非平稳条件下基于 DRL 的切片放置
网络与互联网体系结构
2021-08-21 v1 机器学习
摘要
我们考虑在非平稳泊松过程到达切片请求的假设下，用于最优网络切片放置的在线学习。我们提出了一个基于深度强化学习（DRL）并结合启发式方法设计算法的框架。我们具体设计了两种纯 DRL 算法和两类混合 DRL-启发式算法。为验证其性能，我们在大规模运营商基础设施背景下进行了广泛仿真。评估结果表明，所提出的混合 DRL-启发式算法达到收敛所需的学习回合数比纯 DRL 少三个数量级。该结果表明，所提出的混合 DRL-启发式方法在真实非平稳网络场景中比纯 DRL 更可靠。
引用
@article{arxiv.2108.02495,
title = {DRL-based Slice Placement Under Non-Stationary Conditions},
author = {Jose Jurandir Alves Esteves and Amina Boubendir and Fabrice Guillemin and Pierre Sens},
journal= {arXiv preprint arXiv:2108.02495},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2105.06741