互联网智能路由架构及算法

发布时间：2024-03-15 04:37

　　突发流量在网络中非常普遍,会严重损害用户体验。突发流量往往能在短时间(如毫秒级别)内充满链路,导致网络拥塞和频繁分组丢失,端到端时延增加。传统路由算法要么是流量无关(如OSPF(open shortest path first,开放式最短路径优先))的,无法对实时流量的变化做出调整;要么是集中式控制的(如线性规划),面临求解时延过大而无法有效应对突发流量的问题。提出了一种新的智能路由算法解决突发流量的问题。一方面,提出的算法能利用机器学习强大的建模能力,通过对网络历史数据的挖掘来学习"隐式"的路由决策依据。另一方面,提出的算法能借助机器学习的快速推理能力降低决策时延,提高系统对突发流量的响应速度。实验结果表明,在真实流量数据集下,相比较其他路由算法,提出的智能路由算法能降低13%～70%的瓶颈链路利用率。

【文章页数】：9 页

【部分图文】：

图4在Abilene数据集下的MLUratio性能对比

首先，在Abilene数据集下的MLUratio性能对比如图4所示。在Abilene数据集下，本文算法能取得平均1.31的MLUratio性能，而DRL-TE、SP、KSP、ECMP和OR分别取得1.51、1.82、4.2、2.31和2.52的MLUratio的性能。本文算....

图2智能节点示意图

本节介绍强化学习智能体（包括动作、状态和奖励3部分）的建模过程。(1）策略和动作

图3多智能体强化学习的建模

其次，本文采用5种典型路由算法作为对比实验，它们分别是最短路优先算法（shortestpathfirst,SPF）、K条最短路径（K-shortest-path,KSP）等价多路径（equal-costmulti-path,ECMP)[4]，深度强化学习—流量工程（deep....

图1智能路由体系架构

本文基于深度强化学习的准确建模能力和快速推理能力来设计智能路由算法。智能路由体系架构如图1所示，整个算法架构分为离线训练系统和在线推理系统两部分。因为机器学习的训练过程慢，但是推理速度很快，因此本文提出应将训练过程和推理过程分离以保证推理速度。其中，训练过程发生在线下训练中心。训....

本文编号：3928571