ИСТИНА

Разработка и исследование архитектуры вычислительных сетей, реализующих услугу "вычисления по требованию", алгоритмов и методов управления ресурсами вычислительных сетей с применением методов искусственного интеллекта.

Development and research of the architecture for computer networks providing the computations-on-demand service, algorithms and methods for computational network resources control using artificial intelligence methods.

Методы искусственного интеллекта для: * распределения потоков задач и данных по ресурсам вычислительных сетей * прогнозирования времени выполнения задач вычислителями в составе вычислительных сетей * прогнозирования качества сервиса каналов сети передачи данных * управления перегрузками в сети передачи данных * балансировки пакетов при многопоточной маршрутизации Система сбора и обработки трасс сетевого трафика L2-L4. База данных образцов трасс сетевого трафика. Способы повышения вычислительной мощности контура данных сетевого процессорного устройства для применения методов машинного обучения при обработке трафика. Методы масштабирования характеристик качества наложенных каналов в сетях передачи данных по трассам сетевого трафика. Методы повышения качества сервиса на транспортном уровне с применением прямого исправления ошибок (FEC, forward error correction).

Разработан метод оценки времени выполнения задач для высокопроизводительных вычислительных систем. Исследовано влияние пропускной способности интерконнекта на время решения задачи в облачной среде ЦОД. Выполнен сравнительный анализ многопоточных транспортных протоколов, исследованы методы многопоточной маршрутизации с динамическим выделением/освобождением маршрутов. Разработаны многоагентные методы на основе машинного обучения с подкреплением для: * распределения потоков задач по узлам вычислительной сети; * балансировки трафика на маршрутизаторах сети передачи данных (более эффективный, чем существующие методы UCMP и ECMP). Исследована эффективность применения метода векторной авторегрессии для прогнозирования качества сервиса каналов передачи данных на транспортном уровне. Показана необходимость разработки сетевой вычислительной инфраструктуры нового поколения, в которой требования современных приложений и эффективность управления ресурсами обеспечиваются методами искусственного интеллекта. Основные публикации: Смелянский Р. Л., Степанов Е. П. Применение методов с машинным обучением для управления сетевой вычислительной инфраструктурой // Доклады РАН. 2024. Т. 516. С. 103–112. On fair traffic allocation and efficient utilization of network resources based on MARL / E. P. Stepanov, R. L. Smeliansky, A. V. Plakunov et al. // Computer Networks. 2024. Vol. 250. P. 110540. Machine learning-based task allocation in computational networks / V. Balashov, A. Plakunov, R. Smeliansky, E. Stepanov // Proc. MoNeTeC-2024. IEEE: 2024. Smeliansky R. Network powered by computing: Next generation of computational infrastructure // Edge Computing. IntechOpen: 2023. Смелянский Р. Л. МС2Е – метаоблачная вычислительная среда для междисциплинарных исследований // Вестник РАН. 2022. Т. 92, No 1. С. 46–56. Смелянский Р. Л., Степанов Е. П. Сравнительный анализ многопоточных транспортных протоколов // Системы и средства информатики. 2022. Т. 32, No 2. С. 155–170.

Архитектура и принципы функционирования контура управления приложениями и вычислительными сервисами в вычислительных сетях. Архитектура и принципы функционирования контура управления сетью передачи данных и сетевыми сервисами в вычислительных сетях. Методы искусственного интеллекта для управления ресурсами и распределения потоков задач в вычислительных сетях. Методы искусственного интеллекта для управления ресурсами и распределения потоков данных в вычислительных сетях.