МЕТОД УПРАВЛІННЯ КОМП’ЮТЕРНОЮ МЕРЕЖЕЮ SD-WAN МЕТОДАМИ МАШИННОГО НАВЧАННЯ НА ОСНОВІ МАТЕМАТИЧНОЇ МОДЕЛІ У ПРОСТОРІ СТАНІВ

DOI: 10.31673/2412-4338.2026.019020

Анотація

Розвиток технологій побудови комп’ютерних мереж привело до створення програмно-визначених глобальних мереж SD-WAN. Цей напрямок являється одним із ключових тенденцій в розвитку ефективної мережевої інфраструктури. В цьому випадку забезпечується програмне централізоване управління всією комп’ютерною розподіленою мережею використовуючи спеціалізований контролер, який відокремлює систему управління від системи передачі даних.

Метою даної роботи являється підвищення ефективності функціонування розподілених комп'ютерних мереж SD-WAN методами машинного навчання на основі математичної моделі у просторі станів. В роботі  вирішено актуальне наукове завдання з розробки методу управління комп’ютерною мережею SD-WAN на основі машинного навчання у просторі станів. Розроблено математичну модель мережі SD-WAN у просторі станів, яка представляє собою сукупність векторів стану, управління та функцію якості обслуговування. Вона враховує динаміку завантаження каналів, затримки, втрати пакетів та стан буферів вузлів. Дана модель може бути застосована у вигляді лінеаризованого варіанту для проведення аналітичних розрахунків, так і у формі повної нелінійної форми для проведення симуляції. Визначені умови стійкості та керованості комп’ютерної мережі. Для лінійної моделі отримано аналітичний розв'язок задачі оптимального управління SD-WAN, яке ґрунтується на основі рівняння Річчаті. На основі глибокого навчання з підкріпленням розроблено алгоритм управління мережею. Для дослідження ефективності отриманих результатів проведено симуляцію розподіленої комп’ютерної мережі різними методами управління SD-WAN. Результати проведеної симуляції підтвердили перевагу запропонованого методу управління комп’ютерною мережею SD-WAN на основі машинного навчання у просторі станів. Вони показали зниження затримки на 65%, рівня втрат пакетів на 85% та значення функціоналу якості на 61% порівняно з базовим методом ECMP.

Ключові слова: розподілена комп'ютерна мережа, SD-WAN, методи машинного навчання, математична модель, метод простору станів, управління, якість обслуговування, канал зв’язку

Список використаної літератури

[1] Гніденко М.П., Вишнівський В.В., Зінченко О.В., Іщеряков С.М. Новий вимір реалізації ключових функцій та можливостей новітніх технологій HPE Aruba / Монографія / – К.:ДУІКТ, ФОП Гуляєва В.М., 2025. – 289 с.

[2] Meyer D. Software-Defined Networking: A Comprehensive Survey / D. Meyer, J. Clarke, I. Moraes. – Proceedings of the IEEE. – 2015. – Vol. 103, No. 1. – P. 14–76.

[3] Xiao Y. Reinforcement Learning-Based QoS/QoE-Aware Service Function Chaining in Software-Defined and Virtualized Multimedia Networks / Y. Xiao, Q. Zhang // IEEE Transactions on Multimedia. – 2017. – Vol. 19, No. 7. – P. 1555–1564.

[4] Liu S. Deep Reinforcement Learning for Dynamic Multichannel Access in Wireless Networks / S. Liu, W. Wang // IEEE Transactions on Cognitive Communications and Networking. – 2018. – Vol. 4, No. 2. – P. 257–265.

[5] K. Pentikousis et al., “Software-Defined Networking (SDN): Layers and Architecture Terminology,” RFC 7426, Jan. 2015.

[6] X. Wu, K. Lu, and G. Zhu, “A Survey on Software-Defined Wide Area Networks,” Journal of Communications, vol. 13, no. 5, pp. 253-258, 2018, doi: 10.12720/jcm.13.5.253-258.

[7] S. Jain et al., “B4: Experience with a Globally-Deployed Software Defined WAN,” ACM SIGCOMM Computer Communication Review, vol. 43, no. 4, pp. 3-14, 2013.

[8] C. Hong et al., “Achieving High Utilization with Software-Driven WAN,” ACM SIGCOMM Computer Communication Review, vol. 43, no. 4, pp. 15-26, 2013.

[9] A. Gupta et al., “SDX: A Software Defined Internet Exchange,” ACM SIGCOMM Computer Communication Review, vol. 44, no. 4, pp. 551-562, 2015. DOI:10.1145/2740070.2626300

[10] M. L. Puterman, Markov Decision Processes: Discrete Stochastic Dynamic Programming. New York, NY, USA: Wiley, 1994.

[11] A. Rantzer, “On the Kalman-Yakubovich-Popov lemma,” Systems & Control Letters, vol. 28, no. 1, pp. 7-10, 1996.

[12] J. B. Rawlings, D. Q. Mayne, and M. Diehl, Model Predictive Control: Theory, Computation, and Design, 2nd ed. Madison, WI, USA: Nob Hill Publishing, 2017.

[13] Mestres A. Knowledge-Defined Networking / A. Mestres, A. Rodriguez-Natal, J. Carner et al. // ACM SIGCOMM Computer Communication Review. – 2017. – Vol. 47, No. 3. – P. 2–10. 

[14] Mnih V. Human-level control through deep reinforcement learning / V. Mnih, K. Kavukcuoglu, D. Silver et al. // Nature. – 2015. – Vol. 518. – P. 529–533.

[15] Stampa G. A Deep-Reinforcement Learning Approach for Software-Defined Networking Routing Optimization / G. Stampa, M. Arias, D. Sanchez-Charles et al. – arXiv:1709.07080. – 2017.

[16] Schulman J. Proximal Policy Optimization Algorithms / J. Schulman, F. Wolski, P. Dhariwal, A. Radford, O. Klimov. – arXiv:1707.06347. – 2017.