关于受控深度强化学习用于切片放置的鲁棒性
网络与互联网体系结构
2021-08-21 v1 机器学习
摘要
多项研究工作考量了在软warized网络管理中运用机器学习的影响。除此之外，我们提出评估用于最优网络切片放置的在线学习的鲁棒性。本研究的一个主要假设是认为切片请求到达是非平稳的。在此背景下，我们模拟不可预测的网络负载变化，并比较两种深度强化学习（DRL）算法：一种纯基于 DRL 的算法，以及一种作为混合 DRL-启发式算法的启发式受控 DRL，以评估这些不可预测的流量负载变化对算法性能的影响。我们对大规模运营商基础设施进行了广泛仿真。评估结果表明，所提出的混合 DRL-启发式方法在不可预测网络负载变化情况下比纯 DRL 更具鲁棒性和可靠性，因为它减少了性能退化。这些结果是我们近期一系列研究的后续，这些研究表明所提出的混合 DRL-启发式方法比纯 DRL 更高效且更适应真实网络场景。
引用
@article{arxiv.2108.02505,
title = {On the Robustness of Controlled Deep Reinforcement Learning for Slice Placement},
author = {Jose Jurandir Alves Esteves and Amina Boubendir and Fabrice Guillemin and Pierre Sens},
journal= {arXiv preprint arXiv:2108.02505},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:2105.06741, arXiv:2108.02495