.png){kind=icon}
返回
DeeP-TE: Data-Enabled Predictive Traffic Engineering
.png){kind=icon}
PRE
AI
DOI：10.1109/TON.2025.3629694.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
网络的路径配置应持续适应流量变化以实现良好的网络性能。自适应路由面临两个主要挑战：1）如何准确测量/估计时变的流量矩阵？2）如何控制由频繁路径更改引起的网络和应用性能下降？本文提出了一种新颖的数据赋能预测型流量工程（DeeP-TE）算法，该算法通过优雅地随时间调整路径配置来最小化网络拥塞。我们的控制算法能够直接从历史路径数据和相应的链路速率数据生成路径更新，无需直接测量或估计流量矩阵。在真实网络拓扑和真实流量矩阵上的数值实验表明，所提出的DeeP-TE路径自适应算法能够以显著低于基线方法的路径变化实现接近最优的控制效果。
Keyword:
Traffic engineering
data-driven model predictive control
software defined network
期刊
I
IF:
0
论文数:
551
被引数:
0
机构
引用论文
.png){kind=icon}
查看更多内容