У статті запропоновано інноваційний підхід до оптимізації маршрутизації в розподілених мережах із використанням методів машинного навчання, зокрема підкріплювального навчання. Використання цього підходу дозволяє значно підвищити ефективність керування потоками даних, оскільки алгоритм адаптивно визначає оптимальні шляхи передачі на основі поточного стану мережі. Це сприяє зменшенню затримок, покращенню використання пропускної здатності та підвищенню загальної продуктивності мережевої інфраструктури. Динамічне пристосування до змін у топології мережі, навантаженні трафіку та доступності вузлів дозволяє ефективно керувати передачею даних навіть у високодинамічних умовах. Запропонований метод надає змогу мережі самостійно навчатися та оптимізувати маршрути, знижуючи вплив непередбачуваних збоїв і змін у трафіку. Результати експериментального моделювання демонструють суттєві переваги розробленого алгоритму в порівнянні з традиційними методами маршрутизації. У порівнянні з алгоритмом Дейкстри новий підхід забезпечує зменшення середнього часу затримки на 15%. Також спостерігається покращене використання пропускної здатності мережі, що сприяє збалансованому розподілу навантаження між вузлами. Завдяки адаптивному характеру алгоритму мережа стає стійкішою до аварійних ситуацій, швидше реагує на зміни та ефективніше використовує наявні ресурси. Практичне значення отриманих результатів полягає в можливості впровадження цього підходу в різних сферах, зокрема в Інтернет речей та бездротових мережах. Застосування алгоритму в таких середовищах дозволить значно покращити якість обслуговування, підвищити рівень автономності мережевих вузлів і забезпечити оптимальне керування трафіком навіть за умов обмежених ресурсів. Подальші дослідження будуть спрямовані на вдосконалення запропонованого підходу, зокрема на його масштабування для підтримки великих мереж. Також важливим напрямком розвитку стане інтеграція алгоритму з передовими методами кібербезпеки, що дозволить створити захищеніші та більш надійні мережеві системи.
[1]. José Craveirinha, João Clímaco, R. Girão-Silva, and M. Pascoal, “Multiobjective Path Problems and Algorithms in Telecommunication Network Design—Overview and Trends,” Algorithms, vol. 17, no. 6, pp. 222–222, May 2024, Доступно за посиланням: https://doi.org/10.3390/a1706022 (Accessed: 24 January 2025).
[2]. P. R. Tammanashastri, S. M. Rajagopal, and S. S. Bananjee, “Comparative Analysis of Bellman-Ford and Dijkstra Algorithms in Software Defined Networking,” 2024 5th International Conference on Data Intelligence and Cognitive Informatics (ICDICI), pp. 1–8, Nov. 2024, Доступно за посиланням: https://doi.org/10.1109/icdici62993.2024.10810921 (Accessed: 24 January 2025).
[3]. M. U. Younus, M. K. Khan, and A. R. Bhatti, “Improving the software defined wireless sensor networks routing performance using reinforcement learning,” IEEE Internet of Things Journal, pp. 1–1, 2021,. Доступно за посиланням: https://doi.org/10.1109/jiot.2021.3102130 (Accessed: 24 January 2025).
[4]. D. Adesina, C.-C. Hsieh, Y. E. Sagduyu, and L. Qian, “Adversarial Machine Learning in Wireless Communications Using RF Data: A Review,” IEEE Communications Surveys & Tutorials, vol. 25, no. 1, pp. 77–100, 2023 Доступно за посиланням: https://doi.org/10.1109/COMST.2022.3205184 (Accessed: 24 January 2025).
[5]. F. Alhaidari et al., “Intelligent Software-Defined Network for Cognitive Routing Optimization using Deep Extreme Learning Machine Approach,” Computers, Materials & Continua, vol. 67, no. 1, pp. 1269–1285, 2021, Доступно за посиланням: https://doi.org/10.32604/cmc.2021.013303 (Accessed: 24 January 2025).
[6]. H. Sharma, A. Haque, and F. Blaabjerg, “Machine Learning in Wireless Sensor Networks for Smart Cities: A Survey,” Electronics, vol. 10, no. 9, p. 1012, Apr. 2021 Доступно за посиланням: https://doi.org/10.3390/electronics10091012 (Accessed: 24 January 2025).
[7]. M. A. Ridwan, N. A. M. Radzi, F. Abdullah, and Y. E. Jalil, “Applications of Machine Learning in Networking: A Survey of Current Issues and Future Challenges,” IEEE Access, pp. 1–1, 2021 Доступно за посиланням: https://doi.org/10.1109/access.2021.3069210 (Accessed: 24 January 2025).
[8]. R. Chiwariro “Quality of service aware routing protocols in wireless multimedia sensor networks: survey,” International Journal of Information Technology, Jul. 2020 Доступно за посиланням: https://doi.org/10.1007/s41870-020-00478-w (Accessed: 24 January 2025).
[9]. X. Qiu, L. Xu, P. Wang, Y. Yang, and Z. Liao, “A Data-Driven Packet Routing Algorithm for an Unmanned Aerial Vehicle Swarm: A Multi-Agent Reinforcement Learning Approach,” IEEE Wireless Communications Letters, vol. 11, no. 10, pp. 2160–2164, Aug. 2022, Доступно за посиланням: https://doi.org/10.1109/lwc.2022.3195963 (Accessed: 24 January 2025).
[10]. S. Hu, X. Chen, W. Ni, E. Hossain, and X. Wang, “Distributed Machine Learning for Wireless Communication Networks: Techniques, Architectures, and Applications,” IEEE Communications Surveys & Tutorials, vol. 23, no. 3, pp. 1458–1493, 2021 Доступно за посиланням: https://doi.org/10.1109/comst.2021.3086014 (Accessed: 24 January 2025).
[11]. Mukul Goyal, Mohd Soperi, Emmanuel Baccelli, Gagan Choudhury, Aman Shaikh, et al.. Improving Convergence Speed and Scalability in OSPF: A Survey. Communications Surveys and Tutorials, IEEE Communications Society, 2012, 14 (2), pp.443 - 463. ⟨10.1109/SURV.2011.011411.00065⟩.