ЗАБЕЗПЕЧЕННЯ ФУНКЦІОНАЛЬНОЇ СТІЙКОСТІ ПРОГРАМНО-КЕРОВАНОЇ КОМП’ЮТЕРНОЇ МЕРЕЖІ НА ОСНОВІ АВТОРЕГРЕСІЙНИХ МЕТОДІВ МАШИННОГО НАВЧАННЯ
DOI: 10.31673/2412-4338.2025.048904
Анотація
У статті розглянуто проблему забезпечення функціональної стійкості програмно-керованих комп’ютерних мереж (Software Defined Networks, SDN) в умовах стохастичних коливань трафіку та динамічних змін мережевих потоків. Проаналізовано існуючі підходи до підвищення відмовостійкості SDN, зокрема методи резервування, багатоконтролерні архітектури, гібридні моделі захисту й відновлення, а також алгоритми машинного навчання для прогнозування навантажень. Показано, що більшість класичних рішень орієнтовані на статичні моделі контролерів і не враховують короткотермінові флуктуації трафіку, що призводить до затримок і втрат пакетів у критичних ділянках мережі. Метою дослідження є розроблення методу підвищення стійкості SDN на основі авторегресійних підходів машинного навчання з урахуванням статистичних властивостей трафіку. У роботі запропоновано удосконалену модель прогнозування параметрів навантаження, яка поєднує класичні AR-моделі з методом розкладання випадкового процесу за схемою Карунена–Лоева. Такий підхід забезпечує більш точне відтворення динаміки трафіку та дозволяє виявляти моменти наближення до граничних режимів роботи вузлів SDN. Результати моделювання підтверджують ефективність розробленого методу: середня нормалізована похибка прогнозування (NRMSE) не перевищує 2–3% навіть у разі різких сплесків навантаження, тоді як для класичних методів вона сягає 25–40%. Запропонований підхід може бути використаний для адаптивного балансування навантаження між контролерами, своєчасного реагування на перевантаження та підвищення рівня якості обслуговування (QoS). Таким чином, отримані результати створюють наукове підґрунтя для побудови інтелектуальних систем керування SDN з підвищеною функціональною стійкістю.
Ключові слова: програмно-керована мережа (SDN), функціональна стійкість, авторегресія, машинне навчання, розкладання Карунена-Лоева, індивідуальне прогнозування, аномалії трафіку, інтелектуальні методи аналізу.
