Сотрудники Центра ИИ МГУ предложили мультиагентный метод для управления трафиком. Данное решение позволяет сократить объём межагентных обменов и ускорить принятие решения о перераспределении потоков данных в условиях динамически изменяющейся нагрузки. Результаты исследования опубликованы в журнале Mathematics.
Инженерия трафика применяется в телекоммуникационных сетях и центрах обработки данных для равномерного распределения потоков и предотвращения перегрузок. С увеличением объемов передаваемых данных и ростом числа узлов сети классические методы оптимизации становятся неэффективными, поскольку не учитывают стохастическую природу нагрузки и её высокую динамику.
В предыдущих работах авторы предложили метод MAROH, сочетающий многоагентную оптимизацию и машинное обучение с подкреплением. MAROH продемонстрировал преимущество по сравнению с традиционными методами балансировки, такими как ECMP, UCMP. Однако метод требовал интенсивного обмена информацией между агентами, и каждый раз при изменении потоков в сети агенты должны были рассчитывать свои решения заново.
В новой работе команда Центра ИИ МГУ разработала агента с двухконтурным блоком принятия решений. Решение было вдохновлено идеями Даниэля Канемана — Нобелевского лауреата по экономике. Канеман изучал то, как люди принимают экономические решения в условиях неопределенности. Оказалось, что у нас, у людей, система принятия решения состоит из двух подсистем. Первая подсистема быстро оценивает текущую ситуацию, и, если она похожа на то, с чем человек уже сталкивался, принимается ранее выработанное решение. Если ситуация выглядит как новая, то начинается процесс анализа, осмысления и уже затем принятия решения. Сетевые устройства работают в условиях неопределенности. Состав потоков данных, их характеристики предвосхитить трудно. Поэтому ученые обучают агент не только принимать решения, но и запоминать ситуации, в которых он должен принимать те или иные решения.
«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 факультета вычислительной математики и кибернетики МГУ, старший научный сотрудник Центра ИИ МГУ.
Экспериментальная оценка показала, что в зависимости от параметров метода сокращение межагентных обменов может достигать 80–96% по сравнению с предыдущими алгоритмами. При этом сохраняются эффективность балансировки нагрузки и скорость достижения устойчивого распределения потоков.
Разработка ориентирована на применение в телекоммуникационных инфраструктурах и центрах обработки данных, где требуются масштабируемость решений 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 факультета вычислительной математики и кибернетики МГУ, ведущий научный сотрудник Центра ИИ МГУ.
Информация предоставлена пресс-службой МГУ
Источник фото: armmypicca - ru.123rf.com
