Bilgisayar Ağı Bağlantılarında Enerji Tasarrufu ve Genetik Algoritma Opsiyonları Seçimi

Bilgisayar Ağı Bağlantılarında Enerji Tasarrufu ve Genetik Algoritma Opsiyonları Seçimi Hüseyin ABACI Adnan Menderes Üniversitesi, Bilgisayar Mühendisliği Bölümü, AYDIN huseyin.abaci@adu.edu.tr Özet: Bu çalışma bilgisayar ağlarındaki iletişim bağlantılarının, değişken veri akışına karşı otonomik uyum sağlaması için gerekli Genetik Algoritma optimizasyonu parametrelerinin analizini içermektedir. Simülasyon sonuçlarına göre, bu problem çeşidinde MATLAB ın en başarılı genetik algoritma parametreleri içerisinde orantılı ölçekleme, turnuva seçme ve buluşsal çaprazlama parametreleri enerji tasarrufu optimizasyon süresi ve performans testlerinde diğerlerinden daha iyi sonuçlar vermiştir. Anahtar Kelimeler: enerji tasarrufu, genetik algoritma, optimizasyon, ağ bağlantıları, MATLAB Abstract: This work contains analysis of Genetic Algorithm optimisation parameters for a self-adopted network links in terms of variable incoming traffic. According to simulation results, for our optimisation problem, MATLAB s most successful genetic algorithm parameters have been proportional scaling, tournament selection and heuristic crossover. This parameters have produced better energy saving, optimization time and performance results. 1. Giriş Günümüzün yüksek performanslı bilgisayar ağı yönlendirici (router) ve anahtarlama (switch) cihazlarındaki bağlantılar (link) yüksek veri akışını karşılayabilecek ölçüde üretilmiştir. Fakat gerçekte kullanım (utilisation), yani bağlantılardaki veri alış verişi miktarı maksimum kapasitenin çok altında, %10 ile %30 arasında [1] [2] [3] seyretmektedir. Kullanımın düşük olmasına karşın bağlantılar her an yüksek veri akışını karşılayacakmış gibi hazır bulunup kaynakları (resource ör. elektrik) maksimum düzeyde kullanırlar [16]. Veri akışının büyüklüğüne güre kendilerine ayrılan kaynakları orantılı bir biçimde kullanmazlar, bağlantılar kapasitelerini veri büyüklüğüne göre otomatik olarak yükseltip alçaltamazlar. Bunun ana sebeplerinden bir tanesi performansı yüksek seviyede tutmak olmasına rağmen, veri akışının az olduğu saatlerde (ör. gece) kaynak kullanımının düşük seviyede olması (ör. %10) performansı olumsuz yönde etkilememektedir. Bunun yanında, bu tür cihazlar düşük seviyedeki kullanımı ile dahi yüksek derecede enerji harcamaktadırlar [4]. Bu enerji, bağlantının alt bileşenlerini (devreler, kapasitörler vs.) veri akışı olmasa bile hazır tutmak için kullanılmaktadır. Bu bağlamda, kullanılmayan bağlantının enerji tüketimi maksimum düzeyde kullanılan bağlantıyla nerdeyse eşit olduğu gözlenmektedir [5] [6]. Bu çalışmada, ağ cihazlarındaki (yönlendirici / anahtarlama) bağlantıların maksimum kapasitesini veri miktarına göre otomatik olarak ayarlayabilmesi için gerekli olan yavaşlama mekanizmasını kısaca sunmuş olup mekanizmanın parametrelerini değişken veri miktarına göre optimize edilmesinde kullanılan Genetik Algoritma (GA) parametreleri karşılaştırılmıştır. Seçilen GA parametreleri bağlantının kapasitesini verinin hacmine göre azaltıp artırarak maksimum kapasiteye %53 oranla enerji tasarrufu sağlamaktadır. Bunu yaparken en önemli performans metriklerinden gecikme metriği kullanılmıştır. Deney sonuçlarına göre, orantılı ölçekleme, turnuva seçme ve buluşsal çaprazlama parametreleri enerji tasarrufu optimizasyon süresi ve performans testlerinde diğerlerinden daha iyi sonuçlar vermiştir. Ayrıca bu çalışma GA nın ağ linklerine adapte edilip, enerji tasarrufu sağlayabileceğini göstermiştir. Bu makalenin giriş bölümünden sonra arka plan ve önerilen yavaşlama mekanizmasının metodolojisini içeren ikinci bölüm gelmektedir, ardından yavaşlama mekanizması için kullanılan matematiksel araçlar ve optimizasyon algoritmasının açıklandığı üçüncü bölüm gelmektedir, bunu simülasyon kurlumu ve sonuçlarının yer aldığı dördüncü bölüm takip etmektedir, son olarak makale sonuç ve referanslar başlıklarıyla tamamlanmıştır. 2. Arkaplan ve Mekanizma Metodolojisi Ağ teknolojisinde genel kural, enerji ve performansın doğru orantılı olarak birbirini etkilemesidir. Eğer yüksek performans isteniyorsa, enerji tüketiminin de fazla olması gerekmektedir. Düşük enerji kullanımı performansı düşürüp beklenen işlerin gecikmesine veya tamamlanmamasına sebep olmaktadır. Fakat önceki bölümde bahsedildiği gibi kullanımın genelde düşük olması, üreticileri, dinamik olarak performansı değiştirme yeteneğine sahip kendini yönetebilen akıllı ürünler tasarlamaya itmiştir [7]. Burada enerji tasarrufu yapılması planlanan bileşenin çalışma frekansı ve voltaj değerleri orantılı olarak düşürülerek, enerji tasarrufu yapılır. Mevcut ağ cihazlarının böyle bir özelliği bulunmadığından tüketilen enerji, bileşenin iş yükünün (load) az olması durumunda dahi tam kapasite çalışıyormuş gibi enerji tüketmektedir. Frekans ve voltaj ölçeklemesi bilgisayar ağları gibi değişken ortamlarda çok dikkat edilmesi gereken bir husustur ve performansı kötü yönde etkilememesi hedeflenir. Bu bağlamda, bu makalede enerji ile performansı optimize edecek, bir birini etkilemeyecek bir sistem önerdik ve bunu Genetik Algoritma ile optimize ettik. Frekans ve voltaj ölçeklemesinin çalışma prensibi ve donanım dizaynı

bu makalenin hedefi olmadığı için, hesaplamalar watt/joule biriminden hesaplanmamış, maksimum kapasitenin düşürülme oranına göre orantı olarak verilmiştir. Bir sonraki kısım, önerdiğimiz sistemin metodolojisini sunmaktadır. Yavaşlama Mekanizması Ağ bağlantısının veri transfer hızını ayarlıya bilmesi için yavaşlama mekanizmasında üç mantıksal bileşen düşünülmüştür. Bunlar bağlantıya giren veri miktarı λ, performans aralığı θ ve bağlantının ayarlanabilen değişken kapasitesi μ. λ bağlantıya t zamanında gelen ağ paketi sayısını belirler ve yüksek ölçüde değişkendir, varyansı yüksektir, θ ağ performans metriklerinin (ör. paket gecikmesi, paket kaybı) değişken λ den etkilenmemesi için verilen performans boşluğudur ve bağlantının maksimum kapasite oranındır. μ bağlantının λ ve θ değerleriyle hesaplanan t zamanındaki veri gönderme kapasitesidir ve paket sayısı birimindedir. Şekil 1 yavaşlama mekanizmasının çalışma prensibini, bileşenleri ve aralarındaki ilişkiyi göstermektedir. Burada, sistem averaj λ miktarını t süresi boyunca takip eder ve maksimum kapasiteyi performans boşluğuna kadar düşürerek gelen verileri uzak noktaya μ miktarı kadar iletmeye başlar. Sistem sürekli gelen paket sayısını kontrol ederek, gerekirse μ artırılır veya azaltılır. Burada θ μ maksimum kapasite. birlikte otomatik olarak artırılır veya azaltılır, yüklü hesaplamalardan kaçınarak Üstel Ağırlıklı Hareketli Ortalama (EWMA) kullanır. Burada dikkat edilmesi gerek husus μ değişiminin sık olamamasıdır. Çünkü her μ değişiminde cihaz bir miktar fazladan enerji harcamaktadır. θ nın kullanım sebeplerinden biride budur. 3. EWMA ve Optimizasyon Algoritması Bu çalışmada Üstel Ağırlıklı Hareketli Ortalama istatistik formülü kullanılmıştır. Formül, en son gözlenen değere ağırlık atayarak değişikliğe karşı hassasiyeti orantılar. Eğer varyansı yüksek bir veri akışı ile karşı karşıya kalınırsa ağırlık artırılarak bir sonraki tahmin değerinin de yüksek olması sağlanır. Böylece μ çabuk bir şekilde yükseltilir ve artışın performansa muhtemel kütü etkisi azaltılır. Yine aynı şekilde varyansı düşük veri akışıyla karşılaşılırsa mekanizma ağırlığı azaltarak tahmin edilen değeri küçük tutar. Burada sistemin bu şekilde ayarlanabilir olması bize daha fazla kontrol, gereksiz enerji kullanımının azaltılmasını ve maksimum performans sağlar. Kullanılan formül karmaşık hesaplamalardan uzaktır ve her seferinde birçok değerin averajını hesaplamaz. Farz edelim t zamanındayız, a ağırlık katsayısı ve 0 a 1, Z t+1 tahmin edilen bir sonraki veri akışı değeri, Z t bir önceki (t 1) de hesaplanan tahmin değeri ve x t en son okunan veri akışı değeri. Aşağıda verilen Denklem 1 bir sonraki verinin değerini hesaplamada kullanılmaktadır [8]. Z t+1 = a Z t + (1 a)x t (1) Şekil 1. Yavaşlama mekanizması çalışma prensibi, bileşenleri ve aralarındaki ilişki. Şekil 1 de görüldüğü gibi yavaşlama mekanizması başlangıçtan itibaren t süresince gelen paket sayısını kontrol eder ve averaj gelen veri miktarını hesaplar. Bu hesaplamanın yanı sıra, mekanizma bağlantı performansının yani gecikmenin en az şekilde etkileneceği θ miktarını belirler. Mekanizma belirlenen θ nın üst sınırına kadar μ yü düşürür. Düşürülen maksimum kapasite hem ağ cihazının gelen paketleri zamanında işlemesini, hem de önemli ölçüde enerji tasarrufu sağlar. Burada θ gelen averaj veri miktarı ve değişken kapasitesi arasında bir nevi tampon bölge oluşturur. Tampon bölge gelen veri iniş çıkışlarının performansı kötü yönde etkilememesi için ekstra kapasite sağlar. Burada sistem gelen veri akışını varyansına göre artırmalı veya azaltmalıdır. Bunun yanında, mekanizma maksimum kapasiteyi düşürüp yeni μ devreye girdikten sonra, mekanizma daha kolay bir hesaplama yöntemi kullanarak bir sonraki t zamanındaki gelecek veri miktarını tahmin eder. Tahmine göre μ, θ ile Önceki bölümlerde bahsedildiği gibi sistem iki parametreyi θ ve tahmin ağırlık katsayısını (a) belirlemesi gerekmektedir. Fakat sorun gelen veri akışının değişken olmasıdır ve bu iki parametrenin veri akışına göre tekrardan hesaplanması gerekmektedir. Ağ yapısı gibi çabuk karar mekanizmalarının önem arz ettiği ortamlarda bu optimizasyon probleminin de çabuk çözülmesi gerekmektedir. Gelen verinin değişken olması çözüm aralığının da (solution space) geniş olmasına sebebiyet vermektedir ve bu en iyi buluşsal (heuristik) yöntemlerle çözülebilmektedir. Yaygın bir algoritma olan Genetik Algoritma farklı problemlere uygulanabilir, stabil ve esneklik sağlamaktadır. Hem sürekli ve hem sürekli olmayan değişkenlerde kullanılabilir. Önerdiğimiz yavaşlama mekanizması birbiriyle yüksek ilişkili değişkenleri başarıyla optimize eder ve lokal minimum problemine karşı etkilidir. Yukarda saydığımız özellikleri göz ününde bulundurarak optimizasyon için Genetik Algoritma kullanılmıştır. Bir sonraki bölüm kısaca Genetik Algoritmayı açıklamaktadır. Genetik Algoritma Genetik Algoritma (GA), doğal seleksiyon ve genetik gibi evrimsel araçlara dayanan bir optimizasyon ve arama tekniğidir. İlk olarak Holland ve arkadaşları tarafından 1960'larda ve 1970'lerde geliştirilmiştir [9]. GA evrimsel algoritmalar içerisindeki en gelişmiş gruptur, araştırmalar alanında hızla gelişmektedir ve yaygın olarak kullanılmaktadır. GA olasılıksal süreç gerçekleştirerek çözüme ulaşır ve determinizme karşı dayanıklılık sağlar. Genellikle, GA bir fonksiyonun kromozom denilen optimum çözümünü, çözüm aralığında arayarak bulur. Kromozomlar

bir gurup genlerden oluşur ve bunlar bir fonksiyonun parametreleri olabilirler. Her bir kromozom amaç fonksiyonuyla alınan sonuca göre değerlendirilirler ve iyi sonuç veren kromozomlar bir sonraki jenerasyona iletilerek yeni kromozom üretmende kullanılırlar. Burada amaç fonksiyonu çok önemlidir. Bir veya birden fazla fonksiyon olabilir, bir kimyasal deney olabilir ve hatta bir deneyde insan gözlemleri bile olabilir [10]. Bu makalede GA detaylı bir şekilde anlatılmamıştır fakat bazı önemli referanslar önerilmiştir [11] [12] [13] [14]. 4. Simülasyon ve Sonuçları Simülasyon MATLAB kullanılarak yazılmış olup 3000 kod satırını içermektedir. Ayrıca MATLAB ın kapsamlı GA optimizasyon araç kutusu (toolbox) kullanılmıştır. MATLAB ın araç kutusu içerisindeki tüm opsiyonlar, GA optimizasyonunun çalışma prensibi ve aşamaları sırasıyla Tablo 1 de gösterilmiştir. Simülasyon içerisinde Tablo 1 de sıralanmış birçok opsiyonun arasından en yaygın ve başarılı genetik algoritma opsiyonları kullanılmıştır. Bu seçilmiş opsiyonlar Tablo 2 de verilmiş olup bu alandaki deneyimlerimiz neticesi oluşturulmuştur. Bunun yanında, ağ bağlantı üzerindeki gelen veri miktarı ve trafik karakteristiği umuma açık gerçek analiz sonuçlarını içeren MAWI [15] projesinin veri tabanından elde edilmiştir. Genel olarak simülasyonun ve yavaşlama mekanizmasının çalışma prensibi aşağıda özetlenmiştir. 1. Yavaşlama mekanizması 60 saniye boyunca verileri toplar ve bu veri grafiğine göre GA yı kullanarak θ ve a parametrelerini optimize eder 2. Yeni a değeri ile beraber Denklem 1 i kullanarak bir sonraki veri girişini tahmin eder 3. Bu tahmine göre yeni θ değerini hesaba katarak, gerekiyorsa μ artırır veya azaltır 4. Eğer ciddi bir performans (ör. yüksek ölçüde paket gecikmesi) kaybı olursa μ maksimum kapasiteye eşitlenir (yükseltir) ve 60 saniye veri toplama/analiz durumuna geçer ve yeni bir GA optimizasyonu başlatır. Tüm yukarda verilen aşamalar neticesinde bağlantı; μ nün maksimum kapasitenin altında olduğu tüm t süresince yavaş çalışması sebebiyle kaynakların az kullanımından dolayı enerji tasarrufunda bulunmuştur. GA Amaç Fonksiyonu (Objective Function) Yavaşlama mekanizmasın amaç fonksiyonu maliyet fonksiyonu olarak düşünülmüş olup toplam maliyeti düşürmeyi amaçlamıştır. Bu sebepten enerji ve performans bu fonksiyona dahil edilmiştir. Aşağıda Denklem 2 bu fonksiyonu vermektedir. C = k N a + S (2) Burada C Q, amaç fonksiyonunun değerini verir ve düşük olması hedeflenir. Bu sebeple sistem en az performans kaybı ile en fazla enerji tasarrufu sağlaması gerekir. N a N, başlangıçta N a = 0 ve performansın kötü etkilendiği her durumda bir artırılır. k = N a ve birden fazla performans düşüklüğüne toleransı azdır ve sonuç polinomyal olarak artar. Burada k değerinin kullanılmasındaki amaç mekanizmaya (sistemi kullanan operatöre) esneklik kazandırmasıdır. Bu değer, bağlantının performanstaki hassasiyetine göre (ör. gecikme toleranslı ağlar) yükseltilip, alçaltılabilir. Buda, GA optimizasyonunun enerjinin performansa karşı daha fazla tolerans sağlamasına olanak sağlar. S Q, yavaşlama mekanizmasının toplam enerji tasarrufunu verir. Bu değer ne kadar büyük olursa, maliyet fonksiyonun değeri o kadar düşük, ideal değeri verir. Tablo 1. Genetik algoritma optimizasyonunun aşamaları sırasıyla gösterilmiş olup, bu aşamalara karşılık gelen MATLAB içerisindeki opsiyonlar tabloda sunulmuştur. GA aşamaları 1. İlk popülasyonun oluşturulması 2. Her bir kromozomun maliyetinin hesaplanması 3. Kromozomların sıralanması ve ölçeklenmesi 4. Kromozomların çaprazlama için seçilmesi 5. Çaprazlamanın yapılması 6. Kromozomların mutasyona uğraması 7. Bitirme kriteri sağlanana kadar jenerasyonların tekrar edilmesi Opsiyonlar (Options) Tekdüze (uniform), doğrusal mümkünlük (linear feasible) Probleme özgü amaç fonksiyonu Rütbe (rank), doğrusal kaydırma (shift linear), orantılı (proportional), üst (top) Kalan (remainder), tekdüze (uniform), olasılıklı tekdüze (stochastic uniform), rulet (roulette), turnuva (tournament) Ara (intermediate), buluşsal (heuristic), dağınık (scattered), tek nokta (single point), iki nokta (two point), aritmetik (arithmetic) Tekdüze (uniform), uyarlanabilir mümkünlük (adaptable feasible) Jenerasyon sayısı (number of generations), maksimum maliyet (max cost), geçen süre (elapsed time), durağan jenerasyonlar (stall generations) Tablo 2. Simülasyonda analiz edilen Genetik Algoritma opsiyonları. Ölçekleme (Scaling) Rütbe (Rank) Orantılı (Proportional) Seçme (Selecting) Rulet (Roulete) Turnuva (Tournament) Çaprazlama (Crossover) Buluşsal (Heuristic) Aritmetik (Arithmetic) Simülasyon Sonuçları Simülasyon GA optimizasyonunda Tablo 3 deki setler kullanılmıştır. Her bir GA optimizasyon seti 1000 durağan jenerasyona kadar yapılmış olup her bir set 300 kere tekrarlanmıştır. Bu bölümde tekrarlanan tüm setlerin enerji tasarrufu, GA optimizasyon süresi ve performans kaybı dağılımları boxplot olarak sunulmuştur. Şekil 2 Tablo 3 ve Tablo 4 deki GA opsiyonlarının önerilen yavaşlama mekanizmasının optimizasyonu sonucu üretilen enerji tasarrufunun dağılımını % cinsinden sunmaktadır. Şeklin x ekseninde Tablo 2 deki kombinasyonlar (GA opsiyonları) gösterilmiştir. Her bir set kutucuğunun alt çizgisi, eğer aykırı değer yoksa, 300 adet GA optimizasyonun bulduğu en az enerji tasarrufu (en kötü) değerini göstermektedir. Birinci, ikinci ve üçüncü dörtebirlik değerle birlikte en üst çizgi tekrarlanan GA optimizasyonları içerisindeki en yüksek (en iyi) enerji tasarrufunu göstermektedir. Şekilde görüldüğü gibi her bir GA optimizasyon setinin en yüksek enerji tasarrufu diğer setlerdekiyle aynı olduğu gözlemektedir. Fakat averaj enerji

tasarrufu Set3 ve Set5 en yüksek değeri vermektedir. Bunun en önemli sebeplerinden bir tanesi buluşsal opsiyon başarı miktarını akılda tutarak buna göre kromozomu işleme dahil etmesi, bunun neticesinde maliyet fonksiyonunun en yüksek değerler vermesini sağlamasıdır. Bunun yanında rütbe opsiyonu adaylar arasındaki farklılığın fazla açılmasına izin vermeyerek en iyi aday seçme aşamasında birçok adayı dahil ederek çeşitliliği sağlamak suretiyle daha başarılı optimizasyonlar gerçekleştirmektedir. sonuçlar üretmektedir. Set5 ile ağ bağlantısındaki averaj enerji tasarrufu, maksimim enerji kullanımına %53 oranla sağlanabilir. Tablo 3. Simülasyon GA optimizasyonunda kullanılan opsiyonlar setler halinde sunmaktadır. Ölçekleme Seçme Çaprazlama Set1 Orantılı Turnuva Buluşsal Set2 Rütbe Turnuva Aritmetik Set3 Rütbe Rulet Buluşsal Set4 Rütbe Rulet Aritmetik Set5 Rütbe Turnuva Buluşsal Set6 Orantılı Turnuva Aritmetik Tablo 4. Simülasyon ve yavaşlama mekanizmasında kullanılan tüm opsiyonları ve değerlerini göstermektedir. Opsiyonlar Değerleri Popülasyon boyutu 10 İlk popülasyon Doğrusal mümkünlük Ölçekleme Tablo 3 Seçme Tablo 3 Turnuva boyutu 4 Mutasyon Uyarlanabilir mümkünlük Çaprazlama Tablo 3 Oran (buluşsal) 1.2 Elit sayısı 2 Çaprazlama kesiri 0.5 Maksimum jenerasyon sayısı 50000 Maksimum optimizasyon süresi 10000000 saniye Durağan jenerasyonlar 1000 Şekil 2. Tablo 3 ve Tablo 4 deki GA opsiyonlarının önerilen yavaşlama mekanizmasının optimizasyonu sonucu üretilen enerji tasarrufunun dağılımını % cinsinden sunmaktadır. Şekil 3 Tablo 3 ve Tablo 4 deki GA opsiyonlarının önerilen yavaşlama mekanizmasının optimizasyon süre dağılımını saniye biriminde sunmaktadır. Şekilde görüldüğü üzere Set2 optimizasyon süresi en kısa olandır. Bunun en önemli sebeplerinden bir tanesi aritmetik opsiyonlarının daha kısa sürede optimizasyon sağlaması ve rulet opsiyonunu genelde yavaş çalışmasıdır. Set2 nin haricinde, Set4 ve Set5 düşük varyasyonla hızlı optimizasyon kombinasyonları olarak görülmektedir. Şekil 4. Tablo 3 ve Tablo 4 deki GA opsiyonları tarafından optimize edilmiş yavaşlama mekanizmasının performans üzerindeki etkisi sunulmaktadır. Burada en önemli performans metriklerinden paket gecikmesi dağılımı ms (milisaniye) cinsinden verilmiştir [17]. Set4 enerji tasarrufu ve optimizasyon süresinde iyi sonuçlar vermemesine rağmen, burada iyi bir paket gecikme değeri vermektedir. Buradan da anlaşılacağı üzere enerji tasarrufu ve performans ters orantılıdır. Sonuçlara bakılacak olursa seçilmiş GA opsiyonlarının birçoğu birbirine yakın, iyi sonuçlar vermektedir. Özellikle Set3 ve Set5 enerji tasarrufu yönünden iyi sonuçlar vermektedir. Fakat bir kombinasyon seçilecek olursa hem performans yönünden hem de optimizasyon süresi olarak Set5 yani rütbe, turnuva ve buluşsal opsiyonlar daha iyi Şekil 3. Tablo 3 ve Tablo 4 deki GA opsiyonlarının önerilen yavaşlama mekanizmasının optimizasyon süre dağılımını saniye biriminde sunmaktadır. 5. Sonuç Bu çalışmada, ağ cihazlarındaki (yönlendirici / anahtarlama) bağlantıların maksimum kapasitesini veri miktarına göre otomatik olarak ayarlayabilmesi için gerekli olan yavaşlama mekanizmasını kısaca sunmuş olup mekanizmanın parametrelerini değişken veri miktarına göre optimize edilmesinde kullanılan Genetik Algoritma (GA) parametreleri karşılaştırılmıştır. Seçilen GA parametreleri bağlantının kapasitesini verinin hacmine göre azaltıp artırarak enerji tasarrufu sağlamaktadır. Bunu yaparken en önemli performans metriklerinden gecikme metriği kullanılmıştır. Deney sonuçlarına göre, orantılı ölçekleme, turnuva seçme ve buluşsal çaprazlama parametreleri enerji

tasarrufu optimizasyon süresi ve performans testlerinde diğerlerinden daha iyi sonuçlar vermiş, %53 oranda enerji tasarrufu sağlamıştır. Ayrıca bu çalışma, önerilen yavaşlama mekanizmasının ve optimizasyon sonuçları çabuk karar mekanizmalarının ve performansın önemli olduğu veri trafiği gibi büyük ölçüde değişken ortamlarda başarıyla kullanılabileceğinin göstermiştir. [5] C. Gunaratne, K. Christensen, Ethernet Adaptive Link Rate: System Design and Performance Evaluation, Proc. 31st IEEE Conf. Local Computer Networks (LCN 2006), Tampa, FL, USA, pp. 28-35, Nov. 2006. [6] C. Gunaratne, K. Christensen, B. Nordman and S. Suen, Reducing the Energy Consumption of Ethernet with Adaptive Link Rate (ALR), IEEE Transactions on Computers, vol. 57, issue 4, April 2008 pp.448-461. [7] R. Bolla, R. Bruschi, F. Davoli, and F. Cucchietti, Energy Efficiency in the Future Internet: A Survey of Existing Approaches and Trends in Energy-Aware Fixed Network Infrastructures, IEEE Commun. Surveys and Tutorials, vol. 13, no. 2, 2nd qtr., pp. 233 244, 2011. [8] D.C. Montgomery, G.C. Runger, Applied Statistics and Probability for Engineers. New York: Wiley, 2007. [9] J. H. Holland, Adaption in Natural and Artificial Systems. Ann Arbor, MI: Univ. Michigan Press, 1975. [10] R. L. Haupt and S. E. Haupt, Practical Genetic Algorithms. Newyork: John Wiley & Sons, 1998. Şekil 4. Tablo 3 ve Tablo 4 deki GA opsiyonları tarafından optimize edilmiş yavaşlama mekanizmasının performans üzerindeki etkisi sunulmaktadır. Burada en önemli performans metriklerinden paket gecikmesi dağılımı ms (milisaniye) cinsinden verilmiştir. 6. Kaynaklar [1] H. Abaci, G. Parr, S. McClean, A. Moore, L. Krug and L. Forgiel, Practical Energy Saving and Power- Workload Proportionality in a campus Environment, in Green Technologies Conference 2012 IEEE (GTC2012), Oklahoma, USA, pp. 1-6, April 2012. [2] S. Nedevschi, L. Popa, G. Iannaccone, S. Ratnasamy, and D. Wetherall, Reducing Network Energy Consumption via Sleeping and Rate-Adaptation, in Proceedings of USENIX NSDI, pp. 323-336, 2008. [3] S. Nedevschi, J. Chandrashekar, J. Liu, B. Nordman, S. Ratnasamy, N. Taft, Skilled in the Art of Being Idle: Reducing Energy Waste in Networked Systems, Proc. 6th ACM/USENIX Symp. On Networked Systems Design and Implementation (NSDI 2009), Boston, MA, USA, pp. 381-394, Apr. 2009. [4] J. Chabarek, C. Estan, J. Sommers, P. Barford, D. Tsiang, S. Wright, Power Awareness in Network Design and Routing, Proc. IEEE 27th IEEE Conf. on Computer Communications (INFOCOM 2008), Phoenix, AZ, pp. 457-465, April 2008. [11] S. N. Sivanandam and S. N. Deepa. Introduction to Genetic Algorithms. Springer Verlag, 2007. [12] M. Gen, R. Cheng, L. Lin. Network models and optimization: Multiobjective genetic algorithm approach. Springer. 2008. [13] H. Jung, A. Hwang, and M. Pedram, Predictive-flowqueue-based energy optimization for gigabit ethernet controllers, IEEE Transactions on Very Large Scale Integration (VLSI) Systems, vol. 17, pp. 1113-1126, 2009. [14] MATHWORKS, Genetic Algorithm, http://www.mathworks.co.uk/ help/toolbox/ gads/f6010dfi3.html. [15] MAWI Working group, http://www.wide.ad.jp/project/wg/mawi.html. [16] F. Idzikowski, E. Bonetto, L. Chiaraviglio, A. Cianfrani, A. Coiro, R. Duque, Y. Ye, "TREND in energy-aware adaptive routing solutions," Communications Magazine, IEEE 51.11 (2013): 94-104. [17] F, Francois, N. Wang, K. Moessner, S. Georgoulas, K. Xu, "On IGP link weight optimization for joint energy efficiency and load balancing improvement." Computer Communications (2014).