软件定义网络(software-defined networks,SDN)流量调度提升网络性能和资源利用率、实现节能和负载均衡至关重要.传统的多目标优化算法在高流量和网络动态性增加的情况下显著影响算法的收敛速度,难以满足复杂网络环境的多样化需求.针对...软件定义网络(software-defined networks,SDN)流量调度提升网络性能和资源利用率、实现节能和负载均衡至关重要.传统的多目标优化算法在高流量和网络动态性增加的情况下显著影响算法的收敛速度,难以满足复杂网络环境的多样化需求.针对此问题,提出了一种基于深度强化学习的流量预测在线路由算法——OTPR-DRL:根据流量特征预测关键流和普通流,结合网络状态和流量信息建立线性规划问题获得关键流路由的最优解.为满足普通流不同服务质量(quality of service,QoS)需求,引入通用效用函数实现多目标优化,通过多智能体和优先级经验回放机制为普通流选择路由.实验结果表明,在高流量强度下,OTPR-DRL与现有的算法相比,提高了收敛速度,至少降低了10.26%的网络传输时延,3.09%的丢包率,提高了1.70%的吞吐率.展开更多
文摘软件定义网络(software-defined networks,SDN)流量调度提升网络性能和资源利用率、实现节能和负载均衡至关重要.传统的多目标优化算法在高流量和网络动态性增加的情况下显著影响算法的收敛速度,难以满足复杂网络环境的多样化需求.针对此问题,提出了一种基于深度强化学习的流量预测在线路由算法——OTPR-DRL:根据流量特征预测关键流和普通流,结合网络状态和流量信息建立线性规划问题获得关键流路由的最优解.为满足普通流不同服务质量(quality of service,QoS)需求,引入通用效用函数实现多目标优化,通过多智能体和优先级经验回放机制为普通流选择路由.实验结果表明,在高流量强度下,OTPR-DRL与现有的算法相比,提高了收敛速度,至少降低了10.26%的网络传输时延,3.09%的丢包率,提高了1.70%的吞吐率.