基于高效逆强化学习的通信负载均衡
网络与互联网体系结构
2023-03-30 v1 人工智能
机器学习
摘要
通信负载均衡旨在平衡不同可用资源间的负载，从而提升网络系统的服务质量。在将负载均衡（LB）建模为马尔可夫决策过程问题后，强化学习（RL）近期被证明能有效解决LB问题。然而，要利用经典RL解决负载均衡，需要显式的奖励定义。设计该奖励函数具有挑战性，因为它需要专家知识，且对于最优奖励函数形式缺乏普遍共识。本工作中，我们从逆强化学习（IRL）角度处理通信负载均衡问题。据我们所知，这是IRL首次成功应用于通信负载均衡领域。具体而言，我们首先从一组示范中推断出奖励函数，然后利用推断的奖励函数学习一个强化学习负载均衡策略。相比经典基于RL的方案，所提方案更具通用性，更适用于真实场景。在不同模拟流量场景上实现的实验评估表明，我们的方法有效且大幅优于其他基线。
引用
@article{arxiv.2303.16686,
title = {Communication Load Balancing via Efficient Inverse Reinforcement Learning},
author = {Abhisek Konar and Di Wu and Yi Tian Xu and Seowoo Jang and Steve Liu and Gregory Dudek},
journal= {arXiv preprint arXiv:2303.16686},
year = {2023}
}
备注
Accepted in International Conference on Communications (ICC) 2023