面向下一代网络中自适应流量路由的深度强化学习方法
网络与互联网体系结构
2024-02-08 v1 人工智能
摘要
下一代网络需要管理层面的重大演进，以实现自动化并根据流量动态自适应地调整网络配置。软件定义网络（SDN）与可编程交换机的出现带来了灵活性与可编程性。然而，决定流量策略的传统技术通常基于手工编程的优化与启发式算法。这些技术做出了非现实的假设，例如考虑静态网络负载与拓扑，以获得可解的方案，这对于下一代网络是不够的。在本文中，我们设计并开发了一种用于自适应流量路由的深度强化学习（DRL）方法。我们设计了一个集成到 DRL 框架中的深度图卷积神经网络（DGCNN），不仅从网络拓扑，还从链路和节点属性中学习流量行为。我们采用 Deep Q-Learning 技术在 DRL 框架中训练 DGCNN 模型，无需带标签的训练数据集，使该框架能够快速适应流量动态。该模型利用 q 值估计为每个流量流请求选择路由路径，平衡探索与利用。我们针对各种流量模式进行了大量实验，并将所提方法的性能与开放式最短路径优先（OSPF）协议进行了比较。实验结果表明，与 OSPF 相比，所提框架的有效性与自适应性体现在网络吞吐量最多提升 7.8%，且流量延迟最多降低 16.1%。
引用
@article{arxiv.2402.04515,
title = {A Deep Reinforcement Learning Approach for Adaptive Traffic Routing in Next-gen Networks},
author = {Akshita Abrol and Purnima Murali Mohan and Tram Truong-Huu},
journal= {arXiv preprint arXiv:2402.04515},
year = {2024}
}
备注
Accepted for publication in the Proceedings of the IEEE International Conference on Communications (IEEE ICC 2024)