$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

SDN에서 심층강화학습 기반 라우팅 알고리즘
A Routing Algorithm based on Deep Reinforcement Learning in SDN 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.16 no.6, 2021년, pp.1153 - 1160  

이성근 (순천대학교 멀티미디어공학과)

초록
AI-Helper 아이콘AI-Helper

본 논문은 소프트웨어 정의 네트워크에서 심층강화학습을 활용하여 최적의 경로를 결정하는 라우팅 알고리즘을 제안한다. 학습을 위한 심층강화학습 모델은 DQN 을 기반으로 하고, 입력은 현재 네트워크 상태, 발신지, 목적지 노드이고, 출력은 발신지에서 목적지까지의 경로 리스트를 반환한다. 라우팅 작업을 이산 제어 문제로 정의하며, 라우팅을 위한 서비스 품질 파라미터는 지연, 대역폭, 손실률을 고려하였다. 라우팅 에이전트는 사용자의 서비스 품질 프로파일에 따라 적절한 서비스 등급으로 분류하고, SDN에서 수집된 현재 네트워크 상태로부터 각 링크 별로 제공할 수 있는 서비스 등급을 변환한다. 이러한 변환된 정보를 토대로 발신지에서부터 목적지까지 요구되는 서비스 등급을 만족시키는 경로를 선택하도록 학습을 한다. 시뮬레이션 결과는 제안한 알고리즘이 일정한 에피소드를 진행하게 되면 올바른 경로를 선택하게 되고, 학습이 성공적으로 수행됨을 나타냈다.

Abstract ▼ AI-Helper 아이콘AI-Helper

This paper proposes a routing algorithm that determines the optimal path using deep reinforcement learning in software-defined networks. The deep reinforcement learning model for learning is based on DQN, the inputs are the current network state, source, and destination nodes, and the output returns...

주제어

#서비스 품질 기반 라우팅 알고리즘   #소프트웨어 정의 네트워크   #심층강화학습   #서비스 품질 프로파일  

표/그림 (4)

참고문헌 (17)

  1. N. Feamste, J. Rexford, and E. Zegura, "The Road to SDN: An Intellectual History of Programmable Networks," SIGCOMM Comput. Commun. Rev., vol. 44, no. 2, 2014, pp. 87-98. 

  2. A. Yassine, H. Rahimi, and S. Shirmohammadi, ''Software defined network traffic measurement: Current trends and challenges,'' IEEE Instrum. Meas. Mag., vol. 18, no. 2, 2015, pp. 42-50. 

    상세보기 crossref

  3. W. Guck, A. V. Bemten, M. Reisslein, and W. Kellerer, "Unicast QoS routing algorithms for SDN: A comprehensive survey and performance evaluation," IEEE Communications Surveys Tutorials, vol. 20, no. 1, 2018, pp. 388-415. 

    상세보기 crossref

  4. M. Karakus and A. Durresi, "Quality of service in software defined networking: A survey," Journal of Network and Computer Applications, vol. 80, 2017, pp. 200-218. 

    상세보기 crossref

  5. V. Mnih, K. Kavukcuoglu and D. Silver, "Human-level control through deep reinforcement learning," Nature, vol. 518, no. 7540, 2015, pp. 529 - 535. 

    상세보기 crossref

  6. N. C. Luong et al., "Applications of Deep Reinforcement Learning in Communications and Networking: A Survey," in IEEE Communications Surveys & Tutorials, vol. 21, no. 4, 2019, pp. 3133-3174 

    상세보기 crossref

  7. S.-C. Lin, I. F. Akyildiz, P. Wang, and M. Luo, "QoS-aware adaptive routing in multi-layer hierarchical software defined networks: A rein- forcement learning approach," in Services Computing (SCC), 2016 IEEE International Conference on. IEEE, 2016, pp. 25-33. 

  8. G. Stampa, M. Arias and A. Cabellos, "A deep-reinforcement learning approach for software defined networking routing optimization," arXiv preprint arXiv:1709.07080, 2017. 

  9. X. Huang, T. Yuan, G. Qiao and Y. Ren, "Deep reinforcement learning for multimedia traffic control in software defined networking," IEEE Network, vol. 32, no. 6, 2018, pp. 35-41. 

    상세보기 crossref

  10. B. Guo, X. Zhang, Y. Wang, and H. Yang, "Deep Q-network based multimedia multi-service QoS optimization for mobile edge computing systems," IEEE Access, vol. 7, 2019, pp. 160961-160972. 

    상세보기 crossref

  11. A. Valadarsky, M. Schapira, and A. Tamar, "Learning to route with deep reinforcement learning," in NIPS Deep Reinforcement Learning Symposium, 2017. 

  12. Xu, J. Tang, C. Yin, Y. Wang, and G. Xue, "Experience-driven congestion control: When multi-path tcp meets deep reinforcement learning," IEEE Journal on Selected Areas in Communications, vol. 37, no. 6, 2019, pp. 1325-1336. 

    상세보기 crossref

  13. S. Xiao, D. He, and Z. Gong, "Deep-q: Traffic-driven qos inference using deep generative network," in Proceedings of the 2018 Workshop on Network Meets AI & ML, 2018, pp. 67-73. 

  14. S. Q. Jalil, M. Husain Rehmani and S. Chalup, "DQR: Deep Q-Routing in Software Defined Networks," 2020 International Joint Conference on Neural Networks (IJCNN), 2020, pp. 1-8. 

  15. S. Q. Jalil, M. Husain Rehmani and S. Chalup, "DQR: Deep Q-Routing in Software Defined Networks," 2020 International Joint Conference on Neural Networks (IJCNN), 2020, pp. 1-8. 

  16. S. Lee, "Design and Application of LoRa-based Network Protocol in IoT Networks," J. of the Korea Institute of Electronic Communication Sciences, vol. 14, no. 6, 2019, pp. 1089-1096. 

    원문보기 상세보기 crossref

  17. S. Jung and Lee, "A Queue Management Mechanism for Service groups based on Deep Reinforcement Learning," J. of the Korea Institute of Electronic Communication Sciences, vol. 15, no. 6, 2020, pp. 1099-1104. 

    원문보기 상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로