تعد الشبكة المعرفة بالبرمجيات (SDN) نموذجًا قويًا ومرنًا للشبكة، ويجري حاليًا توحيدها. يمكن لقدرات SDN تحسين أداء شبكات الحرم الجامعي بشكل كبير والتغلب على مشاكل الشبكات التقليدية لتحسين جودة الخدمة وجودة الخدمة. ولذلك، ركزت العديد من الدراسات على تعزيز شبكات الحرم الجامعي باستخدام SDN.يطبق النظام المقترح خوارزمية Deep Q-Network (DQN) على شبكة الحرم الجامعي (الجامعة التكنولوجية) كدراسة حالة. يستخدم هذا النظام أسلوبًا مزدوجًا لتحسين جودة الشبكة (QoS)، والذي يصنف أنواع الخدمة. فهو يوجه حركة مرور TCP عبر (DQN) للتوجيه الذكي، بينما تتم إدارة حركة مرور UDP باستخدام خوارزمية Dijkstra لاختيار المسار الأقصر. يستفيد هذا النموذج الهجين من نقاط القوة في كل من التعلم الآلي والخوارزميات الكلاسيكية لضمان تخصيص الموارد بكفاءة ونقل البيانات عالية الجودة. يهدف النظام المقترح إلى الجمع بين قدرة DQN على التكيف والموثوقية المؤكدة لخوارزمية Dijkstra لتعزيز أداء الشبكة ديناميكيًا لتحسين جودة الخدمة من خلال تحسين الإنتاجية وتقليل زمن الوصول.

في دراستنا المقارنة، تم مقارنة النظام المقترح، الذي يستخدم كلاً من (DQN) لحركة مرور TCP وخوارزمية Dijkstra لحركة مرور UDP، مقابل خوارزميتين أخريين: نسخة متقدمة من خوارزمية Dijkstra التي قمنا بتصميمها وتنفيذها، بالإضافة إلى Q- النهج القائم على التعلم. تم استخدام ثلاثة طبولوجيا مخصصة مع ثلاثة أحمال مختلفة للتحقق من جودة الخدمة.

أظهرت النتائج أن نظامنا المقترح يتمتع بأداء أفضل، خاصة في الهياكل المعقدة تحت الأحمال المتوسطة والثقيلة، بالمقارنة مع Q-learning وخوارزميات Dijkstra المصممة. في UOT (دراسة الحالة الخاصة بنا) تم تحسين النظام المقترح مقارنة مع Adv. كانت Dijkstra (57%، 21% و 42%) للإنتاجية، وزمن الوصول، والارتعاش على التوالي. كان تحسين النظام المقترح مقارنة بخوارزمية QL (37%، 22%، 33%) للإنتاجية، الكمون والارتعاش على التوالي.