集成语言模型以增强基于DRL的SFC配置中的网络状态监控
网络与互联网体系结构
2026-01-23 v1 人工智能
计算与语言
摘要
高效的服务功能链（SFC）配置与虚拟网络功能（VNF）部署对于提升现代架构（如软件定义网络SDN与网络功能虚拟化NFV）中的网络性能至关重要。虽然深度强化学习（DRL）有助于动态网络环境中的决策，但其对结构化输入和预定义规则的依赖限制了其在不可预见场景中的适应性。此外，DRL智能体的错误动作可能需要多次训练迭代才能纠正，可能强化次优策略并降低性能。本文将DRL与语言模型（LMs）集成，具体为双向编码器表示来自Transformer（BERT）和DistilBERT，以增强网络管理。通过将DRL的最终VNF分配输入语言模型，系统可处理和响应与SFC、数据中心和VNF相关的查询，实现对资源利用率、瓶颈检测和未来需求规划的实时洞察。语言模型使用低秩适应（LoRA）针对领域特定数据集进行了微调。结果表明BERT优于DistilBERT，测试损失更低（0.28对比0.36）且置信度更高（0.83对比0.74），但BERT需要大约多46%的处理时间。
引用
@article{arxiv.2502.11298,
title = {Integrating Language Models for Enhanced Network State Monitoring in DRL-Based SFC Provisioning},
author = {Parisa Fard Moshiri and Murat Arda Onsu and Poonam Lohan and Burak Kantarci and Emil Janulewicz},
journal= {arXiv preprint arXiv:2502.11298},
year = {2026}
}
备注
6 pages, 5 figures, submitted to 30th IEEE International Symposium on Computers and Communications (ISCC) 2025