DORA: A Smart Dynamic Optical Resource Allocation System in Communication Networks Using Machine Learning Techniques

تواجه الشبكات الضوئية تحديات كبيرة في التعامل مع الزيادات المفاجئة في حركة البيانات، مما يؤدي إلى ازدحام الشبكة وزيادة زمن الاستجابة (Latency). الحلول التقليدية غير قادرة على التفاعل بسرعة مع هذه التغيرات اللحظية. يقدم مشروع DORA حلاً مبتكراً يعتمد على تقنيات التعلم الآلي (Machine Learning) لمراقبة أداء الشبكة، والتنبؤ بأوقات التأخير المحتملة، واتخاذ قرارات ديناميكية لتحسين كفاءة استخدام الموارد بشكل فوري. فكرة المشروع: يقوم النظام بتحليل بيانات الشبكة في الوقت الفعلي، مثل استخدام المعالج (Processor Utilization)، أوقات الانتظار (Waiting Times)، واستخدام القنوات (Channel Utilization). باستخدام خوارزميات متقدمة مثل XGBoost، يتم التنبؤ بزمن الاستجابة المتوقع. بناءً على هذا التنبؤ والحمل الحالي على الشبكة، يقوم "محرك القرار الديناميكي" (Dynamic Decision Engine) باختيار الإجراء الأمثل لتحسين الأداء، مثل: زيادة سعة القناة الضوئية (Increase Channel Capacity). إعادة توجيه حركة البيانات (Reroute Traffic). زيادة قدرة المعالجة (Increase Processing Threads). نتائج المشروع: تم اختبار النظام على 100 عينة عشوائية من بيانات الشبكة، وحقق النتائج التالية: دقة تنبؤ عالية: وصل معدل دقة نموذج التصنيف إلى 75% باستخدام خوارزمية XGBoost. قرارات ذكية: في 80% من الحالات التي توقع فيها النظام تأخيراً عالياً، اقترح زيادة سعة القناة الضوئية، بينما اقترح إعادة توجيه المسار في حالات أخرى، مما يثبت قدرة النظام على التكيف مع ظروف الشبكة المختلفة. تحسين أداء الشبكة: النظام قادر على التفاعل الفوري مع الازدحام، مما يقلل من زمن الاستجابة ويحسن استقرار الشبكة. المميزات التنافسية للمشروع: ذكاء تنبؤي: استخدام الـ Machine Learning للتنبؤ بالمشاكل قبل حدوثها وليس مجرد التفاعل معها بعد وقوعها. أتمتة كاملة: نظام آلي يتخذ القرارات دون تدخل بشري، مما يسرع عملية الاستجابة. قابلية التطوير: يمكن دمج النظام في شبكات اتصالات ضوئية كبيرة ومعقدة. أداء محسن: استخدام خوارزمية XGBoost الموحدة للتصنيف والانحسار أدى إلى نتائج أكثر استقراراً ودقة.