数据中心中用于网络负载均衡的多智能体强化学习
分布式、并行与集群计算
2022-08-23 v4 机器学习
网络与互联网体系结构
摘要
本文提出网络负载均衡问题，这是多智能体强化学习（MARL）方法面临的一项具有挑战性的现实任务。加权代价多路径（WCMP）与本地最短队列（LSQ）等传统启发式方案对变化的工作负载分布与到达率灵活性不足，且在多个负载均衡器间平衡性差。协作式网络负载均衡任务被建模为 Dec-POMDP 问题，这自然引出了 MARL 方法。为弥合基于学习方法的现实差距，所有方法直接在从中等到大规模的仿真系统上训练与评估。在真实测试床上的实验表明，独立且“自私”的负载均衡策略未必是全局最优的，而所提 MARL 方案在不同现实设定下均具有更优性能。此外，我们分析了 MARL 方法用于网络负载均衡的潜在困难，以期引起学习与网络学界对此类挑战的关注。
引用
@article{arxiv.2201.11727,
title = {Multi-Agent Reinforcement Learning for Network Load Balancing in Data Center},
author = {Zhiyuan Yao and Zihan Ding and Thomas Clausen},
journal= {arXiv preprint arXiv:2201.11727},
year = {2022}
}