چارچوب هم‌تکاملی مدل‌های زبانی بزرگ و شبکه‌های عصبی گراف برای بهینه‌سازی تطبیقی شبکه‌های پویا

عنوان :چارچوب هم‌تکاملی مدل‌های زبانی بزرگ و شبکه‌های عصبی گراف برای بهینه‌سازی تطبیقی شبکه‌های پویا

نویسندگان: زهراسادات رضائی، زهرا خلیلی

کلمات کلیدی: مدل‌های زبانی بزرگ، شبکه‌های عصبی گراف، شبکه‌های پویا، یادگیری هم‌تکاملی

چکیده

شبکه‌های دینامیک نظیر شبکه‌های بی‌سیم، اینترنت اشیاء، شبکه‌های پهپادی و سیستم‌های سایبری–فیزیکی با تغییرات سریع توپولوژی، نوسانات ترافیکی و محدودیت‌های شدید منابع مواجه هستند. روش‌های کلاسیک مبتنی بر شبکه‌های عصبی گراف (GNN) اگرچه توانایی مدل‌سازی ساختار گراف را دارند، اما در درک وابستگی‌های زمانی بلندمدت، داده‌های ناهمگون و تصمیم‌گیری بلادرنگ با محدودیت‌هایی روبه‌رو هستند. از سوی دیگر، مدل‌های زبانی بزرگ (LLM) در استدلال، استخراج دانش معنایی و یادگیری چندوجهی بسیار قدرتمندند، ولی در حفظ ساختار دقیق گراف و بهره‌وری محاسباتی ضعف دارند. در این مقاله، با الهام از چالش‌های موجود، یک چارچوب جدید با عنوان Co-Evolving LLM-Graph Framework (CELGF) پیشنهاد می‌شود که در آن LLM و GNN به‌صورت هم‌تکاملی و حلقه‌بسته همکاری می‌کنند. در این چارچوب، LLM نقش پیش‌بینی‌کننده سیاست‌ها و استدلال سطح بالا را بر عهده دارد، در حالی که GNN ساختار گراف و محدودیت‌های فیزیکی شبکه را مدل می‌کند. یک مکانیزم حافظه زمانی سلسله‌مراتبی و ماژول فشرده‌سازی ساختاری برای جلوگیری از اتلاف اطلاعات نیز طراحی شده است. نتایج تحلیلی و شبیه‌سازی‌ها نشان می‌دهد که روش پیشنهادی نسبت به رویکردهای LLM+GNN مرسوم، مصرف انرژی، تأخیر و ناپایداری تصمیمات را به‌طور محسوسی کاهش می‌دهد. این چارچوب می‌تواند پایه‌ای برای نسل بعدی شبکه‌های خودمختار و هوشمند باشد.

1.    مقدمه

رشد انفجاری دستگاه‌های متصل، ظهور اینترنت اشیاء، خودروهای خودران، پهپادها و سامانه‌های حسگر توزیع‌شده موجب شده است که شبکه‌های امروزی از حالت ایستا فاصله گرفته و به محیط‌هایی کاملاً پویا تبدیل شوند. در چنین محیط‌هایی، توپولوژی شبکه، کیفیت لینک‌ها، بار ترافیکی و نیازهای کاربران در بازه‌های زمانی کوتاه تغییر می‌کنند. بنابراین، تصمیم‌گیری بهینه باید نه‌تنها سریع بلکه سازگار با شرایط لحظه‌ای باشد.

روش‌های کلاسیک مبتنی بر الگوریتم‌های گرافی و بعدها شبکه‌های عصبی گراف توانستند نمایش ساختاری مناسبی از شبکه ارائه دهند. اما این مدل‌ها در چند زمینه با محدودیت مواجه‌اند: نخست، ناتوانی در استفاده از داده‌های متنی و ناهمگون؛ دوم، ضعف در مدل‌سازی وابستگی‌های بلندمدت؛ و سوم، نیاز به بازآموزی مکرر هنگام تغییر ساختار.

در سال‌های اخیر، مدل‌های زبانی بزرگ توانسته‌اند توانایی‌های بی‌سابقه‌ای در استدلال، تعمیم و یادگیری چندوجهی نشان دهند. ترکیب این مدل‌ها با گراف‌ها می‌تواند منجر به نسل جدیدی از سیستم‌های شبکه‌ای هوشمند شود. با این حال، ادغام ساده این دو فناوری کافی نیست و چالش‌هایی همچون هزینه محاسباتی، از دست رفتن اطلاعات ساختاری و ناپایداری تصمیم‌گیری همچنان پابرجاست.

هدف این مقاله ارائه یک چارچوب نوین است که بتواند نقاط قوت LLM و GNN را به‌صورت هم‌افزا ترکیب کرده و محدودیت‌های آن‌ها را برطرف کند.

2  . کارهای گذشته

در سال‌های اخیر، مدل‌سازی و بهینه‌سازی شبکه‌های پویا به یکی از موضوعات اصلی پژوهش در حوزه شبکه‌های ارتباطی و سیستم‌های هوشمند تبدیل شده است. پیچیدگی ساختار توپولوژیک، تغییرات سریع زمانی، ناهمگونی داده‌ها و محدودیت منابع باعث شده است که روش‌های کلاسیک مبتنی بر قواعد ثابت یا الگوریتم‌های بهینه‌سازی سنتی کارایی کافی نداشته باشند. در پاسخ به این چالش‌ها، سه جریان پژوهشی عمده شکل گرفته است: رویکردهای مبتنی بر گراف، رویکردهای مبتنی بر مدل‌های زبانی بزرگ، و رویکردهای ترکیبی. در این بخش، این دسته‌بندی‌ها به‌صورت تحلیلی بررسی شده و نقاط قوت و ضعف هر یک تشریح می‌شود.

2.1 روش‌های مبتنی بر گراف

گراف‌ها از دیرباز ابزار طبیعی و قدرتمندی برای مدل‌سازی شبکه‌های ارتباطی محسوب می‌شوند، زیرا می‌توانند گره‌ها را به‌عنوان موجودیت‌های شبکه (نظیر روترها، پهپادها، حسگرها یا کاربران) و یال‌ها را به‌عنوان روابط یا لینک‌های ارتباطی نمایش دهند. با ظهور یادگیری عمیق، شبکه‌های عصبی گراف (Graph Neural Networks) به‌عنوان نسل جدیدی از روش‌های داده‌محور معرفی شدند که قادرند ویژگی‌های ساختاری و ارتباطی گراف را از طریق مکانیزم «انتقال پیام» (Message Passing) یاد بگیرند.

در این رویکرد، هر گره اطلاعات همسایگان خود را تجمیع کرده و نمایش برداری (Embedding) غنی‌تری تولید می‌کند. این قابلیت باعث شده است که GNNها در مسائل متعددی از جمله پیش‌بینی ترافیک شبکه، تخصیص منابع، مسیریابی هوشمند، تشخیص ازدحام و حتی پیش‌بینی خرابی لینک‌ها عملکرد مناسبی داشته باشند. به‌ویژه در شبکه‌های بی‌سیم و اینترنت اشیاء، استفاده از GNNها موجب بهبود تصمیم‌گیری محلی و کاهش سربار سیگنالینگ شده است.

با وجود این مزایا، روش‌های مبتنی بر GNN با چند محدودیت اساسی مواجه‌اند. نخست آنکه این مدل‌ها عمدتاً بر داده‌های ساختاری عددی متکی هستند و توانایی محدودی در بهره‌گیری از اطلاعات معنایی، متنی یا دانش زمینه‌ای دارند. برای مثال، گزارش‌های خطا، توضیحات کاربران یا سیاست‌های مدیریتی که معمولاً به‌صورت متن بیان می‌شوند، به‌سادگی در چارچوب GNN قابل ادغام نیستند. دوم، بسیاری از معماری‌های GNN برای گراف‌های نسبتاً ایستا طراحی شده‌اند و در مواجهه با تغییرات سریع توپولوژی نیازمند بازآموزی مکرر هستند که هزینه محاسباتی بالایی دارد. سوم، این مدل‌ها در مدل‌سازی وابستگی‌های زمانی بلندمدت ضعیف عمل می‌کنند، زیرا انتقال پیام معمولاً محدود به چند همسایه یا چند گام زمانی است. در نتیجه، در شبکه‌های بسیار پویا، کارایی آن‌ها کاهش می‌یابد.

2.2 روش‌های مبتنی بر مدل‌های زبانی بزرگ (LLM)

مدل‌های زبانی بزرگ با تکیه بر معماری ترنسفورمر و آموزش روی حجم عظیمی از داده‌های متنی، توانایی بالایی در درک زبان طبیعی، استدلال، تعمیم دانش و تولید پاسخ‌های پیچیده از خود نشان داده‌اند. این ویژگی‌ها سبب شده است که پژوهشگران به استفاده از LLMها در حوزه شبکه نیز علاقه‌مند شوند.

در کاربردهای شبکه‌ای، LLMها برای تحلیل لاگ‌های سیستمی، استخراج الگوهای غیرعادی، تشخیص تهدیدات امنیتی، تولید سیاست‌های مدیریتی و حتی خودکارسازی پیکربندی تجهیزات استفاده شده‌اند. برای مثال، یک LLM می‌تواند هزاران خط لاگ را بررسی کرده و ریشه یک خطای شبکه را شناسایی کند یا پیشنهادهایی برای تخصیص بهینه پهنای باند ارائه دهد. همچنین قابلیت استدلال سطح بالا باعث می‌شود این مدل‌ها بتوانند تصمیمات استراتژیک اتخاذ کنند که فراتر از تحلیل‌های آماری ساده است.

با این حال، استفاده مستقیم از LLMها در شبکه‌های پویا با موانعی روبه‌رو است. مهم‌ترین مشکل، ناتوانی این مدل‌ها در حفظ ساختار دقیق گراف است. برای استفاده از LLM، معمولاً لازم است اطلاعات گراف به توالی متنی تبدیل شود (Serialization). این تبدیل اغلب موجب از دست رفتن روابط توپولوژیک، افزایش طول توالی و کاهش دقت مدل می‌شود. علاوه بر این، LLMها از نظر محاسباتی بسیار سنگین هستند و اجرای مکرر آن‌ها برای تصمیم‌گیری‌های بلادرنگ عملی نیست. همچنین، این مدل‌ها معمولاً فاقد تضمین‌های صریح برای رعایت محدودیت‌های فیزیکی شبکه (مانند ظرفیت لینک یا محدودیت انرژی) هستند، که می‌تواند منجر به تولید تصمیمات غیرواقعی یا غیرقابل اجرا شود.

2.3 روش‌های ترکیبی LLM+GNN

به‌منظور بهره‌گیری همزمان از توانایی‌های ساختاری GNN و قابلیت‌های معنایی LLM، پژوهش‌های اخیر به سمت ترکیب این دو فناوری حرکت کرده‌اند. این رویکردهای ترکیبی را می‌توان در سه دسته کلی طبقه‌بندی کرد.

در دسته نخست، LLM به‌عنوان پیش‌بینی‌کننده (Predictor) عمل می‌کند. در این حالت، گراف به توالی متنی تبدیل شده و LLM مستقیماً وظایف پیش‌بینی یا تصمیم‌گیری را انجام می‌دهد. این روش از قدرت استدلال LLM بهره می‌برد اما همچنان با مشکل از دست رفتن ساختار مواجه است.

در دسته دوم، LLM نقش رمزگذار (Encoder) را بر عهده دارد. بدین صورت که اطلاعات متنی مرتبط با گره‌ها یا یال‌ها ابتدا توسط LLM به بردارهای ویژگی تبدیل شده و سپس این بردارها به‌عنوان ورودی به GNN داده می‌شوند. این روش باعث غنی‌تر شدن نمایش گراف می‌شود، اما هزینه محاسباتی بالایی دارد و همگرایی آموزش می‌تواند دشوار باشد.

در دسته سوم، LLM به‌عنوان هم‌ترازکننده (Aligner) استفاده می‌شود. در این رویکرد، تعداد embeddings متنی و ساختاری به‌گونه‌ای تنظیم می‌شوند که در یک فضای مشترک قرار گیرند. این کار شکاف بین داده‌های ساختاری و غیرساختاری را کاهش می‌دهد، اما پیچیدگی مدل و فرایند آموزش افزایش می‌یابد.

اگرچه این روش‌های ترکیبی نسبت به رویکردهای مستقل پیشرفت‌هایی داشته‌اند، اما اغلب یک‌طرفه هستند؛ به این معنا که یا LLM به GNN کمک می‌کند یا بالعکس، ولی تعامل پویا و بازخورد دوطرفه بین آن‌ها وجود ندارد. همچنین بیشتر این مدل‌ها در محیط‌های نیمه‌ایستا آزمایش شده‌اند و برای شبکه‌های بسیار دینامیک طراحی نشده‌اند.

2.4 شکاف‌های پژوهشی

بررسی نظام‌مند و انتقادی مطالعات پیشین در حوزه ادغام مدل‌های زبانی بزرگ و گراف‌های پویا نشان می‌دهد که با وجود پیشرفت‌های قابل‌توجه، هنوز مجموعه‌ای از چالش‌های بنیادین به‌طور کامل حل نشده باقی مانده‌اند. این شکاف‌ها نه‌تنها مانع از استقرار عملی روش‌های موجود در محیط‌های واقعی می‌شوند، بلکه ظرفیت بالقوه LLM و GNN را نیز به‌طور کامل بالفعل نمی‌کنند. در ادامه، مهم‌ترین این شکاف‌ها به‌صورت تحلیلی بررسی می‌شوند.

نخستین شکاف اساسی، نبود یادگیری بلادرنگ و سازگاری سریع است. بسیاری از روش‌های موجود بر آموزش آفلاین یا بازآموزی دوره‌ای تکیه دارند، در حالی که شبکه‌های پویا ذاتاً محیط‌هایی غیرایستا هستند که الگوهای آن‌ها در بازه‌های زمانی کوتاه تغییر می‌کند. در چنین شرایطی، تصمیم‌گیری مبتنی بر مدل‌هایی که تنها بر داده‌های تاریخی آموزش دیده‌اند، اغلب با تأخیر زمانی و عدم تطابق با وضعیت فعلی شبکه همراه است. این مسئله به‌ویژه در کاربردهای حساس مانند شبکه‌های بی‌سیم، پهپادهای خودمختار و سیستم‌های صنعتی می‌تواند منجر به کاهش کیفیت سرویس یا حتی شکست مأموریت شود. بنابراین، نبود مکانیزم‌های یادگیری پیوسته و تطبیقی یکی از مهم‌ترین محدودیت‌های رویکردهای فعلی به شمار می‌رود.

دومین شکاف مهم، فقدان حافظه زمانی صریح و چندمقیاسی در اغلب مدل‌ها است. بسیاری از روش‌ها تصمیمات خود را صرفاً بر اساس وضعیت لحظه‌ای شبکه اتخاذ می‌کنند و توانایی بهره‌گیری از اطلاعات تاریخی را ندارند. در حالی که در شبکه‌های واقعی، الگوهای ترافیکی، رفتار کاربران و تغییرات توپولوژیک غالباً دارای ساختارهای تکرارشونده و روندهای بلندمدت هستند. نبود حافظه زمانی موجب می‌شود این الگوها نادیده گرفته شوند و مدل تنها واکنش‌های کوتاه‌مدت و بعضاً ناپایدار نشان دهد. این محدودیت، قابلیت پیش‌بینی روندهای آینده و اتخاذ تصمیمات پیش‌دستانه را به‌شدت کاهش می‌دهد و مانع از دستیابی به عملکرد پایدار در بلندمدت می‌شود.

سومین شکاف، پیچیدگی محاسباتی بالا و فقدان مقیاس‌پذیری عملی است. بسیاری از چارچوب‌های پیشنهادی برای ترکیب LLM و GNN، از ادغام مستقیم و بدون واسطه این دو مدل استفاده می‌کنند. چنین رویکردی اغلب به مدل‌هایی بسیار سنگین با مصرف بالای حافظه و توان پردازشی منجر می‌شود. این مسئله به‌ویژه در محیط‌های لبه‌ای یا دستگاه‌های کم‌منبع، مانند حسگرها و پهپادها، چالش‌برانگیز است. در نتیجه، علی‌رغم دقت بالا در محیط‌های آزمایشگاهی، این روش‌ها در سناریوهای واقعی به‌سختی قابل استقرار هستند. نبود راهکارهای مؤثر برای فشرده‌سازی ساختار، کاهش ابعاد داده و پردازش سلسله‌مراتبی یکی از موانع اصلی انتقال این فناوری‌ها به کاربردهای عملی محسوب می‌شود.

چهارمین شکاف قابل‌توجه، ناپایداری تصمیم‌گیری و حساسیت بالا به تغییرات کوچک ورودی است. در بسیاری از روش‌های موجود، تغییرات جزئی در داده‌های ورودی می‌تواند منجر به تغییرات شدید و غیرقابل‌پیش‌بینی در خروجی مدل شود. این رفتار که ناشی از نبود کنترل و بازخورد مناسب بین اجزای مدل است، در شبکه‌های حیاتی می‌تواند پیامدهای خطرناکی داشته باشد. برای مثال، نوسان در تخصیص منابع یا تغییر مکرر مسیرها می‌تواند باعث افزایش تأخیر، مصرف انرژی و حتی اختلال در سرویس شود. از این رو، پایداری تصمیم‌گیری یکی از الزامات کلیدی برای کاربردهای واقعی است که در بسیاری از مطالعات پیشین به‌طور کافی مورد توجه قرار نگرفته است.

در مجموع، این شکاف‌ها نشان می‌دهند که رویکردهای فعلی هنوز فاقد یک چارچوب یکپارچه، تطبیقی و کم‌هزینه هستند که بتواند تعامل مؤثر و پویا بین درک معنایی LLM و مدل‌سازی ساختاری GNN را برقرار کند. نیاز به سیستمی که بتواند به‌صورت بلادرنگ یاد بگیرد، از حافظه تاریخی بهره ببرد، هزینه محاسباتی را کنترل کند و تصمیمات پایدار و قابل‌اعتماد ارائه دهد، به‌وضوح احساس می‌شود. این خلأ پژوهشی، انگیزه اصلی ارائه چارچوب پیشنهادی در این مقاله بوده است؛ چارچوبی که تلاش می‌کند با یک معماری هم‌تکاملی و حلقه‌بسته، محدودیت‌های موجود را برطرف کرده و زمینه را برای استقرار عملی سیستم‌های هوشمند شبکه‌ای در مقیاس واقعی فراهم سازد.

3 . تحلیل چالش‌ها

اگرچه ادغام مدل‌های زبانی بزرگ و شبکه‌های عصبی گراف نویدبخش نسل جدیدی از سیستم‌های هوشمند شبکه‌ای است، اما پیاده‌سازی عملی این ایده در محیط‌های واقعی با موانع متعددی روبه‌روست. شبکه‌های دینامیک به‌طور ذاتی دارای تغییرات سریع زمانی، ناهمگونی داده‌ها، محدودیت منابع محاسباتی و نیاز به تصمیم‌گیری آنی هستند. این ویژگی‌ها باعث می‌شود بسیاری از روش‌های موجود که در محیط‌های آفلاین یا نیمه‌ایستا عملکرد خوبی دارند، در شرایط عملی دچار افت کارایی شوند. در این بخش، مهم‌ترین چالش‌های فنی و مفهومی که مانع استفاده گسترده از چارچوب‌های LLM-Graph می‌شوند، به‌صورت دقیق‌تر بررسی می‌گردند.

چالش 1: نگهداری و پردازش داده‌های بلادرنگ

یکی از ویژگی‌های اساسی شبکه‌های دینامیک، تولید پیوسته و سریع داده‌ها است. در چنین شبکه‌هایی، وضعیت لینک‌ها، میزان ترافیک، سطح انرژی گره‌ها، کیفیت کانال و حتی ساختار توپولوژی ممکن است در بازه‌های زمانی بسیار کوتاه تغییر کند. بنابراین، هرگونه سیستم تصمیم‌گیری باید قادر باشد این تغییرات را تقریباً به‌صورت لحظه‌ای دریافت، تحلیل و بر اساس آن‌ها اقدام کند.

در مقابل، مدل‌های زبانی بزرگ ذاتاً برای پردازش‌های سنگین و دسته‌ای (Batch Processing) طراحی شده‌اند. اجرای هر بار استنتاج در یک LLM بزرگ می‌تواند زمان قابل‌توجهی مصرف کند و نیازمند حافظه و توان محاسباتی بالایی باشد. این موضوع سبب می‌شود استفاده از LLM برای هر تغییر کوچک در شبکه عملاً غیرممکن یا بسیار پرهزینه باشد. برای مثال، در یک شبکه پهپادی که هر چند ثانیه وضعیت انرژی یا موقعیت گره‌ها تغییر می‌کند، فراخوانی مکرر LLM نه‌تنها تأخیر تصمیم‌گیری را افزایش می‌دهد، بلکه می‌تواند کل سیستم را از حالت بلادرنگ خارج کند.

علاوه بر این، نگهداری سازگاری بین داده‌های ورودی و خروجی نیز مسئله مهمی است. اگر داده‌های شبکه سریع‌تر از توان پردازش مدل تولید شوند، صف پردازش ایجاد شده و تصمیمات بر اساس اطلاعات قدیمی گرفته می‌شوند. این تأخیر زمانی ممکن است منجر به تصمیمات نادرست، افزایش ازدحام یا حتی شکست مأموریت در کاربردهای حیاتی شود. بنابراین، یکی از چالش‌های کلیدی، طراحی مکانیزمی است که بتواند تنها تغییرات ضروری را به LLM منتقل کرده و از اجرای کامل و مکرر آن جلوگیری کند.

چالش 2: از دست رفتن ساختار توپولوژیک گراف

برای استفاده از LLMها، معمولاً لازم است اطلاعات ورودی به‌صورت توالی متنی ارائه شود. از این رو، گراف‌ها اغلب به شکل لیست گره‌ها، لیست یال‌ها یا توضیحات زبانی سریال‌سازی (Serialization) می‌شوند. اگرچه این تبدیل امکان پردازش توسط LLM را فراهم می‌کند، اما یک مشکل اساسی به وجود می‌آورد: ساختار توپولوژیک گراف به‌طور کامل حفظ نمی‌شود.

در یک گراف، روابط بین گره‌ها نه‌تنها به وجود یال‌ها بلکه به الگوهای اتصال، مسیرها، خوشه‌ها و وابستگی‌های چندگامی وابسته است. این اطلاعات ساختاری در نمایش متنی به‌صورت خطی فشرده می‌شوند و بسیاری از وابستگی‌های فضایی و سلسله‌مراتبی از بین می‌روند. در نتیجه، LLM نمی‌تواند به‌طور دقیق ویژگی‌هایی نظیر مرکزیت گره‌ها، تراکم زیرگراف‌ها یا مسیرهای بحرانی را تشخیص دهد.

از سوی دیگر، برای نمایش گراف‌های بزرگ، طول توالی متنی به‌شدت افزایش می‌یابد. این امر منجر به مصرف بیشتر حافظه، کاهش دقت مدل به‌دلیل محدودیت پنجره توجه (Attention Window) و افزایش احتمال خطا در تفسیر روابط می‌شود. بنابراین، سریال‌سازی نه‌تنها اطلاعات را تخریب می‌کند بلکه کارایی پردازشی را نیز کاهش می‌دهد. این مسئله یکی از موانع اصلی در استفاده مستقیم از LLM برای تحلیل گراف‌های پیچیده است.

چالش 3: هزینه محاسباتی و مقیاس‌پذیری

ادغام مستقیم LLM و GNN، اگرچه از نظر تئوری جذاب است، اما در عمل می‌تواند به سیستم‌هایی با پیچیدگی بسیار بالا منجر شود. هر دو مدل به‌تنهایی سنگین هستند؛ LLMها دارای میلیاردها پارامتر و نیازمند حافظه زیاد هستند و GNNها نیز در گراف‌های بزرگ با میلیون‌ها گره، هزینه انتقال پیام و محاسبات ماتریسی قابل‌توجهی دارند. ترکیب این دو می‌تواند بار محاسباتی را به‌شدت افزایش دهد.

این مشکل به‌ویژه در سناریوهای لبه‌ای (Edge Computing) یا دستگاه‌های کم‌منبع مانند حسگرها و پهپادها حادتر است، زیرا چنین دستگاه‌هایی توان پردازشی محدودی دارند. در نتیجه، اجرای مدل‌های بزرگ در این محیط‌ها یا غیرممکن است یا نیازمند ارسال داده‌ها به سرورهای ابری است که خود باعث افزایش تأخیر و کاهش حریم خصوصی می‌شود.

علاوه بر هزینه استنتاج، آموزش این مدل‌های ترکیبی نیز پیچیده است. همگرایی همزمان LLM و GNN می‌تواند دشوار باشد و نیاز به تنظیم دقیق پارامترها داشته باشد. همچنین مصرف انرژی بالا در فرآیند آموزش و اجرا، با اهداف شبکه‌های سبز و کم‌مصرف در تضاد است. بنابراین، بدون مکانیزم‌های فشرده‌سازی، نمونه‌برداری هوشمند یا پردازش سلسله‌مراتبی، استفاده عملی از چنین مدل‌هایی با محدودیت جدی مواجه خواهد بود.

چالش 4: نبود سازگاری و یادگیری تطبیقی

شبکه‌های دینامیک ذاتاً محیط‌هایی غیرایستا هستند. الگوهای ترافیکی، رفتار کاربران و شرایط کانال دائماً تغییر می‌کنند. در چنین محیطی، مدلی که یک‌بار آموزش داده شده باشد، به‌مرور زمان دچار افت عملکرد می‌شود؛ پدیده‌ای که به آن «انحراف توزیع داده» (Distribution Shift) گفته می‌شود.

اکثر مدل‌های فعلی LLM و GNN مبتنی بر آموزش آفلاین هستند. پس از آموزش، پارامترهای آن‌ها ثابت می‌ماند و تنها در فواصل زمانی طولانی بازآموزی می‌شوند. این رویکرد باعث می‌شود مدل نتواند به‌سرعت با شرایط جدید سازگار شود. به‌عنوان مثال، در صورت خرابی ناگهانی چند لینک یا ورود حجم بالایی از کاربران جدید، مدل همچنان بر اساس الگوهای قدیمی تصمیم‌گیری می‌کند که ممکن است ناکارآمد یا حتی مخرب باشد.

همچنین، نبود مکانیزم حافظه یا یادگیری پیوسته سبب می‌شود اطلاعات تاریخی مفید فراموش شود. این موضوع در وظایفی مانند پیش‌بینی ترافیک یا تشخیص الگوهای دوره‌ای اهمیت زیادی دارد. علاوه بر این، تغییرات کوچک در ورودی می‌تواند منجر به تغییرات شدید در خروجی شود که نشانه‌ای از ناپایداری تصمیم‌گیری است. در شبکه‌های حیاتی، چنین رفتاری می‌تواند ریسک عملیاتی ایجاد کند.

بنابراین، توسعه مدل‌هایی با قابلیت یادگیری آنلاین، سازگاری تدریجی و پایداری تصمیمات، یک نیاز اساسی برای استقرار واقعی سیستم‌های هوشمند شبکه‌ای محسوب می‌شود.

جمع‌بندی تحلیلی چالش‌ها

به‌طور خلاصه، چهار چالش فوق نشان می‌دهند که ادغام ساده LLM و GNN پاسخگوی نیازهای شبکه‌های دینامیک نیست. برای غلبه بر این مشکلات، لازم است:

• پردازش بلادرنگ با حداقل فراخوانی LLM

• حفظ ساختار گراف بدون سریال‌سازی مخرب

• کاهش هزینه محاسباتی و افزایش مقیاس‌پذیری

• افزودن سازگاری و یادگیری پیوسته

این الزامات انگیزه اصلی طراحی چارچوب پیشنهادی در این مقاله است که تلاش می‌کند با یک معماری هم‌تکاملی و سلسله‌مراتبی، محدودیت‌های فوق را برطرف سازد.

4  . چارچوب پیشنهادی (CELGF)

در پاسخ به چالش‌های مطرح‌شده در بخش قبل، در این پژوهش چارچوبی نوین با عنوان Co-Evolving LLM–Graph Framework (CELGF) پیشنهاد می‌شود. هدف اصلی این چارچوب، ایجاد یک همکاری هم‌افزا و پویا بین مدل‌های زبانی بزرگ و شبکه‌های عصبی گراف است، به‌گونه‌ای که هر مدل بتواند ضعف‌های مدل دیگر را جبران کند. برخلاف رویکردهای موجود که LLM و GNN را به‌صورت مستقل یا یک‌طرفه به‌کار می‌گیرند، در چارچوب پیشنهادی این دو مدل در یک ساختار حلقه‌بسته و هم‌تکاملی عمل می‌کنند و به‌طور مستمر خروجی‌های یکدیگر را اصلاح و بهینه می‌سازند.

ایده محوری CELGF بر این اصل استوار است که فرآیند تصمیم‌گیری شبکه را می‌توان به دو سطح مکمل تقسیم کرد. در سطح نخست، نیاز به استدلال سطح بالا، تحلیل معنایی و سیاست‌گذاری کلان وجود دارد که با قابلیت‌های LLM سازگار است. در سطح دوم، نیاز به مدل‌سازی دقیق ساختار گراف، رعایت محدودیت‌های فیزیکی و اجرای محلی تصمیمات مطرح است که GNNها در آن برتری دارند. بنابراین، به جای استفاده جداگانه از این دو مدل به شکل «LLM برای تصمیم‌گیری» و «GNN برای اجرا»، چارچوب پیشنهادی آن‌ها را در یک چرخه بازخوردی قرار می‌دهد تا سیاست‌های تولیدشده توسط LLM توسط GNN ارزیابی و اصلاح شوند و نتایج مجدداً برای یادگیری بهتر به LLM بازگردند.

به‌منظور تحقق این ایده، CELGF به‌صورت یک معماری لایه‌ای طراحی شده است که از شش مؤلفه اصلی تشکیل می‌شود. هر لایه وظیفه مشخصی بر عهده دارد و در کنار سایر لایه‌ها یک جریان داده پیوسته و تطبیقی ایجاد می‌کند. در ادامه، هر یک از این لایه‌ها به‌صورت دقیق تشریح می‌شود.

4.1 لایه استخراج گراف (Graph Extraction Layer)

نخستین مرحله در چارچوب پیشنهادی، تبدیل داده‌های خام شبکه به یک نمایش ساختاریافته و قابل پردازش است. شبکه‌های دینامیک معمولاً داده‌هایی ناهمگون تولید می‌کنند که شامل مقادیر عددی (نظیر توان سیگنال، پهنای باند، سطح انرژی)، داده‌های ساختاری (توپولوژی اتصال) و داده‌های متنی یا معنایی (لاگ‌ها، گزارش‌ها، سیاست‌های مدیریتی) است. ادغام این داده‌های ناهمگون بدون یک مرحله پیش‌پردازش مناسب می‌تواند منجر به کاهش دقت مدل شود.

در این لایه، ابتدا شبکه به‌صورت یک گراف پویا مدل می‌شود که در آن گره‌ها نمایانگر موجودیت‌های شبکه و یال‌ها بیانگر روابط یا لینک‌های ارتباطی هستند. سپس برای هر گره و یال، دو دسته ویژگی استخراج می‌شود:
نخست، ویژگی‌های توپولوژیک مانند درجه گره، مرکزیت، فاصله‌ها و ظرفیت لینک‌ها؛
و دوم، ویژگی‌های متنی یا معنایی که با استفاده از یک رمزگذار سبک زبانی به بردارهای معنایی تبدیل می‌شوند.

این ترکیب باعث می‌شود نمایش اولیه گراف نه‌تنها ساختار فیزیکی شبکه را منعکس کند، بلکه اطلاعات زمینه‌ای و دانش توصیفی را نیز در بر گیرد. بدین ترتیب، ورودی مناسب‌تری برای مراحل بعدی فراهم می‌شود.

4.2 لایه فشرده‌سازی ساختاری (Structural Compression Layer)

یکی از موانع اصلی در کاربرد عملی مدل‌های ترکیبی، ابعاد بزرگ گراف‌های واقعی است. پردازش مستقیم گراف‌هایی با هزاران یا میلیون‌ها گره، هم برای GNN و هم برای LLM پرهزینه و زمان‌بر است. برای رفع این مشکل، در چارچوب پیشنهادی از تکنیک Graph Sketching یا فشرده‌سازی ساختاری استفاده می‌شود.

ایده اصلی در این مرحله، حفظ اطلاعات کلیدی گراف در حالی است که ابعاد آن کاهش یابد. به‌جای پردازش کل گراف، تنها نماینده‌هایی از زیرگراف‌های مهم انتخاب می‌شوند یا گره‌های مشابه در خوشه‌هایی ادغام می‌شوند. این فرآیند منجر به تولید یک «گراف فشرده» می‌شود که ویژگی‌های کلان شبکه را حفظ کرده اما هزینه محاسباتی بسیار کمتری دارد.

فشرده‌سازی ساختاری دو مزیت عمده دارد. نخست، کاهش زمان استنتاج و امکان اجرای بلادرنگ مدل؛ دوم، جلوگیری از ورود اطلاعات غیرضروری یا نویزی که می‌تواند عملکرد LLM را مختل کند. در نتیجه، این لایه نقش مهمی در افزایش مقیاس‌پذیری چارچوب ایفا می‌کند.

4.3 لایه حافظه زمانی سلسله‌مراتبی (Hierarchical Temporal Memory)

از آنجا که شبکه‌های دینامیک دارای وابستگی‌های زمانی چندمقیاسی هستند، استفاده از یک نمایش ایستا کافی نیست. تصمیمات بهینه اغلب وابسته به روندهای گذشته و الگوهای دوره‌ای‌اند. بنابراین، چارچوب پیشنهادی یک مکانیزم حافظه زمانی سه‌سطحی را معرفی می‌کند.

حافظه کوتاه‌مدت برای ذخیره تغییرات اخیر و رویدادهای لحظه‌ای به‌کار می‌رود و به تصمیم‌گیری‌های فوری کمک می‌کند. حافظه میان‌مدت روندهای چند دقیقه یا چند ساعت اخیر را نگهداری کرده و برای پیش‌بینی‌های تاکتیکی استفاده می‌شود. در نهایت، حافظه بلندمدت الگوهای پایدار و دانش تاریخی را ذخیره می‌کند و در سیاست‌گذاری‌های استراتژیک نقش دارد.

این ساختار سلسله‌مراتبی موجب می‌شود مدل بتواند هم به تغییرات سریع واکنش نشان دهد و هم از تجربه‌های گذشته بهره ببرد. افزون بر این، تنها اطلاعات خلاصه‌شده به LLM ارسال می‌شود تا از بار پردازشی اضافی جلوگیری گردد.

4.4 لایه تصمیم‌گیری مبتنی بر LLM (LLM Decision Layer)

در این مرحله، LLM به‌عنوان هسته استدلال سطح بالا عمل می‌کند. ورودی این لایه شامل خلاصه گراف فشرده، ویژگی‌های کلیدی و اطلاعات ذخیره‌شده در حافظه زمانی است. LLM با تحلیل این اطلاعات، سیاست‌های کلی یا راهبردهای بهینه‌سازی را تولید می‌کند؛ برای مثال تعیین مسیرهای اولویت‌دار، تخصیص سطح انرژی یا اولویت‌بندی گره‌ها.

مزیت استفاده از LLM در این سطح آن است که می‌تواند روابط پیچیده، دانش زمینه‌ای و حتی قواعد توصیفی را در نظر بگیرد. همچنین، قابلیت تعمیم بالا باعث می‌شود مدل در شرایط ناشناخته نیز تصمیمات منطقی اتخاذ کند. با این حال، خروجی LLM صرفاً در سطح سیاست‌های پیشنهادی باقی می‌ماند و هنوز برای اجرا آماده نیست.

4.5 لایه اصلاح و اعتبارسنجی توسط GNN (GNN Refinement Layer)

از آنجا که خروجی‌های LLM ممکن است محدودیت‌های فیزیکی یا ساختاری شبکه را کاملاً رعایت نکنند، یک مرحله اصلاح ضروری است. در این لایه، GNN سیاست‌های پیشنهادی LLM را به‌عنوان ورودی دریافت کرده و آن‌ها را بر اساس ساختار دقیق گراف، ظرفیت لینک‌ها و محدودیت‌های انرژی اعتبارسنجی می‌کند.

GNN با انتشار پیام بین گره‌ها و تحلیل وابستگی‌های محلی، تصمیمات را تنظیم می‌کند تا قابل اجرا و پایدار شوند. به بیان دیگر، این لایه نقش «کنترل‌کننده واقع‌گرایانه» را ایفا می‌کند و اطمینان می‌دهد که سیاست‌ها با شرایط واقعی شبکه سازگارند. این تعامل باعث کاهش خطاهای تصمیم‌گیری و افزایش قابلیت اطمینان سیستم می‌شود.

4.6 لایه بازخورد و یادگیری هم‌تکاملی (Feedback Layer)

ویژگی متمایز چارچوب پیشنهادی، وجود یک حلقه بازخوردی است. نتایج اجرای سیاست‌ها، شامل معیارهایی نظیر مصرف انرژی، تأخیر یا کیفیت سرویس، به‌عنوان بازخورد به سیستم بازگردانده می‌شود. این اطلاعات به‌صورت خلاصه به LLM ارسال می‌شود تا در تصمیمات آینده لحاظ گردد.

بدین ترتیب، LLM و GNN به‌صورت هم‌زمان و تدریجی یکدیگر را بهبود می‌دهند؛ فرآیندی که از آن با عنوان «هم‌تکاملی» یاد می‌شود. این مکانیزم موجب می‌شود سیستم به‌مرور زمان سازگارتر، پایدارتر و دقیق‌تر شود و بتواند خود را با تغییرات محیط وفق دهد.

6 . ارزیابی‌ها

عملکرد روش مبتنی بر GNN

در رویکردهای صرفاً مبتنی بر شبکه‌های عصبی گراف، تصمیم‌گیری شبکه بر پایه مدل‌سازی صریح ساختار توپولوژیک و ویژگی‌های عددی گره‌ها و یال‌ها انجام می‌شود. این مدل‌ها با استفاده از مکانیزم انتقال پیام، اطلاعات محلی را بین گره‌های مجاور تبادل کرده و نمایش برداری هر گره را به‌روزرسانی می‌کنند. یکی از مزایای اصلی این رویکرد، سادگی نسبی معماری و هزینه محاسباتی پایین‌تر در مقایسه با مدل‌های ترکیبی است. به‌دلیل عدم استفاده از مدل‌های زبانی بزرگ، زمان استنتاج در بسیاری از سناریوها کوتاه‌تر بوده و امکان اجرای سریع تصمیمات فراهم می‌شود.

با این حال، ماهیت تصمیم‌گیری در این روش‌ها به‌شدت به اطلاعات ساختاری و عددی محدود است. نبود مؤلفه‌های معنایی و دانش زمینه‌ای باعث می‌شود مدل نتواند از اطلاعات توصیفی، سیاست‌های مدیریتی یا تجربه‌های پیشین بهره‌برداری کند. در نتیجه، تصمیمات اتخاذشده اغلب محلی، کوتاه‌نگر و واکنشی هستند و تمرکز اصلی آن‌ها بر بهینه‌سازی لحظه‌ای وضعیت گره‌ها و لینک‌ها است، نه بر مدیریت بلندمدت رفتار شبکه.

نتایج حاصل از سناریوهای آزمایشی نشان داد که روش مبتنی بر GNN در شرایط نسبتاً پایدار و تغییرات تدریجی عملکرد قابل قبولی دارد. به‌ویژه، این مدل‌ها قادرند الگوهای کوتاه‌مدت مانند نوسانات جزئی ترافیک یا تغییرات محدود در کیفیت لینک‌ها را به‌خوبی مدیریت کنند. با این حال، در مواجهه با رویدادهای غیرمنتظره یا تغییرات شدید شبکه، ضعف‌های این رویکرد به‌وضوح آشکار می‌شود. برای مثال، در شرایطی که چندین گره به‌طور هم‌زمان با کاهش انرژی یا افزایش بار کاری مواجه شدند، مدل نتوانست اولویت‌بندی مناسبی میان گره‌ها انجام دهد. از آنجا که تصمیم‌گیری صرفاً بر اساس وضعیت محلی صورت می‌گرفت، منابع به‌طور یکنواخت یا نامتوازن تخصیص داده شدند و در نتیجه مصرف انرژی افزایش یافت و تأخیر در انجام وظایف بیشتر شد.

یکی دیگر از محدودیت‌های اساسی این رویکرد، نبود حافظه تاریخی و یادگیری بلندمدت است. در مدل‌های GNN متداول، تصمیمات عمدتاً به وضعیت فعلی گراف وابسته‌اند و اطلاعات مربوط به گذشته شبکه به‌صورت صریح ذخیره یا استفاده نمی‌شود. این مسئله باعث می‌شود تصمیمات در بازه‌های زمانی مختلف دچار نوسان شوند و مدل نتواند الگوهای تکرارشونده یا روندهای بلندمدت را شناسایی کند. در آزمایش‌ها مشاهده شد که حتی در شرایط مشابه، خروجی مدل در زمان‌های مختلف متفاوت است که نشانه‌ای از کاهش پایداری تصمیم‌گیری محسوب می‌شود.

علاوه بر این، بسیاری از معماری‌های GNN برای گراف‌های نسبتاً ایستا طراحی شده‌اند و در شبکه‌های بسیار پویا نیازمند بازآموزی مکرر هستند. این بازآموزی نه‌تنها هزینه محاسباتی را افزایش می‌دهد، بلکه باعث می‌شود مدل در بازه‌های انتقالی عملکرد ناپایداری داشته باشد. در کاربردهای حساس، چنین رفتاری می‌تواند ریسک عملیاتی ایجاد کند.

در مجموع، اگرچه روش‌های مبتنی بر GNN به دلیل ساختار ساده، سرعت بالا و قابلیت مدل‌سازی روابط توپولوژیک گزینه‌ای مناسب برای برخی سناریوهای محدود هستند، اما برای شبکه‌های پیچیده، چندوجهی و به‌شدت پویا کافی به نظر نمی‌رسند. فقدان درک معنایی، نبود حافظه تاریخی و ناپایداری تصمیم‌گیری از جمله عواملی هستند که کارایی این روش‌ها را در مقیاس‌های بزرگ و شرایط واقعی محدود می‌کنند. این محدودیت‌ها ضرورت استفاده از رویکردهای پیشرفته‌تر و ترکیبی، نظیر چارچوب پیشنهادی CELGF، را بیش از پیش برجسته می‌سازند.

عملکرد روش ترکیبی LLM+GNN

در رویکرد ترکیبی مرسوم، LLM ابتدا سیاست‌های کلی را تولید کرده و سپس GNN آن‌ها را اجرا می‌کند. این ساختار نسبت به GNN خالص مزیت‌هایی دارد، زیرا LLM می‌تواند دانش سطح بالا و اطلاعات معنایی را در تصمیم‌گیری لحاظ کند. در نتایج آزمایش‌ها، این روش نسبت به GNN توانست مصرف انرژی را کاهش داده و تخصیص منابع هوشمندانه‌تری ارائه دهد.

با این حال، اجرای مکرر LLM هزینه زمانی قابل‌توجهی ایجاد می‌کند. در برخی بازه‌ها، تأخیر تصمیم‌گیری افزایش یافته و باعث شد سیستم نتواند به‌سرعت به تغییرات لحظه‌ای پاسخ دهد. علاوه بر این، تعامل بین LLM و GNN در این رویکرد عمدتاً یک‌طرفه است؛ به این معنا که خروجی‌های GNN مجدداً برای بهبود تصمیمات LLM استفاده نمی‌شوند. در نتیجه، مدل از تجربه‌های گذشته درس نمی‌گیرد و سطح پایداری آن در حد متوسط باقی می‌ماند.

به بیان دیگر، اگرچه این روش نسبت به GNN پیشرفت قابل‌توجهی نشان می‌دهد، اما همچنان با مشکلات تأخیر و عدم سازگاری پویا روبه‌رو است.

عملکرد روش پیشنهادی (CELGF)

نتایج حاصل از ارزیابی‌های انجام‌شده نشان می‌دهد که چارچوب پیشنهادی CELGF در مقایسه با روش‌های مبتنی بر GNN و نیز رویکردهای ترکیبی مرسوم LLM+GNN، در تمامی معیارهای کلیدی عملکرد بهبود قابل‌توجهی ایجاد کرده است. این بهبود نه‌تنها از نظر عددی مشهود است، بلکه از منظر رفتاری و پایداری سیستم نیز اهمیت ویژه‌ای دارد. در ادامه، عملکرد چارچوب پیشنهادی در سه بُعد اصلی به‌طور دقیق‌تر تحلیل می‌شود.

بهبود مصرف انرژی و بهره‌وری منابع

نخستین و برجسته‌ترین دستاورد چارچوب پیشنهادی، کاهش چشمگیر مصرف انرژی شبکه است. این بهبود نتیجه مستقیم تفکیک هوشمند فرآیند تصمیم‌گیری به دو سطح مکمل است. در سطح استراتژیک، LLM با بهره‌گیری از حافظه تاریخی و دانش زمینه‌ای، سیاست‌های کلان را به‌گونه‌ای طراحی می‌کند که از انجام عملیات غیرضروری و مسیرهای پرهزینه جلوگیری شود. این سیاست‌ها مبتنی بر درک الگوهای بلندمدت و رفتار کلی شبکه هستند و به‌جای واکنش‌های لحظه‌ای، تصمیمات هدفمندتری اتخاذ می‌کنند.

در سطح عملیاتی، GNN این سیاست‌های کلی را بر اساس ساختار دقیق گراف و محدودیت‌های محلی بهینه‌سازی می‌کند. انتشار پیام بین گره‌ها و تحلیل وابستگی‌های محلی باعث می‌شود تخصیص منابع به‌صورت دقیق‌تری انجام شود و مصرف انرژی در نقاط بحرانی شبکه کاهش یابد. این همکاری دو مرحله‌ای منجر به کوتاه‌تر شدن مسیرها، کاهش انتقال‌های تکراری و جلوگیری از تخصیص بیش‌ازحد منابع به برخی گره‌ها شده است. در مجموع، این سازوکار موجب افزایش بهره‌وری انرژی و کاهش اتلاف منابع در سطح کل شبکه می‌شود.

کاهش تأخیر و بهبود قابلیت بلادرنگ

دومین بُعد مهم عملکرد CELGF، کاهش قابل‌توجه تأخیر تصمیم‌گیری و اجرای سیاست‌ها است. در رویکردهای قبلی، هر تغییر در وضعیت شبکه معمولاً نیازمند اجرای کامل LLM بود که به دلیل هزینه محاسباتی بالا، باعث افزایش تأخیر می‌شد. این مسئله به‌ویژه در شبکه‌های پویا که تغییرات سریع و مکرر دارند، یک محدودیت اساسی محسوب می‌شود.

در چارچوب پیشنهادی، این مشکل از طریق دو راهکار اصلی برطرف شده است. نخست، استفاده از فشرده‌سازی ساختاری گراف باعث شده تنها اطلاعات کلیدی و خلاصه‌شده برای LLM ارسال شود. دوم، پردازش سلسله‌مراتبی موجب می‌شود که LLM تنها در مواقع ضروری و برای تصمیمات سطح بالا فعال شود، در حالی که تغییرات کوچک و محلی توسط GNN مدیریت می‌شوند. این تقسیم وظایف باعث کاهش چشمگیر حجم داده ورودی و تعداد دفعات اجرای LLM شده است.

نتیجه این طراحی آن است که زمان استنتاج به‌طور محسوسی کاهش یافته و سیستم قادر است در بسیاری از سناریوها تقریباً به‌صورت بلادرنگ واکنش نشان دهد. این ویژگی، CELGF را به گزینه‌ای مناسب برای کاربردهای حساس به تأخیر مانند شبکه‌های بی‌سیم بلادرنگ و سامانه‌های خودمختار تبدیل می‌کند.

افزایش پایداری و یکنواختی تصمیم‌گیری

سومین و شاید مهم‌ترین مزیت چارچوب پیشنهادی، افزایش چشمگیر پایداری تصمیم‌گیری است. در بسیاری از روش‌های موجود، نبود حافظه و بازخورد مناسب باعث می‌شود تصمیمات نسبت به تغییرات کوچک ورودی حساس باشند و نوسانات شدیدی در خروجی مشاهده شود. چنین رفتاری در شبکه‌های حیاتی می‌تواند منجر به افت کیفیت سرویس یا حتی ناپایداری کل سیستم شود.

در CELGF، وجود حافظه زمانی سلسله‌مراتبی این مشکل را تا حد زیادی برطرف کرده است. این حافظه امکان ذخیره و استفاده از اطلاعات کوتاه‌مدت و بلندمدت را فراهم می‌کند و باعث می‌شود تصمیمات تنها بر اساس وضعیت لحظه‌ای گرفته نشوند. علاوه بر این، مکانیزم بازخورد حلقه‌بسته موجب می‌شود نتایج اجرای سیاست‌ها مجدداً به مدل بازگردانده شده و در تصمیمات آینده لحاظ شوند. این فرآیند یادگیری تدریجی باعث کاهش نوسانات، یکنواخت‌تر شدن خروجی‌ها و افزایش قابلیت اطمینان سیستم شده است.

در آزمایش‌ها مشاهده شد که حتی در شرایط بار سنگین، تغییرات ناگهانی توپولوژی یا نوسانات شدید ترافیکی، عملکرد سیستم پایدار باقی می‌ماند و افت ناگهانی کیفیت سرویس رخ نمی‌دهد. این ویژگی نشان می‌دهد که چارچوب پیشنهادی نه‌تنها کارا بلکه قابل‌اعتماد است و می‌تواند در سناریوهای واقعی و پرریسک مورد استفاده قرار گیرد.

جمع‌بندی عملکردی

به‌طور کلی، تحلیل نتایج نشان می‌دهد که چارچوب CELGF با ایجاد یک تعامل هم‌تکاملی بین LLM و GNN، توانسته است سه هدف کلیدی یعنی کاهش مصرف انرژی، کاهش تأخیر و افزایش پایداری را به‌طور هم‌زمان محقق سازد. این دستاورد حاصل یک طراحی صرفاً پیچیده نیست، بلکه نتیجه یک تقسیم وظایف منطقی، استفاده از حافظه و ایجاد حلقه بازخورد مؤثر است. چنین ویژگی‌هایی، چارچوب پیشنهادی را به یک گزینه عملی و آینده‌نگر برای مدیریت و بهینه‌سازی شبکه‌های پویا تبدیل می‌کند.

جمع‌بندی تجربی

به‌طور کلی، نتایج نشان می‌دهد که چارچوب پیشنهادی نه‌تنها از نظر نظری بلکه در عمل نیز مزیت قابل‌توجهی نسبت به روش‌های موجود دارد. کاهش مصرف انرژی، کاهش تأخیر و افزایش پایداری، آن را به گزینه‌ای مناسب برای کاربردهای حساس مانند شبکه‌های پهپادی، اینترنت اشیاء صنعتی و سیستم‌های بلادرنگ تبدیل می‌کند. این یافته‌ها تأیید می‌کنند که ترکیب هوشمند و هم‌تکاملی LLM و GNN می‌تواند گامی مهم در جهت توسعه شبکه‌های خودمختار نسل آینده باشد.

7 . جمع‌بندی

در این مقاله، مسئله بهینه‌سازی و مدیریت شبکه‌های دینامیک از منظر یکپارچه‌سازی مدل‌های زبانی بزرگ و گراف‌های پویا مورد بررسی قرار گرفت. با توجه به رشد سریع سامانه‌های توزیع‌شده نظیر اینترنت اشیاء، شبکه‌های بی‌سیم نسل جدید، پهپادهای خودکار و سیستم‌های سایبری–فیزیکی، نیاز به چارچوب‌هایی هوشمند، تطبیقی و بلادرنگ برای تصمیم‌گیری شبکه بیش از پیش احساس می‌شود. روش‌های کلاسیک مبتنی بر گراف اگرچه توانایی مناسبی در مدل‌سازی ساختار توپولوژیک دارند، اما در بهره‌گیری از اطلاعات معنایی و داده‌های ناهمگون محدود هستند. از سوی دیگر، مدل‌های زبانی بزرگ در استدلال و تحلیل داده‌های متنی عملکرد درخشانی دارند، اما در حفظ ساختار گراف و کارایی محاسباتی با چالش مواجه‌اند. این دوگانگی نشان می‌دهد که هیچ‌یک از این رویکردها به‌تنهایی پاسخگوی نیازهای شبکه‌های پویا نیستند.

بر همین اساس، در این پژوهش چارچوبی نوین با عنوان هم‌تکاملی LLM–Graph (CELGF) معرفی شد که هدف آن ایجاد یک همکاری مکمل و حلقه‌بسته بین LLM و GNN است. ایده اصلی این چارچوب آن است که فرآیند تصمیم‌گیری شبکه به دو سطح مجزا اما مرتبط تقسیم شود: سطح استراتژیک که توسط LLM هدایت می‌شود و سطح عملیاتی که توسط GNN اجرا و اصلاح می‌گردد. این تعامل دوطرفه باعث می‌شود خروجی‌های هر مدل به‌صورت مستمر توسط مدل دیگر ارزیابی شده و بهبود یابد. به بیان دیگر، به جای استفاده منفعلانه از LLM یا GNN، یک سیستم یادگیری هم‌تکاملی طراحی شده است که در آن هر دو مؤلفه به‌صورت پویا تکامل می‌یابند.

در طراحی این چارچوب، چند نوآوری کلیدی ارائه شد. نخست، استفاده از لایه فشرده‌سازی ساختاری برای کاهش ابعاد گراف و افزایش مقیاس‌پذیری که امکان اجرای بلادرنگ را فراهم می‌کند. دوم، معرفی حافظه زمانی سلسله‌مراتبی که اطلاعات تاریخی کوتاه‌مدت و بلندمدت را نگهداری کرده و موجب پیش‌بینی دقیق‌تر و تصمیم‌گیری پایدارتر می‌شود. سوم، به‌کارگیری فرآیند تصمیم‌گیری دو مرحله‌ای که در آن سیاست‌های سطح بالا توسط LLM تولید شده و سپس توسط GNN با توجه به محدودیت‌های واقعی شبکه اصلاح می‌شوند. در نهایت، یک مکانیزم بازخورد حلقه‌بسته طراحی شد تا نتایج اجرا مجدداً برای یادگیری و بهبود سیاست‌ها به مدل بازگردانده شود.

ارزیابی‌های تجربی نشان داد که چارچوب پیشنهادی نسبت به روش‌های مبتنی بر GNN و نیز رویکردهای ترکیبی مرسوم LLM+GNN، بهبود قابل‌توجهی در شاخص‌های کلیدی عملکرد ایجاد می‌کند. به‌ویژه، کاهش مصرف انرژی، کاهش تأخیر تصمیم‌گیری و افزایش پایداری سیستم از دستاوردهای برجسته این روش بود. تحلیل نتایج نشان داد که استفاده از حافظه تاریخی از تصمیمات واکنشی جلوگیری می‌کند، فشرده‌سازی ساختار بار محاسباتی را کاهش می‌دهد و همکاری دو مرحله‌ای بین LLM و GNN موجب تولید سیاست‌های واقع‌گرایانه‌تر و پایدارتر می‌شود. این یافته‌ها تأیید می‌کنند که ترکیب هوشمند این دو فناوری می‌تواند به‌طور هم‌زمان کارایی، سرعت و قابلیت اطمینان شبکه را بهبود بخشد.

از منظر کاربردی، چارچوب CELGF قابلیت استفاده در طیف گسترده‌ای از سناریوها را دارد. برای مثال، در شبکه‌های پهپادی می‌تواند بهینه‌سازی مسیر و انرژی را انجام دهد؛ در اینترنت اشیاء صنعتی می‌تواند تخصیص منابع و تشخیص خطا را بهبود دهد؛ و در شبکه‌های نسل آینده می‌تواند به‌عنوان هسته یک سیستم مدیریت خودمختار عمل کند. انعطاف‌پذیری معماری پیشنهادی همچنین امکان استقرار آن در محیط‌های لبه‌ای و توزیع‌شده را فراهم می‌سازد.

با وجود دستاوردهای ذکرشده، هنوز فرصت‌های متعددی برای توسعه این چارچوب وجود دارد. در پژوهش‌های آینده می‌توان به بهبود کارایی مدل‌های سبک‌تر LLM برای اجرا روی دستگاه‌های کم‌منبع، استفاده از یادگیری فدرال برای حفظ حریم خصوصی داده‌ها، و توسعه مکانیزم‌های یادگیری پیوسته برای سازگاری سریع‌تر با تغییرات محیط پرداخت. علاوه بر این، بررسی کاربرد این چارچوب در شبکه‌های بسیار بزرگ و سناریوهای واقعی می‌تواند مسیر تحقیقات بعدی را روشن‌تر سازد.

در مجموع، نتایج این تحقیق نشان می‌دهد که رویکرد هم‌تکاملی LLM و گراف‌های پویا می‌تواند بنیانی مؤثر برای طراحی نسل جدیدی از شبکه‌های هوشمند، خودتنظیم و خودمختار فراهم آورد. انتظار می‌رود این دیدگاه، زمینه‌ساز پژوهش‌های گسترده‌تری در حوزه ادغام مدل‌های زبانی بزرگ و سیستم‌های شبکه‌ای شده و نقشی کلیدی در تحول معماری‌های ارتباطی آینده ایفا کند.

8 . مراجع

1. Kipf, T. N. & Welling, M. — Semi-Supervised Classification with Graph Convolutional Networks

2. Vaswani, A., Shazeer, N., Parmar, N., et al. — Attention Is All You Need

3. Ye, R. — Large Language Models on Graphs: LLM-Enabled Graphs in Dynamic Networking

4. You, Y. & colleagues — Large Language Models Meet Graph Neural Networks

5. Li, Y., et al. — Hybrid-LLM-GNN: Integrating LLMs and GNNs

6. Orfanoudakis, S., Panda, N. K., & Palensky, P. — GNN-DT: Graph Neural Network Enhanced Decision Transformer