Вплив архітектури GNN на робастність мережевих маршрутів у сценаріях одиничних відмов вузлів
Анотація
У роботі розглянуто задачу інтелектуальної маршрутизації (пошуку шляху) в програмно-конфігурованих мережах (SDN) з використанням графових нейронних мереж. з метою підвищення ефективності використання мережевих ресурсів та адаптації до динамічних змін стану мережі (наприклад, завантаженості каналів або затримок). Актуальність. Сучасні програмно-конфігуровані мережі (SDN) стикаються зі зростанням обсягів трафіку та підвищеними вимогами до якості обслуговування (QoS). Традиційні алгоритми маршрутизації (наприклад, Дейкстри) є статичними та неефективними в умовах високої динаміки навантаження або раптових змін топології (відмов обладнання). Це призводить до перевантаження каналів, збільшення затримок та втрат пакетів. Використання методів машинного навчання, зокрема графових нейронних мереж (GNN) та навчання з підкріпленням (RL), відкриває нові можливості для створення адаптивних інтелектуальних агентів, здатних оптимізувати маршрутизацію в реальному часі, що робить це дослідження своєчасним та важливим для розвитку телекомунікаційних систем.
Мета. Метою дослідження є підвищення ефективності та надійності передачі даних у мережах SDN шляхом розробки та порівняльного аналізу інтелектуальних методів маршрутизації. Основний фокус зосереджено на дослідженні архітектур графових нейронних мереж (GCN, GAT) та алгоритму Q-Learning для забезпечення адаптивного керування трафіком в умовах змінного навантаження та відмов мережевих вузлів.
Методи дослідження. Методологічна основа роботи базується на комплексному застосуванні теорії графів для формалізації топології мережі, методів глибокого навчання для обробки ознак вузлів та алгоритмів навчання з підкріпленням для прийняття рішень щодо маршрутизації. Експериментальна верифікація запропонованих підходів здійснювалася шляхом емуляції програмно-конфігурованої мережі у середовищі Mininet під управлінням контролера Ryu. Програмна реалізація включала розробку моделей на основі згорткових мереж (GCN) та мереж з механізмом уваги (GAT) з використанням бібліотек глибокого навчання, а також імплементацію агента Deep Q-Learning. Оцінка ефективності алгоритмів проводилася за допомогою порівняльного аналізу ключових метрик якості обслуговування — пропускної здатності, середньої затримки та відсотка втрат пакетів — у сценаріях поступового зростання навантаження та аварійної зміни топології внаслідок відмови обладнання.
Результати. У ході дослідження встановлено, що інтеграція методів машинного навчання дозволяє суттєво покращити параметри передачі даних порівняно з класичним алгоритмом Дейкстри, особливо в умовах високого трафіку, де інтелектуальні агенти забезпечують меншу затримку та стабільність з'єднання. Критичний аналіз стійкості до відмов виявив суттєві розбіжності між досліджуваними архітектурами: модель GCN продемонструвала обмежену здатність до адаптації з показником невдалих спроб маршрутизації на рівні 30%, тоді як архітектура GAT показала кращу гнучкість, формуючи оптимальні шляхи у половині випадків. Найвищу ефективність підтвердив метод Q-Learning, який завдяки динамічній взаємодії із середовищем забезпечив побудову ідеальних маршрутів у 85% експериментів та мінімізував втрати пакетів до 5–7% навіть у критичних ситуаціях, що доводить перевагу підходів Reinforcement Learning над методами Supervised Learning у задачах адаптивного керування мережами.
Завантаження
Посилання
Rusek K., et al. RouteNet: Leveraging Graph Neural Networks for network modeling and optimization. IEEE Journal on Selected Areas in Communications. 2020. Vol. 38, no. 10. P. 2260–2270. DOI: 10.1109/JSAC.2020.3000405.
Ferriol-Galmés M., et al. RouteNet-Erlang: A Graph Neural Network for Network Performance Evaluation. IEEE INFOCOM 2022 - IEEE Conference on Computer Communications. 2022. P. 2018–2027. DOI: 10.1109/INFOCOM48030.2022.9796677.
Mammeri A. A Survey on Machine Learning Techniques for Routing Optimization in SDN. IEEE Access. 2021. Vol. 9. P. 104523–104544. DOI: 10.1109/ACCESS.2021.3098763.
Stampa G., et al. A Deep Reinforcement Learning Approach for Software-Defined Networking Routing Optimization. IEEE International Conference on Communications (ICC). 2019. P. 1–6. DOI: 10.1109/ICC.2019.8761479.
Zheng S., Huang H., GNN et al. Research on Generalized Intelligent Routing Technology Based on Deep Reinforcement Learning. Electronics. 2022. Vol. 11, no. 3. P. 343. DOI: 10.3390/electronics11030343.
Ferriol-Galmés M., Barlet-Ros P., Cabellos-Aparicio A. RouteNet-Fermi: Network Modeling with Graph Neural Networks. IEEE/ACM Transactions on Networking. 2024. Vol. 32, no. 3. P. 1200–1215. DOI: 10.1109/TNET.2024.3392336.
Wu W., et al. Neural Algorithmic Reasoners informed Large Language Model for Multi-Agent Path Finding (LLM-NAR). arXiv preprint arXiv:2508.17971. 2025. URL: https://arxiv.org/abs/2508.17971 (дата звернення: 28.01.2026).
Islam M., et al. Results analysis on the cyber layer of the IEEE 39-bus test system under both normal and failure condition. IEEE Access. 2024. Vol. 12. P. 106234–106245. DOI: 10.1109/ACCESS.2024.10623446.
Grace: Toward Routing in Dynamic Network Environments With Graph Embedding. IEEE Transactions on Networking. 2025. DOI: 10.1109/TNET.2025.11078667.
