• فهرست مطالب (8)
• ادامه فهرست مطالب (9)
• ادامه فهرست شکل‌ها (11)
• فهرست جدول‌ها (12)
• فصل1 مقدمه (13)
  • 1-1 بیان مسئله (15)
  • 1-2 ضرورت و اهمیت پژوهش (16)
  • 1-3 اهداف پژوهش (17)
  • 1-4 ساختار پژوهش (17)
• فصل2 مبانی نظری و پیشینه پژوهش (20)
  • 2-1 شبکه نرم‌افزار محور (20)
  • 2-2 کاربردها و چالش‌های SDN (24)
  • 2-3 یادگیری ماشین در محیط‌های SDN (28)
  • 2-4 روش‌های یادگیری ماشین (29)
    • 2-4-1 یادگیری تحت نظارت (30)
    • 2-4-2 یادگیری بدون نظارت (30)
    • 2-4-3 یادگیری تقویتی (31)
      • 2-4-3-1 تابع سیاست و مقدار (33)
      • 2-4-3-2 شبکه‌های دوگانه و دوئل‌شده DQN (36)
  • 2-5 انتخاب بهترین روش یادگیری ماشین (38)
  • 2-6 روش‌های پیش‌بینی وضعیت ترافیک (40)
• فصل3 پیشینه پژوهش (43)
  • 3-1 روش‌های بهینه‌سازی مسیریابی کلاسیک (43)
  • 3-2 روش‌های بهینه‌سازی مسیریابی هوشمند (48)
    • 3-2-1 یادگیری تحت نظارت (48)
    • 3-2-2 یادگیری بدون نظارت (54)
    • 3-2-3 یادگیری تقویتی (56)
    • 3-2-4 یادگیری تقویتی عمیق (62)
  • 3-3 شبیه‌ساز مقلد Mininet (67)
  • 3-4 کنترل‌کننده Ryu (67)
  • 3-5 جمع‌بندی (68)
• فصل4 روش پیشنهادی (70)
  • 4-1 معماری سیستم و اجزاء آن (71)
    • 4-1-1 معماری دانش‌محور KDN (72)
      • 4-1-1-1 سطح داده (72)
      • 4-1-1-2 سطح کنترل (73)
      • 4-1-1-3 سطح مدیریت (74)
    • 4-1-2 سازوکار اندازه‌گیری شبکه (75)
      • 4-1-2-1 سطح دانش (77)
  • 4-2 روش پیشنهادی IR-MSDQN (78)
    • 4-2-1 عامل روش IR-MSDQN (79)
      • 4-2-1-1 شبکه Q عمیق (DQN) (80)
      • 4-2-1-2 شبکه DDQN (81)
      • 4-2-1-3 شبکه DDQN Dueling (82)
    • 4-2-2 یادگیری چندمرحله‌ای (83)
    • 4-2-3 تکرار تجربه اولویت‌بندی شده (84)
  • 4-3 جمع‌بندی (96)
• فصل5 تجزیه‌وتحلیل یافته‌ها (97)
  • 5-1 بستر شبیه‌سازی (98)
  • 5-2 تجزیه‌وتحلیل پارامترهای تجربی (100)
  • 5-3 تنظیم پارامترهای یادگیری (103)
  • 5-4 عملکرد الگوریتم پیش‌بینی ترافیک (106)
  • 5-5 ارزیابی نتایج (107)
  • 5-6 جمع‌بندی (116)
• فصل6 نتیجه‌گیری و کارهای آتی (117)
  • 6-1 نتیجه‌گیری (117)
  • 6-2 کارهای آتی (118)
• منابع و مراجع (120)
• واژه‌نامه