Data evacuation optimization using multi-objective reinforcement learning

Xiaole Li

doi:10.1016/j.jnca.2025.104390

Data evacuation optimization using multi-objective reinforcement learning

2025-11-19

0

PRE

AI

DOI：10.1016/j.jnca.2025.104390

原文链接

摘要

En 中文

灾难发生后，云数据中心之间的快速数据疏散至关重要。数据疏散优化是一个包含目标选择和流量调度的两阶段过程。这两个阶段相互关联，同时疏散效率受疏散距离、带宽分配比和疏散流量总量影响。多因素间的相互约束使得难以通过单目标优化找到或近似最优解。本文提出了一种基于多目标强化学习的两阶段数据疏散策略，以疏散流量优化作为贯穿两阶段的核心优化目标。在第一阶段，同时最小化总路径长度并最大化总可用带宽，以确定每个疏散传输的源-目标对。在第二阶段，同时分配比例带宽并最大化疏散流量总量，以寻找路径并为每个疏散传输分配带宽。基于候选集分类设置奖励函数，在确保获得可行解的同时搜索最优解。采用切比雪夫标量化函数评估动作奖励并优化动作选择过程。基于不同数据量和网络规模的性能比较，与当前先进算法进行对比。仿真结果表明，新策略在疏散效率、收敛性和鲁棒性方面优于其他算法。

Data evacuation optimization using multi-objective reinforcement learning

摘要

期刊

机构

引用论文