Децентралізована багатокритеріальна оптимізація трафіку SRv6 автономним AI-агентом на базі FRRouting: реалізація та експериментальна валідація

Анотація

Попередня концептуальна публікація авторів запропонувала архітектуру автономного AI-агента для багатокритеріальної оптимізації (БО) трафіку SRv6 без зовнішнього контролера, обмежившись математичною моделлю без емпіричної реалізації. Дана робота вперше переходить від концепту до повної експериментальної валідації на робочому стенді (FRRouting 10.x, Containerlab, Linux 6.17) та забезпечує кількісне підтвердження запропонованого підходу. Запропоновано метод децентралізованої БО-маршрутизації SRv6, у якому узгодженість рішень незалежних агентів на граничних маршрутизаторах досягається через імпліцитну стигмергію (спільне читання синхронізованої IS-IS LSDB як стигмергічного середовища, формалізованого у п'ятірці Heylighen) без центрального арбітра вагових коефіцієнтів і без прямого міжагентного обміну повідомленнями; стабільність рішень підтверджена експериментальною процедурою з п'яти послідовних фаз - єдине переключення в кожному напрямку, нуль хибних спрацювань у трьох baseline-фазах (p<10^-3 проти H0 випадкового переключення). Оптимізацію за чотирма QoS-критеріями (затримка, пропускна здатність, втрати, джитер) і топологічну узагальнюваність поєднано в єдиній моделі GNN-PPO (GCNConv x2, 50 179 параметрів); симетричний бар'єр TRIGGER/WITHDRAW реалізовано без жорстко-кодового порогу через збереження тренувального розподілу ознак на вході моделі (ЗТР): та сама нейромережа з границею прийняття рішення SLA = 40 мс керує переключеннями в обох напрямках. Виробниче розгортання БО-агентів на edge-маршрутизаторі забезпечують ONNX Runtime з INT8-квантуванням (приблизно 8 МБ залежностей, приблизно 0,13 мс інференсу) разом з eBPF XDP/TC телеметрією ядра (1-2 мс path-RTT гістограми на цикл), що утримує повний PyTorch-стек тренування (приблизно 700 МБ, приблизно 50 мс) виключно у тренувальному контурі. Сумарний час реакції агента - TRIGGER 409 мс, WITHDRAW 825 мс - структурно зумовлений K-of-N гістерезисом і частотою eBPF-зондів, а не вартістю AI-компонента, на яку припадає менше 0,1 % від загальної реакції.

Ключові слова: SRv6, GNN-PPO, ONNX INT8, eBPF XDP/TC, багатокритеріальна оптимізація, FRRouting, імпліцитна стигмергія, граничний AI.