多芯弹性光网络中的资源分配：一种深度强化学习方法
机器学习
2022-07-06 v1 人工智能
网络与互联网体系结构
摘要
本文首次应用深度强化学习方法来解决动态多芯光纤弹性光网络（MCF-EONs）中的路由、调制、频谱与纤芯分配（RMSCA）问题。为此，我们设计并实现了一个兼容 OpenAI 的 Gym 的新环境，以模拟 MCF-EONs 的运行。该新环境通过考虑网络状态和物理层相关因素来处理智能体动作（路由、纤芯和频谱时隙的选择）。后者包括可用的调制格式及其传输距离，以及芯间串扰（XT）——一种与 MCF 相关的损伤。若所得信号质量可接受，该环境将分配智能体所选择的资源。在处理完智能体动作后，该环境被配置为向智能体提供数值奖励以及关于新网络状态的信息。通过仿真，将四种不同智能体的阻塞性能与 MCF-EONs 中使用的三种基线启发式方法进行比较。在 NSFNet 和 COST239 网络拓扑上获得的结果表明，性能最优的智能体相较于性能最优的基线启发式方法，平均可将阻塞概率降低至多四倍。
引用
@article{arxiv.2207.02074,
title = {Resource Allocation in Multicore Elastic Optical Networks: A Deep Reinforcement Learning Approach},
author = {Juan Pinto-Ríos and Felipe Calderón and Ariel Leiva and Gabriel Hermosilla and Alejandra Beghelli and Danilo Bórquez-Paredes and Astrid Lozada and Nicolás Jara and Ricardo Olivares and Gabriel Saavedra},
journal= {arXiv preprint arXiv:2207.02074},
year = {2022}
}
备注
11 pages, 10 figures