【标题】Packet Routing with Graph Attention Multi-agent Reinforcement Learning

【作者团队】Xuan Mai, Quanzhi Fu, Yi Chen

【论文链接】https://arxiv.org/pdf/2107.13181.pdf

【发表日期】2021.7.28

【论文推荐】 封包路由是通信网络中的一个基本问题，它决定了 封包如何通过一些中间节点从其源节点定向到其目的节点。随着网络拓扑结构的日益复杂和高度动态的流量需求，传统的基于模型和基于规则的路由方案由于简化和不切实际的模型假设以及缺乏灵活性和适应性而表现出明显的局限性。网络控制智能化正在成为一种趋势，也是实现网络高效运行的关键。本文通过利用强化学习 (RL) 开发了一种无模型和数据驱动的路由策略，其中路由器与网络交互并从经验中学习，为未来做出一些好的路由配置。考虑到网络拓扑的图性质，其结合图神经网络 (GNN) 设计了一个多代理 RL 框架，针对路由问题量身定制。分别探索了三种部署范式，集中式、联合式和协作式学习。仿真结果表明，本文的算法在数据包传输延迟和可承受负载方面优于一些现有的基准算法。

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