基于横向联邦学习的多域虚拟网络嵌入算法
网络与互联网体系结构
2022-05-31 v1
摘要
网络虚拟化（NV）是一种克服网络僵化的新兴网络动态规划技术。作为其必要挑战，虚拟网络嵌入（VNE）通过解耦底层物理网络的资源与服务来增强网络的可扩展性与灵活性。针对未来具有动态性、异构性、隐私性和实时性特征的多域物理网络建模，现有相关工作表现良好。联邦学习（FL）通过在多方间共享参数来联合优化网络，并广泛用于处理数据隐私与数据孤岛的争议。针对多域物理网络的 NV 挑战，本文首次提出使用 FL 对 VNE 建模，并提出了一种基于横向联邦学习（HFL）的 VNE 架构（HFL-VNE）。具体而言，结合 FL 的分布式训练范式，我们在每个物理域部署本地服务器，可有效关注局部特征并减少资源碎片。部署全局服务器以聚合和共享训练参数，增强了本地数据隐私并显著提高了学习效率。此外，我们在每个服务器中部署深度强化学习（DRL）模型，以动态调节和优化多域物理网络的资源分配。在 DRL 辅助的 FL 中，HFL-VNE 通过特定的本地与联邦奖励机制及损失函数联合优化决策。最后，结合仿真实验并与相关工作比较，证明了 HFL-VNE 的优越性。
引用
@article{arxiv.2205.14665,
title = {Multi-Domain Virtual Network Embedding Algorithm based on Horizontal Federated Learning},
author = {Peiying Zhang and Ning Chen and Shibao Li and Kim-Kwang Raymond Choo and Chunxiao Jiang},
journal= {arXiv preprint arXiv:2205.14665},
year = {2022}
}