Сотрудники Центра ИИ МГУ предложили мультиагентный метод для управления трафиком. Данное решение позволяет сократить объём межагентных обменов и ускорить принятие решения о перераспределении потоков данных в условиях динамически изменяющейся нагрузки. Результаты исследования опубликованы в журнале Mathematics.
В телекоммуникационных сетях и центрах обработки данных инженерия трафика используется для обеспечения равномерного распределения потоков данных и исключения перегрузок. По мере увеличения объемов передаваемой информации и расширения сетевой инфраструктуры традиционные подходы к оптимизации оказываются малоэффективными, так как они не учитывают случайный характер нагрузки и её значительные колебания.
В предыдущих исследованиях авторы разработали подход MAROH, объединяющий многоагентную оптимизацию и машинное обучение с подкреплением. MAROH показал более эффективную работу по сравнению с классическими способами балансировки, например, ECMP и UCMP. Но данный метод предполагал значительный обмен данными между агентами, и при каждом изменении сетевого трафика агентам приходилось пересчитывать свои решения.
В рамках новой разработки специалисты Центра ИИ МГУ создали агента, использующего двухконтурную систему принятия решений. Эта концепция основана на идеях Даниэля Канемана, экономиста, получившего Нобелевскую премию. Канеман исследовал особенности принятия экономических решений в условиях неопределенности. Его исследования показали, что человеческая система принятия решений состоит из двух частей. Первая из них оперативно оценивает ситуацию и, при наличии знакомых элементов, применяет ранее принятое решение. Если ситуация представляется новой, запускается процесс анализа и осмысления, после чего принимается решение. Сетевые устройства функционируют в условиях неопределенности, поскольку сложно предсказать состав и характеристики потоков данных. Поэтому ученые обучают агента не только принимать решения, но и запоминать ситуации, требующие определенных действий.
«При разработке мы учитывали, что координация в распределённых системах может создавать дополнительную нагрузку. Благодаря двухконтурной модели принятия решений агент способен быстрее принимать решения в привычных ситуациях, а для более сложного анализа, требующего обмена данными с другими агентами, он обращается к нему лишь при необходимости», — отметил Евгений Степанов, ассистент кафедры автоматизации систем вычислительных комплексов факультета вычислительной математики и кибернетики МГУ, а также старший научный сотрудник Центра ИИ МГУ.
Проведенные испытания продемонстрировали, что при изменении настроек метода удается снизить объем обменов между компонентами системы на 80–96% по сравнению с ранее используемыми алгоритмами. При этом не ухудшаются показатели сбалансированности нагрузки и скорость установления стабильного распределения потоков.
Данное решение предназначено для использования в телекоммуникационных сетях и дата-центрах, где важна возможность расширения и быстрая корректировка в соответствии с колебаниями сетевого трафика.
«Вдохновение для предложенного метода мы черпали из опыта другого специалиста. Тем не менее, воплощение этой идеи в виде интеллектуального агента, обладающего способностью к накоплению опыта и формированию интуиции, потребовало использования передовых математических разработок и технологий нейронных сетей различного типа. Это позволило уменьшить излишнюю нагрузку на сеть и ускорить процесс принятия решений, не усложняя ее структуру», — прокомментировал Руслан Смелянский, ведущий научный сотрудник Центра искусственного интеллекта МГУ, заведующий кафедрой автоматизации систем вычислительных комплексов факультета вычислительной математики и кибернетики МГУ.
Информация предоставлена пресс-службой МГУ