跨域场景下的联邦路由机制设计

发布时间：2024-05-27 22:33

　　随着多网融合的发展,独立自治域网络之间的高效互联互通已成为一个关键理论技术问题。由于域内信息的私密性,各自治域之间不会共享相关的数据,传统的域间路由协议无法提供高效的跨域路由机制。为克服现有协议存在的不足,提出了一种基于机器学习的联邦路由机制,该机制通过各自治域的神经网络模型和参数隐式地共享域内信息,不仅可打破现存的数据孤岛问题,还可极大地减少域间信息共享所需要传输的数据量,进而降低全网路由信息收敛时延,基于该联邦路由机制,边界路由器也能够根据全网状态信息制定全局的优化路由转发策略。

【文章页数】：8 页

【部分图文】：

图3基于神经网络的最短路径策略

基于神经网络的最短路径策略：神经网络的主要作用是隐式提供网络拓扑及链路状态数据，将域内信息抽象成一个黑盒，对传输需求提供路由策略。强大的神经网络模型可以满足多种需求的传输任务，不再仅限于传统BGP基于自治域跳数最短路径计算法原则，可根据需求充分利用域内链路资源和全局网络信息，提供....

图6跨地理域网络中的联邦路由机制

图5跨管理域网络中的联邦路由机制5结束语

图1路由反射机制实例

BGP是目前应用最为广泛的域间路由协议，当两个AS需要交换路由信息时，每个AS都必须指定一个运行BGP的节点即边界网关或边界路由器来代表所属的AS与其他AS交换路由信息。传统的BGP由于缺乏全网拓扑和全局流量观，则只能遵循标准BGP路由规则制定路由策略，但随着网络流量的爆发式增长....

图4多智能体强化学习架构

多智能体强化学习：强化学习非常适用解决决策类问题[20-21]，在自治域内使用强化学习进行路由决策已经取得了一定的进展[22-23]，多智能体在其他领域也得到了广泛应用[24-25]。基本的多智能体强化学习架构如图4所示，每个智能体根据环境状态（environment）得出相应的....

本文编号：3983118