دانلود مقاله انگلیسی رایگان:MARVEL: امکان ایجاد توازن بار کنترل کننده در شبکه های تعریف شده توسط نرم افزار با یادگیری تقویتی چند عامل - 2020
بلافاصله پس از پرداخت دانلود کنید
دانلود مقاله انگلیسی یادگیری تقویتی رایگان
  • MARVEL: Enabling controller load balancing in software-defined networks with multi-agent reinforcement learning MARVEL: Enabling controller load balancing in software-defined networks with multi-agent reinforcement learning
    MARVEL: Enabling controller load balancing in software-defined networks with multi-agent reinforcement learning

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    MARVEL: Enabling controller load balancing in software-defined networks with multi-agent reinforcement learning


    ترجمه فارسی عنوان مقاله:

    MARVEL: امکان ایجاد توازن بار کنترل کننده در شبکه های تعریف شده توسط نرم افزار با یادگیری تقویتی چند عامل


    منبع:

    Sciencedirect - Elsevier - Computer Networks, 177 (2020) 107230. doi:10.1016/j.comnet.2020.107230


    نویسنده:

    Penghao Sun a , Zehua Guo b , ∗ , Gang Wang b , c , Julong Lan a , Yuxiang Hu a


    چکیده انگلیسی:

    The control plane plays a significant role in Software-Defined Networking (SDN). A large SDN usually implements its control plane with several distributed controllers, each controlling a subset of switches and synchronizing with other controllers to maintain a consistent network view. Under the fluctuating network traffic, a static controller- switch mapping relationship could lead to imbalanced workload allocation. Controllers may getoverloaded and reject new requests, eventually reducing the control plane’s request processing ability. Most existing schemes have relied heavily on iterative optimization algorithms to manipulate the mapping relationship between con- trollers and switches, which are either time-consuming or less satisfactory in terms of performance. In this paper, we propose a dynamic controller workload balancing scheme, that is termed MARVEL, based on multi-agent re- inforcement learning for generation of switch migration actions. MARVEL works in two phases: offline training and online decision making. In the training phase, each agent learns how to migrate switches through interacting with the network. In the online phase, MARVEL is deployed to make decisions on migrating switches. Experimen- tal results show that MARVEL outperforms competing existing schemes by improving the control plane’s request processing ability at least 27.3% while using 25% less processing time.
    Index Terms: Multi-agent reinforcement learning | Neural networks | Software-defined networking | Switch migration


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 10
    حجم فایل: 2052 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi