論文の概要: Machine Learning Applications in the Routing in Computer Networks
- arxiv url: http://arxiv.org/abs/2104.01946v1
- Date: Mon, 5 Apr 2021 15:08:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-06 14:13:51.674542
- Title: Machine Learning Applications in the Routing in Computer Networks
- Title（参考訳）: コンピュータネットワークにおけるルーティングにおける機械学習応用
- Authors: Ke Liang and Mitchel Myers
- Abstract要約: インターネットトラフィックの量が増え続ける中、ルーティングアルゴリズムの開発は明らかに重要です。
集中型と分散型の両方のMLルーティングアーキテクチャを調査した。
14のルーティングアルゴリズムに2つのルーティングプロトコルを実装し,その効果を確認した。
- 参考スコア（独自算出の注目度）: 0.9020406183127511
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Development of routing algorithms is of clear importance as the volume of
Internet traffic continues to increase. In this survey, there is much research
into how Machine Learning techniques can be employed to improve the performance
and scalability of routing algorithms. We surveyed both centralized and
decentralized ML routing architectures and using a variety of ML techniques
broadly divided into supervised learning and reinforcement learning. Many of
the papers showed promise in their ability to optimize some aspect of network
routing. We also implemented two routing protocols within 14 surveyed routing
algorithms and verified the efficacy of their results. While the results of
most of the papers showed promise, many of them are based on simulations of
potentially unrealistic network configurations. To provide further efficacy to
the results, more real-world results are necessary.
- Abstract（参考訳）: インターネットトラフィックの増大に伴い、ルーティングアルゴリズムの開発は明らかに重要である。
このサーベイでは、ルーティングアルゴリズムの性能とスケーラビリティを改善するために機械学習技術をどのように利用できるか、多くの研究がなされている。
集中型および分散型mlルーティングアーキテクチャと,教師付き学習と強化学習に広く分割されたさまざまなml技術の両方を調査した。
論文の多くは、ネットワークルーティングのいくつかの側面を最適化できることを約束している。
また,14のルーティングアルゴリズム内に2つのルーティングプロトコルを実装し,その効果を確認した。
ほとんどの論文の結果は有望であるが、その多くが潜在的に非現実的なネットワーク構成のシミュレーションに基づいている。
結果にさらなる有効性を与えるには、より実世界の結果が必要である。
関連論文リスト
- Learning Sub-Second Routing Optimization in Computer Networks requires Packet-Level Dynamics [15.018408728324887]
強化学習は、ルーティング決定を提供するネットワーク表現を学ぶのに役立つ。
汎用ネットワークトポロジにおけるルーティングのための最初のパケットレベル強化学習環境であるtextitPackeRL$を提示する。
また、サブ秒間ルーティング最適化を学習するための2つの新しいアルゴリズムも導入する。
論文 参考訳（メタデータ） (2024-10-14T11:03:46Z) - Intelligent Routing Algorithm over SDN: Reusable Reinforcement Learning Approach [1.799933345199395]
本稿では,再利用可能なRLSRルーティングアルゴリズム RLSR-Routing をSDN上で開発する。
我々のアルゴリズムは従来の手法よりもロードバランシングの点で優れた性能を示している。
また、複数のトラフィック要求のパスを見つける際には、再利用不可能なRLアプローチよりも早く収束する。
論文 参考訳（メタデータ） (2024-09-23T17:15:24Z) - Online Network Source Optimization with Graph-Kernel MAB [62.6067511147939]
大規模ネットワークにおける最適なソース配置をオンラインで学習するためのグラフカーネルマルチアームバンディットアルゴリズムであるGrab-UCBを提案する。
適応グラフ辞書モデルを用いて,ネットワークプロセスを記述する。
我々は、ネットワークパラメータに依存する性能保証を導出し、シーケンシャルな意思決定戦略の学習曲線にさらに影響を及ぼす。
論文 参考訳（メタデータ） (2023-07-07T15:03:42Z) - XRoute Environment: A Novel Reinforcement Learning Environment for
Routing [8.797544401458476]
我々は,新しい強化学習環境であるXRoute Environmentを紹介した。
エージェントは、高度なエンドツーエンドのルーティングフレームワークでネットを選択してルーティングするように訓練される。
結果として生じる環境は難しく、使いやすく、カスタマイズし、追加のシナリオを追加します。
論文 参考訳（メタデータ） (2023-05-23T08:46:25Z) - MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion
Control in Real Networks [63.24965775030673]
そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。
我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。
我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
論文 参考訳（メタデータ） (2023-02-02T18:27:20Z) - Learning Enhanced Optimisation for Routing Problems [3.747361228408185]
L2GLS(Learning to Guide Local Search)は、ルーティング問題に対する学習ベースのアプローチである。
L2GLSは、局所探索(LS)演算子の強度とペナルティ項を組み合わせ、局所最適から逃れる。
L2GLSは、他の機械学習手法よりも大きなTSPとCVRPに対して、最先端の新たな結果が得られることを示す。
論文 参考訳（メタデータ） (2021-09-17T04:47:26Z) - Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。
UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
論文 参考訳（メタデータ） (2021-08-20T12:09:38Z) - A Tutorial on Ultra-Reliable and Low-Latency Communications in 6G:
Integrating Domain Knowledge into Deep Learning [115.75967665222635]
超信頼性・低レイテンシ通信(URLLC)は、様々な新しいミッションクリティカルなアプリケーションの開発の中心となる。
ディープラーニングアルゴリズムは、将来の6GネットワークでURLLCを実現する技術を開発するための有望な方法と考えられている。
このチュートリアルでは、URLLCのさまざまなディープラーニングアルゴリズムにドメイン知識を組み込む方法について説明する。
論文 参考訳（メタデータ） (2020-09-13T14:53:01Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳（メタデータ） (2020-08-10T06:07:52Z) - Fitting the Search Space of Weight-sharing NAS with Graph Convolutional
Networks [100.14670789581811]
サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。
この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
論文 参考訳（メタデータ） (2020-04-17T19:12:39Z) - Towards Cognitive Routing based on Deep Reinforcement Learning [17.637357380527583]
本稿では,Deep Reinforcement Learning(DRL)に基づく認知的ルーティングの定義と実装アプローチを提案する。
DRLに基づく認知ルーティングの研究を容易にするために,DRLに基づくルーティングアルゴリズムの開発とシミュレーションのためのシミュレータRL4Netを導入する。
実例ネットワークトポロジのシミュレーション結果から,DDPGに基づくルーティングアルゴリズムはOSPFやランダムウェイトアルゴリズムよりも優れた性能を示すことが示された。
論文 参考訳（メタデータ） (2020-03-19T03:32:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。