可编程网络下基于强化学习的编排调度机制设计与实现.docxVIP

下载本文档

0
0
约3.53万字
约 36页
2025-12-29 发布于天津
举报
版权申诉

可编程网络下基于强化学习的编排调度机制设计与实现.docx

1、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。。
2、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
3、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

PAGE10

中文摘要

摘要：伴随着通信技术的进步以及网络服务需求的多样化，传统静态资源调度策略难以跟上快速变化的网络环境节奏，为了应对这一问题，本文提出了一套基于分层强化学习的编排调度机制，此机制采用双层结构将宏观接入控制和细粒度的资源分配进行分离，由此强化了网络资源管理的智能化与适应能力。上层的HRL-AC模块采用Actor-Critic框架来筛选请求并进行粗粒度资源分配，下层的HRL-RA模块则把图神经网络与启发式算法整合到了一起，完成了节点跟链路的精确映射，并依靠动态路由和约束校验对资源利用加以优化。实验结果说明，在100个节点构成的Waxman拓扑中，跟包含启发式、强化学习算