Всесторонний обзор машинного обучения для сетей: эволюция, приложения и перспективы исследований

Машинное обучение (ML) переживает беспрецедентный рост числа приложений, предназначенных для решения задач и обеспечения автоматизации в различных областях. Это обусловлено прежде всего стремительным увеличением доступности данных, значительным совершенствованием методов ML и развитием вычислительных возможностей. Несомненно, ML применяется для решения разнообразных рутинных и сложных задач, возникающих при эксплуатации и управлении сетями. Существует ряд обзоров, посвящённых ML в отдельных областях сетевого взаимодействия или конкретных сетевых технологиях. Отличительной особенностью настоящего обзора является совместное рассмотрение применения различных методов ML в ключевых областях сетевого взаимодействия и в сетях, использующих разные технологии. Благодаря этому читатели получат всестороннее представление о различных парадигмах обучения и методах ML, применяемых для решения фундаментальных задач сетевого взаимодействия, включая прогнозирование трафика, маршрутизацию и классификацию, управление перегрузками, управление ресурсами и отказами, управление качеством обслуживания (QoS) и качеством взаимодействия с пользователем (QoE), а также обеспечение сетевой безопасности. Кроме того, в обзоре систематизированы ограничения, представлены сведения о исследовательских проблемах и определены перспективные направления дальнейшего развития ML в сетях. Таким образом, работа своевременно рассматривает значение ML для сетей и его роль в расширении границ автономной эксплуатации и управления сетями.