MARINA: Multi-Agent Reinforcement Learning-Based Routing with Intelligent Network Adaptation in SDN
Notice bibliographique
Résumé
Optimizing routing in Software-Defined Networks (SDNs) to meet Quality of Service (QoS) demands presents notable challenges, particularly with traditional methods that struggle with the dynamic nature of SDNs. Existing techniques often fail to adapt efficiently to varying traffic patterns, resulting in suboptimal network performance. Furthermore, the existing routing methods typically prioritize either the infrastructure provider or service provider benefits, neglecting a balanced approach that ensures efficient utilization of network resources while meeting QoS metrics for clients, such as guaranteed latency and throughput. This paper proposes a multi-agent Deep Reinforcement Learning (DRL)-based QoS-aware routing solution in SDN environments with intelligent network adaptation, called MARINA. MARINA dynamically adjusts routing paths for both existing and new incoming traffic flows in the network. Moreover, MARINA simultaneously optimizes network resource usage and meets QoS constraints such as latency and guaranteed throughput in an SDN. MARINA is extensively evaluated on real-world GEANT2 network topology. The results indicate that our algorithm outperforms Open Shortest Path First (OSPF), Equal Cost Multiple Path (ECMP), and single-agent DRL in key performance metrics. Specifically, MARINA meets 51.4%, 29.4%, and 11.1% more QoS requirements than OSPF, ECMP, and single-agent DRL-based approaches, respectively.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».