KI-Verfahren für zuverlässigen Big-Data-Transport
Ein großer Datenstrom muss ein ausgelastetes Netz durchqueren. Die verfügbare Kapazität ändert sich, Rückmeldungen brauchen Zeit, und mehrere Standorte benötigen möglicherweise dieselben Daten. AI-RMDT untersucht, wie künstliche Intelligenz Transportsysteme dabei unterstützen kann, sich an solche Bedingungen anzupassen.
Das Projekt baut auf RMDT auf und verbindet drei Fragen: Wie wird die Senderate gesteuert, wie werden Daten über Verteilbäume auf Anwendungsebene verteilt, und wie lassen sich Dateien effizient synchronisieren? Maschinelles Lernen und Optimierung mit mehreren Zielen sind Forschungswerkzeuge dafür. Ihr Nutzen muss in Experimenten mit dokumentierten Netzbedingungen bewertet werden.
© FILA
Der Empfänger meldet den Transportverlauf zurück. Die Überlastkontrolle im Sender passt den Paketversand an.
Ein Regler beobachtet das Netz, wählt eine Senderate und erhält Rückmeldungen über das Ergebnis. Die Herausforderung besteht darin, auch außerhalb der Trainingsbedingungen sinnvolle Entscheidungen zu treffen. Eine veröffentlichte Studie von 2026 untersucht die Schwierigkeiten beim Übergang eines im Simulator trainierten Reglers auf einen realen Übertragungsweg mit hoher Bandbreite. Zur Skalierungsanalyse.
Forschungsschwerpunkte
- Analyse und Weiterentwicklung von RMDT für die Übertragung großer Datenmengen.
- KI-basierte Optimierung von Datenfluss und Stabilität sowie neue Ansätze für Congestion Control.
- Theoretische und experimentelle Untersuchung von Application-Layer-Multicast und Dateisynchronisation.
- Analyse sicherer Übertragungsmodelle und der Einsatzmöglichkeiten von Mehrparameteroptimierung.
Förderung
Dieses Projekt wird durch den Europäischen Fonds für regionale Entwicklung (EFRE) und das Land Sachsen-Anhalt im Rahmen des Programms Sachsen-Anhalt WISSENSCHAFT – Forschung und Innovation (EFRE) 2021–2027 gefördert (Förderkennzeichen: ZS/2023/12/182323).
Bewilligter Projektzeitraum: 1. März 2024 bis 31. Dezember 2027.
© EFRE
