A Generative Model-Guided Distributed DRL Framework for Scalable and Efficient SFC Orchestration in Future Network Architectures
Notice bibliographique
Résumé
Service Function Chain (SFC) provisioning plays a crucial role in 5 G and next-generation networks. It involves coordinating Virtual Network Functions (VNFs) in a predefined order to accommodate various SFC requests. Achieving optimal SFC provisioning necessitates advanced decision-making that can adapt to dynamic network conditions. While Artificial Intelligence (AI) modules and Deep Reinforcement Learning (DRL) algorithms have been extensively studied in the literature for this purpose, two critical factors must be considered: the algorithm's efficiency in large-scale networks and the model's ability to comprehensively capture environmental variations. Therefore, this paper introduces a novel Generative Model-Driven Distributed DRL framework for SFC provisioning, where the network is divided into multiple clusters, and each cluster is managed by a dedicated local agent equipped with a Generative-Assisted DRL module, enabling efficient handling of SFC provisioning within its respective region. Also, there is a general agent that can monitor and communicate with local agents to handle requests beyond their capacity. In this proposed approach, a distributed design reduces the workload of the centralized design, while a generative model, which is a Dreaming Variational Autoencoder, assists the DRL model in finding the proper data center for VNF placement by estimating the future state of the network. The proposed model is compared with a distributed DRL model to emphasize the impact of generative assistance under different network configurations. Results show that generative model-driven distributed DRL outperforms the distributed DRL in terms of SFC provisioning and improves SFCs' acceptance ratio from 4% to 11% under different network scale environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».