Новый метод ученых МГУ сделает интернет быстрее и надежнее

Ассистент кафедры автоматизации систем вычислительных комплексов ВМК Московского Государственного Университета Евгений Степанов представил новый метод балансировки транспортных потоков в наложенной сети с использованием многоагентного метода машинного обучения. Результаты исследования показали эффективность предложенного подхода в сравнении с традиционными алгоритмами.

В своём исследовании Евгений Степанов рассматривает задачу балансировки транспортных потоков в сети передачи данных, которая становится всё более актуальной в условиях роста интернет-трафика. С увеличением объёмов данных в наложенных сетях, таких как виртуальные частные сети (VPN), важность эффективного управления маршрутами и недопущения перегрузок каналов приобретает первостепенное значение.

Исследование предложило решение этой задачи с использованием многоагентного метода машинного обучения с подкреплением. Этот подход учитывает распределённое взаимодействие агентов, что позволяет эффективно управлять транспортными потоками в сети и минимизировать задержки при передаче данных. В рамках эксперимента новый метод показал преимущество перед классическими алгоритмами, такими как ECMP и UCMP, а также продемонстрировал результаты, сопоставимые с централизованными алгоритмами, такими как генетические алгоритмы.

Исследование показало, что предложенный метод Multi-Agent Routing using Hashing (MAROH) способен эффективно балансировать трафик в сети за счёт объединения децентрализованного обучения с подкреплением и консистентного хеширования. Этот метод позволяет каждому маршрутизатору сети адаптировать свои маршруты с учётом текущей загрузки каналов, что приводит к более справедливому распределению трафика и снижению перегрузок.

Экспериментальные исследования подтвердили, что новый метод достигает наибольшей эффективности при высокой нагрузке в сети. Были получены значительные улучшения в отклонениях загрузки каналов от средней, что превосходит результаты классических алгоритмов балансировки.

Предложенный метод имеет потенциал для применения в широком спектре задач, связанных с управлением сетевым трафиком. Он может быть полезен как в корпоративных сетях, так и в крупных дата-центрах и кампусных сетях, где важно эффективно распределять нагрузку и обеспечивать стабильность работы. Использование методов машинного обучения с подкреплением открывает новые возможности для оптимизации маршрутизации в условиях постоянного роста интернет-трафика.