Ситніков Роман Сергійович, Андрушко Дмитро Володимирович

Дослідження інтелектуальної моделі одношляхової маршрутизації на основі метрик OSPF

У роботі представлено та детально досліджено інтелектуальну модель одношляхової маршрутизації, що базується на використанні мет-рик протоколу OSPF і технологій глибокого навчання. Запропонована інтелектуальна модель базується на математичній формалізації задачі у формі булевого програмування, що забезпечує реалізацію суворо одношляхової маршрутизації без розгалуження потоків. Основу моделі становить архітектура багатошарового персептрона (Multilayer Perceptron, MLP). Інтеграція предиктивних можливостей нейрон-них мереж безпосередньо у процес вибору шляху дозволяє здійснювати динамічну оптимізацію вартості інтерфейсів. Експериментальне дослідження проведено на топології з п’яти вузлів та шести каналів зв’язку. В роботі виконано порівняльний аналіз регресійних і класифікаційних моделей MLP при різних діапазонах пропускної здатності: 10 Мбіт/с – 400 Гбіт/с, 1 – 400 Гбіт/с та 1 – 100 Гбіт/с. Встановлено, що точність прогнозування MLP сягає 99–100% за умови використання «оптимального» ряду даних, проте суттєво знижується при надмір-ній варіативності вхідних параметрів. Важливим аспектом дослідження є порівняння програмних середовищ реалізації. Виявлено, що використання Python (TensorFlow та PyTorch) забезпечує на 5–10% вищу точність прогнозування порівняно з MATLAB, що пояснюється спеціалізацією бібліотек Python під задачі мережної аналітики. У висновках роботи обґрунтовано «межу точності» MLP через ігнорування топологічної структури графа мережі та вказано на перспективність переходу до графових нейронних мереж (Graph Neural Networks, GNN) для великих систем. Водночас підкреслено, що завдяки низькій обчислювальній складності MLP залишається оптимальним вибором для локальних рішень та маршрутизаторів з обмеженими ресурсами, де критичною є швидкість прийняття рішень у мікросекундному діапазоні.

Ключові слова: метрика, маршрутизація, модель, нейронна мережа, дослідження, OSPF

Sytnikov Roman, Andrushko Dmytro

Research on an Intelligent Single-Path Routing Model Based on OSPF Metrics

The work presents and thoroughly investigates an intelligent single-path routing model based on OSPF protocol metrics and deep learning. The pro-posed intelligent model is based on a mathematical formalization of the problem in the form of Boolean programming, ensuring the implementation of strictly single-path routing without flow branching. The model is based on a multilayer perceptron (MLP) architecture. The integration of neural net-work predictive capabilities directly into the path-selection process enables dynamic optimization of interface costs. An experimental study was conducted on a topology with five nodes and six communication links. The work provides a comparative analysis of MLP regression and classification models across bandwidth ranges: 10 Mbit/s – 400 Gbit/s, 1 – 400 Gbit/s, and 1 – 100 Gbit/s. It was found that MLP forecasting accuracy reaches 99–100% when using the “optimal” data set, but decreases significantly with excessive variability in input parameters. An important aspect of the study is the comparison of software implementation environments. It has been found that using Python (TensorFlow and PyTorch) provides 5–10% higher prediction accuracy than MATLAB, which is explained by the specialization of Python libraries for network analytics tasks. The conclusions of the work justify the “accuracy limit” of MLPs due to the neglect of the network graph`s topological structure and point to the promising transition to graph neural networks (GNNs) for large systems. At the same time, it is emphasized that, due to its low computational complexity, MLP remains the optimal choice for local solutions and routers with limited resources, where microsecond-level decision-making speed is critical.

Keywords: metric, routing, model, neural network, research, OSPF