MSDF：一种用于服务功能链迁移的深度强化学习框架
网络与互联网体系结构
2019-11-14 v2 人工智能
机器学习
摘要
在动态流量下，服务功能链（SFC）迁移被视为提高资源利用率的有效方式。然而，未来网络信息的缺失导致非最优解，这促使我们从长期角度研究基于强化学习的 SFC 迁移。在本文中，我们将 SFC 迁移问题表述为一个在用户服务质量约束下以网络总运行成本为目标的极小化问题。我们首先设计了一种基于深度 Q 网络（DQN）的算法来解决单条 SFC 迁移问题，该算法可在不知晓未来信息的情况下在线调整迁移策略。进一步，提出了一种新颖的多智能体协作框架 MSDF，以在单条 SFC 迁移基础上应对考虑多条 SFC 迁移的挑战。MSDF 降低了复杂度从而加快了收敛速度，尤其在大规模网络中。实验结果表明，MSDF 在各种场景下均优于典型的启发式算法。
引用
@article{arxiv.1911.04801,
title = {MSDF: A Deep Reinforcement Learning Framework for Service Function Chain Migration},
author = {Ruoyun Chen and Hancheng Lu and Yujiao Lu and Jinxue Liu},
journal= {arXiv preprint arXiv:1911.04801},
year = {2019}
}