Перспективная архитектура сетей, определяемых знаниями (KDN)

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. 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. 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.

1. Zoraida 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/TEM131-17

2. Hakiri 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.2014.10.015

3. Ashtari 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.2022.100136

4. Jarrahi 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.2022.03.002

5. Srinivas 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-8527

6. Mestres 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:10.1145/3138808.3138810

7. Li W. Explore the Evolution of Computer Network Architecture // International Journal of Religion. 2024. Vol. 5. № 11. PP. 9034–9054. DOI:10.61707/ahr2da31

8. Das 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-x

9. Wang 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.2014.2383439

10. Agoulmine 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/B978-0-12-382190-4.00001-2

11. Silver 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.2601758

12. Oladipupo T. Machine Learning Overview // In: Zhang Y. (ed.) New Advances in Machine Learning. InTech, 2010. PP. 9–18. DOI:10.5772/9374

13. Nasteski V. An overview of the supervised machine learning methods // Horizons. 2017. Vol. 4. PP. 51–62. DOI:10.20544/HORIZONS.B.04.1.17.P05

14. Yazici 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.2023.101455

15. Zhang 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.2019.2904897

16. Magadum 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. 9579514

17. Volokyta 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.2024.05.01

18. Sood 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-V71I9P107

19. Yu 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.2016.2610963

20. Wen 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-y

21. Strannegård 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_31

22. El Boudani B., Dagiuklas T., Iqbal M. SO-KDN: A Self-Organised Knowledge Defined Networks Architecture for Reliable Routing. 2021. PP. 160–166. DOI:10.1145/3459955.3460617