Deep Q-Learning für Routing-Schemata in SDN-basierten Rechenzentrumsnetzwerken

Um sich an die schnelle Entwicklung von Cloud-Computing, Big Data und anderen Technologien anzupassen, wird die Kombination von Rechenzentrumsnetzwerken und SDN vorgeschlagen, um das Netzwerkmanagement bequemer und flexibler zu gestalten. Mit diesem Vorteil wurden Routingstrategien von Forschern umfassend untersucht. Allerdings basieren die Strategien im Controller hauptsächlich auf manueller Gestaltung, was es schwierig macht, optimale Lösungen in der dynamischen Netzwerkumgebung zu finden. Daher werden Strategien, die auf künstlicher Intelligenz (KI) basieren, in Betracht gezogen. Diese Arbeit schlägt eine neuartige Routingstrategie vor, die auf Deep Q-Learning (DQL) basiert, um autonome optimale Routingpfade für SDN-basierte Rechenzentrumsnetzwerke zu generieren. Um den unterschiedlichen Anforderungen von Mäuse- und Elefantenströmen in Rechenzentrumsnetzwerken gerecht zu werden, werden tiefe Q-Netzwerke für beide Strömungen trainiert, um niedrige Latenzzeiten und niedrige Paketverlustquoten für Mäuseflüsse sowie hohe Durchsatzraten und niedrige Paketverlustquoten für Elefantenflüsse zu erreichen. Darüber hinaus haben wir, unter Berücksichtigung der Verteilung des Verkehrs und der begrenzten Ressourcen von Rechenzentrumsnetzwerken und SDN, die Portgeschwindigkeit und die Nutzung der Flusstabellen gewählt, um den Netzwerkstatus zu beschreiben. Simulationsergebnisse zeigen, dass das vorgeschlagene Routing-Schema im Vergleich zu Equal-Cost Multipath (ECMP) Routing und Selective Randomized Load Balancing (SRL)+FlowFit sowohl die durchschnittliche Verzögerung der Mäuseflüsse als auch die durchschnittliche Paketverlustquote reduzieren kann, während der durchschnittliche Durchsatz der Elefantenflüsse steigt.