QUALITY OF SERVICE MANAGEMENT IN TELECOMMUNICATION NETWORKS BASED ON SDN AND ARTIFICIAL INTELLIGENCE

УДК 654.1

АННОТАЦИЯ

Стремительный рост объёмов сетевого трафика и распространение чувствительных к задержкам сервисов реального времени делают традиционные механизмы QoS — DiffServ и IntServ — недостаточно адаптивными в современных телекоммуникационных сетях. В статье представлена гибридная архитектура проактивного управления качеством обслуживания, объединяющая технологию программно-определяемых сетей (SDN) с методами машинного обучения. Архитектура построена на базе контроллера OpenDaylight и включает уровни мониторинга, анализа, принятия решений и применения политик; прогнозирование нарушений QoS реализовано гибридной моделью LSTM + Gradient Boosting с горизонтом 30 секунд. Экспериментальная верификация проводилась на физическом сервере Dell PowerEdge R740 под управлением гипервизора KVM с использованием генератора трафика Cisco TRex и анализатора Wireshark, что обеспечило более высокую достоверность результатов по сравнению с симуляционными подходами. Полученные результаты исследований показали снижение средней задержки RTT на 23,4%, уменьшение потерь пакетов на 41,2%, сокращение времени реакции на нарушения с 4,8 до 1,3 секунды и точность прогнозирования 94,7%. Архитектура ориентирована на применение в сетях АО «Uztelecom» в рамках стратегии «Цифровой Узбекистан 2030».

ABSTRACT

The rapid growth of network traffic and proliferation of delay-sensitive real-time services render traditional QoS mechanisms (DiffServ, IntServ) insufficiently adaptive in modern telecommunication networks. This paper presents a hybrid architecture for proactive Quality of Service management that integrates Software-Defined Networking (SDN) with machine learning. Built on the OpenDaylight controller, the architecture comprises monitoring, analytics, decision-making, and policy enforcement layers; QoS violation prediction is implemented through a hybrid LSTM + Gradient Boosting model with a 30-second horizon. Experimental validation was conducted on a physical Dell PowerEdge R740 server under the KVM hypervisor using the Cisco TRex traffic generator and Wireshark analyzer, providing higher reliability than simulation-based approaches. Results show a 23.4% reduction in average RTT, a 41.2% decrease in packet loss, response time to QoS violations reduced from 4.8 to 1.3 seconds, and a prediction accuracy of 94.7%. The architecture is intended for deployment in Uztelecom JSC networks within the "Digital Uzbekistan 2030" strategy.

Ключевые слова: SDN, QoS, машинное обучение, LSTM, OpenFlow, Uztelecom, Цифровой Узбекистан 2030.

Keywords: SDN, QoS, machine learning, LSTM, OpenFlow, Uztelecom, Digital Uzbekistan 2030.

1. Введение

Стремительный рост объёмов сетевого трафика, обусловленный распространением сервисов потокового видео, облачных вычислений и устройств IoT, предъявляет принципиально новые требования к системам управления качеством обслуживания в телекоммуникационных сетях [1]. По данным Cisco Annual Internet Report, к 2025 году мировой IP-трафик превысил 400 экзабайт в месяц, причём доля чувствительных к задержкам сервисов реального времени достигла 72% [2]. Традиционные механизмы QoS — DiffServ и IntServ — разработанные для сетей с относительно стабильными профилями трафика, демонстрируют существенные ограничения в условиях динамически изменяющейся нагрузки. Распределённая плоскость управления в классических сетях затрудняет реализацию централизованных политик QoS и оперативную адаптацию к изменениям трафика [3, 4].

Технология программно-определяемых сетей (SDN) обеспечивает логическую централизацию управления сетью посредством разделения плоскостей управления и передачи данных. Протокол OpenFlow предоставляет стандартизированный интерфейс для программного управления потоками на коммутаторах, что открывает возможности для динамической реконфигурации политик QoS [5]. Вместе с тем применение SDN само по себе не решает задачу адаптивного управления QoS в условиях непредсказуемых всплесков трафика и гетерогенных требований сервисов. Интеграция методов искусственного интеллекта (ИИ) с SDN-архитектурой формирует перспективное направление, позволяющее реализовать проактивное управление QoS на основе предсказания состояния сети. Исследования последних лет демонстрируют потенциал рекуррентных нейронных сетей, в частности LSTM, для прогнозирования параметров трафика с горизонтом от 5 до 60 секунд [6, 7].

Настоящая статья представляет результаты разработки и экспериментальной верификации гибридной SDN/AI-архитектуры управления QoS применительно к условиям национального телекоммуникационного оператора АО «Uztelecom», обеспечивающего связью более 35 миллионов абонентов в рамках реализации стратегии «Цифровой Узбекистан 2030» [8]. Ключевым отличием представленного исследования от смежных работ является использование физической тестовой среды с реальным генератором трафика Cisco TRex вместо симуляционных инструментов, что обеспечивает более высокую достоверность результатов.

2. Обзор смежных исследований

Классические механизмы обеспечения качества обслуживания — IntServ (RFC 2212) с резервированием ресурсов по протоколу RSVP и DiffServ (RFC 2474, 2475) с дифференциацией трафика по классам DSCP — были стандартизированы комитетом IETF ещё в конце 1990-х годов и по сей день составляют основу промышленных QoS-развёртываний [9]. Вместе с тем распределённая природа управляющей плоскости в традиционных сетях принципиально ограничивает возможности централизованной координации политик: каждый маршрутизатор самостоятельно принимает локальные решения, опираясь на статически сконфигурированные правила, что не позволяет адаптивно реагировать на глобальные изменения состояния сети [10].

Фундаментальный сдвиг в подходе к управлению сетью обеспечило появление концепции программно-определяемых сетей (SDN), оформившейся в работе McKeown et al. [11] и получившей промышленную реализацию через протокол OpenFlow. SDN разделяет плоскости управления и передачи данных, передавая централизованному контроллеру глобальное представление о состоянии сети и полный контроль над таблицами потоков. Обзор Kreutz et al. [12], охватывающий более 400 публикаций по SDN, зафиксировал широкий консенсус исследовательского сообщества относительно потенциала технологии для реализации гибких, эффективных и программируемых механизмов QoS. Тем не менее авторы подчёркивают, что сам по себе факт централизации управления ещё не решает задачу адаптивного QoS-менеджмента в условиях динамически изменяющегося трафика: контроллер должен принимать интеллектуальные решения, а не просто распространять статические политики.

Параллельно с SDN получила развитие концепция виртуализации сетевых функций (NFV), позволяющая переносить традиционные аппаратные сетевые функции в программные реализации на стандартных серверах [13]. Синергия SDN и NFV открыла возможность для реализации сетевых срезов (Network Slicing) в сетях 5G/B5G — технологии, позволяющей на одной физической инфраструктуре создавать логически изолированные виртуальные сети с индивидуальными QoS-гарантиями для eMBB, URLLC и mMTC-сервисов [14]. Как показывают исследования последних лет, управление QoS в такой многоуровневой среде требует принципиально иных подходов, в том числе применения методов машинного обучения для прогнозирования потребностей в ресурсах и превентивного управления политиками [15].

Интеграция методов машинного обучения (МО) с архитектурой SDN образует активно развивающееся исследовательское направление, привлёкшее значительное внимание академического сообщества начиная с 2018–2019 годов. Обзорная работа [16], охватывающая публикации в IEEE, Elsevier, Springer и ACM за период 2016–2023 годов, систематизирует применение МО в SDN по четырём ключевым направлениям: классификация трафика, маршрутизация с учётом QoS, управление очередями и планирование ресурсов. Авторы констатируют, что алгоритмы обучения с учителем — в частности, ансамблевые методы на основе решающих деревьев и опорных векторов — демонстрируют высокую эффективность в задачах классификации трафика, тогда как обучение с подкреплением оказалось наиболее перспективным для задач динамической маршрутизации.

В области классификации трафика исследование [17] демонстрирует применение нескольких алгоритмов МО — от логистической регрессии и случайного леса до метода k-ближайших соседей — для идентификации типов трафика в SDN-сети, развёрнутой на Mininet. Лучший результат, точность 99,81%, был получен с применением алгоритма дерева решений. Работа [18] предлагает более тонкую дифференциацию, разделяя задачи бинарной и многоклассовой классификации до и после нормализации признаков, и исследует сочетание линейных, нелинейных и гибридных моделей с различными методами масштабирования (стандартное, минимакс, максимальное абсолютное и робастное). Ключевым практическим выводом обеих работ является значимость предобработки данных и выбора признаков для достижения высокой точности классификации в реальных условиях эксплуатации.

Задача прогнозирования трафика с целью проактивного управления QoS в SDN подробно рассмотрена в работе Wassie et al. [19], опубликованной в Scientific Reports (2023). Авторы разрабатывают модель для обнаружения «слоновьих потоков» (elephant flows) — длительных интенсивных соединений, вызывающих перегрузки в сети. Применение ансамблей на основе XGBoost, GBM и Deep Autoencoder позволило заблаговременно выявлять потоки, провоцирующие превышение порогов задержки и потерь пакетов, и передавать в контроллер SDN сигнал о необходимости перенаправления или приоритизации трафика. Обзор Abbasi et al. [20], опубликованный в ACM Computing Surveys (2025), систематизирует более 50 архитектур глубокого обучения для прогнозирования сетевого трафика и подчёркивает превосходство LSTM и GRU над традиционными статистическими методами (ARIMA, SARIMA) в задачах с нелинейными долгосрочными зависимостями, свойственными реальным телекоммуникационным потокам. Это направление приобретает особую значимость для операторов с распределённой географией, в том числе для АО «Uztelecom», инфраструктура которого охватывает 14 регионов Узбекистана с различными профилями трафика.

3. Предлагаемая архитектура

3.1. Общая структура

Предлагаемая гибридная SDN/AI-архитектура управления QoS состоит из четырёх функциональных уровней, реализованных на базе контроллера OpenDaylight (ODL) с расширенным модулем принятия решений:

1. Уровень мониторинга (Monitoring Layer) — непрерывный сбор телеметрии сети (задержка, джиттер, потери пакетов, загрузка интерфейсов) посредством OpenFlow Port Stats и IPFIX с периодом опроса 500 мс.
2. Уровень анализа (Analytics Layer) — обработка потоков телеметрии, нормализация признаков, обнаружение аномалий методом изолированного леса (Isolation Forest).
3. Уровень принятия решений (Decision Layer) — прогнозирование нарушений QoS гибридной моделью LSTM + Gradient Boosting с горизонтом 30 с, формирование рекомендаций по переконфигурации сети.
4. Уровень применения политик (Policy Enforcement Layer) — трансляция решений в правила OpenFlow Flow Modification, установка приоритетов DSCP/DiffServ, управление очередями на коммутаторах.

3.2. Интеграция с контроллером OpenDaylight

Взаимодействие между уровнями реализовано посредством REST API ODL и внутренней шины сообщений. Модуль принятия решений развёртывается как микросервис на Python 3.11 с использованием фреймворков TensorFlow 2.13 и XGBoost 2.0. Период обновления flow-записей — адаптивный: от 1 с при обнаружении аномалии до 30 с в штатном режиме как показано на 1 рисунке.

Для минимизации задержки реакции на нарушения QoS реализован механизм проактивной установки резервных flow-маршрутов: при вероятности нарушения, превышающей пороговое значение Pth = 0,75, контроллер превентивно устанавливает альтернативный маршрут с гарантированными характеристиками задержки.

4. Математическая модель

 4.1. Модель прогнозирования параметров QoS

Состояние сети в момент времени t описывается вектором признаков:

x(t) = [d(t), j(t), l(t), u(t), f(t)]^T ∈ ℝ⁵

где d(t) — задержка RTT (мс), j(t) — джиттер (мс), l(t) — доля потерянных пакетов (%), u(t) — коэффициент загрузки канала, f(t) — число активных потоков.

LSTM-компонент модели обрабатывает скользящее окно истории длиной W = 60 отсчётов (соответствует 30 с при частоте опроса 2 Гц). Выходной вектор LSTM h(t) ∈ ℝ¹²⁸ подаётся на вход классификатора XGBoost для бинарной классификации нарушения QoS:

4.2. Функция управления приоритетами трафика

Назначение класса обслуживания потоку i осуществляется согласно взвешенному агрегированному показателю QoS-требований:

QoS_score(i) = w₁*(1/dᵢ) + w₂*(1/jᵢ) + w₃*(1−lᵢ)

где dᵢ, jᵢ, lᵢ — целевые значения задержки, джиттера и потерь для потока i; w₁ = 0,5, w₂ = 0,3, w₃ = 0,2 — эмпирически определённые весовые коэффициенты. Потокам с QoS_score(i)> 0,8 назначается класс EF (Expedited Forwarding) DSCP 46, потокам с 0,5 <QoS_score(i) ≤ 0,8 — AF41 (DSCP 34), остальным — BE (DSCP 0).

4.3. Модель оценки эффективности управления

Совокупная эффективность системы управления QoS оценивается по составному показателю:

η = α* (1 − d̄/d_SLA) + β*(1 − l̄/l_SLA) + γ*Accuracy_pred

где d̄, l̄ — средние наблюдаемые задержка и потери; d_SLA, l_SLA — пороговые значения SLA; Accuracy_pred — точность предсказания нарушений; α = 0,4, β = 0,4, γ = 0,2.

5. Экспериментальная установка и результаты.

5. 1. Конфигурация тестовой среды

Экспериментальная верификация проводилась на физическом сервере Dell PowerEdge R740 (2× Intel Xeon Gold 5218, 256 ГБ RAM, сетевые карты Intel X710 10GbE) под управлением гипервизора KVM. Виртуальная топология включала:

• SDN-контроллер OpenDaylight Fluorine SR4 (VM1: 8 vCPU, 32 ГБ RAM);
• Программный коммутатор Open vSwitch 3.1 с поддержкой OpenFlow 1.3 (VM2: 4 vCPU);
• Сервер анализа и принятия решений с ML-компонентом (VM3: 8 vCPU, 16 ГБ RAM);
• Генератор трафика Cisco TRex v3.04 (Stateless mode) с привязкой к физическим ядрам CPU.

Cisco TRex генерировал смешанный трафик: UDP CBR (имитация VoIP, 64–256 байт), TCP Bulk (имитация FTP/HTTP, 1400–1500 байт) и Burst-трафик (всплески до 5 Гбит/с длительностью 1–3 с). Анализатор Wireshark 4.2 обеспечивал верификацию корректности генерируемых потоков и независимое измерение задержек по временны́м меткам пакетов.

Рисунок 1. Архитектура экспериментальной установки

5.2. Методология эксперимента

Проведены четыре серии экспериментов с длительностью каждой серии 30 минут:

1. Базовый сценарий — статические правила DiffServ без SDN-управления.
2. SDN-реактивный — управление через OpenFlow без ML-компонента.
3. SDN+ML-проактивный — полная предлагаемая архитектура.
4. Стресс-тест — нагрузка 95% от пропускной способности канала.

5.3. Результаты экспериментов

Сводные результаты четырёх серий экспериментов представлены в Таблице 1. Все значения приведены как среднее ± стандартное отклонение по 10 повторным запускам.

Таблица 1.

Сводные результаты экспериментов

Предлагаемая SDN/AI-архитектура обеспечила снижение средней задержки RTT на 23,4% (с 42,3 до 32,4 мс) по сравнению с базовым сценарием. Потери пакетов сократились на 41,2% (с 2,14% до 1,26%). Время реакции системы на выявленное нарушение QoS составило 1,3 с против 4,8 с при реактивном SDN-управлении — улучшение на 72,9%. Точность прогнозирования нарушений гибридной LSTM+XGBoost моделью составила 94,7% при ложноположительном уровне не более 3,2%.

В стресс-тесте (загрузка 95% пропускной способности) система сохранила работоспособность с деградацией показателя η с 0,89 до 0,72. Приоритетный трафик (класс EF) в условиях перегрузки получил предпочтительное обслуживание: задержка VoIP-потоков не превысила 48 мс при пороговом значении SLA 50 мс.

6. Заключение

В статье представлена гибридная SDN/AI-архитектура проактивного управления QoS, объединяющая централизованный контроллер OpenDaylight с гибридной моделью машинного обучения LSTM + Gradient Boosting. Экспериментальная верификация на физической тестовой среде с использованием Cisco TRex и Wireshark в среде KVM-виртуализации подтвердила эффективность предложенного подхода: снижение задержки на 23,4%, уменьшение потерь пакетов на 41,2%, точность прогнозирования нарушений QoS — 94,7%.

Использование физической тестовой среды вместо симуляционных инструментов обеспечивает более высокую достоверность полученных результатов и их применимость к реальным инфраструктурным условиям. Предложенная архитектура ориентирована на развёртывание в сетях национального оператора АО «Uztelecom» в рамках программы «Цифровой Узбекистан 2030», что определяет практическую значимость исследования.

Направления дальнейших исследований включают: расширение архитектуры для поддержки многодоменных сетей, интеграцию с функциями виртуализации сетевых функций (NFV), а также адаптацию модели для управления сетевыми срезами в сетях 5G/B5G.

Список литературы:

1. ITU-T Rec. Y.1541: Network Performance Objectives for IP-Based Services. ITU-T (2022).
2. Cisco Systems: Cisco Annual Internet Report (2018–2023) White Paper. Cisco (2020).
3. Kreutz, D., Ramos, F., Verissimo, P., et al.: Software-Defined Networking: A Comprehensive Survey. Proc. IEEE 103(1), 14–76 (2015).
4. Xia, W., Wen, Y., Foh, C.H., et al.: A Survey on Software-Defined Networking. IEEE Commun. Surv. Tutor. 17(1), 27–51 (2015).
5. McKeown, N., Anderson, T., Balakrishnan, H., et al.: OpenFlow: enabling innovation in campus networks. ACM SIGCOMM Comput. Commun. Rev. 38(2), 69–74 (2008).
6. Hochreiter, S., Schmidhuber, J.: Long Short-Term Memory. Neural Comput. 9(8), 1735–1780
7. Shi, X., Chen, Z., Wang, H., et al.: Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting. Adv. Neural Inf. Process. Syst. 28 (2015).
8.  Ministry of Digital Development of the Republic of Uzbekistan: Strategy “Digital Uzbekistan – 2030”. Tashkent (2020).
9. Blake S., Black D., Carlson M., Davies E., Wang Z., Weiss W.: An Architecture for Differentiated Services. RFC 2475. IETF (1998).
10. Karakus M., Durresi A.: Quality of Service (QoS) in Software Defined Networking (SDN): A Survey. J. Netw. Comput. Appl. 80, 200–218 (2017).
11. McKeown N., Anderson T., Balakrishnan H., et al.: OpenFlow: Enabling Innovation in Campus Networks. ACM SIGCOMM CCR 38(2), 69–74 (2008).
12. Kreutz D., Ramos F.M.V., Verissimo P., et al.: Software-Defined Networking: A Comprehensive Survey. Proc. IEEE 103(1), 14–76 (2015).
13. Yousaf F.Z., Bredel M., Schaller S., Schneider F.: NFV and SDN — Key Technology Enablers for 5G Networks. IEEE J. Sel. Areas Commun. 35(11), 2468–2478 (2017).
14. Sciancalepore V., Zanzi L., Costa-Perez X., Capone A.: ONETS: Online Network Slice Broker from Theory to Practice. IEEE Trans. Wireless Commun. 21(1), 121–134 (2022).
15. Ordonez-Lucena J., Ameigeiras P., Lopez D., et al.: Network Slicing for 5G with SDN/NFV: Concepts, Architectures and Challenges. IEEE Commun. Mag. 55(5), 80–87 (2017).
16. Sahar Faezi and Alireza Shirmarz. Comprehensive Survey on Machine Learning in Software Defined Networks (SDN). Hum.-Centric Intell. Syst. 3(2), 109–136 (2023).
17. Serag R.H., Abdalzaher M.S., Elsayed H.A.E.A., et al.: Machine-Learning-Based Traffic Classification in Software-Defined Networks. Electronics 13(6), 1108 (2024).
18. Rehab H. Serag, et al.: Software Defined Network Traffic Classification for QoS Optimization Using Machine Learning. J. Netw. Syst. Manage. 32(2), 25 (2024).
19. Wassie G., Ding J., Wondie Y.: Traffic prediction in SDN for explainable QoS using deep learning approach. Sci. Rep. 13, 20607 (2023).