論文の概要: Robust Path Selection in Software-defined WANs using Deep Reinforcement
Learning
- arxiv url: http://arxiv.org/abs/2212.11155v2
- Date: Thu, 22 Dec 2022 04:45:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 11:26:15.101788
- Title: Robust Path Selection in Software-defined WANs using Deep Reinforcement
Learning
- Title（参考訳）: 深層強化学習を用いたソフトウェア定義wanのロバスト経路選択
- Authors: Shahrooz Pouryousef, Lixin Gao and Don Towsley
- Abstract要約: 本稿では、経路計算と経路更新のオーバーヘッドを考慮した、ネットワーク内の経路選択を行うデータ駆動アルゴリズムを提案する。
提案手法は,ECMPなどの従来のTE方式に比べてリンク利用率を40%削減できる。
- 参考スコア（独自算出の注目度）: 18.586260468459386
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the context of an efficient network traffic engineering process where the
network continuously measures a new traffic matrix and updates the set of paths
in the network, an automated process is required to quickly and efficiently
identify when and what set of paths should be used. Unfortunately, the burden
of finding the optimal solution for the network updating process in each given
time interval is high since the computation complexity of optimization
approaches using linear programming increases significantly as the size of the
network increases. In this paper, we use deep reinforcement learning to derive
a data-driven algorithm that does the path selection in the network considering
the overhead of route computation and path updates. Our proposed scheme
leverages information about past network behavior to identify a set of robust
paths to be used for multiple future time intervals to avoid the overhead of
updating the forwarding behavior of routers frequently. We compare the results
of our approach to other traffic engineering solutions through extensive
simulations across real network topologies. Our results demonstrate that our
scheme fares well by a factor of 40% with respect to reducing link utilization
compared to traditional TE schemes such as ECMP. Our scheme provides a slightly
higher link utilization (around 25%) compared to schemes that only minimize
link utilization and do not care about path updating overhead.
- Abstract（参考訳）: ネットワークが新しいトラフィックマトリックスを継続的に測定し、ネットワーク内のパスの集合を更新する効率的なネットワークトラフィックエンジニアリングプロセスの文脈では、いつ、どのパスを使用するべきかを迅速かつ効率的に特定する自動化プロセスが必要である。
残念なことに、線形プログラミングを用いた最適化手法の計算複雑性は、ネットワークのサイズが大きくなるにつれて著しく増加するため、各時間間隔でネットワーク更新プロセスの最適解を求める負担が高い。
本稿では,経路計算と経路更新のオーバーヘッドを考慮したネットワーク内の経路選択を行うデータ駆動アルゴリズムを,深層強化学習を用いて導出する。
提案手法では,過去のネットワーク動作に関する情報を活用して,複数時間間隔で使用する頑健な経路の集合を同定し,ルータのフォワード動作を頻繁に更新するオーバーヘッドを回避する。
実ネットワークトポロジにまたがる広範なシミュレーションにより,提案手法を他の交通工学ソリューションと比較した。
提案手法は,ECMPなどの従来のTE方式に比べてリンク利用率を40%削減できることを示した。
提案方式は,リンク利用を最小化し,経路更新のオーバーヘッドを考慮しない方式に比べ,リンク利用率(約25%)をやや高めている。
関連論文リスト
- 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) - A Deep Reinforcement Learning Approach for Adaptive Traffic Routing in
Next-gen Networks [1.1586742546971471]
次世代ネットワークは、トラフィックダイナミクスに基づいたネットワーク構成を自動化し、適応的に調整する必要がある。
交通政策を決定する伝統的な手法は、通常は手作りのプログラミング最適化とアルゴリズムに基づいている。
我々は適応的なトラフィックルーティングのための深層強化学習(DRL)アプローチを開発する。
論文 参考訳（メタデータ） (2024-02-07T01:48:29Z) - Learning State-Augmented Policies for Information Routing in
Communication Networks [92.59624401684083]
我々は,グラフニューラルネットワーク(GNN)アーキテクチャを用いて,ソースノードの集約情報を最大化する,新たなステート拡張(SA)戦略を開発した。
教師なし学習手法を利用して、GNNアーキテクチャの出力を最適情報ルーティング戦略に変換する。
実験では,実時間ネットワークトポロジの評価を行い,アルゴリズムの有効性を検証した。
論文 参考訳（メタデータ） (2023-09-30T04:34:25Z) - An Intelligent SDWN Routing Algorithm Based on Network Situational
Awareness and Deep Reinforcement Learning [4.085916808788356]
本稿では、ネットワーク状況認識による深層強化学習に基づくインテリジェントルーティングアルゴリズム(DRL-PPONSA)を紹介する。
実験の結果,DRL-PPONSAはネットワークスループット,遅延,パケット損失率,無線ノード距離において従来のルーティング手法よりも優れていた。
論文 参考訳（メタデータ） (2023-05-12T14:18:09Z) - Proactive Resilient Transmission and Scheduling Mechanisms for mmWave
Networks [29.17280879786624]
本稿では、任意のミリ波(mmWave)ネットワークにおいて、複数の経路にまたがるトラフィックを適切に分散するレジリエント伝送機構を開発することを目的とする。
リンク障害に対するレジリエンスを実現するため,ネットワークを介した情報の流れに適応する最先端のソフトアクタ・クリティカルDRLについて検討した。
論文 参考訳（メタデータ） (2022-11-17T02:52:27Z) - Fidelity-Guarantee Entanglement Routing in Quantum Networks [64.49733801962198]
絡み合いルーティングは、2つの任意のノード間のリモート絡み合い接続を確立する。
量子ネットワークにおける複数のソース・デスティネーション(SD)ペアの忠実性を保証するために、精製可能な絡み合わせルーティング設計を提案する。
論文 参考訳（メタデータ） (2021-11-15T14:07:22Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - Better than the Best: Gradient-based Improper Reinforcement Learning for
Network Scheduling [60.48359567964899]
パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。
我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
論文 参考訳（メタデータ） (2021-05-01T10:18:34Z) - Relational Deep Reinforcement Learning for Routing in Wireless Networks [2.997420836766863]
我々は,トラフィックパターン,混雑レベル,ネットワーク接続性,リンクダイナミクスを一般化した,深層強化学習に基づく分散ルーティング戦略を開発した。
提案アルゴリズムは,パケットの配送やパケット毎の遅延に対して,最短経路とバックプレッシャルーティングに優れる。
論文 参考訳（メタデータ） (2020-12-31T16:28:21Z) - Purification and Entanglement Routing on Quantum Networks [55.41644538483948]
不完全なチャネルフィリティと限られたメモリ記憶時間を備えた量子ネットワークは、ユーザ間の絡み合いを分散することができる。
本稿では,量子ネットワーク上の2ノード間で共有される絡み合いを最大化するための高速パスフィニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-23T19:00:01Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2020-04-06T15:51:00Z)
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。