【IoTJ 2021】Dynamic Virtual Network Embedding Algorithm based on Graph Convolution Neural Network and Reinforcement Learning
链接：https://ieeexplore.ieee.org/document/9475485/
导读：本文作者主要来自中国石油大学。 虚拟网络嵌入（VNE）是 网络虚拟化的核心定位，旨在为用户功能请求提供更灵活的底层物理资源分配。本文提出了一种新型的VNE算法，将强化学习（RL）和图神经网络（GNN）理论应用到算法中，特别是图卷积神经网络（GCNN）和RL算法的结合。 基于自定义的适应度矩阵和适应度值，作者建立了算法实现的目标函数，实现了高效的动态VNE算法，有效降低了资源碎片化程度。实验效果表明， 该算法较对比算法有出色的性能和良好的灵活性。

【JSAC 2020】RouteNet: Leveraging Graph Neural Networks for Network Modeling and Optimization in SDN
链接：https://ieeexplore.ieee.org/document/9109574
导读：本文主要由波兰AGH University of Science and Technology完成。在本文中，作者提出了一种基于图神经网络（GNN）的网络模型RouteNet，它能够理解拓扑、路由和输入流量之间的复杂关系，从而准确估计每个源/目的地每个数据包的延迟分布和丢失。RouteNet利用GNNs学习和建模图形结构化信息的能力，因此，该模型能够概括任意拓扑、路由方案和流量强度。实验结果表明，RouteNet能够准确预测延迟分布（平均延迟和抖动）和损失，并具有良好的泛化能力。

【JSAC 2020】Automatic Virtual Network Embedding: A Deep Reinforcement Learning Approach With Graph Convolutional Networks
链接：https://ore.exeter.ac.uk/repository/bitstream/handle/10871/40799/Yan-JSAC-2020.pdf?sequence=1&isAllowed=y
导读：本文主要由中科院信工所完成。虚拟网络嵌入将虚拟网络服务安排到基础网络组件上。 嵌入算法的性能决定了虚拟化网络的有效性和效率，使其成为网络虚拟化技术的关键部分。 在本文中，作者将深度强化学习与基于图卷积网络的新型神经网络结构相结合，提出了一种新的、高效的自动虚拟网络嵌入算法。 此外，在训练中使用了并行强化学习框架以及新设计的多目标奖励函数，这已被证明有利于所提出的虚拟网络自动嵌入算法。 实验结果表明，该算法在接受率和平均收入均超过SoTA解决方案，并具有良好的鲁棒性。

 

编辑：邓兴超 刘长安 王天富

内容中包含的图片若涉及版权问题，请及时与我们联系删除