ناقش قسم هندسة الحاسوب في الجامعة التكنولوجية أطروحة دكتوراه للطالبة سما سلام سمعان عن أطروحتها الموسومة :
Utilizing Big data to Enhance Software-Defined Networking Performance Issues
تحسين أداء الشبكات المعرفة برمجياً باستخدام البيانات الكبيرة
الهدف من هذه الأطروحة استخدام تقنيات وأدوات البيانات الكبيرة (Big Data) في تحسين أداء الشبكات المعرفة برمجياً (SDN) من حيث السرعة في الأداء ومساعدة المسيطر في إدارة الشبكة.
هذه الأطروحة تقترح نهجين للربط بين البيانات الضخمة big data وشبكة SDN. يستخدم النهج الأول تحليلات البيانات الضخمة من منظور حوسبة الرسم البياني (graph analytics) لمساعدة إدارة حركة المرور في شبكات SDN. تكمن حداثة العمل المقترح في دمج الرسوم البيانية المعرفية (knowledge graph)
لنمذجة الشبكة وتتبع حركة مرور البيانات في شبكات SDN. تم اقتراح نظام Topology Modeling Traffic Acquisition (TMTA)، والذي يعالج ديناميكية الشبكة من خلال تتبع التغيرات الحاصلة فيها وإحصاء حركة مرور البيانات في الوقت الحقيقي حيث يكتسب النظام المقترح هذه المعلومات من وحدة التحكم في SDN ويتم معالجتها وتخزينها في قاعدة بيانات Neo4j. يتم تنفيذ هذا العمل على مرحلتين متتاليتين، مرحلة نمذجة الشبكة (Topology Modeling) ومرحلة الحصول على إحصاء حركة المرور (Traffic Acquisition). بالإضافة إلى ذلك، نقدم كيفية التعامل بفعالية مع الشبكات واسعة النطاق في العديد من مهام إدارة حركة المرور مثل التوجيه (Routing) ، وتوفير المسارات المتعددة (Multipath Provisioning)، والأمن، باستخدام العديد من خوارزميات الرسم البياني (graph algorithms). تم إجراء التجارب باستخدام شبكات ذات أحجام متعددة، تتراوح من 6301 إلى 62586 عقدة. تُظهر التقييمات فعالية النظام المقترح في تحسين قضايا متعددة في SDN، بما في ذلك الديناميكية وقابلية التوسع والأمن. عند تنفيذ خوارزمية Dijkstra Source-Target للبحث عن أقصر مسار بين عقدتين، يزداد وقت الاستجابة قليلاً بالتناسب مع حجم الشبكة. يتراوح وقت الاستجابة من 0.2 مللي ثانية إلى 0.84 مللي ثانية في شبكة 6301 وشبكة 62586 على التوالي.
أما عن النهج الثاني ، فقد استُخدم Spark كأداة لمعالجة البيانات الضخمة لبناء خطوط أنابيب التعلم الآلي المتقدمة (Machine Learning Pipelines). تعتبر خطوط الأنابيب المبتكرة هذه محورية في سير عمل التعلم الآلي الشامل الذي تم تصميمه لمراقبة شبكات SDN من زوايا متنوعة، بما في ذلك تصنيف البيانات الى بيانات طبيعية وبيانات DDoS وكذلك تصميم نموذج لتصنيف حركة مرور البيانات حسب التطبيقات. يعمل نموذج اكتشاف DDoS كمصنف ثنائي، حيث يصنف حركة المرور بكفاءة إلى «طبيعي» أو «DDoS». علاوة على ذلك، يعمل نموذج تصنيف حركة مرور البيانات كمصنف متعدد، حيث يقوم بتخصيص حركة المرور لواحد من 75 تطبيقًا متميزًا. تم استخدام ثلاثة سيناريوهات منفصلة من أجل التحليل المقارن: مجموعة تتكون من الة واحدة (micro cluster)، ومجموعة من عقدتين (two node cluster) ، ومجموعة من ثماني عقدات (eight node cluster). من بين هذه التكوينات، تظهر المجموعة المكونة من ثماني عقدات أداءً متفوقًا من حيث وقت تنفيذ خط الأنابيب. ترجع هذه الميزة إلى قدرة Spark على توزيع مهام المعالجة بسلاسة عبر العقد دون تدخل صريح من قبل المستخدم.
وتألفت لجنة المناقشة من:
أ.د. محمود فرحان مصلح من الجامعة التقنية الوسطى كلية التقنية الهندسية الكهربائية رئيساً وأ.د.ميساء عبد علي خضر من الجامعة التنكولوجية قسم هندسة الحاسوب عضواً وأ.م.د. محمود زكي عبد الله من الجامعة المستنصرية عضواً وأ.م.د. علي جبار سالم من الجامعة التكنولوجية قسم هندسة الاتصالات عضواً وأ.م.د. علي مجيد محمود من الجامعة التكنولوجية قسم السيطرة والنظم عضواً وأ.م.د. حسن اوحيد جياد من الجامعة التكنولوجية قسم هندسة الحاسوب عضواً ومشرفاً.