深度强化学习在SDN路由优化中的应用研究.pdfVIP

第43卷第3期佳木斯大学学报（自然科学版)Vol.43No.3

2025年03月JournalofJiamusiUniversity(NaturalScienceEdition)Mar.2025

文章编号：1008—1402(2025)03—0035—04

深度强化学习在SDN路由优化中的应用研究

王若贤，周恩祥，张利庭

（皖江工学院计算机与人工智能学院，安徽马鞍山243031)

摘要：针对软件定义网络（SDN)在大规模及动态变化环境下传统路由算法性能受限的

问题，本研究提出了一种基于深度强化学习的路由优化算法。该算法通过训练智能体实现路

由策略的自主学习与动态调整，旨在提升网络带宽利用效率并降低传输延迟。它结合深度学

习与强化学习，分别处理网络状态信息和优化路由决策，以适应网络环境的实时变化，确保在

复杂网络条件下的最优性能。实验结果表明，相较于传统方法，本算法在网络吞吐量、延迟和

路由效率等方面均实现了显著提升，有效应对了SDN网络中的动态性与不确定性，增强了网

络性能与可靠性。同时，算法还实现了网络资源的均衡分配，进一步提升了整体分配效率，对

于构建更智能、更可靠的网络路由体系具有重要理论与实践价值。

关键词：软件定义网络；深度强化学习；路由优化；网络性能

中图分类号：TP393.08文献标识码：A

算法的理论创新，同时也注重其在实际网络场景

0引言

中的应用效果，旨在为SDN网络的路由优化提供

随着网络规模的持续扩张和业务需求的日益一种更加高效和稳定的解决方案。

复杂，传统路由算法在满足现代网络对高效性、灵

1相关技术

活性和智能化的需求方面优势不足。过去的研究

中,在软件定义网络（SoftwareDefinedNetwor-

1.1软件定义网络

king，SDN)环境的路由优化领域已进行了广泛

的探讨。例如，服务质量（QoS)导向的路由算法软件定义网络（SDN）是一种新兴的网络架

虽然考虑了网络的服务质量，但却未能充分考虑构，其核心设计思想在于将网络的控制层从传统

到路由策略的动态调整；基于机器学习的路由的硬件设备中抽象出来，并集中至一个或多个中

算法通过数据驱动的方式增强了路由决策的智能央控制器。在此架构中，控制器承担着维护全局

化，但此类算法大多依赖于历史数据，对网络状态网络状态视图和实施网络控制策略的关键职能，

的实时适应性存在不足[2]。同时，现有研究主要而转发设备，如交换机和路由器，则专注于数据包

集中于算法的理论设计和仿真验证，对于算法在的转发操作。南向接口（SouthboundAPI)构成

实际网络环境中的应用可行性和稳定性方面的深了控制器与转发设备间的交互桥梁，其定义了两

人分析较为缺乏。针对上述研究中的局限性，提者间的通信协议，确保了控制指令的准确下发以

出了一种基于深度强化学习的SDN网络路由优及数据信息的有效回传。此外，北向接口（North-

化方法。该方法能够实时响应网络状态的变化，boundAPI)为上层应用程序提供了与控制器交

并通过与网络环境的交互学习最优路由策略，从互的接口，使得应用程序能够根据特定需求定制

而有效提升网络的整体性能。本项研究不仅关注和优化网络服务。控制与转发分离的设计理念显

收稿日期：2025-01-15

基金项目：2024年度安徽省高校自然科学研究重点项目（2024AH051871）。

作者简介：王若贤（1984一），女，安徽马鞍山人，讲师，硕士，研究方向：机器学习。

通讯作者：张利庭（1986一），男，安徽马鞍山人，高级工程师，硕士，研究方向：计算机网络与信息安全。

36佳木斯大学学报（自然科学版)