Contrôle basé sur l’Intelligence Artificielle de réseau en nuage – ARTIC_2_Ukraine

D'ici 2021, le trafic IP en nuage constituera la majeure partie d’un trafic Internet complexifié avec une diversité croissante de dispositifs et une dynamique de trafic accrue. Une solution pour faire face à cette situation est le Knowledge Defined Networking (KDN), où machine learning (ML) et intelligence artificielle (IA) sont combinés avec SDN / NFV et la surveillance de réseau pour collecter des données, les transformer en connaissances (c.-à-d. modèles) via ML, et prendre des décisions avec cette connaissance. Selon ce paradigme, nous visons à développer un cadre unifié basé sur l'IA capable d'apprendre de nouveaux algorithmes de contrôle de réseau en nuage efficaces. Ce cadre intégrera de manière transparente le contrôle basé sur les données (sur le ML) et le contrôle basé sur les modèles d’optimisation. Pour ce faire, nous avons l’intention d’appliquer deux outils d’IA prometteurs: Deep Learning (DL); et apprentissage par renforcement (RL).

Dans le projet, un réseau de neurones artificiels à apprentissage en profondeur (ANN) sera utilisé pour transformer les représentations de données d'entrée d'origine (dans notre cas, l'état du réseau dans le nuage) en un espace de petite dimension où les informations structurelles et les propriétés du réseau sont préservées au maximum et sont utilisées pour résoudre de manière plus facile le problème du contrôle optimal. RL sera appliqué pour apprendre le contrôle optimal en interagissant avec l'environnement (dans notre cas, le réseau). Ces interactions peuvent être utilisées pour guider l'apprentissage des poids de l'ANN profond. Le résultat est que l'algorithme RL (agissant en tant que boucle de contrôle) résoudra plus facilement le problème de contrôle en utilisant en entrée ces représentations de dimensionnes plus petites trouvées par le réseau de neurones profond. La principale nouveauté de notre approche est que nous affirmons que, pour les problèmes de contrôle de réseau, l’ANR profond ne doit pas être mis en œuvre en utilisant les mêmes architectures de couche profondes utilisées en vision par ordinateur (les couches dites convolutives), mais en utilisant un type différent (des nouvelles architectures dites graph embedding), mieux adaptées à la nature de graphe des problèmes de réseau.

Nous proposons ensuite d'utiliser les couches graph embedding en tant que couches profondes pour résoudre les problèmes de contrôle de réseau dans le cloud, à savoir l'allocation dynamique de chaînes de services composées de fonctions virtualisées en réseau. À partir du cas où le service réseau est unicast, nous passerons ensuite au cas multicast, car la diffusion vidéo, le service multicast classique, est ls principale application d'internet. Enfin, nous mettrons en place une plateforme KDN comme ue preuve de concept dans laquelle notre Deep Reinforcement Learning enverra via l’interface nord les décisions de contrôle à un contrôleur SDN, qui à son tour contrôlera un réseau SDN émulé.