.png){kind=icon}
返回
PROM: A persistent routing optimization method based on supervised learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jnca.2025.104223.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统交通工程（TE）通常通过制定和求解基于测量或预测的流量矩阵（TMs）的路由优化问题来提高网络性能。然而，由于网络流量是动态变化的，针对当前测量TMs优化的路由策略可能不适合未来的流量模式。为适应动态流量，一种可能的解决方案是执行更频繁的路由更新，但这可能导致服务中断。另一种方法是预测后优化的两步法，由于流量预测的不准确性，可能导致路由策略性能下降。此外，现有方法仅关注分布式或集中式网络，缺乏适应不同网络架构的灵活性。为解决这些挑战，我们提出了PROM，一种基于机器学习（ML）的路由优化模型，该模型基于历史流量以端到端的方式直接预测有效的路由策略。此路由策略适用于多个未来的TMs，从而减少频繁路由更新的需求。此外，PROM可以轻松地从集中式实现扩展到分布式实现，以适应不同的网络架构。为增强模型性能，我们还设计了针对路由优化场景的自定义损失函数，以避免过拟合。广泛的仿真结果表明，PROM能够在未来的未知流量场景中预测高质量的路线策略，并且能够适应集中式和分布式网络架构。
期刊
IF:
8
论文数:
3.7K
被引数:
1.1W
机构
暂无机构信息
引用论文
FlexDATE: Flexible and Disturbance-Aware Traffic Engineering With Reinforcement Learning in Software-Defined NetworksFlexDATE: 软件定义网络中具有强化学习的灵活且具有干扰感知的流量工程
PREAI
分享收藏Coping with network failures.png)
Proceedings of the joint international conference on Measurement and modeling of computer systems
Proceedings of the joint international conference on Measurement and modeling of computer systemsIF0
PREAI
分享收藏分享收藏
RO-RO: Routing Optimality - Reconfiguration Overhead Balance in Software-Defined ISP NetworksRo-ro: 软件定义ISP网络中的路由最优性-重新配置开销平衡
PREAI
分享收藏分享收藏分享收藏
查看更多内容