【标题】Resource Allocation in Multicore Elastic Optical Networks: A Deep Reinforcement Learning Approach

【作者团队】Juan Pinto-Ríos, Felipe Calderón, Ariel Leiva, Gabriel Hermosilla, Alejandra Beghelli, Danilo Bórquez-Paredes, Astrid Lozada, Nicolás Jara, Ricardo Olivares, Gabriel Saavedra

【发表日期】2022.7.5

【论文链接】https://arxiv.org/pdf/2207.02074.pdf

【推荐理由】首次应用深度强化学习方法来解决动态多芯光纤弹性光网络（MCF-EON）中的路由、调制、频谱和核心分配（RMSCA）问题。为此，本文设计并实现了一个与OpenAI的Gym兼容的新环境，以模拟MCF EONs的操作。新环境通过考虑网络状态和物理层相关方面来处理智能体动作（路由、核心和频谱时隙的选择）。后者包括可用的调制格式及其覆盖范围和核间串扰（XT），即MCF相关的损伤。如果生成的信号质量可接受，则环境会分配代理选择的资源。在处理智能体的动作后，环境被配置为向找半天提供数字奖励和有关新网络状态的信息。通过模拟将四种不同智能体的阻塞性能与MCF EON中使用的3种基线启发式进行了比较。从NSFNet和COST239网络拓扑的结果表明，性能最好的智能体平均可以将性能最好的基线启发式方法的阻塞概率降低四倍。

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