Sistem Komputer Dan Jaringan

ARTIFICIAL INTELLIGENCE BASED LOAD BALANCING IN SDN A COMPREHENSIVE SURVEY

Konsep SDN awalnya dikemukakan oleh para peneliti di universitas stanford. Penyedia layanan seperti ISP, DATA CENTER atau TELCO percaya pada SDN karena dapat mengelola sebagian besar fungsi komponen jaringan secara efisien. SDN menyediakan desain jaringan yang memisahkan bidang kontrol dari bidang data dan memungkinkan arsitektur jaringan yang lebih fleksibel, terukur, dan hemat biaya. Pengontrol SDN terpusat adalah bagian dari bidang kendali dan bertanggung jawab untuk merutekan paket.

Teknologi penting yang didukung oleh sdn adalah openflow dan path computation element. Open networking foundation (ONF) sangat menyarankan penggunaan openflow karena ini adalah protokol standar yang memisahkan bidang kendali dari switch dan menawarkan tautan komunikasi antara lapisan SDN (lapisan kontrol dan data).

Software Define Network (SDN) Architecture

Keunggulan software define network (SDN) 

• Kemampuan program jaringan. Fitur ini memungkinkan untuk memiliki kontrol terprogram atas jaringan dan mengembangkan jaringan tersebut tanpa mempengaruhi kinerja, keandalan, atau kualitasnya. 
• Menghilangkan kompleksitas lapisan infrastruktur dan menambah visibilitas untuk layanan dan aplikasi, sehingga menyederhanakan operasi manajemen jaringan.
• Administrator jaringan tidak diharuskan menggunakan kebijakan dan protokol khusus untuk perangkat jaringan secara individual dalam arsitektur sdn.
• Penggunaan sdn memungkinkan operator jaringan menghindari kemacetan dan mengurangi kompleksitas rekayasa lalu lintas.

Open Flow

Adalah protokol yang digunakan pada SDN yang berada di antara control plane dan data plane. Openflow ini dapat mengatur routing dan pengiriman paket dalam sebuah switch, dimana switch berfungsi hanya untuk meneruskan paket. Dengan openflow kita dapat untuk mengakses dan memanipulasi forwarding plane secara langsung pada perangkat seperti router dan switch. Controller SDN yang digunakan harus sudah mendukung protokol open flow.

Path computation element 

Dalam jaringan komputer, (PCE) adalah komponen sistem, aplikasi, atau node jaringan yang mampu menentukan dan menemukan rute yang sesuai untuk menyampaikan data antara sumber dan tujuan.

Load balancing (LB) 

Load balancing (LB) adalah strategi dimana banyak sumber daya digunakan untuk menangani satu tugas untuk mencegah kelebihan beban jaringan LB umumnya bertujuan untuk meminimalkan throughput dan waktu respons serta mengoptimalkan lalu lintas jaringan. Dalam jaringan konvensional, strategi penyeimbangan beban terkenal tidak akurat, sedangkan di SDN, strategi ini ditandai dengan akurasi dan performa tinggi. 

Kajian SDN secara komprehensif dapat menjadi tantangan karena sifatnya yang multidimensi. Meskipun load balancing (LB) dapat meningkatkan kinerja SDN, diperlukan lebih banyak penelitian mengenai hal ini, sehingga mendorong untuk melakukan penyelidikan lebih lanjut dalam bidang load balancing (LB) di SDN. Sepengetahuan kami, ini adalah survei load balancing (LB) komprehensif pertama dalam jaringan yang ditentukan perangkat lunak yang berkonsentrasi pada teknik kecerdasan buatan (AI) yang ada dan pengaruhnya terhadap kinerja SDN.

Mekanisme penyeimbangan Load balancing di SDN 

Pendekatan penyeimbangan beban yang tepat dapat secara efektif mengurangi waktu respons dan rasio kehilangan paket, meningkatkan pemanfaatan sumber daya, dan kelebihan beban. Selain itu, ini berpotensi meningkatkan skalabilitas, keandalan, rasio pengiriman paket, dan umur panjang jaringan. Metode penyeimbangan beban perlu dianalisis dan dibandingkan untuk menentukan solusi paling efektif terhadap masalah penyeimbangan beban dan mengidentifikasi kelebihan dan kekurangan masing-masing mekanisme. Parameter yang berbeda, yang dikenal sebagai parameter kualitatif, seperti latensi, konsumsi energi, rasio pengiriman paket, skalabilitas, dll., Harus dipertimbangkan selama proses perbandingan untuk memastikan hasil yang dapat diandalkan.

Classification of ai-based SDN load balancing methods 

Reviewed articles publication years and algorithms 

Evaluation metrics of reviewed articles

Mekanisme algoritma SDN load balancing metode berbasis pendekatan alam 

Terinspirasi alam adalah istilah yang digunakan untuk menggambarkan kelas algoritma meta-heuristik yang menyerupai atau terinspirasi oleh peristiwa alam yang dijelaskan oleh ilmu pengetahuan ilmiah. Pendekatan ini meningkatkan kinerja penyeimbangan beban SDN dalam hal pengurangan waktu tunggu secara keseluruhan, waktu respons, dan waktu penyelesaian sumber daya.

PARTICLE SWARM OPTIMIZATION (TFPSO) 

Particle Swarm Optimization (PSO) adalah salah satu teknik kecerdasan buatan yang berbasis pada konsep perilaku serangga seperti lebah dan serangga lainnya maupun perilaku burung burung. PSO digunakan untuk menemukan solusi optimal untuk masalah optimasi numerik. PSO mengikuti prinsip dari koloni serangga atau burung yang bekerja sama untuk menemukan makanan. Partikel dalam PSO mewakili solusi untuk masalah dan bergerak melalui ruang pencarian solusi untuk menemukan solusi optimal. Setiap partikel memiliki kecepatan dan posisi yang unik dan berinteraksi dengan partikel lain untuk memperbaiki solusinya. 

DALAM JURNAL 

J. KENNEDY AND R. EBERHART, “PARTICLE SWARM OPTIMIZATION,” IN PROCEEDINGS OF THE 1995 IEEE INTERNATIONAL CONFERENCE ON NEURAL NETWORKS, VOL. 4, PP. 1942–1948, PERTH, AUSTRALIA, DECEMBER 1995. 

DIPERKENALKAN OLEH KENNEDY DAN EBERHART PADA TAHUN 1995, PARTICLE SWARM OPTIMIZATION (PSO) TELAH MUNCUL SEBAGAI PENDEKATAN STOKASTIK YANG MAHIR DALAM KOMPUTASI EVOLUSIONER. SEJAK ITU TELAH DIGUNAKAN DI BERBAGAI BIDANG APLIKASI DAN PENELITIAN DAN BERHASIL MENGHASILKAN SOLUSI YANG OPTIMAL, 

ALGORITME INI MENIRU PERILAKU SOSIAL YANG DILAKUKAN INDIVIDU DALAM KAWANAN BURUNG ATAU KAWANAN IKAN SAAT MENCARI LOKASI MAKANAN TERBAIK (GLOBAL OPTIMA). ALGORITMA PSO TIDAK BERGANTUNG PADA KONDISI AWAL MAUPUN INFORMASI GRADIEN. KARENA HANYA BERGANTUNG PADA NILAI FUNGSI TUJUAN, HAL INI MEMBUAT ALGORITME SECARA KOMPUTASI LEBIH MURAH DAN LEBIH MUDAH DIIMPLEMENTASIKAN. KEBUTUHAN CPU DAN MEMORI YANG RENDAH MERUPAKAN KEUNTUNGAN LAINNYA.

DALAM JURNAL 

K. GOVINDARAJAN, V.S. KUMAR, AN INTELLIGENT LOAD BALANCER FOR SOFTWARE DEFINED NETWORKING (SDN) BASED CLOUD INFRASTRUCTURE, IN: PROCEEDINGS OF THE 2017 2 ND IEEE INTERNATIONAL CONFERENCE ON ELECTRICAL, COMPUTER AND COMMUNICATION TECHNOLOGIES, ICECCT 2017, 2017, https://doi.org/10.1109/%20ICECCT.2017.8117881

PENULIS MEMPRESENTASIKAN SOLUSI PENYEIMBANGAN BEBAN DINAMIS BERDASARKAN PARTICLE SWARM OPTIMIZATION (PSO). STUDI INI MENYAJIKAN METODE LB CERDAS UNTUK MENGONTROL SUMBER DAYA DAN MENJALANKAN APLIKASI SESUAI JADWAL DI LINGKUNGAN CLOUD. DALAM KARYA INI, FUNGSI FITNESS DIKEMBANGKAN UNTUK MENYEIMBANGKAN BEBAN DENGAN CEPAT DAN EFISIEN. PARA PENULIS TELAH MENEGASKAN BAHWA KARENA TEKNIK MEREKA, WAKTU RESPONS TELAH BERKURANG, HASIL TELAH MENINGKAT, DAN KEPUASAN PELANGGAN TELAH MENCAPAI TINGKAT MAKSIMUM YANG DIANTISIPASI. NAMUN METODE YANG DIUSULKAN HANYA EFEKTIF UNTUK APLIKASI DENGAN DATA YANG RELATIF TERBATAS.

BACTERIUM FORAGING ALGORITHM (BFO) 

DALAM JURNAL 

K. M. PASSINO, “BIOMIMICRY OF BACTERIAL FORAGING FOR DISTRIBUTED OPTIMIZATION AND CONTROL,” IEEE CONTROL SYSTEMS MAGAZINE, VOL. 22, NO. 3, PP. 52–67, 2002. 

BACTERIUM FORAGING ALGORITHM (BFO) YANG DIUSULKAN OLEH PASSINO PADA TAHUN 2002 [5] DIDASARKAN PADA SELEKSI ALAM YANG CENDERUNG MEMUSNAHKAN HEWAN DENGAN STRATEGI MENCARI MAKAN YANG BURUK. SETELAH BEBERAPA GENERASI, STRATEGI MENCARI MAKAN YANG BURUK AKAN TERSINGKIR, SEMENTARA HANYA INDIVIDU DENGAN STRATEGI MENCARI MAKAN YANG BAIK YANG DAPAT BERTAHAN HIDUP, YANG BERARTI YANG TERKUAT ADALAH YANG BERTAHAN HIDUP. BFO MERUMUSKAN PERILAKU MENCARI MAKAN YANG DITUNJUKKAN OLEH BAKTERI E. COLI SEBAGAI MASALAH OPTIMASI.

DALAM JURNAL 

S.P. SAHOO, M.R. KABAT, THE MULTI-CONSTRAINED MULTICAST ROUTING IMPROVED BY HYBRID BACTERIA FORAGING-PARTICLE SWARM OPTIMIZATION, COMPUT. SCI. 20 (2019).

MENEKANKAN HIBRIDISASI BACTERIUM FORAGING ALGORITHM (BFA) DAN ALGORITMA PSO UNTUK MENINGKATKAN SOLUSI MASALAH PERUTEAN MULTICAST QOS. KEMAMPUAN PSO DALAM MENGIRIMKAN INFORMASI SOSIAL DAPAT DISANDINGKAN DENGAN BFA UNTUK MENINGKATKAN KEMAMPUAN EKSPLORASI DAN EKSPLOITASI SECARA BERSAMAAN. PENDEKATAN YANG DIUSULKAN MENGHASILKAN KONEKSI YANG MEMERLUKAN PENUNDAAN KE SETIAP TUJUAN MULTICAST. BACTERIUM FORAGING ALGORITHM (BFA) MEMBUAT POHON MULTICAST DARI KUMPULAN JALUR LATENSI MINOR. UNTUK MENJAGA KESEIMBANGAN YANG ADIL ANTARA INTENSIFIKASI DAN DIVERSIFIKASI ALGORITMA, PENULIS SECARA DINAMIS MENGUBAH PARAMETER PSO UNTUK MEMENUHI PENCARIAN GLOBAL DAN BFO, MENGURANGI PENUNDAAN DAN MEMBERIKAN SOLUSI IDEAL. MESKIPUN DEMIKIAN, ADA KEBUTUHAN UNTUK MEMPERTIMBANGKAN FAKTOR TAMBAHAN TERTENTU SEPERTI KETERBATASAN MOBILITAS DAN ENERGI YANG TERKAIT DENGAN PERANGKAT/ SENSOR SELULER, SELAIN PARAMETER KUALITAS LAYANAN (QOS).

ANT COLONY OPTIMIZATION (ACO) 

ANT-BASED TECHNIQUES PERTAMA KALI DIGUNAKAN OLEH DORIGO ET. AL [1996] DENGAN MENGGUNAKAN ACO UNTUK MENYELESAIKAN TRAVELING SALESMAN PROBLEM (TSP). 

ANT-COLONY OPTIMIZATION (ACO) TERMASUK DALAM KELOMPOK SWARM INTELLIGENCE, YANG MERUPAKAN SALAH SATU JENIS PENGEMBANGAN PARADIGMA YANG DIGUNAKAN UNTUK MENYELESAIKAN MASALAH OPTIMASI DI MANA INSPIRASI YANG DIGUNAKAN UNTUK MEMECAHKAN MASALAH TERSEBUT BERASAL DARI PERILAKU KUMPULAN ATAU KAWANAN (SWARM) SERANGGA. ACO ADALAH TEKNIK PROBABILITAS UNTUK MENYELESAIKAN PERMASALAHAN, BERDASARKAN TINGKAH LAKU SEMUT DALAM SEBUAH KOLONI YANG MENCARI SUMBER MAKANAN. ACO BIASANYA DIGUNAKAN UNTUK MENYELESAIKAN DISCRETE OPTIMIZATION PROBLEMS DAN PERSOALAN YANG KOMPLEKS DIMANA TERDAPAT BANYAK VARIABEL. HASIL YANG DIPEROLEH DENGAN MENGGUNAKAN ACO, WALAUPUN TIDAK OPTIMAL NAMUN MENDEKATI OPTIMAL. 

SALAH SATU HAL YANG MENARIK DARI PERILAKU SEMUT ADALAH KEMAMPUANNYA DALAM MENEMUKAN JARAK TERPENDEK ANTARA SARANG MEREKA DAN SUMBER MAKANAN. SETIAP SEMUT DALAM KAWANAN YANG BERJALAN AKAN MENINGGALKAN PHEROMONE (SEMACAM ZAT KIMIA) PADA JALUR YANG DILALUINYA. PHEROMONE INI MENJADI SEMACAM SINYAL BAGI SESAMA SEMUT. PHEROMONE ADALAH ZAT KIMIA YANG BERASAL DARI KELENJAR ENDOKRIN DAN DIGUNAKAN OLEH MAKHLUK HIDUP UNTUK MENGENALI SESAMA JENIS, INDIVIDU LAIN, KELOMPOK, DAN UNTUK MEMBANTU PROSES REPRODUKSI. BERBEDA DENGAN HORMON, PHEROMONE MENYEBAR KE LUAR TUBUH DAN HANYA DAPAT MEMPENGARUHI DAN DIKENALI OLEH INDIVIDU LAIN YANG SEJENIS (SATU SPESIES).

DALAM JURNAL 

GUO, C. YUAN, NETWORK INTELLIGENT CONTROL AND TRAFFIC OPTIMIZATION BASED ON SDN AND ARTIFICIAL INTELLIGENCE, ELECTRON 10 (6) (2021) 1–20, HTTPS://DOI.ORG/10.3390/ELECTRONICS10060700.

PENULIS MENGKAJI DUA STRATEGI, ANT COLONY OPTIMIZATION (ACO) DAN PSO. SELAIN ITU, MENGGUNAKAN KONEKSI DAN NODE YANG DAPAT DIANDALKAN UNTUK MERANCANG JALUR KE NODE TARGET DAPAT MENINGKATKAN KECEPATAN DAN PENYEIMBANGAN BEBAN JARINGAN. PENULIS MENYAJIKAN KERANGKA KONSEPTUAL FUTUROLOGI SDN DENGAN MENGANALISIS KETAHANAN NODE DAN JARINGAN UNTUK MENYEIMBANGKAN BEBAN DAN MENINGKATKAN QOS.

DALAM JURNAL 

H. XUE, K.T. KIM, H.Y. YOUN, DYNAMIC LOAD BALANCING OF SOFTWARE-DEFINED NETWORKING BASED ON GENETIC-ANT COLONY OPTIMIZATION, SENSORS 19 (2) (2019), HTTPS://DOI.ORG/10.3390/S19020311 (SWITZERLAND). 

MAKALAH YANG DISAJIKAN OLEH MENGGUNAKAN ALGORITMA GENETIC (GA) DENGAN ACO UNTUK MENANGANI KETIDAKSEIMBANGAN BEBAN DAN LAG KONVERGENSI. PADA LANGKAH PENCARIAN KEDUA, GA DIGUNAKAN UNTUK MENGURANGI AREA PENCARIAN, MEMUNGKINKAN ALGORITMA ACO MENEMUKAN LINTASAN ALIRAN LB DENGAN BENAR. DENGAN METODE YANG DIUSULKAN, RTT DAN KECEPATAN PENGIRIMAN PAKET DITINGKATKAN SECARA SIGNIFIKAN DIBANDINGKAN DENGAN ALGORITMA ROUND ROBIN (RR) DAN ACO

Mekanisme algoritma SDN load balancing metode berbasis Machine Learning 

Beberapa penelitian telah merekomendasikan penggunaan metode pembelajaran mesin (ML) bersama dengan arsitektur SDN untuk mencapai peningkatan kinerja perutean menggunakan penekatan algoritma Knowledge-Defined Networking (KDN) dan menggunakan Artificial Neural Network (ANN). KDN menggunakan kecerdasan buatan untuk mengatur jaringan komputer; bidang pengetahuannya mencakup analisis jaringan dan telemetri yang komprehensif. Teknik yang disarankan, yaitu menggunakan ANN, memperkirakan kinerja jaringan berdasarkan latensi dan metrik lalu lintas di pada jaringan data center untuk memilih jalur dengan muatan paling sedikit.

MENUNJUKKAN ARSITEKTUR SISTEM UNTUK METODE PENYEIMBANGAN BEBAN YANG DIUSULKAN PADA PUSAT DATA BERBASIS KDN. SFLOW-RT DIGUNAKAN UNTUK MENGUMPULKAN METRIK (BANDWIDTH DAN LATENSI TRANSMISI) DARI SETIAP TAUTAN ANTAR SWITCH OPENFLOW. MODUL ANN MENGIMPLEMENTASIKAN MULTILAYER PERCEPTRON NETWORK (MLP) DAN PARAMETERISASI SERTA PENYIMPANAN DATA. PENGONTROL SDN PILIHAN (OPENDAYLIGHT) BERINTERAKSI DENGAN PROGRAM OPENFLOW.

METODE PENYEIMBANGAN BEBAN ALGORITMA AN ARTIFICIAL NEURAL NETWORK 

• JIKA PENGONTROL SDN HANYA MENEMUKAN SATU JALUR UNTUK TRANSMISI DATA, MAKA IA AKAN MEMBUAT TABEL ALIRAN DAN MENGALOKASIKANNYA KE SWITCH OPENFLOW UNTUK TRANSMISI DATA AKTIF.
• IKA PENGONTROL SDN MENEMUKAN BEBERAPA JALUR UNTUK TRANSMISI DATA, PENGONTROL TERSEBUT AKAN MENGIRIMKAN INFORMASI BEBAN BEBERAPA JALUR KE MODUL ANN. SELAIN ITU SFLOW-RT MENGUMPULKAN METRIK DARI 32 TAUTAN PUSAT DATA, YANG DIKIRIM KE MODUL ANN.
• MODUL ANN MEMPROSES METRIK DAN MEMILIH JALUR YANG PALING SEDIKIT DIMUAT DAN DIKIRIM KE PENGONTROL SDN.
• PENGONTROL SDN MENERIMA JALUR YANG DIPILIH DARI MODUL ANN DAN MEMBUAT TABEL ALIRAN UNTUK DIALOKASIKAN KE OPEN-FLOW SWITCH.
• PROSEDUR INI DIULANGI SETIAP 10 DETIK.
• BANDWIDTH (BW) MENCERMINKAN KONDISI BEBAN PADA SETIAP LINK.SFLOW-RT MENGIRIMKAN BANDWIDTH SETIAP LINK YANG MENGGUNAKANREST API KE MODUL ANN. JIKA SATU JALUR BERISI BEBERAPALINK, L1, L2,..., LN, DENGAN PEMANFAATAN BANDWIDTH YANG SESUAIRASIO SEBAGAI BW1, BW2,..., BWN, BANDWIDTH YANG TERSEDIARASIO JALUR INI DAPAT DIHITUNG DENGAN PERSAMAAN (1) :

• LATENSI (LATENSI) ADALAH WAKTU YANG DIHABISKAN OLEH SWITCH HOST PADA TRANSMISI DATA YANG DIPERLUKAN UNTUK MEMASUKKAN SEMUA BYTE PAKET KE DALAM KABEL SAMPAI DITERIMA OLEH SISTEM AKHIR. LATENSI TRANSMISI DAPAT MENUNJUKKAN STATUS KEMACETAN SUATU TAUTAN DAN SITUASI BEBAN SWITCH DALAM BEBERAPA JALUR. PENGONTROL SDN DAPAT MENGUMPULKAN BYTE NUM_BYTE YANG DIKIRIMKAN PADA PERIODE INI DAN LAJU TRANSMISI TXRATE PADA PORT SWITCH OPENFLOW YANG SESUAI. KEMUDIAN, LATENSI TRANSMISI DAPAT DIHITUNG DENGAN PERSAMAAN

• UNTUK BEBERAPA LINK L1, L2,..., LN DENGAN LATENCY TRANSMISINYA MASING-MASING LATENCY1, LATENCY2,..., LATENCYN, MAKA TOTAL LATENCY JALUR INI ADALAH SEBAGAI BERIKUT:

NEURAL NETWORK ARCHITECTURE

Kesimpulan 

Dalam Jurnal tersebut Menggunakan beberapa teknik load-balancing di jaringan SDN dapat meningkatkan kinerja jaringan karena SDN controller memiliki kemampuan untuk memberikan gambaran komprehensif tentang sumber daya yang tersedia. Selain itu, mengkategorikan solusi load-balancing SDN menjadi empat klasifikasi utama dengan subklasifikasi berdasarkan teknologi yang digunakan. Klasifikasi tersebut meliputi: 

• Nature inspired based load balancing methods 
• Machine learning based load balancing methods 
• Mathematical model based load balancing methods 
• Other dynamic load balancing methods 

Metrik yang digunakan untuk evaluasi kinerja load balancing di SDN antara lain: response time, throughput, resource utilization,latency, workload degree, deployment cost, jitter, packet loss ratio, delay, round trip time, bandwidth utilization ratio, migration delay, link utilization, flow completion time, migration cost, overhead, packet load ratio, konsumsi daya, dan Kepuasan konsumen.