Искусственный интеллект в сетевых технологиях

Разработать и обучить ML-модели, способные прогнозировать задержку и джиттер в сетях передачи данных вблизи реального времени, а также создать прототип AI-ускоренной системы принятия маршрутизационных решений, повышающей устойчивость соединений и качество работы приложений в российских сетях.

1) Аналитика 2) Разработка 3) Тестирование

● сформированный и очищенный датасет сетевых измерений ● одна или несколько обученных ML-моделей для прогнозирования latency/jitter ● прототип AI-Routing-модуля с API ● документация и отчет по исследованию

Проект направлен на исследование и разработку методов предиктивной маршрутизации, использующих машинное обучение для оценки состояния сети до фактических деградаций. В ходе работы планируется собрать и сформировать набор данных, включающий измерения поведения трафика QUIC, MASQUE и UDP при различных типах сетевых условий: задержках, асимметрии, вариативности LTE/5G, потерях пакетов и перегрузках. Студенты создадут и обучат несколько экспериментальных ML-моделей (регрессия, градиентный бустинг, LSTM/TCN, lightweight-CNN), способных выполнять прогнозы задержки и джиттера с временем отклика <10 мс и высокой корреляцией по метрике R² (0.85–0.90). На основе полученной модели будет разработан прототип модуля AI Routing Loop - системы, которая на основе прогноза выбирает оптимальный маршрут или PoP-узел, минимизируя суммарную задержку и вариативность. Проект станет частью открытой исследовательской инициативы CloudBridge AI Routing Lab.

Не предусмотрена

● АНО “Центр исследований и разработок сетевых технологий ● IT-компании и стартапы, работающие с real-time трафиком ● операторы связи и edge-платформы ● разработчики распределенных систем ● научные лаборатории в области ИИ и сетей

Научная новизна проекта состоит в переходе от реактивных механизмов маршрутизации к прогнозируемым, основанным на оценке будущего состояния сети. Это станет одной из первых российских экспериментальных платформ, объединяющих QUIC-транспорт, реальные измерения и ML-модели для предиктивного выбора сетевых путей. Особую ценность представляет исследование применимости компактных (lightweight) нейромоделей, способных стабильно работать с latencies порядка миллисекунд в условиях значительных вариаций каналов региональной и мобильной связи РФ.