بررسی بهینه سازی الگوریتم های جست وجو و مسیریابی در شبکه های رایانه ای با استفاده از یادگیری ماشین

رشد پیوسته حجم تبادل داده، گسترش خدمات بلادرنگ، افزایش تعداد گره های متصل و پیچیده تر شدن توپولوژی شبکه های رایانه ای، مسئله جست وجو و انتخاب مسیر مناسب برای انتقال داده را به یکی از مسائل مهم در مهندسی شبکه تبدیل کرده است. الگوریتم های کلاسیک مسیریابی عمدتا بر قواعد از پیش تعریف شده، معیارهای ایستا یا مدل های ریاضی مشخص متکی هستند و در بسیاری از شرایط می توانند مسیرهایی با هزینه قابل قبول پیدا کنند؛ بااین حال، هنگامی که وضعیت شبکه به صورت مداوم در حال تغییر است، ترافیک دارای نوسان شدید است یا چندین معیار مانند تاخیر، پهنای باند، ازدحام، نرخ ازدست رفتن بسته و قابلیت اطمینان باید به طور هم زمان مورد توجه قرار گیرد، محدودیت های این رویکردها آشکارتر می شود. در چنین شرایطی، یادگیری ماشین امکان انتقال بخشی از فرایند تصمیم گیری مسیریابی از منطق ثابت و از پیش برنامه ریزی شده به یک سازوکار داده محور و تطبیقی را فراهم می کند.هدف مقاله حاضر بررسی تحلیلی ظرفیت یادگیری ماشین برای بهینه سازی الگوریتم های جست وجو و مسیریابی در شبکه های رایانه ای است. پژوهش با روش کتابخانه ای و رویکرد مروری تحلیلی انجام شده و مطالعات فارسی و انگلیسی مرتبط با مسیریابی هوشمند، یادگیری نظارت شده، یادگیری تقویتی، یادگیری عمیق، شبکه های نرم افزارمحور و بهینه سازی ترافیک مورد بررسی قرار گرفته اند. یافته های پژوهش نشان می دهد که یادگیری ماشین بیش از آنکه صرفا جایگزینی برای الگوریتم های کوتاه ترین مسیر باشد، می تواند به عنوان یک لایه تصمیم یار هوشمند در کنار الگوریتم های کلاسیک عمل کند؛ به گونه ای که وضعیت شبکه را پیش بینی، هزینه واقعی مسیرها را تخمین، مسیرهای کاندید را اولویت بندی و سیاست مسیریابی را متناسب با شرایط جاری شبکه تنظیم کند. در میان رویکردهای موجود، یادگیری تقویتی و به ویژه یادگیری تقویتی عمیق ظرفیت بیشتری برای تصمیم گیری پویا دارند، زیرا عامل یادگیرنده می تواند بر مبنای بازخورد حاصل از محیط، سیاست انتخاب مسیر را اصلاح کند. در مقابل، یادگیری نظارت شده برای پیش بینی ترافیک، طبقه بندی وضعیت لینک ها و تخمین کیفیت مسیرها مناسب تر است.نتایج این بررسی همچنین نشان می دهد که کارایی راهکارهای یادگیری محور صرفا به انتخاب مدل یادگیری وابسته نیست، بلکه کیفیت داده های شبکه، طراحی فضای حالت و عمل، تعریف تابع پاداش، هزینه آموزش، مقیاس پذیری، قابلیت تعمیم، سربار ارتباطی و امکان استقرار مدل در زیرساخت واقعی، نقش تعیین کننده ای دارند. بنابراین، مسیر آینده پژوهش در این حوزه به سمت معماری های ترکیبی حرکت می کند که در آنها الگوریتم های قطعی و قابل اعتماد کلاسیک با مدل های یادگیری محور تطبیقی ترکیب می شوند. چنین رویکردی می تواند ضمن حفظ پایداری و قابلیت تبیین الگوریتم های سنتی، سازگاری شبکه با شرایط متغیر را افزایش دهد.