Modelling Dynamic Networks in OMNeT++ with a Traffic Engineering Genetic Algorithm
Authors
Herum, Rasmus-Emil Normann ; Kær, Lasse Brink ; Madsen, Andreas Leicht
Term
4. term
Education
Publication year
2023
Submitted on
2023-06-16
Pages
28
Abstract
Dette speciale undersøger, hvordan man realistisk kan simulere computernetværk, der ændrer sig over tid. Vi designer og implementerer en komplet pakke-niveau simulator—som følger de enkelte datapakker—så modellen hurtigt kan reagere på ændringer i topologi og efterspørgsel. Rammeværket er bygget på den diskrete begivenhedssimulator OMNeT++ og udvidet med vores egne moduler. For at gøre simuleringerne mere virkelighedsnære analyserer og omdanner vi trafikdata fra en stor europæisk internetudbyder. Disse data forbedrer de ellers statiske antagelser om trafikefterspørgsel i datasættet Internet Topology Zoo og giver mere realistiske input. Vi introducerer også Spungeet, en genetisk algoritme (en søgemetode inspireret af naturlig selektion), som hurtigt tilpasser netværkets dataplan—den del, der videresender pakker. Spungeet udnytter, at rækkefølgen, hvori trafikkrav routes, har stor betydning for leveringen. Ved at repræsentere krav som individer i populationen finder algoritmen hurtigt ruteordrer og konfigurationer, der leverer en høj andel af pakkerne. Spungeet forsøger at maksimere andelen af leverede pakker og klarer sig godt i scenarier både med og uden fejl.
This thesis examines how to realistically simulate computer networks that change over time. We design and implement a complete packet-level simulator—tracking individual data packets—so the model can react quickly to changes in topology and demand. The framework is built on the discrete-event simulator OMNeT++ and extended with our own modules. To make the simulations reflect real usage, we analyze and transform traffic data from a large European Internet service provider. These data improve on the otherwise static traffic demand assumptions used with the Internet Topology Zoo dataset, providing more realistic inputs. We also introduce Spungeet, a genetic algorithm (a search method inspired by natural selection) that rapidly adapts the network’s data plane—the part that forwards packets. Spungeet exploits the fact that the order in which traffic demands are routed strongly affects delivery. By representing demands as individuals in the population, the algorithm quickly finds routing orders and configurations that deliver a high share of packets. Spungeet aims to maximize the percentage of packets delivered and performs well in scenarios both with and without failures.
[This abstract was generated with the help of AI]
Keywords
Documents