基于强化学习的SDN路由方案,通过因果关系检测和GNN授权.

科学领域:

• 计算机科学 计算机科学
• 网络工程 网络工程
• 人工智能的人工智能

背景情况:

• 高质量的网络服务需要服务质量 (QoS) 路由,这是由扩展网络应用驱动的关键技术.
• 机器学习,特别是强化学习 (RL) 和图形神经网络 (GNN),对QoS路由具有前景.
• 现有的RL方法忽视了代理行动的因果影响,GNN努力代表路由的关键链接特征.

研究的目的:

• 为了解决当前RL和GNN方法对QoS路由的局限性.
• 量化智能代理和网络环境之间的因果影响,以改善行动空间探索.
• 增强GNN以在路由优化中有效地表示节点和链接特征.

主要方法:

• 应用因果推理技术来量化代理行为对网络环境的因果影响.
• 图形神经网络 (GNN) 用于嵌入节点和链接功能,改进网络表示.
• 建议采用集中强化学习 (RL) 方法,其中包含一个考虑网络性能和因果关系的奖励函数.

主要成果:

• 拟议的方法有效地实现了软件定义网络 (SDN) 环境中的QoS意识路由.
• 实验结果表明,与基线方法相比,在关键指标上表现优越.
• 在减少包丢失,最小化延迟和提高吞吐量方面观察到显著的改进.

结论:

• 与GNN整合因果推断为先进的QoS路由提供了一个有希望的方向.
• 开发的集中式RL方法为优化网络性能提供了有效的解决方案.
• 这项研究通过考虑因果关系和全面的网络特征来推进智能路由策略.