神经包分类

Feb, 2019

Neural Packet Classification

Eric Liang, Hang Zhu, Xin Jin, Ion Stoica

TL;DR本文介绍了一个使用深度强化学习的方法来解决计算机网络中数据包分类的问题，通过策略生成决策树来优化分类时间和内存需求，并将其称为 NeuroCuts。研究表明，NeuroCuts 在分类时间中的中位数上优于现有的手工算法，可以提高达 18％，并且可以将时间和内存占用优化多达 3 倍。

Abstract

packet classification is a fundamental problem in computer networking. This problem exposes a hard tradeoff between the computation and state complexity, which makes it particularly challenging. To navigate this tradeoff, existing solutions rely on complex hand-tuned heuristics, which

packet classification deep reinforcement learning neurocuts decision tree performance metric

发现论文，激发创造

使用分解和强化学习进行多域包分类

本文提出了一种可扩展的基于学习的数据包分类引擎，通过深度强化学习构建不同规则集的有效数据结构，并使用不同的分组度量构建单独的决策树，结果显示，SD 分解度量比 DI 度量快 11.5％，比随机 2 快 25％，比随机 1 快 40％。

May, 2022

深度包：一种使用深度学习进行加密流量分类的新方法

本文提出了一种基于深度学习的网络流量分类方法 Deep Packet，通过嵌入堆叠自编码器和卷积神经网络将特征提取和分类融合为一体，能够识别加密和 VPN 网络流量，并取得了 95% 以上的分类准确率。

Sep, 2017

基于图注意力多智能体强化学习的分组路由

本文提出了一种基于强化学习（RL）的无模型和数据驱动路径选择策略，结合图神经网络（GNN）的多智能体 RL 框架，探索了中央化，联合和合作学习三种部署范式，模拟结果表明该算法在分组传输延迟和负载方面优于一些现有的基准算法。

Jul, 2021

使用深度强化学习进行代价昂贵的特征分类

本文研究一个分类问题，针对特征的代价进行优化，通过应用神经网络的顺序决策方法来解决分类问题，表现与专为此问题开发的算法相当，并且灵活性高，可通过引入预先训练的高性能分类器来改进。

Nov, 2017

分组分类的计算机实现方法

提出了一种新的方法 NuevoMatch，可以通过使用一种新的数据结构 RQ-RMI，将规则压缩为适合于硬件缓存的模型权重，实现数据中心网络中具有高吞吐量和低延迟的多领域数据包分类，其利用现代 CPU 中对快速神经网络处理的不断增强的支持，达到每次查询几十纳秒的速度，并实现明显的算法性能改善。

Feb, 2020

基于深度分层强化学习的智能 SDN 多播路由方法 DHRL-FNMR

该研究提出了一种基于深度分层强化学习的 SDN 智能多播路由算法来解决现有算法存在的问题，并构建了信息特征的状态空间和不同的行动空间。此外，还开发了可区分单步节点行动和多步行动向多目标节点的替代奖励策略来加速构建最优多播树的智能代理。

May, 2023

如何在仅有少量标签的情况下实现高分类精度：使用样本包的半监督方法

本文提出了一种半监督学习方法，使用大规模的未标记数据集进行预训练，然后在小的标记数据集上重新训练。该方法仅使用每类 20 个样本即可达到与使用大型标记数据集的全监督方法几乎相同的准确性，在基于 QUIC 协议生成的数据集上可以达到 98％的准确性。同时，本文还研究了三种不同的样本技术，并证明从流的任意部分采样数据包已足够进行分类。

Dec, 2018

在 NVIDIA 网络接口卡中实现强化学习的数据中心拥塞控制

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

使用黑盒强化学习实现分类树的最佳可解释性与性能平衡

该论文研究了一种新的 Reinforcement Learning (RL) 框架，证明了只需要解决一个完全可观测的问题就能学习到一个优化可解释性 - 性能平衡的决策树。

Apr, 2023

深度强化学习遇见图神经网络：探索一种路由优化用例

本篇论文提出在 Deep Reinforcement Learning 技术中，将 Graph Neural Networks 集成进 DRL 代理中，以解决网络拓扑的泛化问题，并在路由优化的用例中测试并评估其性能，结果表明，在未曾训练过的网络拓扑中，DRL+GNN 代理能够胜过目前最先进的解决方案。

Oct, 2019