از شبکه‌های G تا شبکه‌های محلی فیبر نوری: میراث سامی ارول گلنبه
اگر تاریخ رایانش را همچون درختی در نظر بگیریم، سامی ارول گلنبه نه شاخه و نه تنه آن، بلکه یکی از حیاتی‌ترین ریشه‌های آن خواهد بود.
به گزارش ستاد ارتباطات و ترویج بنیاد علم و فناوری مصطفی(ص)، جایزه ACM SIGMETRICS Achievement Award در سال ۲۰۰۸ از گلنبه به عنوان «فردی که در طول ۳۰ سال، در مجموع بیشترین سهم را در زمینه ارزیابی عملکرد سیستم‌ها و شبکه‌های کامپیوتری داشته است» یاد کرد.
این برگزیدۀ جایزه مصطفی(ص) از جمله نوابغ زمان خود است که تأثیر زیادی بر مدل‌سازی تصادفی، شبکه‌های کامپیوتری و شبکه‌های صف‌بندی داشته است. در واقع، اگر تاریخ کامپیوترها و هوش مصنوعی را یک درخت در نظر بگیریم، گلنبه نه تنه، بلکه یکی از ریشه‌های اصلی آن است.
او یکی از پیشگامان در زمینه مدل‌سازی و ارزیابی عملکرد سیستم‌ها و شبکه‌های کامپیوتری است که بیشتر به خاطر اختراع شبکه‌های G یا (Gelenbe Networks) و شبکه‌های عصبی تصادفی شناخته می‌شود. شبکه‌های G، شبکه‌های صف تعمیم‌یافته‌ای هستند که هم شبکه‌های داده و هم شبکه‌های عصبی را مدل‌سازی می‌کنند. شبکه G برای سیستم‌های صف‌بندی با توابع کنترلی خاص، مانند بسته‌های داده‌ای که منتظر انتقال به دستگاه‌ها هستند مورد استفاده قرار میگیرند، همچون دستگاه‌هایی که برای مکالمه از راه دور شبکه‌ای استفاده می‌شوند.
گلنبه همچنین مدت‌ها قبل از اینکه اترنت رایج شود، اولین شبکه محلی با دسترسی تصادفی که از اتصالات فیبر نوری استفاده می‌کند را طراحی کرد و ساخت. اختراع او، سوئیچ تلفن صوتی-بسته‌ای، که برای آن دو حق ثبت اختراع دارد، ابزارهای کنفرانس ویدیویی مانند اسکایپ و زوم را به واقعیت تبدیل کرده است.
گلنبه شبیه‌ساز سیستم تولید انعطاف‌پذیر (FLEXSIM) را نیز پدید آورد. این شبیه ساز یک مدل کامپیوتری از یک سیستم تولید است که برای سیستم‌های موجودی، مونتاژ و حمل و نقل استفاده می‌شود. او همچنین به همراه تیمش یک نرم‌افزار مدل‌سازی شبکه صف‌بندی به نام QNAP که به‌طور گسترده استفاده می‌شود را ساخت.
او در سال ۱۹۸۹، RNN یا شبکه‌های عصبی تصادفی (تصادفی یا احتمالی) را توسعه داد. RNN اکنون در امنیت سایبری برای تشخیص نفوذ در زمان واقعی، طبقه‌بندی بدافزار، کاهش حملات انکار سرویس توزیع‌شده (DDOS) و تخصیص منابع در اینترنت اشیا (IoT) و محاسبات لبه‌ای استفاده می‌شود. گلنبه در تحقیقات اولیه خود، این مدل یادگیری را برای تشخیص تومورهای مغزی به ثبت رساند و متعاقباً آن را به شرکت داروسازی ساندوز منتقل کرد.
گلنبه در دهه ۲۰۰۰ شبکه‌های بسته شناختی (CPN) را پدید آورد. CPN مسیریابی اینترنتی خودآموز با استفاده از RNN و نمونه اولیه‌ای از شبکه‌های خودمختار (پیشگام شبکه‌های تعریف‌شده توسط نرم‌افزار/(SDN) مجازی‌سازی عملکرد شبکه (NFV)) است. از آن در نسل پنجم شبکه مخابرات سیار (5G)، اینترنت اشیا و مسیریابی تطبیقی ارتباطات نظامی استفاده می‌شود. گلنبه دو حق ثبت اختراع برای سیستم «شبکه کامپیوتری مسیریابی تطبیقی یا یادگیری تطبیقی» مبتنی بر RNN خود را به شرکت BAE منتقل کرد.
گلنبه در سال ۲۰۱۷ برای تحقیقات پیشگامانه‌اش در زمینه «مدل‌سازی و ارزیابی عملکرد سیستم‌های کامپیوتری» جایزه مصطفی(ص) را دریافت کرد.
این دانشمند کهنه‌کار کامپیوتر و مهندس الکترونیک، از طریق تحقیقات، هدایت علمی دانشجویان و رهبری تیم‌های تحقیقاتی در سطح جهانی، به شکل‌گیری زندگی دیجیتال مدرن کمک کرده است و همچنان بر آینده آن تأثیر می‌گذارد.
این مقاله در ابتدا به زبان ترکی توسط ولکان قیزی اوغلو، مشاور فناوری اطلاعات، منتشر شده است.
