用于服务功能链的图神经网络强化学习
人工智能
2020-11-18 v1 机器学习
网络与互联网体系结构
摘要
在计算机网络系统的管理中，服务功能链（SFC）模块通过为经过带有虚拟化网络功能（VNF）的物理服务器的网络流量生成高效路径而发挥重要作用。为提供最高质量的服务，SFC 模块应快速生成有效路径，即使在动态 VNF 资源、各类请求以及拓扑变化等多种网络拓扑情形下亦如此。此前的监督学习方法表明，网络特征可由图神经网络（GNNs）表示为 SFC 任务所用。然而，其性能仅限于带有标签数据的固定拓扑。在本文中，我们应用强化学习方法在各种无标签数据的网络拓扑上训练模型。在实验中，与先前的监督学习方法相比，所提方法在新拓扑中展现出显著的灵活性，无需重新设计与重新训练，同时保持了相似水平的性能。
引用
@article{arxiv.2011.08406,
title = {Reinforcement Learning of Graph Neural Networks for Service Function Chaining},
author = {DongNyeong Heo and Doyoung Lee and Hee-Gon Kim and Suhyun Park and Heeyoul Choi},
journal= {arXiv preprint arXiv:2011.08406},
year = {2020}
}
备注
5 pages, 2 figures