МОДЕЛЮВАННЯ ГЛИБИННИХ ПІДКРІПЛЮВАЛЬНИХ МЕТОДІВ ДЛЯ АДАПТИВНОЇ МАРШРУТИЗАЦІЇ В КОМП’ЮТЕРНІЙ SDN МЕРЕЖІ З ВИКОРИСТАННЯМ PYTHON

Анотація

У роботі досліджується підхід до адаптивної маршрутизації в комп’ютерних мережах, побудованих за парадигмою Software-Defined Networking (SDN), із використанням методів глибокого підкріплювального навчання (Deep Reinforcement Learning, DRL) та спеціалізованих бібліотек Python для моделювання та оптимізації мережевих процесів. Основна увага приділяється алгоритму Deep Q-Network (DQN), який поєднує можливості глибоких нейронних мереж із традиційним Q-learning для вибору оптимальних маршрутів у динамічних мережевих середовищах. Для експериментальної перевірки запропонованого підходу реалізовано симульовану SDN-топологію в середовищі Mininet, що включає сервери, клієнти та централізований контролер, який приймає рішення на основі аналізу поточних мережевих метрик, таких як затримка, пропускна здатність та завантаження каналів. Модель агента навчається мінімізувати затримку пакетів і максимізувати пропускну здатність, використовуючи багатокритерійну функцію винагороди, що інтегрує обидва параметри для забезпечення оптимальної продуктивності мережі. Результати моделювання показали, що DQN-агент здатний відтворювати поведінку класичного алгоритму Dijkstra у статичних умовах і водночас перевершує його в умовах змінного трафіку, демонструючи високу адаптивність до коливань мережевого навантаження та несподіваних збоїв. Запропонований підхід підтвердив ефективність DRL для задач інтелектуальної маршрутизації в SDN-мережах, відкриваючи перспективи для застосування в масштабних системах із високими вимогами до QoS і енергоефективності. Подальші дослідження передбачають порівняння з іншими DRL-алгоритмами, такими як Double DQN, PPO, аналіз масштабованості рішення для великих мереж та інтеграцію з IoT-середовищами для забезпечення надійної та гнучкої маршрутизації.