.png){kind=icon}
返回
AI-powered dynamic queue optimization in bursty multi traffic environment
.png){kind=icon}
OA
AI
DOI：10.1186/s13677-026-00884-8.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现代宽带接入网络越来越多地承载由云辅助应用、实时通信服务和短形式多媒体交换产生的异构、时延敏感型流量。这些工作负载具有突发性的ON/OFF数据包动态特性，形成密集到达簇，常规的GPON/XGS-PON上行调度器难以处理。本研究提出了一种基于深度Q网络（DQN）的AI驱动动态带宽分配（AI-DBA）框架，该框架观察视频、语音和数据流量的全局队列状态，并执行自适应的准入/优先级/调度决策。DQN代理通过经验回放和基于奖励的交互学习自适应调度策略，以预测突发形成、清空高压力队列并平滑资源分配。仿真结果表明，DQN-DBA保持近零缓冲队列，并在所有流量类别中消除观察到的丢包，同时稳定延迟和抖动曲线；而TCP和QCT-ARED在同一突发流量条件下则经历长队列堆积、更高的丢包率以及高延迟/抖动波动。在两项实验中，所提出的方法均持续优于所有基线方案。相较于非AI方案，AI模型将丢包率降低72.84%，平均等待时间（延迟）降低41.73%。在第二项实验中，针对视频、语音和数据流量，DQN-DBA相较于TCP和QCT-ARED均实现了100%的观察丢包率降低，相对于TCP和QCT-ARED分别约降低了74.7%和66.3%的稳态延迟，并相对于TCP和QCT-ARED分别提高了约558%～634%和343%～384%的吞吐量。结果表明，AI驱动的上行调度为下一代PON架构中管理突发型多流量负载提供了稳健、可扩展且高度自适应的解决方案。
Keyword:
Reinforcement learning
Dynamic bandwidth allocation
Deep Q-Network (DQN)
Bursty multi-class traffic
Passive optical networks (PONs)
Quality of service (QoS)
Active queue management (AQM)
ACQ-ARED
TCP
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
J
IF:
0
论文数:
103
被引数:
0
机构
引用论文
分享收藏Multiple Control Policy in Unreliable Two-Phase Bulk Queueing System with Active Bernoulli Feedback and Vacation.png)
Mathematics
MathematicsIF0
PREAI
分享收藏Data transmission optimization in edge computing using multi-objective reinforcement learning基于多目标强化学习的边缘计算数据传输优化
PREAI
分享收藏
DESiRED — Dynamic, Enhanced, and Smart iRED: A P4-AQM with Deep Reinforcement Learning and In-band Network TelemetryDESiRED — 动态、增强和智能的iRED：一种结合深度强化学习和带内网络遥测的P4-AQMOAAI
OAAI分享收藏
查看更多内容