

در شکل 30 مشاهده می‌کنیم که همواره الگوریتم GOUMR زمان اجرای کل کمتری دارد. در واقع الگوریتم پیشنهادی در مقایسه با الگوریتم OUMR در زمان کمتر و با شرایط یکسان در هر درخواست، داده‌ها را در زمان کمتری عبور داده است.

6-9 تحلیل نشست‌های شکست‌خورده

هر نشست از یک مبدأ مشخص به یک مقصد مشخص در صورتی که پهنای باند کافی برای اجرای آن نشست در مسیر موجود باشد، اجرا می‌شود و پهنای باند به آن اختصاص می‌یابد؛ در غیر این صورت یک نشست شکست‌خورده نامیده می‌شود. الگوریتمی که تعداد نشست‌های شکست‌خورده بیشتری در تعداد مشخصی از درخواست‌ها داشته باشد، عملکرد خوبی نخواهد داشت.

همان طور که در جدول 7 مشاهده می‌کنید الگوریتم OUMR برای تعداد img0 درخواست در تمامی دفعات اجرا، نشست‌های شکست‌خورده بیشتری نسبت به الگوریتم GOUMR دارد. در واقع الگوریتم پیشنهادی به‌دلیل توزیع مناسب پهنای باند به مسیرها، همیشه پهنای باند قابل دسترس کافی برای اجرای نشست‌های درخواستی جدید را در اختیار دارد.

7-       نتیجه‌گیری

الگوریتم‌های مسیریابی بهینه ممکن است بعضی از ویژگی‌های شبکه را بهینه کنند؛ اما ویژگی‌های سبزبودن شبکه را کاهش دهند. در این مقاله، روش جدید GOUMR ارائه شد که یک الگوریتم مسیریابی بهینه و جدید برای بیشینه‌کردن ویژگی‌های شبکه همراه با تقویت معیارهای سبز است. روش جدید GOUMR مبتنی بر برنامه‌ریزی خطی است. نتایج شبیه‌سازی نشان داد که الگوریتم جدید در مقایسه با الگوریتم موجود OUMR بیشتر استاندارد سبزبودن را رعایت می‌کند. سه ویژگی استاندارد سبزبودن شبکه در این تحقیق مد نظر قرار گرفت: 1) مصرف بهینه پهنای باند، تعداد گره‌ها و لینک‌های استفاده‌شده، 2) هدرندادن پهنای باند، تعداد گره‌ها و تعداد لینک‌های استفاده‌شده و 3) تخلیه‌نکردن پهنای باند، تعداد گره‌ها و تعداد لینک‌های استفاده‌شده. الگوریتم GOUMR در مقایسه با الگوریتم OUMR می‌تواند داده بیشتری را از شبکه انتقال دهد؛ در حالی که کاهش زیادی در پارامترهای زیر ایجاد کرده است: پهنای باند مصرفی، اتصالات مصرفی، انرژی مصرفی، زمان انتقال، ضایعات پهنای باند، ضایعات اتصالات و نشست‌های انتقال داده لغوشده.

مراجع

[1]       A. Mihailovic, B. Abrishamchi, and M. Farhoudi, "A comprehensive multi-topology minimum set cover link-state routing approach for emerging random all-IP access network ntopologies," J. of Computer Networks, vol. 219, Article ID: 109418, 2022.

[2]       A. Y. Romanov, E. V. Lezhnev, and A. Y. Glukhikh, "Development of routing algorithms in networks-on-chip based on two-dimensional optimal circulant topologies," J. of Heliyon, vol. 6, no. 1, Article ID: e03183, Jan. 2020.

[3]       Z. Basit, M. Tabassum, T. Sharma, and M. Furqan, "Performance analysis of OSPF and EIGRP convergence through IPsec tunnel using multi-homing BGP connection," Materials Today: Proceedings, vol. 62, no. 7, pp. 4853-4861, Dec. 2022.

[4]       D. Liu, B. Barber, and L. DiGrande, CHAPTER 5 - Routing Protocols: RIP, RIPv2, IGRP, EIGRP, OSPF, Cisco CCNA/CCENT Exam 640-802, 640-822, 640-816 Preparation Kit 2009, pp. 169-196.

[5]       H. Wu and Y. Gao, "An ant colony optimization based on local search for the vehicle routing problem with simultaneous pickup-delivery and time window," J. of Applied Soft Computing, vol. 139, no. C, Article ID: 110203, May 2023.

[6]       I. L. Cherif, L. Zitoune, and V. Vèque, "Energy efficient routing for wireless mesh networks with directional antennas: when Q-learning meets ant systems," J. of Ad Hoc Networks, vol. 121, Article ID: 102589, Oct. 2021.

[7]       A. Isazadeh and M. Heydarian, "Optimal multicast multichannel routing in computer networks," J. of Computer Communications, vol. 31, no. 17, pp. 4149-4161, Nov. 2008.

[8]       M. Garvey, R. G. Rieksts, B. Q. Ventura, and J. A. Ahn, 
"Binary linear programming models for robust broadcasting in communication networks," J. of Mathematics, vol. 204, pp. 173-184, May 2016.

[9]       J. Costa, J. M. Paniago, P. P. Andrade, J. Noronha, and T. F. Vieira, "Integer linear programming formulations for the variable data rate and variable channel bandwidth scheduling problem in wireless networks," J. of Computer Networks, vol. 165, Article ID: 106939, Dec. 2019.

[10]       Y. Liu and Q. Chen, "Collaborated eco-routing optimization for continuous traffic flow based on energy consumption difference of multiple vehicles," J. of Energy, vol. 274, Article ID: 127277, Jul. 2023.

[11]       M. M. Nasiri, H. Mousavi, and S. N. Abarghooee, "A green location-inventory-routing optimization model with simultaneous pickup and delivery under disruption risks," Decision Analytics J., vol. 6, Article ID: 100161, Mar. 2023.

[12]       S. Chaurasia, K. Kumar, and N. Kumar, "MOCRAW: a meta-heuristic optimized cluster head selection based routing algorithm for WSNs," J. of Ad Hoc Networks, vol. 141, Article ID: 103079, Mar. 2023.

[13]       A. Taneja, S. Rani, and S. Garg, "Energy aware resource control mechanism for improved performance in future green 6G networks," J. of Computer Networks, vol. 217, Article ID: 109333, Nov. 2022.

[14]       S. Kamble, P. Bhilwar, and B. R. Chandavarkar, "Novel fuzzy-based objective function for routing protocol for low power and lossy networks," J. of Ad Hoc Networks, vol 144, Article ID: 103150, May 2023.

[15]       R. Tirumalasetti and S. K. Singh, "Automatic dynamic user allocation with opportunistic routing over vehicles network for intelligent transport system," J. of Sustainable Energy Technologies and Assessments, vol. 57, Article ID: 103195, Jun. 2023.

[16]       B. R. Dawadi, D. B. Rawat, S. R. Joshi, and M. M. Keitsch, "Recommendations for energy efficient SoDIP6 network," in Proc. Int. Conf. on Computing, Networking and Communications, ICNC'19, pp. 714-718, Honolulu, HI, USA, 18-21 Feb. 2019.

[17]       C. Kaur and S. Kaur, "An energy efficient resource allocation policy in cloud infrastructure," International J. of Engineering Science, vol. 31, no. ???, pp. ???-???, Feb. 2024.

[18]       G. Koutsandria, V. DiValerio, D. Spenza, S. Basagni, and C. Petrioli, "Wake-up radio-based data forwarding for green wireless networks," J. of Computer Communications, vol. 160, pp. 172-185, Sept. 2020.

[19]       Y. Wu, B. Guo, Y. Shen, J. Wang, and X. Liu, "A cross-layer optimization and design approach under QoS constraints for green IP over WDM networks," J. of Computer Networks, vol. 76, pp. 177-190, May 2015.

[20]       C. Singhal, D. K. Jain, A. Tarable, and A. Nayyar, "Special issue on smart green computing for wireless sensor networks," J. of Computer Communications, vol. 190, no. C, pp. 216-218, Jun. 2022.

[21]       S. Kumar, et al., "Towards green communication in wireless sensor network: GA enabled distributed zone approach," J. of Ad Hoc Networks, vol. 93, Article ID: 101903, Oct. 2019.

[22]       F. Andreagiovanni, R. G. Garroppo, and M. G. Scutellà, "Green design of wireless local area networks by multiband robust optimization," J. of Electronic Notes in Discrete Mathematics,
vol. 64, pp. 225-234, Feb. 2018.

[23]       S. Abbasi and H. A. Choukolaei, "A systematic review of green supply chain network design literature focusing on carbon policy," Decision Analytics J., vol. 6, Article ID: 100189, Mar. 2023.

[24]       S. Dong, G. Ren, Y. Xue, and K. Liu, "Urban green innovation's spatial association networks in China and their mechanisms," J. of Sustainable Cities and Society, vol. 93, Article ID: 104536, Jun. 2023.

[25]       L. Melander and A. Arvidsson, "Green innovation networks: a research agenda," J. of Cleaner Production, vol. 357, no Article ID: 131926, May 2022.

[26]       C. H. Hsu and N. M. Eshwarappa, "Green communication approach for the smart city using renewable energy systems," J. of Energy Reports, vol. 8, pp. 9528-9540, Nov. 2022.

[27]       B. T. Geetha, P. S. Kumar, and B. S. Bama, "Green energy aware and cluster based communication for future load prediction in IoT," J. of Sustainable Energy Technologies and Assessments, vol. 52,
no. C, Article ID: 102244, Aug. 2022.

[28]       N. Drouant, E. Rondeau, J. P. Georges, and F. Lepage, "Designing green network architectures using the ten commandments for a mature ecosystem," J. of Computer Communications, vol. 42, pp. 38-46, Apr. 2014.

[29]       A. Isazadeh and M. Heydarian, "Optimal multicast multichannel routing in computer networks," Computer Communications, vol. 31, no. 17, pp. 4149-4161, Nov. 2008.

[30]       G. L. Xue, "Optimal multichannel data transmission in computer networks," J. of Computer Communications, vol. 26, no. 7, pp. 759-765, May 2003.

[31]       L. R. Ford and D. R. Fulkerson, "Constructing maximal dynamic flows from static flows," J. of Operation Reasearch, vol. 6, no. 3, pp. 419-433, Sept./Jun. 1958.

[32]       D. Lin, Z. Lin, L. Kong, and Y. L. Guan, "CMSTR: a constrained minimum spanning tree based routing protocol for wireless sensor networks," J. of Ad Hoc Networks, vol. 146, Article ID: 103160, Jul. 2023.

[33]       S. Babu and A. R. K. Parthiban, "DTMR: an adaptive distributed tree-based multicast routing protocol for vehicular networks," J. of Computer Standards & Interfaces, vol. 79, Article ID: 103551, Jan. 2022.

[34]       Q. Liu, H. P. Ren, R. J. Tang, and J. L. Yao, "Optimizing co-existing multicast routing trees in IP network via discrete artificial fish school algorithm," J. of Knowledge-Based Systems, vol. 191, Article ID: 105276, Mar. 2020.

 

محسن حیدریان در سال 1378 در مقطع کارشناسی ریاضی کاربردی از دانشکده ریاضی دانشگاه تبریز و در سال 1381 در مقطع کارشناسی ارشد ریاضی کاربردی (گرایش بهینه‌سازی) از دانشکده ریاضی دانشگاه تبریز فارغ‌التحصیل گردید. موضوع پایان‌نامه ایشان بر بهینه‌سازی کنترل ازدحام در شبکه‌های کامپیوتری تمرکز داشت و در سال 1389 مدرک دکتری در گرایش سیستم‌های کامپیوتری را از دانشگاه تبریز دریافت نمود. وی از سال 1389 در دانشکده فناوری اطلاعات و مهندسی کامپیوتر دانشگاه شهید مدنی آذربایجان به‌عنوان هیأت علمی مشغول تدریس و انجام فعالیت‌های پژوهشی است. رساله دکتری ایشان بر بهینه‌سازی انتقال داده در نشست‌های چندپراکنی تمرکز داشته است. زمینه‌های مورد علاقه وی عبارتند از امنیت شبکه، بهینه‌سازی کارایی شبکه، طراحی مرورگرهای امن، طراحی و ساخت نرم‌افزارها و سیستم‌های الکترونیکی در حوزه کنترل کیفی، اندازه‌گیری تلرانس‌های هندسی در صنعت و طراحی و ساخت سیستم‌های هوشمند مبتنی بر اینترنت اشیا.

 

فریبا درویشیان در سال 1396 در مقطع کارشناسی از دانشگاه سید جمال‌الدین اسدآبادی در گرایش مهندسی نرم‌افزار و در سال 1401 از دانشگاه شهید مدنی آذربایجان در مقطع کارشناسی ارشد گرایش مهندسی فناوری اطلاعات فارغ‌التحصیل گردید. پایان‌نامه وی با عنوان «یک مدل ارتقای امنیت اعتمادپذیري در شبکه‌هاي اجتماعی اینترنت اشیا» مورد دفاع قرار گرفت. نام‌برده به مباحث اعتمادپذیری، امنیت شبکه، بهینگی کارایی شبکه و توسعه نرم‌افزار علاقه‌مند بوده و پس از فارغ‌التحصیلی، عمده فعالیت‌های ایشان بر روی توسعه نرم‌افزار متمرکز شده است.

 

 

 

 

 

 

 

 

 

 


Rimag

Rimag is an integrated platform to accomplish all scientific journal requirements such as submission, evaluation, reviewing, editing, DOI assignment and publishing in the web.

Links

Related Centers

Technical Support

Official pages

The rights to this website are owned by the Raimag Press Management System.
Copyright © 2017-2024

Home| Login| About Rimag| Contact Us|
[فارسی] [العربية] [fa] [ar]