GATNextHop: A GAT for Shortest Path Routing with Cross-Topology Generalization

उस विशाल, अदृश्य जाल में जो हमारे डिजिटल जीवन को संचालित करता है, डेटा एक निरंतर बदलते समुद्र में नौकाओं के बेड़े की तरह यात्रा करता है। यह सुनिश्चित करने के लिए कि सूचना के ये पैकेट अपने गंतव्य तक तेज़ी से और विश्वसनीय रूप से पहुँचें, कंप्यूटर नेटवर्क रूटिंग प्रोटोकॉल नामक नियमों के एक समूह पर निर्भर करते हैं। दशकों से, मानक विधि डाइक्स्ट्रा के एल्गोरिदम (Dijkstra's algorithm) के रूप में जानी जाने वाली एक सटीक, गणितीय गणना रही है। यह विधि एक कुशल मानचित्रकार की तरह कार्य करती है, जो हर बार जब एक नए मार्ग की आवश्यकता होती है, तो मानचित्र पर दो बिंदुओं के बीच की बिल्कुल छोटी रेखा खींचती है। यह अविश्वसनीय रूप से सटीक है, लेकिन इसकी एक महत्वपूर्ण सीमा है: जब भी नेटवर्क बदलता है, इसे पूरे मानचित्र को फिर से शून्य से बनाना पड़ता है। एक ऐसी दुनिया में जहाँ कनेक्शन वास्तविक समय में जोड़े जाते हैं, हटाए जाते हैं या टूट जाते हैं, यह निरंतर पुनर्गणना एक बाधा बन सकती है, जिससे दुनिया भर में सूचना के प्रवाह की गति धीमी हो सकती है।

सैन जोस स्टेट यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने एक अलग दृष्टिकोण का पता लगाया है, जिसमें यह सवाल उठाया गया कि क्या ग्राफ न्यूरल नेटवर्क (Graph Neural Network) नामक कृत्रिम बुद्धिमत्ता का एक प्रकार इन मार्गों की भविष्यवाणी करना सीख सकता है, बिना हर बार पूरी पहेली को हल किए। बुनियादी सिद्धांतों से पूर्ण पथ की गणना करने के बजाय, यह नई विधि नेटवर्क के "अहसास" को सीखने का प्रयास करती है, जो कनेक्शनों की संरचना के आधार पर यह पहचानती है कि डेटा को कैसे प्रवाहित होना चाहिए। शोधकर्ताओं ने हजारों कंप्यूटर-जनरेटेड मानचित्रों पर 'GATNextHop' नामक एक मॉडल को प्रशिक्षित किया, जिससे उसे यह सिखाया गया कि डेटा पैकेट के लिए अगला सबसे संभावित कदम क्या होगा। उनका लक्ष्य यह देखना था कि क्या यह सीखी हुई सहज बुद्धि वास्तविक दुनिया के नेटवर्क, विशेष रूप से प्रमुख इंटरनेट सेवा प्रदाताओं द्वारा उपयोग किए जाने वाले नेटवर्क में स्थानांतरित हो सकती है, और क्या यह पारंपरिक तरीकों का एक तेज़ विकल्प प्रदान कर सकती है, भले ही यह पूरी तरह से सटीक न हो।

शोधकर्ताओं ने इंटरनेट टोपोलॉजी ज़ू (Internet Topology Zoo) से 180 वास्तविक दुनिया के नेटवर्क की संरचना का विश्लेषण करके शुरुआत की, जो वास्तविक सेवा प्रदाताओं के मानचित्रों का एक सार्वजनिक संग्रह है। उन्होंने इन नेटवर्कों की विभिन्न विशेषताओं को मापा, जैसे कि प्रत्येक नोड (node) के कितने कनेक्शन थे और नोड्स के समूह कितनी मजबूती से आपस में जुड़े हुए थे। इन मापों को एक ब्लूप्रिंट के रूप में उपयोग करते हुए, उन्होंने 1,000 सिंथेटिक, या बनावटी नेटवर्क तैयार किए जो वास्तविक नेटवर्कों के सांख्यिकीय गुणों की नकल करते थे। इसके बाद उन्होंने अपने ग्राफ अटेंशन नेटवर्क को इन सिंथेटिक मानचित्रों पर प्रशिक्षित किया। मॉडल का कार्य सरल लेकिन जटिल था: एक शुरुआती बिंदु और एक गंतव्य दिए जाने पर, उसे यह भविष्यवाणी करनी थी कि डेटा पैकेट को लघुतम पथ (shortest path) पर रहने के लिए अगले किस पड़ोसी नोड पर जाना चाहिए। ऐसा करने के लिए, मॉडल ने नेटवर्क की विशिष्ट विशेषताओं को देखा, जैसे कि ट्रैफ़िक के समग्र प्रवाह के लिए एक नोड कितना केंद्रीय था और उसके कितने कनेक्शन थे।

परिणामों ने दिखाया कि मॉडल ने रूटिंग के अंतर्निנן तर्क को बहुत अच्छी तरह से सीखा। जिस सिंथेटिक डेटा पर इसे प्रशिक्षित किया गया था, उस पर परीक्षण करने पर, मॉडल ने 85.1% बार लघुतम पथ में अगले कदम की सही पहचान की। इससे भी महत्वपूर्ण बात यह है कि जब शोधकर्ताओं ने इसका परीक्षण इंटरनेट टोपोलॉजी ज़ू के अनदेखे, वास्तविक दुनिया के नेटवर्क पर किया, तो इसने 84.4% की उच्च सटीकता बनाए रखी। यह सुझाव देता है कि मॉडल ने सफलतापूर्वक सामान्य नियम सीख लिए हैं कि ट्रैफ़िक नेटवर्क में कैसे चलता है, न कि केवल उन विशिष्ट मानचित्रों को रटा है जिन्हें उसने प्रशिक्षण के दौरान देखा था। मॉडल के काम करने के कारणों की गहरी जांच में, शोधकर्ताओं ने पाया कि एक विशिष्ट विशेषता अन्य सभी से कहीं अधिक महत्वपूर्ण थी। सही अगले कदम (next hop) की भविष्यवाणी करने की क्षमता 'बिटवीननेस सेंट्रलिटी' (betweenness centrality) नामक एक माप पर बहुत अधिक निर्भर थी, जो अनिवार्य रूप से यह गिनती है कि एक नोड कितनी बार अन्य जोड़ों के बीच के लघुतम पथों पर स्थित होता है। जब मॉडल ने केवल इस एक विशेषता का उपयोग किया, तो वास्तविक दुनिया के परीक्षण सेट पर इसकी सटीकता वास्तव में थोड़ा बढ़कर 84.6% हो गई, जबकि कनेक्शनों की संख्या या स्थानीय क्लस्टरिंग जैसी अन्य विशेषताएं जोड़ने से बहुत कम या कोई लाभ नहीं हुआ और कभी-कभी वे शोर (noise) उत्पन्न करने वाली भी रहीं।

हालाँकि, अध्ययन ने सीखने और कच्ची गति के बीच एक स्पष्ट समझौते (trade-off) को भी उजागर किया। जबकि कृत्रिम बुद्धिमत्ता मॉडल नए, अनदेखे नेटवर्क में अपने ज्ञान को लागू करने में सक्षम सिद्ध हुआ, यह एकल प्रश्नों (single queries) के लिए पारंपरिक विधि से तेज़ नहीं था। जब शोधकर्ताओं ने एक मानक कंप्यूटर प्रोसेसर पर प्रदर्शन का समय लिया, तो क्लासिक डाइक्स्ट्रा एल्गोरिदम ने मार्ग खोजने में औसतन 0.01 मिलीसेकंड का समय लिया, जबकि न्यूरल नेटवर्क ने 0.61 मिलीसेकंड का समय लिया। इस विशिष्ट सेटअप में, पारंपरिक विधि लगभग 50 गुना तेज़ थी। शोधकर्ताओं ने नोट किया कि न्यूरल नेटवर्क की गति नेटवर्क के बड़े होने पर महत्वपूर्ण रूप से नहीं बढ़ी, जबकि पारंपरिक विधि का समय नेटवर्क के आकार के साथ बढ़ता गया। यह इंगित करता है कि एक बार के एकल गणना के लिए, पुराना गणितीय दृष्टिकोण अभी भी श्रेष्ठ है। नए तरीके का संभावित लाभ एक एकल समस्या को तेज़ी से हल करने में नहीं, बल्कि एक साथ कई प्रश्नों को संभालने या गतिशील वातावरण में तेज़ी से अनुकूलित होने की क्षमता में निहित है, जहाँ मानचित्र लगातार बदल रहा हो—एक ऐसी स्थिति जिसे शोधकर्ता भविष्य के कार्यों में तलाशने का सुझाव देते हैं।

अंततः, यह शोध पत्र प्रदर्शित करता है कि एक न्यूरल नेटवर्क सिंथेटिक डेटा से इंटरनेट रूटिंग के संरचनात्मक नियमों को सीख सकता है और उन्हें उच्च सटीकता के साथ वास्तविक दुनिया के बुनियादी ढांचे पर लागू कर सकता है। यह पुष्टि करता है कि बिटवीननेस सेंट्रलिटी की अवधारणा लघुतम पथ के अगले कदम को निर्धारित करने के लिए सबसे महत्वपूर्ण कारक है। भले ही मॉडल एकल प्रश्नों के लिए कच्ची गति के मामले में स्थापित गणितीय एल्गोरिदम से अभी भी बेहतर प्रदर्शन नहीं करता है, यह साबित करता है कि मशीन लर्निंग रूटिंग ह्यूरिस्टिक्स (heuristics) के सार को पकड़ सकती है। यह कार्य सुझाव देता है कि जटिल, गतिशील या बड़े पैमाने के नेटवर्क में जहाँ पारंपरिक तरीके निरंतर परिवर्तन के साथ तालमेल बिठाने में संघर्ष कर सकते हैं, वहाँ एक सीखा हुआ दृष्टिकोण एक व्यवहार्य विकल्प प्रदान कर सकता है, जो वर्तमान में धीमा होने के बावजूद तात्कालिक सटीकता के बजाय अनुकूलनशीलता को प्राथमिकता देता है।