Hasil Pencarian  ::  Simpan CSV :: Kembali

"Congestion control merupakan salah-satu mekanisme yang penting dalam jaringan komputer, termasuk Internet. Banyak penelitian yang telah mencoba menghasilkan congestion control yang efektif mengatur jaringan sehingga tidak terjadi congestion selagi memastikan Quality of Service (QoS) yang baik. Sejak tahun 1988, telah banyak algoritma congestion control yang dibuat untuk mengatasi hal tersebut. Selama ini, pada umumnya algoritma congestion control menggunakan konsep rule-based yang mana algoritma tersebut mengatur jaringan berdasarkan aturan-aturan yang sudah ditentukan oleh manusia. Seiring berkembangnya teknologi kecerdasan buatan dan pembelajaran mesin, semakin banyak congestion control yang mulai dikembangkan menggunakan teknologi tersebut. Salah satu teknologi pembelajaran mesin yang cocok digunakan untuk congestion control adalah deep reinforcement learning. Pembelajaran mesin dimanfaatkan untuk mengganti manusia dalam menciptakan aturan yang digunakan congestion control untuk menghasilkan congestion control berbasis deep reinfocement learning (DRL-CC). Penggunaan pembelajaran mesin dipercaya memiliki kemampuan untuk mengatasi kondisi jaringan yang semakin dinamis dibandingkan pada abad ke-20. Penelitian ini merupakan lanjutan dari penelitian sebelumnya yang bertujuan untuk memperbaiki algoritma DRL-CC yang sudah diciptakan yaitu Aurora dengan memodifikasi algoritma tersebut. Penelitian ini membandingkan Aurora dengan modifikasi DRL-CC tersebut pada kasus pemakaian yang semakin relevan pada masa ini yaitu streaming video untuk mencari tahu apakah modifikasi tersebut bersifat robust. Dilakukan eksperimentasi pada DRL-CC tersebut menggunakan Pantheon pada bermacam skenario jaringan termasuk skenario streaming video. Ditemukan bahwa pada skenario streaming video, modifikasi Aurora memiliki performa yang lebih baik dari Aurora asli. Terdapat penurunan sebesar 1.87 kali lebih rendah pada kategori delay yang dihasilkan oleh modifikasi Aurora. Selain itu, modifikasi Aurora mampu menekan loss rate yang dialami sebesar 2.36 kali lebih rendah.

---

Congestion control is an essential mechanism in computer networks, including the Internet. Many studies have tried to produce congestion control that effectively regulates the network so that congestion does not occur while ensuring good Quality of Service (QoS). Since 1988, many congestion control algorithms have been created to overcome this. So far, congestion control algorithms generally use a rule-based concept where the algorithm manages the network based on rules that have been determined by humans. As artificial intelligence and machine learning technology develop, more and more congestion controls are starting to be developed using this technology. One machine learning technology that is suitable for congestion control is deep reinforcement learning. Machine learning is used to replace humans in creating the rules used by congestion control to produce deep reinforcement learning based congestion control (DRL-CC). The use of machine learning is believed to have the ability to overcome network conditions that are increasingly dynamic compared to those of the 20th century. This research is a continuation of previous research which aims to improve the DRL-CC algorithm that has been created, namely Aurora, by modifying the algorithm. This research compares Aurora with the modified DRL-CC algorithm in a use case that is increasingly relevant today, namely video streaming, to find out whether the modification is robust. Experiments were carried out on DRL-CC using Pantheon in various network scenarios, including video streaming. It was found that in the video streaming scenario, the modified Aurora performed better than the original Aurora. There was a decrease of 1.87 times in the delay category produced by the Aurora modification. Apart from that, the Aurora modification was able to reduce the loss rate experienced by 2.36 times lower."

"Seiring dengan perkembangan Internet dan semakin beraganmya kemampuan yang ditawarkannya saat ini, maka sangat mungkin sekali untuk senantiasa mengembangkan dan menawarkan layanan dan aplikasi-aplikasi yang tidal( mungkin dilakukan oleh teknologi Internet terdahulu. Dengan menggunakan multicast, konferensi berskala besar yang melibatkan ratusan bahkan sampai ribuan peserta dimungkinkan melalui Internet. Congestion terjadi ketika paket-paket terlalu banyak berada pada jaringan sehingga unjuk kecja menurun. Internet bergantung kepada aplikasi-aplikasi yang melakukan congestion control untuk memberi reaksi terhadap network congestion dan menghindari congestion yang lebih parah 14. Mekanisme congestion control yang digunakan dalam TCP (Transmission Control Protocol) te-lah menj_di salah satu kunci yang memberi kontribusi bagi keberhasilan Internet. Oleh karena itu, hampir seluruh congestion control untuk multicast memiliki mekanisme congestion control seperti pada TCP. Mekanisme TCP yang diadaptasi oleh banyak congestion control untuk multicast adalah mekanisme increase dan decrease-nya. Pada skripsi ini akan dijelaskan mengenai pinsip dasar IP multicast dan congestion control dan akan dibandingkan dua macam algoritma yaitu AIMD dan AIAD untuk penyesuaian kecepatan sender sehingga jaringan diharapkan dapat berfungsi pada tingkat yang maksimal. Dan basil simulasi yang dilakukan, algoritma AIMD ternyata menghasilkan kinerja yang lebih balk karena secara agresif menurunkan kecepatan sender sehingga dengan segera mengatasi masalah congestion yang terjadi."

"Congestion Control merupakan salah satu dari bagian dari manajemen jaringan yang menggunakan ATM. Karena terbatasnya sumber daya yang ada untuk dapat melayani seluruh transmisi cell yang berisi data aplikasi, maka kemungkinan terjadinya kongesti besar sekali. Untuk itu untuk menanggulangi dan mencegah adanya kongesti dibuat beberapa metode dengan salah satu metodenya adalah selective cell discard terhadap tagged cell (CLP=1).Pada skripsi ini dibahas mengenai perbandingan antara sistem yang memakai selective cell discard dengan yang tidak melalui pembuatan program guna menghitung peluang hilangnya cell, baik yang untagged maupun tagged cell serta delay untuk untagged cell. Dan model yang digunakan untuk memodelkan sistem antrian pada masukan buffer suatu trunk adalah Markov Modulated Poisson Process (MMPP). Diharapkan dari perbandingan ini dapat diketahui apakah penggunaan metode selective cell discard baik untuk congestion control dan pengaruhnya terhadap Quality of Sevice (QoS) jaringan."

"Kongesti di internet terjadi karena jumlah pengiriman data melebihi kapasitas router yang ada. Namun demikian, kenyataannya tidak setiap kongesti yang terjadi disebabkan karena hal tersebut. Sebagai contoh ketika kecepatan data dari satu pengirim jauh lebih tinggi dari pengirim yang lain karena mekanisme umpan balik yang tidak tepat, maka pengirim dengan kecepatan data jauh lebih rendah dapat dikatakan mengalami kongesti. Saat ini kongesti diatasi dengan melibatkan 2 mekanisme pengendalian, yaitu flow/congestion control di sumber pengirim data dan Active Queue Management (AQM) di router. AQM bertugas memberikan umpan balik kepada sumber pengirim sebagai indikasi dari tingkat kongesti di router. Sumber pengirim akan mengirimkan data ke jaringan sesuai dengan umpan bailk tersebut. Mekanisme ini dirasakan masih belum cukup untuk menuntaskan persoalan kongesti di internet. Untuk itu, dalam makalah ini akan dipaparkan sebab-sebab terjadinya kongesti, kelemahan dan teknik kendali kongesti, yang telah dikembangkan sampai saat ini. Untuk memperoleh gambaran respon sistem, digunakan Matlab untuk simulasi sistem.

---

AbstractInternet congestion occurs when resource demands exceeds the network capacity. But, it is not the only reason. Congestion can happen on some users because some others user has higher sending rate. Then some users with lower sending rate will experience congestion. This partial congestion is caused by inexactly feedback. At this moment congestion are solved by the involvement of two controlling mechanisms. These mechanisms are flow/congestion control in the TCP source and Active Queue Management (AQM) in the router. AQM will provide feedback to the source a kind of indication for the occurrence of the congestion in the router, whereas the source will adapt the sending rate appropriate with the feedback. These mechanisms are not enough to solve internet congestion problem completely. Therefore, this paper will explain internet congestion causes, weakness, and congestion control technique that researchers have been developed. To describe congestion system mechanisms and responses, the system will be simulated by Matlab"

"Skripsi ini membahas tentang peningkatan kinerja konstelasi satelit LEO dalam mentransmisikan paket data IP dengan menerapkan sistem jaringan MPLS dengan tambahan fungsi ECN. Simulasi jaringan dilakukan dengan 3 skenario: scenario MPLS, skenario Satelit MPLS, dan skenario Satelit MPLS Dengan Tambahan Fungsi ECN. Hasil simulasi menunjukkan peningkatan kinerja dalam hal peningkatan throughput dan utilisasi, serta penurunan delay pada skenario Satelit MPLS Dengan Tambahan Fungsi ECN dibandingkan dengan skenario Satelit MPLS walaupun tidak melampaui skenario MPLS pendekatan terestrial.

---

This thesis focused on the improvement of LEO satellite constellation performance in transmitting IP packet data which implement MPLS networking system with the addition of ECN function. Network simulations conducted within 3 scenarios: MPLS scenario, Satellite MPLS scenario, and Satellite MPLS with Addition of ECN Function scenario. The simulation results demonstrate a performance enhancement in term of throughput and utilization improvement, also delay reduction on Satellite MPLS with Addition of ECN Function scenario compared to Satellite MPLS scenario even though but did not surpass MPLS scenario with terrestrial point of view."

"Penelitian ini bertujuan untuk menganalisis dan membandingkan ukuran ow terhadap FCT slowdown dari empat protokol network telemetry, yaitu INT, PINT, LINT, dan DINT, dalam mekanisme High Precision Congestion Control (HPCC) menggunakan simulator NS3. Implementasi HPCC bertujuan untuk mengoptimalkan kinerja jaringan berkecepatan tinggi dengan meminimalkan latensi dan mengontrol congestion secara e sien menggunakan teknik network telemetry. Dalam penelitian ini, metrik yang digunakan untuk evaluasi adalah Flow Completion Time (FCT) slowdown, yang mem- bandingkan FCT antara ow yang mengandung data telemetry dan ow yang tidak. Hasil dari simulasi ini memberikan wawasan tentang keunggulan masing-masing protokol pada mekanisme HPCC dengan berbagai skenario jaringan.

---

This study aims to analyze and compare the ow size against the FCT slowdown of four network telemetry protocols: INT, PINT, LINT, and DINT, within the High Precision Congestion Control (HPCC) mechanism using the NS3 simulator. The implementation of HPCC aims to optimize the performance of high-speed networks by minimizing latency and ef ciently controlling congestion using network telemetry techniques. In this study, the metric used for evaluation is Flow Completion Time (FCT) slowdown, which compares the FCT between ows containing telemetry data and those that do not. The simulation results are provide insights into each protocol’s advantages in various network scenarios."

"Penelitian ini bertujuan untuk menganalisis dan membandingkan ukuran flow terhadap FCT slowdown dari empat protokol network telemetry, yaitu INT, PINT, LINT, dan DINT, dalam mekanisme High Precision Congestion Control (HPCC) menggunakan simulator NS3. Implementasi HPCC bertujuan untuk mengoptimalkan kinerja jaringan berkecepatan tinggi dengan meminimalkan latensi dan mengontrol congestion secara efisien menggunakan teknik network telemetry. Dalam penelitian ini, metrik yang digunakan untuk evaluasi adalah Flow Completion Time (FCT) slowdown, yang membandingkan FCT antara flow yang mengandung data telemetry dan flow yang tidak. Hasil dari simulasi ini memberikan wawasan tentang keunggulan masing-masing protokol pada mekanisme HPCC dengan berbagai skenario jaringan.

---

This study aims to analyze and compare the flow size against the FCT slowdown of four network telemetry protocols: INT, PINT, LINT, and DINT, within the High Precision Congestion Control (HPCC) mechanism using the NS3 simulator. The implementation of HPCC aims to optimize the performance of high-speed networks by minimizing latency and efficiently controlling congestion using network telemetry techniques. In this study, the metric used for evaluation is Flow Completion Time (FCT) slowdown, which compares the FCT between flows containing telemetry data and those that do not. The simulation results are provide insights into each protocol’s advantages in various network scenarios."

"Penelitian ini bertujuan untuk menganalisis dan membandingkan ukuran flow terhadap FCT slowdown dari empat protokol network telemetry, yaitu INT, PINT, LINT, dan DINT, dalam mekanisme High Precision Congestion Control (HPCC) menggunakan simulator NS3. Implementasi HPCC bertujuan untuk mengoptimalkan kinerja jaringan berkecepatan tinggi dengan meminimalkan latensi dan mengontrol congestion secara efisien menggunakan teknik network telemetry. Dalam penelitian ini, metrik yang digunakan untuk evaluasi adalah Flow Completion Time (FCT) slowdown, yang membandingkan FCT antara flow yang mengandung data telemetry dan flow yang tidak. Hasil dari simulasi ini memberikan wawasan tentang keunggulan masing-masing protokol pada mekanisme HPCC dengan berbagai skenario jaringan.

---

This study aims to analyze and compare the flow size against the FCT slowdown of four network telemetry protocols: INT, PINT, LINT, and DINT, within the High Precision Congestion Control (HPCC) mechanism using the NS3 simulator. The implementation of HPCC aims to optimize the performance of high-speed networks by minimizing latency and efficiently controlling congestion using network telemetry techniques. In this study, the metric used for evaluation is Flow Completion Time (FCT) slowdown, which compares the FCT between flows containing telemetry data and those that do not. The simulation results are provide insights into each protocol’s advantages in various network scenarios."

"

---

"