机器学习辅助的最轻载路由以改善电路交换网络性能
网络与互联网体系结构
2018-04-24 v1
摘要
最轻载（LL）路由算法在近几十年中是电路交换网络的首选路由方法，因此提供了可与新方法比较的基准。本文通过额外引入机器学习方法，使用概念上简单的监督式朴素贝叶斯（NB）分类器，改善了 LL 算法的性能。基于一系列历史网络快照，这预测了每个节点对之间潜在的未来电路阻塞概率。这些快照针对到达网络的每个服务请求拍摄，并记录该时刻每条链路上的忙容量单元数。服务当前服务请求的候选路由基于链路负载以及若确实使用该路由时整个网络的潜在未来阻塞概率。所提议方法的性能通过仿真研究，并与常规 LL 算法和基于最短路径（SP）的方法比较。结果表明，所提议的监督式朴素贝叶斯分类器辅助 LL 路由算法显著降低了服务连接请求的阻塞概率，并优于常规 LL 和 SP 路由算法。为基于大量网络快照实现学习过程，我们还开发了并行计算框架以实施并行学习与性能评估。此外，论述了支持朴素贝叶斯分类器辅助 LL 路由算法的网络控制系统。
引用
@article{arxiv.1804.08403,
title = {Machine Learning-Assisted Least Loaded Routing to Improve Performance of Circuit-Switched Networks},
author = {Gangxiang Shen and Longfei Li and Ya Zhang and Wei Chen and Sanjay K. Bose and Moshe Zukerman},
journal= {arXiv preprint arXiv:1804.08403},
year = {2018}
}
备注
12 pages, 10 figures