Концепция применения объяснимого искусственного интеллекта для решения задачи распределения трафика

Современные инфокоммуникационные сети представляют собой набор значительного числа узлов и каналов связи между ними, что усложняет процесс анализа характеристик таких сетей. Аналитические методы содержат большое число допущений и не могут в полной мере отразить все нюансы процедур обслуживания. Имитационное моделирование позволяет учесть множество составляющих процедур обслуживания, но требует для оценки характеристик реальных сетей больших временных и вычислительных затрат. В настоящее время существуют методы машинного обучения, использование которых позволяет решать задачи распределения трафика путем оценки характеристик качества обслуживания. Применение методов объяснимого искусственного интеллекта к полученному решению позволяет получить информацию о наиболее влияющих факторах с целью их дальнейшего использования для задачи распределения трафика. Поэтому целью данной работы является разработка концепции применения объяснимого искусственного интеллекта для решения задачи распределения трафика в инфокоммуникационной сети при обеспечении заданного уровня качества обслуживания. Предполагается, что использование данной концепции в перспективных инфокоммуникационных сетях позволит решать задачи управления распределением трафика с целью повышения надежности доставки информации и удовлетворенности пользователей.

Ключевые слова: распределение трафика, качество обслуживания, объяснимый искусственный интеллект, инфокоммуникационные сети, время задержки.

Список использованных источников

  1. В. С. Елагин, А. С. Васин. Анализ моделей управления сетевыми ресурсами в сетях 5G//T-Comm: телекоммуникации и транспорт. 2023. Т. 17. № 5. С. 32-41.
  2. Н. М. Редругина. Модели и методы вычисления задержек при предоставлении услуг пользователем на сервисных платформах сеансовых инфокоммуникационных услуг//T-Comm: телекоммуникации и транспорт. 2023. Т. 17. № 4. С. 32-38.
  3. М. Е. Сударева, В. Н. Яшин. Анализ граничных задержек в сети TSN Ethernet//Инфокоммуникационные технологии. 2023. Т. 21. № 2 (82). С. 37-43.
  4. Д. Ю. Пономарев. Оценка среднего времени задержки в инфокоммуникационных сетях с использованием методов тензорного анализа//Моделирование, оптимизация и информационные технологии. Научный журнал. 2018. Т. 6. № 4. С. 155-167.
  5. Д. Ю. Пономарев, А. А. Лацинник. Оценка характеристик процессов передачи информации в комбинированной спутниковой сети//Системы связи и радионавигации. Сб. тезисов. Красноярск: АО «НПП «Радиосвязь», 2023. С. 127-130.
  6. А. В. Морозов, Д. Ю. Пономарев. Модель оптимизации распределения информационных потоков в сети Интернета вещей//Известия Российской академии ракетных и артиллерийских наук. 2023. № 3 (128). С. 125-132.
  7. R. M. Shukla, S. Sengupta, A. N. Patra. Software-defined network based resource allocation in distributed servers for unmanned aerial vehicles//IEEE 8th Annual Computing and Communication Workshop and Conference. 2018. P. 796-802.
  8. T. Springer, E. Linstead, P. Zhao, C. Parlett-Pelleriti. Towards QoS-Based Embedded Machine Learning//Electronics. 2022. 11. P. 3204-3221.
  9. P. Larrenie, J. F. Bercher, I. Lahsen-Cherif, O. Venard. Low Complexity Adaptive ML Approaches for End-to-End Latency Prediction//Machine Learning for Networking. MLN 2022. Lecture Notes in Computer Science. Vol. 13767. Cham: Springer, 2023.
  10. И. С. Лебедев, И. А. Сикарев, М. Е. Сухопаров, Б. Т. Рзаев. Повышение качественных показателей методов машинного обучения при обработке сетевого трафика на основе сегментирования выборки данных//T-Comm: телекоммуникации и транспорт. 2023. Т. 17. № 9. С. 48-54.
  11. F. Krasniqi, J. Elias, J. Leguay, A. E. C. Redondi. End-to-end Delay Prediction Based on Traffic Matrix Sampling//IEEE Infocom 2020 — IEEE Conference on Computer Communications Workshops. 2020. P. 774-779.
  12. A. Palaios, Ch. Vielhaus, D. F. Kulzer et al. Machine Learning for QoS Prediction in Vehicular Communication: Challenges and Solution Approaches//IEEE Access. 2023. Vol. 11. P. 92459-92477.
  13. M. Farreras, P. Soto, M. Camelo et al. Improving Network Delay Predictions Using GNNs//Journal Network System Management. 2023. 31. P. 65-101.
  14. K.-C. Tsai, Z. Zhuang, R. Lent et al. Tensor-Based Reinforcement Learning for Network Routing//IEEE Journal of Selected Topics in Signal Processing. 2021. 15 (3). P. 617-629.
  15. А. В. Морозов, Д. Ю. Пономарев. Использование методов Data Science с целью прогнозирования среднего времени задержки в инфокоммуникационных сетях//Известия Российской академии ракетных и артиллерийских наук. 2023. № 4 (129). С. 96-103.
  16. M. Mehta, V. Palade, I. Chatterjee. Explainable AI: Foundations, Methodologies and Applications. Intelligent Systems Reference Library. Vol. 232. Cham: Springer, 2023.
  17. G. Wassie, J. Ding, Y. Wondie. Traffic prediction in SDN for explainable QoS using deep learning approach//Scientific Reports. 2023. № 13. P. 20607-20623.

Авторы