Проєктування та реалізація полегшеного автономного агента штучного інтелекту для багатокритеріальної оптимізації SRV6 у середовищі FRRouting

DOI: 10.31673/2412-9070.2025.050233

Анотація

Сучасні інфокомунікаційні мережі, які все частіше використовують сегментну маршрутизацію на базі IPv6 (SRv6) для гнучкості, стикаються із значними проблемами в динамічній багатокритеріальній оптимізації (БО). Традиційне централізоване управ ління має труднощі з масштабуванням та часом реакції, тоді як розгортання інтелектуальних систем безпосередньо на мережних пристроях з обмеженими ресурсами залишається складним. У цій статті розглядається можливість розгортання безконтролерного автономного агента штучного інтелекту (ШІ) безпосередньо на маршрутизаторі на базі Linux для виконання БО для інженерії трафіку SRv6. Ми представляємо принципи проєктування та стратегію реалізації полегшеного агента ШІ, призначеного для використання методів навчання з підкріпленням (RL) та/або графових нейронних мереж (GNN), придатних для середовищ з обмеженими ресурсами. Запропонований агент функціонує як окремий програмний процес, локально взаємодіючи із співрозташованим пакетом маршрутизації з відкритим кодом FRRouting через стандартні API (наприклад, YANG/NETCONF або REST через локальну міжпроцесну взаємодію (IPC)) для моніторингу стану мережі та застосування модифікацій політик SRv6.
Приведений детальний опис архітектури системи, концептуальних компонентів процесу прийняття рішень агентом (представлення стану, простір дій, концепції цільової функції), механізм локальної інтеграції на основі API з FRRouting та заплановану методологію реалізації з використанням Python зі стандартними бібліотеками ШІ в контейнеризованому середовищі (Docker) для валідації в Mininet. Основним внеском цієї роботи є демонстрація практичної можливості проєктування та реалізації цієї архітектури автономного агента на пристрої, що демонструє його здатність взаємодіяти із стандартною платформою маршрутизації, такою як FRRouting, для БО SRv6 та відкриває шлях до більш адаптивних та стійких стратегій управління мережею.

Ключові слова: автономне управління мережею; штучний інтелект; навчання з підкріпленням; сегментна маршрутизація; SRv6; багатокритеріальна оптимізація; FRRouting; модель; локальний API; міжпроцесна взаємодія (IPC).