XiaoMi-AI文件搜索系统
World File Search SystemVNF
基于图神经网络的图形结构SFC的节能VNF部署，并限制了深度强化学习
摘要 - 网络函数虚拟化（NFV），该函数将网络函数从硬件中解除，并将其转换为独立于硬件的虚拟网络函数（VNF），是许多新兴网络域，例如5G，Edge，Edge Computing和Data-Center网络。服务功能链（SFC）是VNF的有序集。VNF部署问题是在SFC中找到最佳的部署策略VNF，同时保证服务级协议（SLA）。现有的VNF部署研究主要关注无能量考虑的VNF序列。但是，随着用户和应用程序要求的快速开发，SFC从序列到动态图，服务提供商对NFV的能源消耗越来越敏感。因此，在本文中，我们确定了能节能的图形结构的SFC问题（EG-SFC），并将其作为组合优化问题（COP）提出。受益于COP机器学习的最新进展，我们提出了一个基于约束深度强化学习（DRL）方法的端到端图神经网络（GNN）来求解EG-SFC。我们的方法利用图形卷积网络（GCN）表示DRL中的双重Q-Network（DDQN）的Q网络。提出了掩模机制来处理COP中的资源约束。实验结果表明，所提出的方法可以处理看不见的SFC图，并且比贪婪的算法和传统DDQN更好地表现出更好的性能。
通过基于注意力的深度强化学习实现节能的 VNF-FG 嵌入
摘要 — 设计智能机制以促进和加速服务部署和管理是网络基础设施提供商面临的最具挑战性的方面之一。这是由于他们预计要支持的大量流量、架构的分散性质以及他们运行的服务以满足质量目标并避免违反服务水平协议 (SLA)。因此，通信服务提供商 (CSP) 正致力于减少能源消耗和减少其网络基础设施的碳足迹。在未来的通信网络中，传统的管理机制和集中式传统解决方案在确保基础设施提供商、服务提供商的收入以及最终用户的良好体验质量 (QoE) 方面显示出其局限性。这些服务的部署通常需要有效分配虚拟网络功能转发图 (VNF-FG)。在此背景下，我们提出了一种基于多智能体注意力的深度强化学习 (DRL) 的智能节能 VNF-FG 嵌入方法。我们的贡献使用半分布式 DRL 机制进行 VNF-FG 放置。事实证明，所提出的算法在接受率、功耗和执行时间方面优于以前最先进的方法。索引词——能源效率、深度强化学习、注意力、多智能体、虚拟网络功能嵌入。