การใช้วิธีหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาคจัดการจราจรข้อมูลในเครือข่ายโอเอสพีเอฟ

Abstract

ในปัจจุบันระบบเครือข่ายคอมพิวเตอร์มีบทบาทสำคัญมากเพราะมีความต้องการรับส่งข้อมูลระหว่างเครื่อง คอมพิวเตอร์อย่างแพร่หลาย ซึ่งโพรโทคอลชี้เส้นทางข้ามเครือข่ายในปัจจุบันที่นิยมใช้กันมากที่สุดในคือ Open Shortest Path First (OSPF) เนื่องจากการที่เครือข่ายที่ใช้โพรโทคอลชี้เส้นทางโอเอสพีเอฟ หรือเรียกสั้นๆ ว่าเครือข่าย โอเอสพีเอฟนี้ มีการใช้อัลกอริทึมในการค้นหาเส้นทางด้วย ตัวเอง จึงอาจทำให้การจัดเส้นทางการไหลของข้อมูลไม่ตรง กับความต้องการในการใช้งานเครือข่ายนั้นๆ ดังนั้นเพื่อเพิ่มความสามารถของระบบเครือข่ายให้สูงขึ้น และลดต้นทุน โดยรวมลงผู้วิจัยจึงประยุกต์ใช้หลักการความฉลาดแบบกลุ่ม ด้วยวิธีแบบกลุ่มอนุภาค ซึ่งอาศัยรูปแบบวิธีเรียนรู้การหาอาหารของนกในธรรมชาติ เพื่อทดสอบหาค่าน้ำหนักของ เส้นทางในเครือข่ายที่ต้องการ ซึ่งการแก้ไขปัญหาด้วยการ หาค่าน้ำหนักช่องสัญญาณที่เหมาะสมด้วยวิธีการหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาคนี้ มีประสิทธิภาพเชิง สมรรถนะที่ดีกว่าการกำหนดค่าน้ำหนักแบบดั้งเดิม โดยเฉลี่ยที่ 1.24 เท่า และเมื่อเปรียบเทียบกับการหาคำตอบที่ดีที่สุดด้วยวิธีโปรแกรมเชิงเส้นพบว่า วิธีกลุ่มอนุภาคนี้ให้ ประสิทธิภาพเชิงสมรรถนะได้ใกล้เคียงวิธีโปรแกรมเชิงเส้น ที่ 94 % แต่มีประสิทธิภาพเชิงเวลาหรือเวลาในการประมวลผล ที่ดีกว่าถึง 25.69 เท่า

Particle Swarm Optimization for Open Shortest Path First Network’s Traffic Engineering

Kairat Jaroenrat

Nowadays, computer networks have more important roles and data exchange in networks has been widely used. The most famous Routing Protocols in the system is Open Shortest Path First (OSPF). Because the OSPF routers use Shortest- Path algorithm to find its routes, routing of traffic flow does not get together with the traffic requirement of such system. Therefore, in order to increase efficiency and reduce cost of the system. Applying The Particle Swarm Optimization (PSO) in swarm intelligence to solve this problem. Inspired by the schooling patterns of the way that birds forage determine weight of link in the appropriate network. The solution to find the appropriate links’ weight by particle swarm optimization has the better performance than traditional weight set at 1.24 times in average. When Compared to the linear programming method, the performance of the Particle Swarm Optimization is 94% of linear programming method. However, the processing time of the Particle Swarm Optimization is 25.69 times better.