基于深度强化学习的NFV网络在线服务提供
系统与控制
2021-11-04 v1 系统与控制
摘要
本文研究了一种基于深度强化学习（DRL）的框架，用于在网络功能虚拟化（NFV）启用的网络中提供在线终端用户服务。我们构建了一个旨在最小化网络资源利用成本的优化问题。主要挑战在于，在有限资源可用性下，通过满足服务质量（QoS）来提供在线服务请求。此外，在大型网络中满足随机服务请求是本文评估的另一个挑战。为了以高效和智能的方式解决所构建的优化问题，我们提出了一种用于NFV启用网络中功能放置和动态路由的深度Q网络自适应资源分配（DQN-AR）方法，该方法将可用网络资源视为DQN状态。此外，服务的特性，包括服务生命周期和到达请求数量，分别通过均匀分布和指数分布建模。我们还评估了所提方法的计算复杂度。针对不同参数范围进行的数值结果揭示了我们框架的有效性。具体而言，所得结果表明，网络的平均接纳请求数增加了7%至14%，网络利用成本降低了5%至20%。
引用
@article{arxiv.2111.02209,
title = {Online Service Provisioning in NFV-enabled Networks Using Deep Reinforcement Learning},
author = {Ali Nouruzi and Abolfazl Zakeri and Mohamad Reza Javan and Nader Mokari and Rasheed Hussain and Ahsan Syed Kazmi},
journal= {arXiv preprint arXiv:2111.02209},
year = {2021}
}