基于深度强化学习的交换节点选择策略的新型分段路由方法
人工智能
2025-03-24 v1
摘要
现有分段路由（SR）方法需要先确定路由，然后使用路径分段方法选择交换节点以形成分段路由路径（SRP）。当路由变化时，这些方法需要重新分段。此外，这些方法未考虑流表发布时间，无法最大化流表发布速度。为此，本文构建了一个能够同时制定路由策略和路径分段策略，以选择合适的交换节点从而减少流表发布时间的优化模型。还基于深度强化学习（DRL-SR）设计了一个智能分段路由算法来解决所提出的模型。首先，设计流量矩阵作为深度强化学习智能体的状态空间；该矩阵包括多个 QoS 性能指标、流表发布时间开销和 SR 标签栈深度。其次，设计动作选择策略及相应的奖励函数，其中智能体在考虑路由的基础上选择下一个节点；此外，设计动作选择策略是否将新添加的节点选为交换节点以及相应的奖励函数，考虑了控制器发布流表到交换节点的时间成本因素。最后，一系列实验及其结果表明，与现有方法相比，所设计的分段路由优化模型和智能求解算法（DRL-SR）能够在优化吞吐量、延迟和数据包丢失等性能指标的同时，减少完成分段路由建立任务所需的时间开销。
引用
@article{arxiv.2503.16914,
title = {A New Segment Routing method with Swap Node Selection Strategy Based on Deep Reinforcement Learning for Software Defined Network},
author = {Miao Ye and Jihao Zheng and Qiuxiang Jiang and Yuan Huang and Ziheng Wang and Yong Wang},
journal= {arXiv preprint arXiv:2503.16914},
year = {2025}
}