科研之友
微信
新浪微博
Facebook
分享链接
摘要
深度强化学习具有较强的决策能力和泛化能力，常被应用于软件定义网络（SDN,software defined network）的服务质量（QoS,quality of service）优化中。但传统深度强化学习算法存在收敛速度慢和不稳定等问题。提出一种基于深度强化学习的服务质量优化算法（AQSDRL,algorithm of quality of service optimization based on deep reinforcement learning），以解决SDN在数据中心网络（DCN,data center network）应用中的QoS问题。AQSDRL引入基于softmax估计的深层双确定性策略梯度（SD3,softmax deep double deterministic policy gradient）算法实现模型训练，并采用基于Sum Tree的优先级经验回放机制优化SD3算法，以更大的概率抽取具有更显著时序差分误差（TD-error,temporal-difference error）的样本来训练神经网络，有效提升算法的收敛速度和稳定性。实验结果表明，所提AQSDRL与现有的深度强化学习算法相比能够有效降低网络传输时延，且提高网络的负载均衡性能。
- 单位
