Обзор методов машинного обучения для оптимизации маршрутизации в программно-определяемых сетях

В традиционных сетях существовала тесная взаимосвязь между плоскостью управления и плоскостью данных. Появление программно-определяемых сетей (Software-Defined Networking, SDN) разделило эти плоскости и предоставило дополнительные возможности и инструменты для решения некоторых проблем традиционных сетей, таких как задержка, согласованность и эффективность. SDN представляет собой гибкую сетевую парадигму, повышающую уровень управления сетью, ее программируемость и автоматизацию. Она обеспечивает многочисленные преимущества в различных областях, включая маршрутизацию. В частности, для эффективной организации, управления и оптимизации маршрутизации в сетях требуется определенный уровень интеллектуализации, а SDN позволяет легко интегрировать соответствующие средства. С этой целью многие исследователи реализовали различные методы машинного обучения (machine learning, ML) для совершенствования приложений маршрутизации в SDN. В статье представлен обзор применения методов ML для оптимизации маршрутизации в SDN на основе трех основных категорий: обучения с учителем, обучения без учителя и обучения с подкреплением. Основные результаты данного обзора сводятся к трем положениям. Во-первых, представлены подробные сводные таблицы соответствующих исследований и обсуждено их сравнение, включая обобщение лучших работ по результатам нашего анализа. Во-вторых, обобщены основные выводы, лучшие работы и неосвещенные аспекты, а также приведены краткие рекомендации по выбору наилучшего метода ML в данной области с учетом доступных ресурсов и поставленных целей. Наконец, для завершения обзора предложены конкретные направления будущих исследований, разделенные на шесть разделов. Мы приходим к выводу, что в программируемых сетях наблюдается сильная тенденция к использованию интеллектуальной маршрутизации, особенно в течение последних трех лет, однако для достижения всестороннего сравнения и синергии различных подходов, содержательной оценки на основе открытых наборов данных и топологий, а также детальной практической реализации с учетом современных стандартов, которая могла бы быть внедрена промышленностью, по-прежнему требуются значительные усилия. В целом будущие исследования должны быть сосредоточены на воспроизводимых исследованиях, а не на...