Мультиагентный метод управления сетевым трафиком разработали в Центре ИИ МГУ

Сотрудники Центра ИИ МГУ предложили мультиагентный подход для управления трафиком, уменьшающий объём межагентных обменов и ускоряющий перераспределение потоков при динамической нагрузке. Результаты опубликованы в журнале Mathematics.

Инженерия трафика важна для телекомсетей и центров обработки данных: она обеспечивает равномерное распределение потоков и предотвращает перегрузки.

По мере роста объёмов передачи данных и числа узлов классические алгоритмы оптимизации теряют эффективность, поскольку не учитывают стохастическую и высокодинамичную природу нагрузки.

Ранее авторы описали метод MAROH — сочетание многоагентной оптимизации и обучения с подкреплением. MAROH показал преимущество перед традиционными схемами балансировки, такими как ECMP и UCMP, но требовал интенсивного обмена информацией между агентами, причём при изменении потоков каждый агент вынужден был пересчитывать решение заново.

В новой работе команда Центра ИИ МГУ предложила агента с двухконтурным блоком принятия решений. Идея опирается на исследования Даниэля Канемана — Нобелевского лауреата по экономике, который описал две подсистемы принятия решений у людей: одна быстро реагирует и использует ранее выработанные решения для знакомых ситуаций, вторая включает более глубокий анализ при столкновении с новым состоянием. Авторы отмечают, что сетевые устройства также работают в условиях неопределённости, поэтому агента обучают не только принимать решения, но и запоминать ситуации, в которых применим тот или иной алгоритм действий.

«Мы исходили из того, что в распределённых системах сама координация может становиться источником дополнительной нагрузки.

Двухконтурная модель принятия решений агентом позволяет агенту быстрее принимать решения в знакомых состояниях и обращаться к более сложному анализу, требующему взаимодействия с другими агентами, только при необходимости», — отметил Евгений Степанов, ассистент кафедры автоматизации систем вычислительных комплексов ФВМК МГУ, старший научный сотрудник Центра ИИ МГУ.

Эксперименты показали, что при настройке параметров метода сокращение межагентных обменов достигает 80–96% по сравнению с предыдущими алгоритмами, при этом сохраняются эффективность балансировки нагрузки и скорость выхода на устойчивое распределение потоков.

Разработка ориентирована на применение в телекоммуникационной инфраструктуре и центрах обработки данных, где требуются масштабируемость и оперативная адаптация к изменению трафика.

«Идею предложенного метода мы ″подсмотрели″ у человека. Однако ее реализация в виде интеллектуального агента, способного накапливать опыт, формировать интуицию, потребовала привлечение фундаментальных математических знаний, привлечение технологии нейросетей разных классов. В результате удалось сократить непроизводительную нагрузку на сеть, ускорить процесс принятия решений без усложнения архитектуры сети», — прокомментировал Руслан Смелянский, заведующий кафедрой автоматизации систем вычислительных комплексов ФВМК МГУ, ведущий научный сотрудник Центра ИИ МГУ.

Информация предоставлена пресс-службой МГУ

Источник фото: armmypicca — ru.123rf.com