Jun, 2023

基于服务网格动态满足性能目标的框架

PDF
TL;DR利用强化学习技术训练一个代理程序，周期性地对多个服务网格上的多个服务执行控制操作以重分配资源，该框架利用 Istio 和 Kubernetes 平台搭建实验测试台来验证其管理目标管理技术的有效性，包括服务请求的端到端延迟边界、吞吐量、成本和服务不同等问题，该框架的创新点在于先定义管理目标，然后将其映射到可用的控制措施上。
发现论文，激发创造
  • 用于基于意图的蜂窝网络服务保障的多智能体强化学习

    该论文介绍了一种基于多智能体强化学习技术的意图管理方法，通过优化重要 KPI 并协调各个闭环实现多个意图同时满足，实验结果表明该方法在实现意图和优化 KPI 方面表现良好。

    Aug, 2022

  • 多智能体学习调度：一种分布式无线资源管理框架

    提出了一种使用多智能体深度强化学习的机制来管理无线电资源，从而在最大化用户吞吐量和保证公平分配资源之间取得平衡。

    Jun, 2019

  • 目标足够：在 IMFs 中诱发未知多智体系统的无约束合作

    通过使用 AI-based supervisor agent，我们提出了一种框架，可以并行地编排预训练的 agent，该框架通过为 MARL 代理分配最佳目标并激励它们展示特定的期望行为来实现。在网络仿真器上的结果显示，与基于规则的方法相比，所提出的方法在更快和更好地实现期望的同时，甚至推广到环境变化。

    Oct, 2023

  • 微电网能量管理的多目标强化学习框架

    本文提出了一种新颖的多目标强化学习框架，可以探索高维的目标空间并发现冲突目标之间的权衡，该框架利用强化学习的数据驱动特性，可在不需要长期预测或对根本不确定性的了解的情况下进行参数化政策的训练，用于 Cornell 大学微电网（CU-MG）的实验结果证明了该框架的效果。

    Jul, 2023

  • 队列学习：一种提供服务质量的强化学习方法

    本文介绍了一种基于强化学习的服务速率控制器，该控制器通过使用深度确定性策略梯度 (DDPG) 算法作为函数，将服务速率 (行动) 学习为串联服务系统中队列长度 (状态) 的函数，并提供关于系统端到端延迟的概率性保证。

    Jan, 2021

  • 分布式 SDN 中的自适应控制器同步的约束强化学习

    使用软件定义网络（SDN）中的分布式 SDN 控制器，主要研究领域包括同步化、增强现实和虚拟现实以及深度强化学习技术，以实现网络性能优化和应对网络变化的挑战。

    Jan, 2024

  • 远程操作驾驶场景中的 PQoS 强化学习框架

    本文提出了一个基于强化学习的 PQoS 功能设计，重点是学习代理的奖励函数设计及将 QoS 估计转换为适当的对策，实现了在受控驾驶场景下最佳 QoS 和 QoE 性能。

    Feb, 2022

  • 基于网络服务接近度的强化学习智能体领域适应

    本研究探讨了在 6G 网络中服务需求的动态和演化性如何促使电信行业考虑采用自适应强化学习代理来控制网络服务组合，并提出了一种简单的启发式方法来评估新服务和现有服务之间的相似度，从而快速适应于变化的服务类型并实现显著的计算效益和成本效益。

    Mar, 2023

  • 多接入边缘计算中的服务器放置和工作负载分配强化学习框架

    本研究提出了一种使用强化学习解决最小化网络延迟和边缘服务器数量的问题的新 RL 框架，该问题涉及云计算、多接入边缘计算、组合优化问题和马尔可夫决策过程。

    Feb, 2022

  • 通过数字孪生实现增强式强化学习资源管理：机遇、应用和挑战

    提出了一种基于数字孪生增强的强化学习框架，旨在优化网络资源管理的性能和可靠性，此框架在物理网络中应用传统的强化学习面临多个统一挑战，包括有限的探索效率、收敛速度缓慢、长期性能较差以及在探索阶段的安全问题。

    Jun, 2024