Специалист по автоматизации вычислительных систем кафедры ВМК МГУ. Евгений СтепановПредложил новый способ выравнивания движения грузов в существующей транспортной системе при помощи алгоритмов машинного обучения, где каждый участник действует независимо. Результаты исследованияДоказана эффективность предложенного метода по сравнению с обычными алгоритмами.
Евгений Степанов исследует задачу балансировки транспортных потоков в сети передачи данных, которая всё более актуальна с ростом интернет-трафика. С увеличением объёмов данных в сетях типа виртуальных частных сетей (VPN) важность эффективного управления маршрутами и недопущения перегрузок каналов возрастает.
Исследование предложило решение задачи с помощью многоагентного метода машинного обучения с подкреплением. Этот подход учитывает взаимодействие агентов, что позволяет эффективно управлять транспортными потоками в сети и минимизировать задержки передачи данных. В эксперименте новый метод показал преимущество перед классическими алгоритмами (ECMP и UCMP) и результаты сопоставимые с централизованными алгоритмами (генетические алгоритмы).
Исследование выявило эффективность метода Multi-Agent Routing using Hashing (MAROH) в обеспечении баланса трафика в сети. Метод реализует объединение децентрализованного обучения с подкреплением и консистентного хеширования, позволяя каждому маршрутизатору адаптировать свои маршруты на основе текущей загрузки каналов. Такой подход способствует справедливому распределению трафика и снижению перегрузок.
Исследования показали, что новый метод эффективен при высокой нагрузке на сеть. Улучшение распределения нагрузки по каналам существенно превышает показатели традиционных алгоритмов балансировки.
Этот метод может быть применен в разных областях сетевого управления. Он пригодится как в корпоративных сетях, так и в дата-центрах и кампусных сетях, где важно равномерно распределить нагрузку и гарантировать стабильную работу. Машинное обучение с подкреплением открывает новые пути оптимизации маршрутизации при постоянном росте интернет-трафика.
Современные сети нуждаются в новых методах управления трафиком. Наш метод балансировки потоков с применением многоагентного машинного обучения является значительным прогрессом. Традиционные алгоритмы постепенно уступают решениям, способным адаптироваться к сложным условиям и изменяющимся нагрузкам. Исследование показывает, что машинное обучение повышает эффективность и открывает возможности для масштабируемых сетей. Помощник кафедры автоматизации вычислительных комплексов ВМК МГУ сделал это замечание. Евгений Степанов.
Исследование расширяет возможности управления сетевым трафиком. Предложенный подход с применением многоагентного обучения может служить основой для совершенствования балансировки потоков информации в современных сетях передачи данных.
Источник информации: ВМК МГУ имени М.В. Ломоносова
Источник фото: ru.123rf.com