Flow routing algorithms are a fundamental part of telecommunication networks since
they allow all nodes to communicate with each other. Routing algorithms must
be efficient to avoid network’s degradation. Traditional routing protocols usually
use fixed link weight assignment and shortest path routing which that cause link
overuse resulting in the service degradation. The appearance of Software Defined
Networking (SDN) offered multiple advantages over traditional networks, such as a
global view of the network and a programmable control and data planes entitling
the introduction of new technologies.
In a first attempt, traditional routing protocols were implemented on the top of SDN,
improving routing convergence. Still, they inherited limitations such as link overuse
and did not consider the network’s historical information to nourish decision-making.
SDN’s programmability made it possible to integrate Machine Learning (ML) techniques
to take advantage of the network’s historical information opening the way for
novel routing strategies. However, ML-based solutions are still dependent on conventional
routing protocols, therefore, do not fully exploit the network status. We
propose a routing algorithm whose cognitive learning improves network performance
and takes advantage of the broad potential of SDN.
Los algoritmos de enrutamiento de flujos son una parte fundamental de las redes de
telecomunicaciones ya que permiten la comunicación entre los nodos. Los algoritmos
de enrutamiento deben ser eficientes para evitar la degradación de los servicios de
red. Los protocolos de enrutamiento tradicionales generalmente usan asignación de
pesos fijos en los enlaces y estrategias de enrutamiento como la priorizar la ruta
más corta, esto, causa un uso excesivo de los enlace resultando en la degradación del
servicio. La aparición de SDN ofreció múltiples ventajas sobre las redes tradicionales,
como la visión global de la red y planos de control y datos programables que dieron
paso a la introducción de nuevas tecnologías.
Inicialmente, se implementaron protocolos de enrutamiento tradicionales sobre SDN,
mejorando la convergencia de enrutamiento. Aún así, estos heredaron limitaciones
como el uso excesivo de enlaces y no consideraron la información histórica de la
red para nutrir la toma de decisiones. La capacidad de programación de SDN hizo
posible integrar técnicas de ML para aprovechar la información histórica de la red
y abrió el camino a nuevas estrategias de enrutamiento. Sin embargo, las soluciones
basadas en ML todavía dependen de los protocolos de enrutamiento convencionales
y, cuando no utilizan los algoritmos de enrutamiento convencionales, no aprovechan
completamente el estado de la red. Por lo tanto, proponemos un algoritmo de
enrutamiento cuyo aprendizaje cognitivo mejora el rendimiento de la red y aprovecha
el amplio potencial de SDN.
