基于优化决策树的时延敏感流智能感知调度.pdfVIP

研究与开发 基于优化决策树的时延敏感流智能感知调度 1 2 2 2 2 2 王雪荣 ，唐政治 ，李银川 ，齐美玉 ，朱建波 ，张亮 （1. 中国电信股份有限公司研究院，广东 广州 510660 ； 2. 北京华为数字技术有限公司，北京 100085 ） 摘 要： 目前流量调度策略无法做到智能按需化，尤其对于网络突发故障造成的拥塞以及高价值业务的护航 场景，无法按需保障时延敏感的业务体验。通过分析研究不同网络业务流量时延敏感性属性需求，探索挖掘 不同网络业务流量的行为特征与其时延敏感性需求之间的内在关联关系。然后利用AI 技术对这种内在的关联 关系进行学习，构建其映射关系，实现了时延敏感流智能感知调度。同时，考虑AI 模型的可解释性及可部署 性实际问题，采用强化学习剪枝优化可解释性决策树模型，提高模型的鲁棒性同时使模型更轻量化，易于设 备部署实现。通过真实网络流量实验，强化学习优化后的决策树模型在单次推理情形下感知正确率提高1.75%， 推理速度提升约 30% ；同时，实验也证明了使用局部微观统计特征多次推理有助于提高模型感知正确率。在 所有实验中，强化学习优化的决策树模型规模缩小了60.0%～87.2%，并且Saras 比Q-learning 具有更好的优 化表现。 关键词：流量分析；流量调度；时延敏感属性；强化学习；决策树 中图分类号：TP393 文献标志码：A doi: 10.11959/j.issn.1000–0801.2023095 Delay-sensitive traffic intellisense scheduling based on optimal decision tree 1 2 2 2 2 2 WANG Xuerong , TANG Zhengzhi , LI Yinchuan , QI Meiyu , ZHU Jianbo , ZHANG Liang 1. Research Institute of China Telecom Co., Ltd., Guangzhou 510660, China 2. Beijing Huawei Digital Technologies Co., Ltd., Beijing 100085, China Abstract: Currently, network traffic scheduling strategy cannot be intelligent and on-demand, especially in the con- gestion caused by sudden network failures and escort scenarios of high-value services. They cannot guarantee laten- cy-sensitive service experience on demand. The delay-sensitive attribute requirements of different network traffic were analyzed and studied, and the internal correlation between the behavior characteristics of varying network traffic and its delay sensitivity requirements was explored. Then, AI technology wa