Ovaj rad istražuje optimizaciju mrežnog prometa u decentraliziranim grafovskim neuronskim mrežama (GNN). Decentralizirane GNN-e su ključne za skalabilne i učinkovite distribucije podataka, no s njima dolazi i izazov smanjenja redundancije podataka i mrežnog opterećenja. U ovom istraživanju usporedili smo nekoliko algoritama za kompresiju podataka, uključujući LZMA, Bzip2 i zlib, kako bismo utvrdili najefikasniji pristup za optimizaciju mrežnog prometa u ovom kontekstu. Rezultati eksperimenata pokazali su da zlib algoritam nudi najbolju ravnotežu između brzine kompresije i učinkovitosti smanjenja veličine podataka. Zbog svoje visoke učinkovitosti i niske računalne zahtjevnosti, zlib je izabran za daljnju analizu. Korištenjem DecGNN simulatora, utvrdili smo da primjena zlib algoritma omogućava prosječnu kompresiju od oko 54%, što značajno smanjuje mrežno opterećenje. Ova optimizacija ne samo da smanjuje količinu podataka koji se prenose kroz mrežu, već i poboljšava ukupne performanse mrežnog sustava, smanjujući operativne troškove i povećavajući otpornost na zagušenja i kvarove. Na temelju dobivenih rezultata, preporučuje se daljnje istraživanje i razvoj ovih tehnika kako bi se dodatno unaprijedila njihova primjena u stvarnim uvjetima, te iskoristile sve prednosti koje nude u pogledu skalabilnosti, sigurnosti i robusnosti.