韧性数据包转发：基于强化学习的高斯互连网络中具聚类故障的路由方法
分布式、并行与集群计算
2025-12-24 v1
摘要
随着 Network-on-Chip（NoC）和无线传感器网络架构的不断扩展，底层网络的拓扑结构成为性能的关键因素。基于高斯整数算术的高斯互连网络具有引人注目的直径和对称性优势。尽管具有吸引人的理论属性，但这些网络中的自适应路由技术对节点和链路故障极其脆弱，导致通信可靠性迅速恶化。节点故障（尤其是遵循高斯分布的故障，如热点或物理损伤聚类）对传统确定性路由构成严重挑战。本文提出一种针对高斯互连网络的故障感知强化学习（RL）路由方案。通过采用具有特定奖励结构的 PPO（近端策略优化）智能体，以惩罚故障接近性，系统能够动态学习规避故障区域。我们将提议的 RL 路由协议与贪心自适应最短路径路由算法进行比较。实验结果表明，RL 智能体在 40% 故障密度下，数据包传递比率（PDR）达到 0.95，显著优于贪心算法的 0.66。此外，RL 方法在负载为 20% 时的有效递送率也优于贪心自适应路由（0.57 vs. 0.43），在管理拥塞方面表现更佳，验证了其在随机且易受故障影响的拓扑结构中的有效性。
引用
@article{arxiv.2512.20394,
title = {Resilient Packet Forwarding: A Reinforcement Learning Approach to Routing in Gaussian Interconnected Networks with Clustered Faults},
author = {Mohammad Walid Charrwi and Zaid Hussain},
journal= {arXiv preprint arXiv:2512.20394},
year = {2025}
}