Дослідження інтелектуальної моделі одношляхової маршрутизації на основі метрик OSPF

Анотація

У роботі представлено та детально досліджено інтелектуальну модель одношляхової маршрутизації, що базується на використанні мет-рик протоколу OSPF і технологій глибокого навчання. Запропонована інтелектуальна модель базується на математичній формалізації задачі у формі булевого програмування, що забезпечує реалізацію суворо одношляхової маршрутизації без розгалуження потоків. Основу моделі становить архітектура багатошарового персептрона (Multilayer Perceptron, MLP). Інтеграція предиктивних можливостей нейрон-них мереж безпосередньо у процес вибору шляху дозволяє здійснювати динамічну оптимізацію вартості інтерфейсів. Експериментальне дослідження проведено на топології з п’яти вузлів та шести каналів зв’язку. В роботі виконано порівняльний аналіз регресійних і класифікаційних моделей MLP при різних діапазонах пропускної здатності: 10 Мбіт/с – 400 Гбіт/с, 1 – 400 Гбіт/с та 1 – 100 Гбіт/с. Встановлено, що точність прогнозування MLP сягає 99–100% за умови використання «оптимального» ряду даних, проте суттєво знижується при надмір-ній варіативності вхідних параметрів. Важливим аспектом дослідження є порівняння програмних середовищ реалізації. Виявлено, що використання Python (TensorFlow та PyTorch) забезпечує на 5–10% вищу точність прогнозування порівняно з MATLAB, що пояснюється спеціалізацією бібліотек Python під задачі мережної аналітики. У висновках роботи обґрунтовано «межу точності» MLP через ігнорування топологічної структури графа мережі та вказано на перспективність переходу до графових нейронних мереж (Graph Neural Networks, GNN) для великих систем. Водночас підкреслено, що завдяки низькій обчислювальній складності MLP залишається оптимальним вибором для локальних рішень та маршрутизаторів з обмеженими ресурсами, де критичною є швидкість прийняття рішень у мікросекундному діапазоні.