Удосконалення моделі графової нейронної мережі для задач імітаційного моделювання

Abstract

В умовах стрімкого зростання мережевих систем та їхньої складності завдання точного моделювання мережевих параметрів стає критично важливим для ефективного управління та оптимізації мережевої інфраструктури. У цьому контексті, робота фокусується на розширеній версії моделі RouteNet, яка розширює можливості моделювання за рахунок врахування характеристик вузлів мережі, таких як розміри черг. Оригінальна модель RouteNet демонструє хороші результати в передбаченні затримок і втрат пакетів у однорідних мережевих умовах, проте має суттєві обмеження, коли мова йде про варіації характеристик вузлів. Розширення моделі передбачає інтеграцію механізмів для роботи з вузлами, що мають різні конфігурації, що дозволяє моделі краще відображати реальні умови мережі. Це включає врахування параметрів вузлів, таких як розміри черг, які можуть суттєво відрізнятися в реальних мережах. Таке удосконалення робить модель більш адаптивною і точною в умовах, що близькі до реальних сценаріїв мережевої роботи. У рамках дослідження проведено ряд експериментів, що включають навчання та оцінку продуктивності нової моделі, її порівняння з оригінальною версією, а також аналіз отриманих результатів. Важливим аспектом є оцінка значущості отриманих результатів для мережевих досліджень, зокрема для задач імітаційного моделювання комп'ютерних мереж. Це дозволяє не лише підвищити точність моделювання, але й забезпечити більш ефективні рішення для управління та оптимізації сучасних мережевих систем, що є ключовим для їхньої стабільної та продуктивної роботи.

In the context of the rapid growth and increasing complexity of network systems, the task of accurately modeling network parameters becomes critically important for effective management and optimization of network infrastructure. In this context, the work focuses on an extended version of the RouteNet model, which enhances modeling capabilities by incorporating network node characteristics such as queue sizes. The original RouteNet model demonstrates good results in predicting delays and packet losses under homogeneous network conditions; however, it has significant limitations when it comes to accounting for variations in node characteristics. The extension of the model involves integrating mechanisms to handle nodes with different configurations, allowing the model to better reflect real network conditions. This includes considering node parameters such as queue sizes, which can vary significantly in real networks. This enhancement makes the model more adaptive and accurate in conditions that are closer to real network scenarios. The study includes a series of experiments involving the training and performance evaluation of the new model, its comparison with the original version, and an analysis of the results obtained. An important aspect is the assessment of the significance of these results for network research, particularly for tasks related to the simulation of computer networks. This not only improves the accuracy of modeling but also provides more effective solutions for managing and optimizing contemporary network systems, which is crucial for their stable and productive operation