ارائه چارچوب شبکه های خودآگاه مبتنی بر هوش مصنوعی مولد برای پیش بینی ازدحام و بهینه سازی پویای مسیرهای شبکه با حفظ کیفیت سرویس

رشد سریع سرویس های ابری، اینترنت اشیا، برنامه های بلادرنگ، پردازش لبه ای و کاربردهای مبتنی بر هوش مصنوعی موجب افزایش پویایی و پیچیدگی شبکه های کامپیوتری شده است. در شبکه های سنتی، مسیریابی و تخصیص منابع عمدتا بر اساس وضعیت فعلی لینک ها و قواعد از پیش تعیین شده انجام می شود؛ در نتیجه، در شرایطی که الگوی ترافیک به سرعت تغییر می کند، تصمیم مسیریابی ممکن است با تاخیر اتخاذ شود و منجر به افزایش ازدحام، تاخیر، از دست رفتن بسته ها و کاهش کیفیت سرویس شود. از سوی دیگر، ظهور شبکه های Intent-Based و شبکه های AI-native مسیر جدیدی را برای تبدیل شبکه از یک زیرساخت منفعل به سامانه ای هوشمند و تطبیق پذیر ایجاد کرده است. پژوهش های اخیر نشان می دهند که استفاده از مدل های زبانی بزرگ، یادگیری تقویتی و معماری های خودکار در مدیریت شبکه به یکی از حوزه های فعال پژوهشی تبدیل شده است.این مقاله یک چارچوب جدید با عنوان Cognitive-AI Routing Framework (CARF) ارائه می کند که هدف آن ایجاد قابلیت «خودآگاهی شبکه» برای پیش بینی وضعیت آینده ترافیک و انتخاب مسیر پیشگیرانه است. در این چارچوب، اطلاعات لحظه ای شبکه شامل حجم ترافیک، تاخیر، jitter، packet loss، ظرفیت لینک، وضعیت صف ها و الگوی جریان ها جمع آوری شده و در یک لایه هوش شبکه تحلیل می شوند. سپس مدل پیش بینی، وضعیت احتمالی شبکه در افق زمانی آینده را برآورد می کند. موتور تصمیم گیری با ترکیب پیش بینی ترافیک، ساختار توپولوژی، الزامات کیفیت سرویس و سیاست های شبکه، مسیرهای جایگزین را ارزیابی کرده و قبل از شکل گیری ازدحام شدید، مسیر مناسب را انتخاب می کند. وجه تمایز چارچوب پیشنهادی، ایجاد یک حلقه بسته میان مشاهده، درک، پیش بینی، استدلال، تصمیم و ارزیابی است. در این معماری، مدل زبانی بزرگ مستقیما کنترل کننده شبکه نیست، بلکه به عنوان لایه معنایی و استدلالی تحت محدودیت های سیاستی عمل می کند و تصمیم اجرایی توسط موتور کنترل و اعتبارسنجی شبکه اعمال می شود. این تفکیک برای کاهش خطر تصمیم های نامعتبر یا ناسازگار اهمیت دارد. همچنین یک شاخص جدید با عنوان شاخص آگاهی شبکه (Network Awareness Index) برای سنجش میزان انطباق تصمیم های مسیریابی با وضعیت فعلی و آینده شبکه پیشنهاد می شود.نتایج مورد انتظار از چارچوب پیشنهادی شامل کاهش زمان مواجهه با ازدحام، کاهش packet loss، بهبود تاخیر و افزایش پایداری کیفیت سرویس است. برای اعتبارسنجی چارچوب، یک روش آزمایشی مبتنی بر شبیه ساز شبکه و مقایسه آن با مسیریابی سنتی، مسیریابی مبتنی بر یادگیری ماشین و روش های مبتنی بر یادگیری تقویتی پیشنهاد می شود..

کلیدواژه ها:

شبکه خودآگاه ، هوش مصنوعی مولد ، ، پیش بینی ازدحام ، کیفیت سرویس ، بهینه سازی مسیر..