.png){kind=icon}
返回
GraphVNE: Graph-Level Matching for Efficient Virtual Network Embedding in Edge Computing
.png){kind=icon}
PRE
AI
DOI：10.1109/JIOT.2026.3656629.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
虚拟网络嵌入（VNE）在网络虚拟化中发挥着关键作用，特别是在边缘计算环境中，需要在动态工作负载和碎片化资源条件下实现低延迟和高效资源分配。尽管现有的VNE方法已演进以更好地适应动态需求，但它们往往导致严重的资源碎片化，限制了整体效率。为解决此问题，我们提出GraphVNE，一种基于强化学习（RL）的框架，通过融入图级匹配信息来获取更具结构感知的表示，从而提升VNE性能。具体而言，我们设计了一个图匹配模块（GMM），用于计算虚拟网络与物理网络之间的节点-图匹配分数，这些分数用于丰富特征表示并指导嵌入策略中更明智的决策。为进一步整合异构特征，我们设计了一种特征融合方法，将图内特征与跨图匹配特征相结合，生成两种针对双向动作选择优化的丰富表示。在GEANT数据集上的广泛实验表明，我们的设计持续优于当前最佳方法，与最强方法相比，收益-成本（R2C）比率提升了13.1%。此外，在高请求密度场景中表现出稳健性能，支持更可靠和可扩展的边缘服务。结果表明，GraphVNE有望显著提升VNE效率，为资源受限的边缘环境提供可扩展且有效的解决方案。
Keyword:
Edge computing
reinforcement learning (RL)
virtual network embedding (VNE)
期刊
IF:
8.9
论文数:
1.4W
被引数:
7.8W
机构
引用论文
分享收藏Reinforcement learning-based virtual network embedding: A comprehensive survey基于强化学习的虚拟网络嵌入: 综合综述.png)
ICT EXPRESS
OAAI
ICT EXPRESSIF4.2
OAAI分享收藏
查看更多内容