論文の概要: Deep Reinforcement Learning for Fault-Adaptive Routing in Eisenstein-Jacobi Interconnection Topologies

• arxiv url: http://arxiv.org/abs/2601.21090v1
• Date: Wed, 28 Jan 2026 22:25:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.463122
• Title: Deep Reinforcement Learning for Fault-Adaptive Routing in Eisenstein-Jacobi Interconnection Topologies
• Title（参考訳）: アイゼンシュタイン-ヤコビ連系トポロジーにおける断層適応ルーティングの深部強化学習
• Authors: Mohammad Walid Charrwi, Zaid Hussain,
• Abstract要約: アイゼンシュタイン・ヤコビ (Eysenstein-Jacobi, EJ) ネットワークは優れた位相特性を提供するが、断層条件下での伝統的な経路に挑戦する。 本稿では, 決定論的グリーディ適応ルーティング, 理論的に最適であるDijkstraのアルゴリズム, 強化学習(RL)に基づくアプローチの3つの障害環境におけるルーティングパラダイムを評価する。 RLエージェントは、94%の効率的なリーチ性と91%のパケット配信を実現し、分散デプロイメントに適している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing density of many-core architectures necessitates interconnection networks that are both high-performance and fault-resilient. Eisenstein-Jacobi (EJ) networks, with their symmetric 6-regular topology, offer superior topological properties but challenge traditional routing heuristics under fault conditions. This paper evaluates three routing paradigms in faulty EJ environments: deterministic Greedy Adaptive Routing, theoretically optimal Dijkstra's algorithm, and a reinforcement learning (RL)-based approach. Using a multi-objective reward function to penalize fault proximity and reward path efficiency, the RL agent learns to navigate around clustered failures that typically induce dead-ends in greedy geometric routing. Dijkstra's algorithm establishes the theoretical performance ceiling by computing globally optimal paths with complete topology knowledge, revealing the true connectivity limits of faulty networks. Quantitative analysis at nine faulty nodes shows greedy routing catastrophically degrades to 10% effective reachability and packet delivery, while Dijkstra proves 52-54% represents the topological optimum. The RL agent achieves 94% effective reachability and 91% packet delivery, making it suitable for distributed deployment. Furthermore, throughput evaluations demonstrate that RL sustains over 90% normalized throughput across all loads, actually outperforming Dijkstra under congestion through implicit load balancing strategies. These results establish RL-based adaptive policies as a practical solution that bridges the gap between greedy's efficiency and Dijkstra's optimality, providing robust, self-healing communication in fault-prone interconnection networks without requiring the global topology knowledge or computational overhead of optimal algorithms.
• Abstract（参考訳）: マルチコアアーキテクチャの密度の増大は、高性能かつフォールトトレリエントな相互接続ネットワークを必要とする。 アイゼンシュタイン・ヤコビ (Eysenstein-Jacobi, EJ) ネットワークは対称な6-正則トポロジーを持ち、優れた位相的性質を提供するが、断層条件下では伝統的なルーティングヒューリスティックに挑戦する。 本稿では, 決定論的グリーディ適応ルーティング, 理論的に最適であるDijkstraのアルゴリズム, 強化学習(RL)に基づくアプローチの3つの障害EJ環境におけるルーティングパラダイムを評価する。 RLエージェントは、多目的報酬関数を使用して、故障近接と報奨経路効率をペナルライズする。 Dijkstraのアルゴリズムは、完全なトポロジ知識を持つグローバル最適経路を計算することで理論的な性能天井を確立し、欠陥ネットワークの真の接続限界を明らかにする。 9つの障害ノードの定量的解析では、悲惨なルーティングが破滅的に10%に低下し、Dijkstraは52-54%がトポロジカルな最適化を表していることを証明している。 RLエージェントは、94%の効率的なリーチ性と91%のパケット配信を実現し、分散デプロイメントに適している。 さらにスループット評価では、RLはすべての負荷に対して90%以上の正規化スループットを維持しており、暗黙の負荷分散戦略を通じて、実際に混雑下でのDijkstraよりも優れています。 これらの結果は、Greedyの効率とDijkstraの最適性のギャップを埋める実用的なソリューションとしてRLベースの適応ポリシーを確立し、グローバルなトポロジ知識や最適アルゴリズムの計算オーバーヘッドを必要とせずに、障害発生性相互接続ネットワークにおける堅牢で自己修復的な通信を提供する。

関連論文リスト

• Optimisation of Resource Allocation in Heterogeneous Wireless Networks Using Deep Reinforcement Learning [0.0]
  異種無線ネットワーク(HetNets)における動的リソース割り当ては,ユーザ負荷やチャネル条件の異なる従来の手法では困難である。 本稿では,伝送電力,帯域幅,スケジューリングを多目的報酬分散スループット,エネルギー効率,公平性を通じて協調的に最適化する深層強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-29T09:48:00Z)
• GDSG: Graph Diffusion-based Solution Generator for Optimization Problems in MEC Networks [109.17835015018532]
  グラフ拡散型ソリューション生成(GDSG)法を提案する。 このアプローチは、おそらく最適な解に収束しながら、最適以下のデータセットを扱うように設計されている。 グラフニューラルネットワーク(GNN)を用いたマルチタスク拡散モデルとしてGDSGを構築し,高品質な解の分布を求める。
  論文  参考訳（メタデータ） (2024-12-11T11:13:43Z)
• 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)
• Multi Agent DeepRL based Joint Power and Subchannel Allocation in IAB networks [0.0]
  統合アクセスとバックハウリング(IRL)は、将来の世代におけるより高いデータレートに対する前例のない要求を満たすための、実行可能なアプローチである。 本稿では,分数ノードに付随する巨大なアクション空間の問題を,Deep Q-Learning Networkを用いて処理する方法を示す。
  論文  参考訳（メタデータ） (2023-08-31T21:30:25Z)
• Network Topology Optimization via Deep Reinforcement Learning [37.31672024989399]
  本稿では,ネットワークトポロジ最適化のために,アドバンテージアクタ批判グラフ探索 (A2C-GS) と呼ばれる新しい強化学習アルゴリズムを提案する。 A2C-GSは、生成されたネットワークトポロジの正しさを検証する検証器、トポロジを効率的に近似するグラフニューラルネットワーク(GNN)、トポロジ探索を行うDRLアクター層を含む3つの新しいコンポーネントから構成される。 実ネットワークシナリオに基づくケーススタディを行い,A2C-GSの効率と性能の両面において優れた性能を示した。
  論文  参考訳（メタデータ） (2022-04-19T07:45:07Z)
• CATRO: Channel Pruning via Class-Aware Trace Ratio Optimization [61.71504948770445]
  本稿では,CATRO (Class-Aware Trace Ratio Optimization) を用いた新しいチャネルプルーニング手法を提案する。 CATROは、他の最先端チャネルプルーニングアルゴリズムと同等の精度で、同様のコストまたは低コストで高い精度を達成できることを示す。 CATROは、クラス認識の特性のため、様々な分類サブタスクに適応的に効率の良いネットワークを創り出すのに適している。
  論文  参考訳（メタデータ） (2021-10-21T06:26:31Z)
• A Heuristically Assisted Deep Reinforcement Learning Approach for Network Slice Placement [0.7885276250519428]
  本稿では,Deep Reinforcement Learning(DRL)に基づくハイブリッド配置ソリューションと,Power of Two Choices原則に基づく専用最適化を提案する。 提案したHuristically-Assisted DRL (HA-DRL) は,他の最先端手法と比較して学習プロセスの高速化と資源利用の促進を可能にする。
  論文  参考訳（メタデータ） (2021-05-14T10:04:17Z)
• On Topology Optimization and Routing in Integrated Access and Backhaul Networks: A Genetic Algorithm-based Approach [70.85399600288737]
  IABネットワークにおけるトポロジ最適化とルーティングの問題について検討する。 我々は、IABノード配置と非IABバックホールリンク分布の両方に効率的な遺伝的アルゴリズムベースのスキームを開発する。 メッシュベースのIABネットワークを実現する上での課題について論じる。
  論文  参考訳（メタデータ） (2021-02-14T21:52:05Z)
• Theory-Inspired Path-Regularized Differential Network Architecture Search [206.93821077400733]
  差分アーキテクチャサーチ(DARTS)における高速ネットワーク最適化に対するスキップ接続の影響と,他のタイプの操作に対する競争上の優位性について検討する。 i)操作間の不当競争を避けるために各操作に導入された差分群構造スパース二乗ゲートと,(ii)浅部より収束する深部アーキテクチャの探索を誘導するために用いられる経路深度正規化の2つの主要なモジュールからなる理論に着想を得た経路規則化DARTSを提案する。
  論文  参考訳（メタデータ） (2020-06-30T05:28:23Z)
• 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)

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。