مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه مهندسی برق و مهندسی کامپيوتر ايران 16823745 23 4 2026 3 23 A Multi-Objective Machine Learning Approach for Controller Placement in Software-Defined Networks جايابی چند هدفه و مبتنی بر يادگيری ماشين کنترل‌کننده‌ها در شبکه‌های مبتنی بر نرم‌افزار 267 277 fa مبین قلی زاده دانشگاه علم و صنعت ایران ناصر مزینی دانشگاه علم و صنعت ایران 2025 4 17 <p style="direction: ltr;">With the rapid growth of computer networks and the increasing complexity of communication infrastructures, the need for efficient resource management and reduced operational and maintenance costs has become a major challenge. Software-Defined Networking (SDN), by decoupling the control and data planes, provides flexibility, scalability, and centralized management. In the control plane, controllers act as the core components responsible for network management and decision-making, and their optimal placement remains a fundamental challenge. The distribution and deployment of controllers directly affect network performance parameters such as delay reduction, load balancing, and stability enhancement. In this paper, a multi-objective machine learning&ndash;based approach is proposed for controller placement in SDN. The problem is formulated with the objectives of minimizing control-plane delay, inter-domain delay, controller load, and the failure cost of network nodes and links, while maximizing network throughput. Considering the computational complexity of the problem, a deep reinforcement learning (DRL) algorithm is employed as the solution approach. Simulation results on multiple network topologies demonstrate that the proposed algorithm improves the control-plane delay, inter-domain delay, and network throughput by approximately 20%, 30%, and 15%, respectively, compared with previous works. Therefore, the proposed approach not only addresses common objectives such as delay minimization and load balancing but also incorporates crucial factors such as stability and fault tolerance into the controller placement decision-making process.</p> <p>امروزه با رشد روزافزون شبکه&zwnj;هاي کامپيوتري و افزايش پيچيدگي ساختارهاي ارتباطي، نياز به مديريت بهينه منابع، کاهش هزينه&zwnj;هاي عملياتي و نگهداري به چالشي اساسي تبديل شده است. شبکه&zwnj;هاي مبتني بر نرم&zwnj;افزار با جداسازي لايه داده و کنترل، انعطاف&zwnj;پذيري، مقياس&zwnj;پذيري و مديريت متمرکز را فراهم آورده است. در لايه کنترل، کنترل&zwnj;کننده&zwnj;ها به عنوان عنصر اصلي مديريت و تصميم&zwnj;گيري در شبکه عمل کرده و چالش اصلي در اين حوزه جايابي بهينه آن&zwnj;ها در شبکه است. نحوه توزيع و استقرار کنترل&zwnj;کننده&zwnj;ها تاثير مستقيمي بر عملکرد شبکه همچون کاهش تأخير، برقراري تعادل بار و افزايش پايداري شبکه دارد. در این مقاله، به ارائه يک روش چندهدفه مبتني بر يادگيري ماشين براي جايابي کنترل&zwnj;کننده&zwnj;ها در شبکه&zwnj;هاي مبتني بر نرم&zwnj;افزار پرداخته شده است. به این منظور، مسئله را با هدف کمينه&zwnj;کردن تأخير لايه کنترل و تأخير ميان&zwnj;دامنه&zwnj;اي، بار لايه کنترل و هزينه شکست گره&zwnj;ها و پيوندهاي توپولوژي شبکه و همچنين بيشينه&zwnj;کردن توان عملياتي مدل&zwnj;سازی شده است. همچنین، با توجه به پیچیدگی محاسباتی مسئله، یک الگوریتم حل مبتنی بر يادگيري تقويتي عميق مورد استفاده قرار گرفته است. نتایج شبیه&zwnj;سازی&zwnj;ها در چند توپولوژی مختلف نشان می&zwnj;دهد که الگوریتم پیشنهادی توانسته است تأخير لايه کنترل، تأخير درون دامنه&zwnj;اي و توان عملياتي را به ترتیب تا 20، 30 و 15 درصد نسبت به کارهای پیشین بهبود بخشد. بدین ترتیب، رویکرد پیشنهادی علاوه بر پوشش اهداف متداول همچون کاهش تأخیر و توازن بار، معیارهای مهمی مانند پایداری و تحمل&zwnj;پذیری شکست را نیز در فرآیند تصمیم&zwnj;گیری جایابی در نظر می&zwnj;گیرد.</p> http://ijece.org/ar/Article/Download/49934