基于强化学习的可编程网络自适应路径选择
机器学习
2025-09-03 v2
摘要
本工作提出了一种基于分布式、网络内强化学习（IN-RL）框架的自适应路径选择实现方案。通过将蒙特卡洦学习自动机（SLA）与通过网络内带内网络遥测（INT）收集的实时遥测数据相结合，所提出的系统使能够进行本地、数据驱动的转发决策，以适应拥塞条件。该系统在基于 Mininet 的测试台上使用 P4 可编程 BMv2 交换机进行评估，展示了我们的 SLA 基于机制在线速收敛至有效的路径选择，并适应不断变化的网络条件。
引用
@article{arxiv.2508.13806,
title = {Reinforcement Learning-based Adaptive Path Selection for Programmable Networks},
author = {José Eduardo Zerna Torres and Marios Avgeris and Chrysa Papagianni and Gergely Pongrácz and István Gódor and Paola Grosso},
journal= {arXiv preprint arXiv:2508.13806},
year = {2025}
}