用于无线虚拟网络嵌入中准入控制的强化学习
网络与互联网体系结构
2021-10-05 v1 机器学习
摘要
在无线网络中使用业务功能链（SFC）在网络和多媒体等许多领域变得流行。它依赖于通过虚拟网络嵌入（VNE）算法将网络资源分配给 incoming SFC请求，以优化SFC的性能。当竞争有限网络资源的 incoming 请求负载增加时，决定哪些请求应被接纳、哪些应被拒绝变得具有挑战性。在这项工作中，我们提出了一种深度强化学习（RL）解决方案，可针对不同的依赖关系（如服务生存期和 incoming 请求的优先级）学习准入策略。我们将深度RL解决方案与在有可用资源时即接纳请求的先来先服务基线进行比较。我们表明深度RL优于基线，并在即使资源充足时也能以低拒绝率提供更高的接纳率。
引用
@article{arxiv.2110.01262,
title = {Reinforcement Learning for Admission Control in Wireless Virtual Network Embedding},
author = {Haitham Afifi and Fabian Sauer and Holger Karl},
journal= {arXiv preprint arXiv:2110.01262},
year = {2021}
}