MACS：基于深度强化学习的SDN控制器同步策略设计
网络与互联网体系结构
2019-09-20 v1 机器学习
摘要
在分布式软件定义网络（SDN）中，为实现集中控制、可扩展性和可靠性需求的平衡，通常会部署多个物理SDN控制器，每个控制器管理一个网络域。在此类网络范式中，控制器之间会相互同步，以试图维持一个逻辑上集中的网络视图。尽管已有多种针对分布式SDN控制器架构的设计方案，但现有工作大多仅旨在消除因不同控制器网络视图不一致而产生的异常。然而，针对特定SDN应用的控制器同步设计在性能方面的考量普遍缺失。为填补这一空白，我们将控制器同步问题形式化为一个马尔可夫决策过程（MDP），并应用结合深度神经网络（DNN）的强化学习技术，来训练一个智能、可扩展且细粒度的控制器同步策略，称为多臂协作同步（MACS），其目标是最大化由控制器同步带来的性能提升。评估结果证实了DNN在抽象分布式SDN环境中潜在模式方面的卓越能力，使得基于MACS的同步策略具有显著优势，其性能分别比ONOS和贪心式SDN控制器同步启发式方法提升了56%和30%。
引用
@article{arxiv.1909.09063,
title = {MACS: Deep Reinforcement Learning based SDN Controller Synchronization Policy Design},
author = {Ziyao Zhang and Liang Ma and Konstantinos Poularakis and Kin K. Leung and Jeremy Tucker and Ananthram Swami},
journal= {arXiv preprint arXiv:1909.09063},
year = {2019}
}
备注
Published as a conference paper at ICNP 2019