Strategi Pengelolaan Bandwidth Adaptif Pada Jaringan Komputer Berbasis Virtualisasi
Abstract
Pengelolaan bandwidth yang efisien pada jaringan komputer berbasis virtualisasi menjadi tantangan yang signifikan, mengingat sifat dinamis dan fluktuatif dari beban trafik. Fluktuasi trafik yang tidak terprediksi dan keterbatasan infrastruktur fisik menjadi hambatan utama dalam mengoptimalkan penggunaan bandwidth. Penelitian ini bertujuan untuk menganalisis dan mengidentifikasi strategi pengelolaan bandwidth adaptif yang efektif pada jaringan berbasis virtualisasi, serta bagaimana solusi-solusi tersebut dapat meningkatkan kinerja jaringan. Jenis penelitian yang digunakan adalah penelitian kualitatif dengan pendekatan studi kasus. Pengumpulan data dilakukan melalui wawancara mendalam dengan pengelola jaringan dan observasi langsung terhadap implementasi pengelolaan bandwidth di beberapa organisasi yang menerapkan teknologi virtualisasi. Data yang diperoleh dianalisis menggunakan analisis tematik untuk mengidentifikasi tantangan, strategi yang diterapkan, dan solusi yang diambil untuk mengelola bandwidth adaptif. Hasil penelitian menunjukkan bahwa alokasi bandwidth dinamis berbasis pemantauan trafik real-time, penggunaan algoritma prediksi, pengaturan QoS berbasis aplikasi, dan otomatisasi pengelolaan bandwidth merupakan strategi utama yang diterapkan untuk mengatasi fluktuasi trafik dan mengoptimalkan penggunaan sumber daya jaringan. Penerapan strategi-strategi tersebut terbukti efektif dalam meningkatkan efisiensi pengelolaan bandwidth serta mengurangi kemacetan pada jaringan virtualisasi. Kesimpulannya, pengelolaan bandwidth adaptif yang berbasis data real-time dan otomatisasi dapat meningkatkan kualitas layanan pada jaringan komputer berbasis virtualisasi. Penelitian selanjutnya disarankan untuk mengeksplorasi penerapan machine learning dalam memprediksi kebutuhan bandwidth dan mengembangkan algoritma canggih untuk pengelolaan sumber daya jaringan.
References
R. Mijumbi, J. Serrat, J. Rubio-Loyola, N. Bouten, F. Turck, dan S. Latr’e, “Dynamic Resource Management In SDN-Based Virtualized Networks,” dalam 10th International Conference On Network And Service Management (CNSM) And Workshop, 2014, hlm. 412–417.
V. Eramo dan F. G. Lavacca, “Optimizing The Cloud Resources, Bandwidth And Deployment Costs In Multi-Providers Network Function Virtualization Environment,” IEEE Access, vol. 7, hlm. 46898–46916, 2019.
A. Amiri, “Optimal Bandwidth Allocation With Bandwidth Reservation And Adaptation In Wireless Communication Networks,” Int. J. Comput. Netw. Commun. IJCNC, vol. 8, no. 1, 2016.
M. Mirhakkak, N. Schult, dan D. Thomson, “Dynamic Bandwidth Management And Adaptive Applications For A Variable Bandwidth Wireless Environment,” IEEE J. Sel. Areas Commun., vol. 19, no. 10, hlm. 1984–1997, 2002.
Y. T. Hou, B. Li, S. S. Panwar, dan H. Tzeng, “On Network Bandwidth Allocation Policies And Feedback Control Algorithms For Packet Networks,” Comput. Netw., vol. 34, no. 3, hlm. 481–501, 2000.
L. Ruan, M. P. D. A. Dias, dan E. Wong, “Machine Learning-Based Bandwidth Prediction For Low-Latency H2M Applications,” IEEE Internet Things J., vol. 6, no. 2, hlm. 3743–3752, 2019.
N. Kumar dan A. Ahmad, “Machine Learning-Based Qos And Traffic-Aware Prediction-Assisted Dynamic Network Slicing,” Int. J. Commun. Netw. Distrib. Syst., vol. 28, no. 1, hlm. 27–42, 2022.
S. Chong, S. Q. Li, dan J. Ghosh, “Predictive Dynamic Bandwidth Allocation For Efficient Transport Of Real-Time VBR Video Over ATM,” IEEE J. Sel. Areas Commun., vol. 13, no. 1, hlm. 12–23, 1995.
F. Bonomi, D. Mitra, dan J. B. Seery, “Adaptive Algorithms For Feedback-Based Flow Control In High-Speed, Wide-Area ATM Networks,” IEEE J. Sel. Areas Commun., vol. 13, no. 7, hlm. 1267–1283, 1995.
R. Boutaba, N. Shahriar, M. A. Salahuddin, dan N. Limam, “Managing Virtualized Networks And Services With Machine Learning,” dalam Communication Networks And Service Management In The Era Of Artificial Intelligence And Machine Learning, Springer, 2021, hlm. 33–68.
Q. Shi, F. Wang, D. Feng, dan W. Xie, “Adaptive Load Balancing Based On Accurate Congestion Feedback For Asymmetric Topologies,” Comput. Netw., vol. 157, hlm. 133–145, 2019.
L. Li, Y. Wei, L. Zhang, dan X. Wang, “Efficient Virtual Resource Allocation In Mobile Edge Networks Based On Machine Learning,” J. TBD, XXXX.
P. Alvarez, N. Marchetti, dan M. Ruffini, “eval__uating Dynamic Bandwidth Allocation Of Virtualized Passive Optical Networks Over Mobile Traffic Traces,” J. Opt. Commun. Netw., vol. 8, no. 3, hlm. 129–136, 2016.
C.-T. Yang, S.-T. Chen, J.-C. Liu, Y.-Y. Yang, K. Mitra, dan R. Ranjan, “Implementation Of A Real-Time Network Traffic Monitoring Service With Network Functions Virtualization,” Future Gener. Comput. Syst., vol. 93, hlm. 687–701, 2019.
T. H. T. Le dkk., “Auction Mechanism For Dynamic Bandwidth Allocation In Multi-Tenant Edge Computing,” IEEE Trans. Veh. Technol., vol. 69, no. 12, hlm. 15162–15176, 2020.
B. Cao, X. Zheng, K. Yuan, D. Qin, dan Y. Hong, “Dynamic Bandwidth Allocation Based On Adaptive Predictive For Low Latency Communications In Changing Passive Optical Networks Environment,” Opt. Fiber Technol., vol. 64, hlm. 102556, 2021.
D. Shen, J. Luo, F. Dong, J. Jin, J. Zhang, dan J. Shen, “Facilitating Application-Aware Bandwidth Allocation In The Cloud With One-Step-Ahead Traffic Information,” IEEE Trans. Serv. Comput., vol. 13, no. 2, hlm. 381–394, 2019.
M. El Rajab, L. Yang, dan A. Shami, “Zero-Touch Networks: Towards Next-Generation Network Automation,” Comput. Netw., vol. 243, hlm. 110294, 2024.
S. Talwani dkk., “Machine-Learning-Based Approach For Virtual Machine Allocation And Migration,” Electronics, vol. 11, no. 19, hlm. 3249, 2022.
R. H. Serag, M. S. Abdalzaher, H. A. E. A. Elsayed, dan M. Sobh, “Software Defined Network Traffic Classification For Qos Optimization Using Machine Learning,” J. Netw. Syst. Manag., vol. 33, no. 2, hlm. 41, 2025.
Copyright (c) 2025 Dewi Chirzah; Hamid Muhammad Jumasa
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
