本文提出了一种基于冲突驱动约束学习（CDCL）的方法，通过智能管理学习到的约束条件来有效地更新流推理算法的遗留解决方案，研究了强化学习在连续评估先前计算的约束条件的实用性，并在真实世界的重构问题上取得了显着的性能提升，为流推理场景提供了新的解决思路。

Aug, 2020

使用机器学习的新方法 GraphCC 来优化数据中心网络中的拥塞控制，通过多智能体强化学习和图神经网络来优化全局拥塞控制配置，与基于 ECN 的拥塞控制协议兼容，并在各种情景下展示了较高的性能。

Aug, 2023

本文介绍了各种各样的 AI 和机器学习技术，用于发展认知路由协议，并调查了各种 AI 技术类别在 CRN 中的应用，特别是在路由问题上。同时，我们强调了认知路由协议必须解决的各种推理、推断、建模和学习子任务，并确定了开放性研究问题和未来工作的方向。

Aug, 2013

使用 DRL 的 Wolpertinger 架构技术实现内容缓存管理，以优化网络缓存命中率，不需要先验知识，与 LRU、LFU、FIFO 策略相比，相应性能更好，且比 DQL 更为稳定和高效。

Dec, 2017

使用强化学习算法，将复杂的神经网络转化为决策树的形式，从而实现计算器能力有限的网络设备上的实时拥塞控制，与生产中使用的拥塞控制算法相比具有更好的性能。

Jul, 2022

本文提出一种基于多智能体框架的深度强化学习方法以最小化整体平均传输延迟，通过与三种不同的缓存策略对比，结果显示出该算法对于不同环境的能力更强，性能也更好。

May, 2019

基于 Hazard Rate（HR）排序的 HR-Cache 是一种学习为基础的缓存框架，通过利用上界的规则指导缓存淘汰决策，并通过轻量级的机器学习模型提高字节命中率在边缘环境中的性能。实验结果表明，HR-Cache 相较于现有的最先进方法，在 WAN 流量节省方面具有 2.2-14.6% 的优势，不仅优于启发式缓存策略，还优于现有的基于学习的算法。

Feb, 2024

本文研究通过对中国一座大都市两周之内的两百万用户观看约 30 万个唯一视频的真实数据集进行分析，提出了基于移动视频请求模式和边缘内容缓存影响的缓存策略，并且使用实验数据对其进行了验证。

Feb, 2017

智能应用和计算与网络融合的最新进展推动了计算和网络融合系统的发展。然而，现有研究未能实现对计算和网络资源的全面调度优化，从而导致一些计算请求的要求无法在端到端服务模式中得到保证，对计算和网络融合系统的发展产生负面影响。本文提出了一种分布式协作路由框架，用于计算和网络融合系统，以确保截止日期要求并最小化请求的计算成本。该框架包括交易平面、管理平面、控制平面和转发平面。交叉平面协作端到端路由方案在制定路由计划时考虑了异构服务器的计算效率和网络拥塞程度，从而确定在哪里执行请求和对应的路由路径。仿真结果证实了我们的路由方案在计算和网络融合系统中调度计算请求的性能。

Feb, 2024

本文研究了 Fog-RANs 中的缓存放置问题，并提出了中心化和分布式的缓存放置策略来最小化用户平均下载延迟，同时考虑了灵活的物理层传输方案和不同用户的内容偏好。通过利用缓存和合作增益，这些策略可以显著减少用户的平均下载延迟。

Aug, 2017