МОДЕЛЬ МАРШРУТИЗАЦІЇ В КОМП’ЮТЕРНИХ МЕРЕЖАХ НА ОСНОВІ ГРАФОВИХ НЕЙРОННИХ МЕРЕЖ
DOI:
https://doi.org/10.32782/IT/2025-1-11Ключові слова:
комп’ютерна мережа, маршрутизація, графова нейронна мережа, згорткова графова нейронна мережа, машинне навчання.Анотація
У комп’ютерних мережах ефективна маршрутизація є ключовим елементом для забезпечення надійної та швидкої передачі даних. Останнім часом набуває популярності використання графових нейронних мереж для вирішення задач маршрутизації. Графові нейронні мережі дозволяють моделювати складні взаємозв’язки в мережах та адаптуватися до змінних умов, що робить їх перспективним інструментом для оптимізації процесів передачі даних. Мета роботи полягає у розробці ефективної моделі маршрутизації в комп’ютерних мережах для забезпечення зниження середньої затримки, покращення пропускної здатності та рівномірного розподілу навантаження між вузлами, з урахуванням динамічних умов мережі та складної топології. Методологія. У дослідженні проаналізовано застосування графових нейронних мереж для розв’язання задачі маршрутизації. Задача маршрутизації представлена як задача машинного навчання, а саме класифікації ребер графа мережі, які формують оптимальний маршрут. Для побудови моделі оптимізації використані сучасні інструменти і технології, такі як Mininet, PyTorch Geometric та Ryu SDN Controller. Наукова новизна. Запропонована модель маршрутизації в комп’ютерній мережі створена на основі згорткової графової нейронної мережі з двома згортковими шарами, що дозволяє врахувати складні топології мереж. Додавання шару регуляризації дозволило запобігти перенавчанню моделі. Висновки. Розроблено модель маршрутизації в комп’ютерних мережах з використанням графових нейронних мереж. Результати тестування та інтеграції моделі довели, що GNN здатні ефективно вирішувати складні задачі маршрутизації, враховуючи динамічні зміни в мережі та складну топологію. Модель може бути використана для моніторингу та управління трафіком у реальних комп’ютерних мережах, особливо за умов великих навантажень або потенційних атак.
Посилання
Truong N. B., Lee G. M., Ghamri-Doudane Y. Software defined networking-based vehicular Adhoc Network with Fog Computing. Proceedings of the 2015 IFIP/IEEE International Symposium on Integrated Network Management, IM 2015, pp. 1202–1207. DOI: https://doi.org/10.1109/INM.2015.7140467
Lifan Mei, Jinrui Gou, Jingrui Yang, Yujin Cai, Yong Liu. On Routing Optimization in Networks with Embedded Computational Services. IEEE Transactions on Network and Service Management, 2024. https://doi.org/10.48550/arXiv.2210.03338
Basta A., Kellerer W., Hoffmann M., Morper H. J., Hoffmann K. Applying nfv and sdn to lte mobile core gateways, the functions placement problem. Proceedings of the 4th workshop on All things cellular: operations, applications, & challenges, 2014, pp. 33–38.
Herrera J. G., Botero J. F. Resource allocation in nfv: A comprehensive survey. IEEE Transactions on Network and Service Management, 2016, vol. 13, no. 3, pp. 518–532.
Ujjwal Sinha, Vikas Kumar, Shubham Kumar Singh. Routing Algorithms: A Reiew. ArXiv, Computer Science, Networking and Internet Architecture, 2024. URL: https://arxiv.org/pdf/2403.11228
Oluwaseyi Osunade. A Packet Routing Model for Computer Networks. International Journal of Computer Network and Information Security, 2012, 4, pp. 13–20. DOI: https://doi.org/10.5815/ijcnis.2012.04.02
Akbor Aziz Susom. Effectiveness of Routing Protocols for Different Networking Scenarios. Advances in Science Technology and Engineering Systems Journal, 2018, vol. 3, no. 4, pp. 112–121. DOI: https://doi.org/10.25046/aj030412
Ambresh G. Biradar. A Comparative Study on Routing Protocols: RIP, OSPF and EIGRP and Their Analysis Using GNS-3. 5th IEEE International Conference on Recent Advances and Innovations in Engineering (ICRAIE), 2020. DOI: https://doi.org/10.1109/ICRAIE51050.2020.9358327
Alotaibi Hamad, Gregory Mark, Li Shuo. Multidomain SDN-Based Gateways and Border Gateway Protocol. Journal of Computer Networks and Communications, 2022. DOI: https://doi.org/10.1155/2022/3955800
Mohamed Radzi, Nurul Asyikin, Mohd Azmi, Kaiyisah Hanis, Abdullah, Fairuz, Wan Ahmad, Wan Siti Halimatul Munirah. A New Machine Learning-based Hybrid Intrusion Detection System and Intelligent Routing Algorithm for MPLS Network. International Journal of Advanced Computer Science and Applications, 2023, vol. 14, no. 4, pp. 94–107. DOI: https://doi.org/10.14569/IJACSA.2023.0140412
Bin Dai, Yuanyuan Cao, Zhongli Wu, Zhewei Dai, Ruyi Yao, Yang Xu. Routing optimization meets Machine Intelligence: A perspective for the future network. Neurocomputing, 2021, vol. 459, pp. 44–58, https://doi.org/10.1016/j.neucom.2021.06.093
Song Yu, Ao Xiong, Xuesong Qiu, Shaoyong Guo, Dong Wang, Da Li, Xin Zhang, Yue Kuang. A Blockchain-Based Method for Optimizing the Routing of High-Frequency Carbon-Trading Payment Channels. Electronics, 2023, no. 12: 2586. https://doi.org/10.3390/electronics12122586
Zhou J., Cui G., Zhang Z., Yang C., Liu Z., Sun M. Graph Neural Networks: A Review of Methods and Applications. ArXiv, Computer Science, Networking and Internet Architecture, 2018. DOI: https://doi.org/10.48550/arXiv.1812.08434
Kawamoto T., Tsubaki M., Obuchi T. Mean-field theory of graph neural networks in graph partitioning. NeurIPS, 2018, pp. 4366–4376.
Jiang W., Han H., Zhang Y., Wang J., He M., Gu W., Mu J., Cheng X. Graph Neural Networks for Routing Optimization: Challenges and Opportunities. Sustainability 2024, 16, 9239. https://doi.org/10.3390/su16219239