面向未知流量场景的通信负载均衡策略复用

随着通信网络复杂度和流量规模的持续增长，通信负载均衡方案受到越来越多的关注。具体而言，基于强化学习（RL）的方法相比传统基于规则的方法展现出令人印象深刻的性能。然而，标准RL方法通常需要海量数据进行训练，且对训练期间未遇到的场景泛化能力较差。我们提出了一种策略复用框架，其中策略选择器根据当前流量状况选择最合适的预训练RL策略执行。我们的方法依赖于一个由在多样化流量场景上训练的策略组成的策略库。当部署到未知流量场景时，我们根据当前场景前一日流量与训练期间观测流量的相似度，从策略库中选取策略。实验表明，该框架大幅优于经典和自适应基于规则的方法。