Моделювання та аналіз графових нейронних мереж для оптимізації маршрутизації в інфокомунікаційних мережах
DOI:
https://doi.org/10.30837/0135-1710.2025.186.040Ключові слова:
графові нейронні мережі, маршрутизація, GENConv, edge-level класифікація, бази даних, інфокомунікаційні мережі, оптимізація, моделювання, Python, програмуванняАнотація
Об’єктом дослідження є процес побудови маршрутів у інфокомунікаційній мережі. Розроблено, реалізовано та експериментально досліджено модель маршрутизації на основі графової нейронної мережі з edge-level класифікацією, яка побудована на архітектурі GENConv.
Розглянуто архітектурні особливості графових нейронних мереж, зокрема механізми message passing, attention, агрегування та оновлення ознак. Проведено порівняння GCN, GAT і GENConv, обґрунтовано вибір останньої як базової архітектури для edge-level класифікації маршрутних ребер. Побудовано модель на основі GENConv з MLP-декодером. Проведено навчання на великій вибірці графів та оцінено її точність, середню затримку й відсоток успішно побудованих маршрутів.
Наведено порівняння з класичним алгоритмом за якістю рішень і часом виконання. Встановлено, що в режимі inference графова модель працює значно швидше, особливо на великих графах, і не потребує повторного перебору всього простору маршрутів при кожному запиті. Це робить запропонований підхід придатним до використання в реальному часі, у динамічних мережах, де швидкість прийняття рішень є критичною.
Посилання
D. Medhi & K. Ramasamy, Network routing. Algorithms, Protocols, and Architectures. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 2007. doi: 10.1016/b978-0-12-088588-6.x5000-1.
О. В. Лемешко, О. С. Єременко, М. О. Євдокименко, А. С. Шаповалова та Б. Слейман, Моделювання та оптимізація процесів безпечної та відмовостійкої маршрутизації в телекомунікаційних мережах: монографія. Харків, Украіна: ХНУРЕ, 2022.
K. Rusek, J. Suárez-Varela, P. Almasan, P. Barlet-Ros and A. Cabellos-Aparicio, "RouteNet: Leveraging Graph Neural Networks for Network Modeling and Optimization in SDN," IEEE Journal on Selected Areas in Communications, vol. 38, no. 10, pp. 2260-2270, Oct. 2020. doi: 10.1109/JSAC.2020.3000405.
J. Zhou, G. Cui, S. Hu, Z. Zhang, C. Yang, Z. Liu et al, "Graph neural networks: A review of methods and applications," AI Open, vol. 1, pp. 57–81, 2020. doi: 10.1016/j.aiopen.2021.01.001.
Z. Wu, S. Pan, F. Chen, G. Long, C. Zhang and P. S. Yu, "A Comprehensive Survey on Graph Neural Networks," IEEE Transactions on Neural Networks and Learning Systems, vol. 32, no. 1, pp. 4-24, Jan. 2021. doi: 10.1109/TNNLS.2020.2978386.
H. Kim, J. Park, and Y. Lee, "Routing optimization in IoT networks using graph neural networks, " Sensors, vol. 22, no. 3, pp. 1–15, 2022.
J. Ramirez and M. Ortega, "Cluster-aware graph neural routing for dynamic networks," IEEE Internet of Things Journal, vol. 11, no. 2, pp. 2345–2357, Feb. 2024.
Y. Ln, X. Wang, and J. Liu, "Graph autoencoders for route classification in software-defined networks," IEEE Access, vol. 11, pp. 45678–45689, 2023.
M. Ahmed, T. Rahman, and S. Chowdhury, "Traffic hotspot detection using graph neural networks," Journal of Network and Computer Applications, vol. 202, pp. 1–12, 2024
L. Chen, K. Zhao, and Y. Sun, "GNN-based routing in mobile ad hoc networks," Ad Hoc Networks, vol. 145, pp. 102–115, 2024.
T. Tanaka, H. Saito, and K. Fujimoto, "Urban congestion prediction using graph neural networks," IEEE Transactions on Intelligent Transportation Systems, vol. 26, no. 4, pp. 789–798, Apr. 2025.
D. Ivanov and P. Smirnov, "Adaptive GNN-based routing for SD-WAN architectures," IEEE Communications Letters, vol. 29, no. 5, pp. 1123–1127, May 2025.
M. Kowalski, A. Nowak, and E. Zielinska, "Energy-efficient routing in wireless sensor networks using GNN," Sensors, vol. 25, no. 6, pp. 1–14, 2025.
Y. Zhang, L. Xu, and H. Li, "Graph neural routing in hybrid network topologies," IEEE Transactions on Network and Service Management, vol. 18, no. 3, pp. 456–468, Mar. 2025
V. Petrov, N. Koval, and D. Kravets, "QoS-aware routing with graph neural networks in heterogeneous networks," IEEE Systems Journal, vol. 19, no. 2, pp. 987–996, Apr. 2025
W. L. Hamilton, Graph representation learning. Springer Cham, 2020. doi: 10.1007/978-3-031-01588-5
Z. Wu, S. Pan, F. Chen, G. Long, C. Zhang and P. S. Yu, "A Comprehensive Survey on Graph Neural Networks," IEEE Transactions on Neural Networks and Learning Systems, vol. 32, no. 1, pp. 4-24, Jan. 2021, doi: 10.1109/TNNLS.2020.2978386
"A gentle introduction to graph neural networks," Distill. [Online] Available: https://distill.pub/2021/gnn-intro/ Accessed on: July, 26, 2025.
"NetworkX documentation," NetworkX. [Online] Available: https://networkx.org/ Accessed on: July, 26, 2025.
"PyG Documentation," Pytorch_geometric documentation. [Online] Available: https://pytorch-geometric.readthedocs.io/en/latest/ Accessed on: July, 26, 2025.
S. Shtangey, L. Melnikova and O. Sokolov, "Modeling and analysis of graph neural networks for routing optimization in infocommunication networks," Zenodo, Jul. 30, 2025. doi 10.5281/zenodo.16616697.
