Towards Traffic Modelling of Multi-Agent Systems: The Role of Coordination Topology

Dans le monde numérique, les réseaux sont souvent considérés comme des pipelines transportant des messages d'une personne à une autre. Pendant des décennies, les ingénieurs ont conçu ces systèmes en se basant sur une hypothèse simple : le trafic arrive selon un rythme relativement prévisible, dicté par des utilisateurs humains cliquant sur des boutons, envoyant des e-mails ou chargeant des pages web. Lorsqu'une personne attend un instant avant d'envoyer le message suivant, le réseau observe un intervalle. Lorsque de nombreuses personnes agissent simultanément, le réseau observe une accélération. Ce modèle piloté par l'humain a été le fondement de la planification de la capacité nécessaire à un réseau pour supporter la charge.

Cependant, un nouveau type de travailleur numérique émerge : l'agent autonome. Ce sont des programmes logiciels alimentés par des modèles de langage étendus (LLM) qui peuvent penser, planifier et agir de manière autonome. Contrairement à un humain qui marque une pause pour réfléchir avant de taper une réponse, ces agents peuvent générer une chaîne complexe d'actions internes pour résoudre un seul problème. Un utilisateur peut poser une question, mais l'agent peut décider d'appeler un outil, de demander conseil à un agent pair, de consulter une base de données, puis de synthétiser une réponse. Tout cela se produit automatiquement, créant un flux de requêtes que le réseau doit transporter. La question pour les ingénieurs réseau est de savoir si les anciennes règles s'appliquent toujours lorsque le trafic n'est plus dicté par des mains humaines, mais par la logique interne de ces équipes numériques.

Une équipe de chercheurs s'est donné pour mission de mesurer précisément comment ces nouveaux systèmes se comportent. Ils se sont concentrés sur un aspect spécifique du trafic réseau : le temps qui s'écoule entre une requête et la suivante. Dans le monde de l'ingénierie réseau, cet intervalle est un indice crucial. Si les intervalles sont aléatoires et dispersés, le système se comporte de manière facile à prédire. Si les intervalles se regroupent ou suivent un schéma spécifique, le système se comporte différemment, provoquant potentiellement des goulots d'étranglement que les conceptions standards ne peuvent gérer. Les chercheurs voulaient voir si la manière dont ces agents sont organisés — la façon dont ils communiquent entre eux — modifie le rythme du trafic qu'ils génèrent.

Pour trouver la réponse, l'équipe a construit un environnement contrôlé où elle pouvait exécuter la même tâche des centaines de fois avec différentes structures d'équipe. Ils ont testé trois façons distinctes d'organiser les agents. Dans la première configuration, les agents travaillaient les uns après les autres, comme une course de relais où chaque coureur attend que le précédent ait terminé avant de commencer. Dans la deuxième configuration, un leader central assignait des tâches à plusieurs travailleurs simultanément, comme un manager distribuant des affectations à un groupe d'employés d'un seul coup. Dans la troisième configuration, chaque agent pouvait communiquer directement avec tous les autres agents en même temps, créant un réseau dense de communication. Ils ont exécuté chacun de ces scénarios 500 fois pour recueillir une quantité massive de données sur la circulation des requêtes.

Les résultats ont révélé que la manière dont les agents sont organisés modifie fondamentalement la nature du trafic. Lorsque les agents travaillaient en une ligne simple, les uns après les autres, le temps entre les requêtes était relativement constant et prévisible. Cependant, lorsque les chercheurs ont introduit un travail parallèle, le schéma a radicalement changé. Dans les configurations où les agents travaillaient ensemble au même moment, le trafic est devenu « bimodal », ce qui signifie qu'il présentait deux comportements distincts simultanément. Un comportement consistait en une explosion soudaine d'activité où de nombreuses requêtes arrivaient presque instantanément, séparées par de minuscules fractions de seconde. Cela se produisait parce que le système envoyait plusieurs commandes au même moment exact. L'autre comportement était un rythme plus lent et plus réfléchi, qui survenait pendant que les agents traitaient réellement l'information et raisonnaient sur leurs tâches.

Les chercheurs ont découvert que l'idée ancienne selon laquelle le trafic réseau arrive de manière aléatoire, comme des gouttes de pluie tombant sur un toit, ne correspond pas à ces nouveaux systèmes. Ils ont testé un modèle mathématique standard qui suppose que les requêtes arrivent indépendamment les unes des autres et ont constaté qu'il était catégoriquement erroné pour tous les configurations d'agents étudiées. Au lieu de cela, le temps nécessaire aux agents pour réfléchir et raisonner entre les requêtes suivait un schéma différent, mieux décrit par une courbe qui tient compte du fait que les tâches peuvent prendre des durées variables selon leur complexité. Cela signifie que la logique interne du logiciel crée un rythme spécifique et structuré, très différent du comportement humain.

Ces conclusions sont importantes car elles montrent que la conception même de l'équipe d'agents agit comme un générateur de trafic. Si un système est conçu pour que de nombreux agents communiquent entre eux en même temps, il créera des pics d'activité réseau intenses et brefs qui peuvent submerger les serveurs, même si le nombre total de tâches reste identique. Les chercheurs ont découvert que dans la configuration la plus connectée, où chaque agent pouvait parler à tous les autres, le temps entre les requêtes est tombé à quelques millisecondes pour une grande partie du trafic, créant une poussée près de 600 % plus rapide que la configuration séquentielle. Cette poussée n'est pas un bug ; c'est une caractéristique structurelle de la manière dont le système fonctionne.

L'étude a également souligné que ces changements se répercutent sur l'ensemble du réseau. La manière dont les agents se coordonnent affecte non seulement la couche applicative, mais aussi les connexions de données sous-jacentes et la charge sur les serveurs traitant les requêtes. Les chercheurs ont mesuré le nombre de paquets de données envoyés et la quantité de mémoire utilisée, constatant que la nature par rafales des configurations parallèles entraînait des pics plus élevés d'utilisation du réseau. Cela suggère que le simple comptage du nombre total de requêtes ne suffit pas pour comprendre la charge ; les ingénieurs doivent également examiner la façon dont ces requêtes sont espacées dans le temps.

En fin de compte, ce travail offre la première image claire de la manière dont la structure d'un système multi-agents façonne le trafic qu'il génère. Il montre qu'à mesure que nous progressons vers un avenir où des agents logiciels collaborent pour résoudre des problèmes, les réseaux qui les soutiendront devront être conçus en tenant compte de ces nouveaux schémas. Les anciens modèles, construits pour les utilisateurs humains, ne peuvent prédire avec précision le comportement de ces équipes numériques. En comprenant que le style de coordination des agents crée des motifs spécifiques et mesurables dans le trafic, les ingénieurs peuvent construire des systèmes assez robustes pour gérer le rythme unique de l'avenir autonome. Les chercheurs ont mis leurs outils et leurs données à la disposition du public, invitant d'autres personnes à explorer davantage ces schémas à mesure que la technologie continue d'évoluer.