基于SDWN中的多代理深度强化学习的智能多播路由方法

科学领域:

• 计算机科学 计算机科学
• 网络化 网络化 网络化
• 人工智能的人工智能

背景情况:

• 传统的无线网络在多播路由方面难以处理动态状态信息,从而影响服务质量 (QoS).
• 无线环境中的设备密度高加剧了高效多播通信的挑战.

研究的目的:

• 为软件定义无线网络 (SDWN) 环境提出一个新的多播路由方法,MADRL-MR.
• 为了提高吞吐量,减少延迟,并在密集的无线网络中提高多播路由效率.

主要方法:

• 利用软件定义无线网络 (SDWN) 实现灵活的网络配置和通过流量矩阵获取全球状态信息.
• 采用多代理深度增强学习 (MADRL) 来将多播路由划分为合作子问题.
• 基于流量,多播树状态和AP节点设计代理状态和动作空间,采用新的单跳动策略和四态奖励函数.

主要成果:

• 在吞吐量,延迟和数据包丢失率方面,MADRL-MR在现有算法上表现出优越的性能.
• 该方法在动态网络条件下成功建立了更智能的多播路线.
• 分散培训与转移学习加快了融合,提高了代理人的适应能力.

结论:

• 在密集,动态的无线网络中,MADRL-MR为多播路由提供了强大而智能化的解决方案.
• SDWN和MADRL的集成为网络性能和QoS提供了显著的优势.
• 拟议的方法有效地解决了传统的多播路由方法的局限性.