مسیریابی هوشمند و مقیاس پذیر با استفاده از یادگیری تقویتی گرافی: مروری جامع بر روش ها، چالش ها و چشم اندازها

ظهور نسل جدید شبکه های ارتباطی نظیر ۵G/۶G، اینترنت اشیا، رایانش ابری و شبکه های ماهواره ای، چالش های بی سابقه ای را برای الگوریتم های مسیریابی سنتی مانند OSPF و IS-IS ایجاد کرده است. این پروتکل ها که بر معیارهای ساده و توپولوژی های نسبتا ایستا استوارند، در مواجهه با ماهیت پویا، ناهمگن و مقیاس پذیر شبکه های مدرن ناکارآمد جلوه می کنند. در سال های اخیر، ترکیب شبکه های عصبی گرافی (GNN) با یادگیری تقویتی عمیق (DRL) به عنوان پارادایمی نوین در مسیریابی هوشمند مطرح شده است که قادر به مدل سازی روابط پیچیده گره ها و یال ها، یادگیری از وابستگی های ساختاری و تصمیم گیری تطبیقی در محیط های پویا است. این مقاله به مرور جامع چارچوب های یادگیری تقویتی گرافی در مسیریابی شبکه می پردازد و بر چالش های مقیاس پذیری، تعمیم پذیری بین توپولوژی ها و کارایی محاسباتی تمرکز دارد. روش های کلیدی نظیر ScaIR، Link۲Link، GSADDQN و چارچوب های سلسله مراتبی مورد تحلیل قرار می گیرند و جهت گیری های آینده شامل یادگیری فدرال، یادگیری خودنظارتی و استقرار در شبکه های واقعی بررسی می شوند.