用强化学习让网络自动选最优路径，实时响应拥塞变化。
Reinforcement Learning-based Adaptive Path Selection for Programmable Networks
- 结合随机学习自动机与实时网络探针数据，实现本地自适应路由。
- 在Mininet测试中，路径选择在光速下收敛并动态适应网络变化。
- 适合研究可编程网络自优化的工程师和学者。
本文提出一种分布式、基于网络内强化学习（IN-RL）的自适应路径选择框架，用于可编程网络。通过将随机学习自动机（SLA）与基于带内网络探测（INT）实时采集的遥测数据结合，系统实现基于数据的本地转发决策，能动态响应拥塞状况。在基于Mininet的测试平台上，使用P4可编程BMv2交换机进行评估，验证了所提SLA机制可在线速率下快速收敛至有效路径选择，并持续适应网络条件变化。
原文摘要 · Abstract (English)
This work presents a proof-of-concept implementation of a distributed, in-network reinforcement learning (IN-RL) framework for adaptive path selection in programmable networks. By combining Stochastic Learning Automata (SLA) with real-time telemetry data collected via In-Band Network Telemetry (INT), the proposed system enables local, data-driven forwarding decisions that adapt dynamically to congestion conditions. The system is evaluated on a Mininet-based testbed using P4-programmable BMv2 switches, demonstrating how our SLA-based mechanism converges to effective path selections and adapts to shifting network conditions at line rate.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。