Оптимізація процесу маршрутизації в розподілених мережах з використанням машинного навчання

Abstract

У статті запропоновано інноваційний підхід до оптимізації маршрутизації в розподілених мережах із використанням методів машинного навчання, зокрема підкріплювального навчання. Використання цього підходу дає змогу істотно підвищити ефективність керування потоками даних, оскільки алгоритм адаптивно визначає оптимальні шляхи передавання 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 дає змогу ефективно керувати передаванням даних навіть у високодинамічних умовах. Запропонований метод дає змогу мережі самостійно навчатися та оптимізувати маршрути, знижуючи вплив непередбачуваних збоїв і змін у трафіку. Результати експериментального моделювання демонструють істотні переваги розробленого алгоритму порівняно з традиційними методами маршрутизації. Порівняно з алгоритмом Дейкстри новий підхід забезпечує зменшення середнього часу затримки на 15 %. Також спостерігається покращене використання пропускної здатності мережі, що сприяє збалансованому розподілу наванта- ження між вузлами. Завдяки адаптивному алгоритму мережа стає стійкішою до аварійних ситуацій, швидше реагує на зміни та ефективніше використовує наявні ресурси. Практичне значення отриманих результатів полягає у можливості впровадження цього підходу в різних сферах, зокрема в Інтернеті речей та бездротових мережах. Застосування алгоритму в таких середовищах дасть змогу істотно покращити якість обслуговування, підвищити рівень автономності мережевих вузлів і забезпечити оптимальне керування трафіком навіть за умов обмежених ресурсів. Подальші дослідження будуть спрямовані на вдосконалення запропо- нованого підходу, зокрема на його масштабування для підтримки великих мереж. Також важливим напрямом розвитку стане інтеграція алгоритму з передовими методами кібер- безпеки, що дасть змогу створити захищеніші та надійніші мережеві системи.

The article proposes an innovative approach to optimize the routing process in distributed networks using machine learning techniques, specifically reinforcement learning. This method enables the adaptive determination of optimal data transmission paths based on current network conditions, enhancing overall performance and resilience to dynamic traffic fluctuations. The proposed approach dynamically adjusts to variations in network topology, traffic load, and node availability, ensuring efficient data flow management even in highly dynamic environments. Experimental results demonstrate substantial benefits of the proposed algorithm over conventional routing methods. Compared to Dijkstra’s algorithm, the new approach achieves a 15% reduction in average delay time, and improved utilization of network bandwidth. The practical significance of the obtained results lies in the potential deployment of the developed approach across various fields, including the Internet of Things, wireless sensor networks. This method can significantly enhance the performance of autonomous systems, intelligent transportation networks, and other critical infrastructures where reliability and speed are essential. Future research will focus on further refining the proposed approach, scaling it to support large-scale networks with thousands of nodes, integrating it with state-of-the-art cybersecurity measures, and developing energy-efficient learning models tailored for nodes with constrained computational resources. The proposed solution holds significant potential for improving the efficiency of modern network systems, paving the way for more intelligent and adaptive distributed network management.