tuzsutТруды учебных заведений связиProceedings of Telecommunication Universities1813-324X2712-8830СПбГУТ10.31854/1813-324X-2025-11-2-67-82QCIUMVtuzsut-671Research ArticleЭЛЕКТРОНИКА, ФОТОНИКА, ПРИБОРОСТРОЕНИЕ И СВЯЗЬELECTRONICS, PHOTONICS, INSTRUMENTATION AND COMMUNICATIONSПерспективная архитектура сетей, определяемых знаниями (KDN)Future Architecture of Knowledge-Defined Networking (KDN)https://orcid.org/0009-0002-8760-1089БланФ. С.BlanF. S.

аспирант кафедры инфокоммуникационных систем Санкт-Петербургского государственного университета телекоммуникаций им. проф. М.А. Бонч-Бруевича

blan.fs@sut.ruhttps://orcid.org/0000-0003-4077-6869ЕлагинВ. С.ElaginV. S.

кандидат технических наук, доцент, доцент кафедры Инфокоммуникационных систем Санкт-Петербургского государственного университета телекоммуникаций им. проф. М.А. Бонч-Бруевича

v.elagin@sut.ruСанкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-БруевичаРоссияThe Bonch-Bruevich Saint Petersburg State University of TelecommunicationsRussian Federation2025070520251126782Copyright © Блан Ф.С., Елагин В.С., 20252025Блан Ф.С., Елагин В.С.Blan F.S., Elagin V.S.This work is licensed under a Creative Commons Attribution 4.0 License.https://tuzs.sut.ru/jour/article/view/671

В данной статье рассматривается концепция и архитектура сетей, определяемых знаниями ‒ новой парадигмы управления сетями, которая интегрирует искусственный интеллект и машинное обучение для обеспечения интеллектуального и адаптивного поведения сети.

Актуальность исследования обусловлена ограничениями традиционных и программно-определяемых сетей в условиях современных вызовов, таких как экспоненциальный рост трафика, динамичные условия и увеличение операционных затрат. Рассматриваемые в исследовании сети вводят плоскость знаний, что позволяет оптимизировать распределение ресурсов, автоматизировать принятие решений и повышать безопасность в режиме реального времени. Несмотря на то, что сегодня большой популярностью пользуется технология SDN (Software-Defined Network), в которой централизованная функция управления позволяет обозревать все процессы, происходящие в сети. В свое время ее появление действительно оказалось прорывом, и сейчас некоторые эксперты склоняются к тому, что следующим этапом эволюции сетей станет Knowledge-Defined Network – сеть, определяемая знаниями, действующая на основе алгоритмов машинного обучения. Маршрутизация, распределение ресурсов, виртуализация сетевых функций (Network Functions Virtualization, NFV), цепочка сервисных функций (Service Function Chaining, SFC), обнаружение аномалий, анализ загруженности сети – все эти пункты способна взять на себя KDN.

Цель исследования заключается в изучении структурных и функциональных особенностей сетей, определяемых знаниями, а также ‒ в анализе взаимодействия пяти логических плоскостей: данных, управления, мониторинга, знаний и приложений ‒ для достижения высокой степени автоматизации и адаптации.

Методы включают анализ научной литературы, концептуальное моделирование и сравнительную оценку архитектур определяемой знаниями сети и программно-определяемой сети.

Результаты

Результаты. В ходе исследования была проанализирована архитектура сетей, определяемых знаниями, и определено, что интеграция плоскости знаний в сеть позволяет добиться значительного повышения автоматизации и адаптивности.

Новизна

Новизна. Проведенное исследование является одной из первых попыток провести системный анализ концепции сетей, определяемых знаниями, в контексте русскоязычной научной литературы. Работа восполняет существующий пробел в отечественной науке, предлагая уникальный взгляд на возможности сетей, определяемых знаниями, с учетом специфики локальных условий и применения

Теоретическая значимость работы заключается в создании основы для изучения и интеграции методов машинного обучения в системы управления сетями.

In this paper, the concept and architecture of Knowledge-Defined Networking (KDN) are explored as a new paradigm of network management that integrates artificial intelligence and machine learning to enable intelligent and adaptive network behavior.

The relevance of the research is driven by the limitations of traditional and Software-Defined Networking (SDN) systems in the face of modern challenges such as exponential traffic growth, dynamic conditions, and rising operational costs. KDN introduces a knowledge plane that optimizes resource allocation, automates decision-making, and enhances security in real-time. Despite the fact that today the SDN (Software-Defined Network) technology is very popular, in which the centralized control function allows to review all processes occurring in the network. At the time, its appearance really turned out to be a breakthrough, and now some experts are inclined to believe that the next stage of network evolution will be the Knowledge-Defined Network - a network defined by knowledge, operating on the basis of machine learning algorithms. Routing, resource allocation, network function virtualization (NFV), service function chaining (Service Function Chaining, SFC), anomaly detection, network load analysis - all these points can be taken on by KDN. The study aims to examine the structural and functional features of KDN and analyze the interaction of its five logical planes ‒ data, control, monitoring, knowledge, and applications ‒ to achieve a high degree of automation and adaptability.The research methods include literature analysis, conceptual modeling, and a comparative evaluation of KDN and SDN architectures.

The results. The study analyzed the architecture of KDN, comprising five logical planes: data, control, monitoring, knowledge, and applications. The findings demonstrate that integrating the knowledge plane significantly enhances automation and adaptability within the network.

The novelty of this work lies in being one of the first attempts to conduct a systematic analysis of the Knowledge-Defined Networking (KDN) concept in the context of Russian-language scientific literature. The research addresses an existing gap in domestic science, offering a unique perspective on KDN capabilities considering local conditions and applications.

The theoretical significance of the work lies in establishing a foundation for the study and integration of machine learning methods into network management systems.

сетиопределяемые знаниямипрограммно-определяемые сетиавтоматизация управлениямашинное обучениеинтеллектуальное управлениеKnowledge-Defined NetworkingSoftware-Defined Networkingmanagement automationmachine learningintelligent managementReferencesZoraida B.S.E., Ganesan I. A Comparative Study on Software-Defined Network with Traditional Networks // TEM Journal. 2024. Vol. 13. Iss. 1. PP. 167–176. DOI:10.18421/TEM131-17Zoraida B.S.E., Ganesan I. A Comparative Study on Software-Defined Network with Traditional Networks. TEM Journal. 2024;13(1):167–76. DOI:10.18421/TEM131-17Hakiri A., Gokhale A., Berthou P., Schmidt D.C., Gayraud T. Software-defined Networking: Challenges and Research Opportunities for Future Internet // Computer Networks. 2014. Vol. 75. Part A. PP. 453–471. DOI:10.1016/j.comnet.2014.10.015Hakiri A., Gokhale A., Berthou P., Schmidt D.C., Gayraud T. Software-defined Networking: Challenges and Research Opportunities for Future Internet. Computer Networks. 2014;75(A):453–71. DOI:10.1016/j.comnet.2014.10.015Ashtari S., Zhou I., Abolhasan M., Shariati N., Lipman J., Ni W. Knowledge-defined networking: Applications, challenges and future work // Array. 2022. Vol. 14. P. 100136. DOI:10.1016/j.array.2022.100136Ashtari S., Zhou I., Abolhasan M., Shariati N., Lipman J., Ni W. Knowledge-defined networking: Applications, challenges and future work. Array. 2022;14:100136. DOI:10.1016/j.array.2022.100136Jarrahi M.H., Askay D., Eshraghi A., Smith P. Artificial intelligence and knowledge management: A partnership between human and AI // Business Horizons. 2023. Vol. 66. Iss. 1. PP. 87–99. DOI:10.1016/j.bushor.2022.03.002Jarrahi M.H., Askay D., Eshraghi A., Smith P. Artificial intelligence and knowledge management: A partnership between human and AI. Business Horizons. 2023;66(1):87–99. DOI:10.1016/j.bushor.2022.03.002Srinivas T.A., Donald A., Thippanna G., Kousar M., Priya A. From Control to Chaos: The Dynamic SDN Control Plane // International Journal of Advanced Research in Science, Communication and Technology. 2023. Vol. 3. Iss. 2. PP. 494–502. DOI:10.48175/IJARSCT-8527Srinivas T.A., Donald A., Thippanna G., Kousar M., Priya A. From Control to Chaos: The Dynamic SDN Control Plane. International Journal of Advanced Research in Science, Communication and Technology. 2023;3(2):494–502. DOI:10.48175/IJARSCT-8527Mestres A., Rodriguez-Natal A., Carner J., Barlet-Ros P., Alarcón E., Solé-Simó M., et al. Knowledge-Defined Networking // ACM SIGCOMM Computer Communication Review. 2017. Vol. 47. Iss. 3. PP. 2–10. DOI:10.1145/3138808.3138810Mestres A., Rodriguez-Natal A., Carner J., Barlet-Ros P., Alarcón E., Solé-Simó M., et al. Knowledge-Defined Networking. ACM SIGCOMM Computer Communication Review. 2017;47(3):2–10. DOI:10.1145/3138808.3138810Li W. Explore the Evolution of Computer Network Architecture // International Journal of Religion. 2024. Vol. 5. № 11. PP. 9034–9054. DOI:10.61707/ahr2da31Li W. Explore the Evolution of Computer Network Architecture. International Journal of Religion. 2024;5(11):9034–9054. DOI:10.61707/ahr2da31Das R., Pohrmen F., Maji A., Saha G. FT-SDN: A Fault-Tolerant Distributed Architecture for Software Defined Network // Wireless Personal Communications. 2020. Vol. 114. PP. 1045–1066. DOI:10.1007/s11277-020-07407-xDas R., Pohrmen F., Maji A., Saha G. FT-SDN: A Fault-Tolerant Distributed Architecture for Software Defined Network. Wireless Personal Communications. 2020;114:1045–66. DOI:10.1007/s11277-020-07407-xWang T., Su Z., Hamdi M. Rethinking the Data Center Networking: Architecture, Network Protocols, and Resource Sharing // IEEE Access. 2014. Vol. 2. PP. 1481–1496. DOI:10.1109/ACCESS.2014.2383439Wang T., Su Z., Hamdi M. Rethinking the Data Center Networking: Architecture, Network Protocols, and Resource Sharing. IEEE Access. 2014;2:1481–96. DOI:10.1109/ACCESS.2014.2383439Agoulmine N. Chapter 1. Introduction to Autonomic Concepts Applied to Future Self-Managed Networks // In: Walsh S.M., Strano M.S. (ed.) Autonomic Network Management Principles. Academic Press, 2011. PP. 1–26. DOI:10.1016/B978-0-12-382190-4.00001-2Agoulmine N. Chapter 1. Introduction to Autonomic Concepts Applied to Future Self-Managed Networks. In: Walsh S.M., Strano M.S. (ed.) Autonomic Network Management Principles. Academic Press; 2011. p.1–26. DOI:10.1016/B978-0-12-382190-4.00001-2Silver E. An overview of heuristic solution methods // Journal of The Operational Research Society. 2004. Vol. 55. Iss. 9. PP. 936–956. DOI:10.1057/palgrave.jors.2601758Silver E. An overview of heuristic solution methods. Journal of the Operational Research Society. 2004;55(9):936–56. DOI:10.1057/palgrave.jors.2601758Oladipupo T. Machine Learning Overview // In: Zhang Y. (ed.) New Advances in Machine Learning. InTech, 2010. PP. 9–18. DOI:10.5772/9374Oladipupo T. Machine Learning Overview. In: Zhang Y. (ed.) New Advances in Machine Learning. InTech; 2010. p.9–18. DOI:10.5772/9374Nasteski V. An overview of the supervised machine learning methods // Horizons. 2017. Vol. 4. PP. 51–62. DOI:10.20544/HORIZONS.B.04.1.17.P05Nasteski V. An overview of the supervised machine learning methods. Horizons. 2017;4:51–62. DOI:10.20544/ HORIZONS.B.04.1.17.P05Yazici İ., Shayea I., Din J. A survey of applications of artificial intelligence and machine learning in future mobile net-works-enabled systems // Engineering Science and Technology, an International Journal. 2023. Vol. 44. P. 101455. DOI:10.1016/j.jestch.2023.101455Yazici İ., Shayea I., Din J. A survey of applications of artificial intelligence and machine learning in future mobile networks-enabled systems. Engineering Science and Technology, an International Journal. 2023;44:101455. DOI:10.1016/j.jestch.2023.101455Zhang C., Patras P., Haddadi H. Deep Learning in Mobile and Wireless Networking: A Survey // IEEE Communications Surveys & Tutorials. 2019. Vol. 21. Iss. 3. PP. 2224–2287. DOI:10.1109/COMST.2019.2904897Zhang C., Patras P., Haddadi H. Deep Learning in Mobile and Wireless Networking: A Survey. IEEE Communications Surveys & Tutorials. 2019;21(3):2224–87. DOI:10.1109/COMST.2019.2904897Magadum A.A., Ranjan A., Narayan D.G. DeepQoSR: A Deep Reinforcement Learning based QoS-Aware Routing for Software Defined Data Center Networks // Proceedings of the 12th International Conference on Computing Communication and Networking Technologies (ICCCNT, Kharagpur, India, 06‒08 July 2021). IEEE, 2021. DOI:10.1109/ICCCNT51525.2021. 9579514Magadum A.A., Ranjan A., Narayan D.G. DeepQoSR: A Deep Reinforcement Learning based QoS-Aware Routing for Software Defined Data Center Networks. Proceedings of the 12th International Conference on Computing Communication and Networking Technologies, ICCCNT, 06‒08 July 2021, Kharagpur, India. IEEE; 2021. DOI:10.1109/ICCCNT51525.2021.9579514Volokyta A., Kogan A., Cherevatenko O., Korenko D., Oboznyi D., Kulakov Y. Traffic Engineering with Specified Quality of Service Parameters in Software-defined Networks // International Journal of Computer Network and Information Security (IJCNIS). 2024. Vol. 16. Iss. 5. PP. 1–13. DOI:10.5815/ijcnis.2024.05.01Volokyta A., Kogan A., Cherevatenko O., Korenko D., Oboznyi D., Kulakov Y. Traffic Engineering with Specified Quali-ty of Service Parameters in Software-defined Networks. International Journal of Computer Network and Information Security (IJCNIS). 2024;16(5):1–13. DOI:10.5815/ijcnis.2024.05.01Sood M. 5G Network Slicing to Deliver Improved User Experience // International Journal of Computer Trends and Technology. 2023. Vol. 71. Iss. 9. PP. 59–68. DOI:10.14445/22312803/IJCTT-V71I9P107Sood M. 5G Network Slicing to Deliver Improved User Experience. International Journal of Computer Trends and Technology. 2023;71(9):59–68. DOI:10.14445/22312803/IJCTT-V71I9P107Yu S., Liu M., Dou W., Liu X., Zhou S. Networking for Big Data: A Survey // IEEE Communications Surveys & Tutorials. 2017. Vol. 19. Iss. 1. PP. 531–549. DOI:10.1109/COMST.2016.2610963Yu S., Liu M., Dou W., Liu X., Zhou S. Networking for Big Data: A Survey. IEEE Communications Surveys & Tutorials. 2017;19(1):531–49. DOI:10.1109/COMST.2016.2610963Wen J., Zhang Z., Lan Y., Cui Z., Cai J., Zhang W. A survey on federated learning: challenges and applications // International Journal of Machine Learning & Cybernetics. 2023. Vol. 14. PP. 513–535. DOI:10.1007/s13042-022-01647-yWen J., Zhang Z., Lan Y., Cui Z., Cai J., Zhang W. A survey on federated learning: challenges and applications. International Journal of Machine Learning & Cybernetics. 2023;14:513–35. DOI:10.1007/s13042-022-01647-yStrannegård C., Häggström O., Wessberg J., Balkenius C. Transparent Neural Networks: Integrating Concept Formation and Reasoning // Proceedings of the 5th International Conference on Artificial General Intelligence (AGI, Oxford, UK, 8‒11 December 2012). Lecture Notes in Computer Science. Berlin, Heidelberg: Springer, 2012. Vol. 7716. PP. 302–311. DOI:10.1007/978-3-642-35506-6_31Strannegård C., Häggström O., Wessberg J., Balkenius C. Transparent Neural Networks: Integrating Concept Formation and Reasoning. Proceedings of the 5th International Conference on Artificial General Intelligence, AGI, 8‒11 December 2012, Oxford, UK. Lecture Notes in Computer Science, vol.7716. Berlin, Heidelberg: Springer; 2012. p.302–311. DOI:10.1007/978-3-642-35506-6_31El Boudani B., Dagiuklas T., Iqbal M. SO-KDN: A Self-Organised Knowledge Defined Networks Architecture for Reliable Routing. 2021. PP. 160–166. DOI:10.1145/3459955.3460617El Boudani B., Dagiuklas T., Iqbal M. SO-KDN: A Self-Organised Knowledge Defined Networks Architecture for Reliable Routing. 2021;160–6. DOI:10.1145/3459955.3460617

The authors declare that there are no conflicts of interest present.