Perpustakaan Digital ITB
Named Data Networking (NDN) merupakan arsitektur jaringan masa depan
yang menggeser paradigma komunikasi dari model berbasis alamat host menuju
model berbasis nama konten. Dalam NDN, strategi forwarding memainkan peran
krusial karena menentukan antarmuka mana yang dipilih untuk meneruskan setiap
paket Interest. Strategi konvensional seperti Adaptive Smoothed RTT-based Forwarding
(ASF) mengandalkan heuristik lokal yang bersifat reaktif dan tidak mampu
belajar dari pola historis jaringan. Keterbatasan ini menjadi tantangan serius pada
lingkungan jaringan yang dinamis dan heterogen, khususnya pada komunikasi darurat
bencana di mana infrastruktur jaringan rentan rusak dan kualitas tautan berubah
dengan cepat.
Kontribusi utama penelitian ini adalah strategi QLAF (Q-Learning Adaptive
Forwarding), sebuah strategi forwarding adaptif berbasis reinforcement learning
yang diimplementasikan langsung pada NFD (Named Data Networking Forwarding
Daemon) versi 22.12 tanpa memerlukan modifikasi paket NDN. QLAF mengintegrasikan
algoritma Q-Learning ke dalam forwarding plane NDN, memungkinkan
setiap router secara otonom mempelajari antarmuka optimal berdasarkan umpan
balik multi-metrik dari jaringan, mencakup throughput, RTT, dan jitter. Penelitian
i
ini juga mencakup dua kontribusi pendukung: survei komprehensif penerapan machine
learning pada mekanisme routing dan forwarding NDN yang mengidentifikasi
kesenjangan riset yang memotivasi pengembangan QLAF, serta kerangka klasifikasi
antarmuka pada FIB menggunakan algoritma Random Forest, k-Nearest Neighbor,
dan Neural Network dengan data emulasi MiniNDN pada topologi Indonesia Digital
Network (IDN) yang menghasilkan akurasi tertinggi 85,77% pada model Random
Forest.
QLAF dievaluasi menggunakan emulator MiniNDN pada topologi 25 simpul
yang dibangkitkan dengan BRITE, kemudian mensimulasikan skenario komunikasi
darurat bencana dengan tautan heterogen yang mencakup jalur terestrial (10–50 ms),
seluler (100–200 ms), dan satelit (500–600 ms). Kompleksitas jaringan divariasikan
dari 5 hingga 10 antarmuka per router. Optimasi hyperparameter dilakukan melalui
grid search terhadap 432 kombinasi, menghasilkan konfigurasi optimal ? = 0,6,
? = 0,001, ? = 0,1. Nilai ? yang sangat rendah mencerminkan sifat myopic dari
pengambilan keputusan forwarding NDN, di mana kondisi jaringan melampaui hop
berikutnya sangat tidak pasti sehingga immediate reward lebih informatif dibanding
proyeksi jangka panjang.
Hasil eksperimen menunjukkan bahwa QLAF mencapai Packet Delivery
Ratio (PDR) sebesar 99,91%, melampaui ASF (99,49%), Access (99,81%), dan
Self-Learning (73,47%). QLAF menunjukkan keunggulan terbesar pada kompleksitas
jaringan sedang dengan 7-9 antarmuka per router, dimana ASF mengalami
kehilangan paket 1,3-1,5% sementara QLAF mempertahankan kehilangan di bawah
0,1%. Namun demikian, QLAF memiliki trade-off latensi yang signifikan dengan
rata-rata RTT 447,6 ms dibandingkan ASF (66,4 ms) dan Access (44,3 ms). Analisis
dekomposisi latensi menunjukkan bahwa 99,7% dari overhead tersebut bersumber
dari keputusan pemilihan jalur oleh Q-Learning yang memprioritaskan jalur andal
namun lebih lambat, bukan dari biaya komputasi algoritma itu sendiri yang hanya
1,11 ms untuk lintasan 5 hop. Kebaruan penelitian ini terletak pada irisan tiga unsur,
yaitu pemilihan antarmuka pada FIB, fungsi reward multi-metrik, dan eksekusi serta
pengukuran langsung pada NFD dalam waktu wall-clock, dan bukan pada salah satu
unsur secara terpisah. QLAF diposisikan sebagai solusi khusus untuk komunikasi
darurat yang mengutamakan keandalan pengiriman dengan toleransi latensi 400-500
ms, bukan sebagai pengganti universal bagi seluruh strategi forwarding.