基于深度强化学习的SDN服务质量智能优化算法

罗伯特之技术屋

于 2024-01-10 20:34:35 发布

阅读量311

点赞数 3

分类专栏：大数据与数字化的设计应用专栏文章标签：算法

本文链接：https://blog.csdn.net/weixin_57147647/article/details/135512511

版权

大数据与数字化的设计应用专栏专栏收录该内容

94 篇文章 3 订阅 ¥69.90 ¥99.00

订阅专栏

超级会员免费看

本文提出了一种基于深度强化学习（DRL）的服务质量优化算法AQSDRL，解决SDN在数据中心网络中的QoS问题。AQSDRL采用softmax估计的SD3算法，结合SumTree的优先级经验回放机制，提升了算法的收敛速度和稳定性，有效降低了网络传输时延，增强了负载均衡性能。实验表明，与现有DRL算法相比，AQSDRL表现更优。

摘要由CSDN通过智能技术生成

摘要:

深度强化学习具有较强的决策能力和泛化能力，常被应用于软件定义网络（SDN, software defined network）的服务质量（QoS, quality of service）优化中。但传统深度强化学习算法存在收敛速度慢和不稳定等问题。提出一种基于深度强化学习的服务质量优化算法（AQSDRL, algorithm of quality of service optimization based on deep reinforcement learning），以解决SDN在数据中心网络（DCN, data center network）应用中的QoS问题。AQSDRL引入基于softmax估计的深层双确定性策略梯度（SD3, softmax deep double deterministic policy gradient）算法实现模型训练，并采用基于 SumTree 的优先级经验回放机制优化 SD3 算法，以更大的概率抽取具有更显著时序差分误差（TD-error, temporal-difference error）的样本来训练神经网络，有效提升算法的收敛速度和稳定性。实验结果表明，所提AQSDRL与现有的深度强化学习算法相比能够有效降低网络传输时延，且提高网络的负载均衡性能。

关键词：深度强化学习 ; 软件定义网络 ; 服务质量 ; 数据中心网络 ; SumTree