基于牵引控制的深度增强学习路由策略生成. 孙, 鹏., 兰, 巨., 申, 涓, & 胡, 宇. 计算机研究与发展.
基于牵引控制的深度增强学习路由策略生成 [link]Paper  abstract   bibtex   
当前网络规模的高速增长带来网络流量复杂度的日益提高,增加了对流量特征精确建模的难度.近年来业界提出使用深度增强学习技术实现网络路由的智能化生成,一定程度上克服了人工进行流量分析和建模的缺点.然而,目前提出的解决方案普遍存在可扩展性差等问题.对此,提出了一种基于牵引控制理论的深度增强学习路由策略生成技术Hierar-DRL,通过引入牵引控制理论并结合深度增强学习的自动策略搜索能力,提高了智能路由算法可扩展性.仿真实验结果表明,所提方案相比当前最优方案的端到端时延最多降低了28.5%,证明了所提智能路由方案的有效性.
@article{__nodate,
	title = {基于牵引控制的深度增强学习路由策略生成},
	issn = {1000-1239},
	url = {https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJDAY&filename=JFYZ20210125001&v=8SqcXNnYzq2EiT7cTJlOWMKj49%25mmd2BvIBxSfi7RhYLeWUAi%25mmd2FBzh8o8qRxslDIo%25mmd2BUr0F},
	abstract = {当前网络规模的高速增长带来网络流量复杂度的日益提高,增加了对流量特征精确建模的难度.近年来业界提出使用深度增强学习技术实现网络路由的智能化生成,一定程度上克服了人工进行流量分析和建模的缺点.然而,目前提出的解决方案普遍存在可扩展性差等问题.对此,提出了一种基于牵引控制理论的深度增强学习路由策略生成技术Hierar-DRL,通过引入牵引控制理论并结合深度增强学习的自动策略搜索能力,提高了智能路由算法可扩展性.仿真实验结果表明,所提方案相比当前最优方案的端到端时延最多降低了28.5\%,证明了所提智能路由方案的有效性.},
	language = {中文},
	urldate = {2021-01-26},
	journal = {计算机研究与发展},
	author = {孙, 鹏浩 and 兰, 巨龙 and 申, 涓 and 胡, 宇翔},
	keywords = {artificial intelligence, deep reinforcement learning, pinning control, routing optimization, software-defined networking, 人工智能, 深度增强学习, 牵引控制, 路由优化, 软件定义网络},
	pages = {1--13},
}

Downloads: 0