|
ИСТИНА |
Войти в систему Регистрация |
ФНКЦ РР |
||
Исследование эффективности масштабирования алгоритма многоагентного обучения с подкреплением для балансировки трафикадипломная работа (Бакалавр)
- Научный руководитель: Антоненко В.А.
- Автор: Озерова Дарья Александровна
- Тип: Бакалавр
- Организация, в которой проходила защита: МГУ имени М.В. Ломоносова
- Год защиты: 2023
- Аннотация: Инженерия трафика (Traffic Engineering, TE) — хорошо зарекомендовавший себя механизм, который играет фундаментальную роль в производительности современного Интернета. Его основной целью является обеспечение эффектив- ной и надежной работы сети при условии оптимизации использования сетевых ресурсов. Одной из реализаций TE является MAARL-GNN-CH алгоритм балан- сировки трафика, критерием оптимизации которого является минимизация мак- симальной нагрузки на сетевой канал. В данном алгоритме реализована архи- тектура, сочетающая в себе многоагентное обучение с подкреплением (Multi- Agent Reinforcement Learning, MARL) , графовые нейронные сети (Graph neural networks, GNN) и консистентное хеширование (Consistent Hashing, CH). Недостаток алгоритма заключается в сложности масштабирования данной модели с точки зрения роста размера топологии сети. Данная работа посвяще- на разработке и реализации модуля динамического масштабирования вышеопи- санного алгоритма. Для минимизации использования ресурсов вычислительной системы было принято решение распараллелить работу MARL-GNN-CH алго- ритма на разных частях сетевой топологии. Для решения поставленной задачи был проведен обзор алгоритмов разбиения графа на подграфы, основными кри- териями которого были сбалансированность разбиения и минимизация размера среза. Также было проведено функциональное и нагрузочное тестирование опти- мизированного алгоритма и откалиброваны значения метрик масштабирования.
- Добавил в систему: Антоненко Виталий Александрович