[论文解读] Machine Learning Applications in the Routing in Computer Networks

Ke Liang, Mitchel Myers|arXiv (Cornell University)|Apr 5, 2021

Software-Defined Networks and 5G被引用 4

一句话总结

本综述探讨了机器学习在计算机网络路由中的应用，采用监督学习和强化学习方法评估集中式与去中心化架构。仿真结果表明路由性能有所提升，但实际部署验证仍有限，凸显了开展实际部署研究的必要性。

ABSTRACT

Development of routing algorithms is of clear importance as the volume of Internet traffic continues to increase. In this survey, there is much research into how Machine Learning techniques can be employed to improve the performance and scalability of routing algorithms. We surveyed both centralized and decentralized ML routing architectures and using a variety of ML techniques broadly divided into supervised learning and reinforcement learning. Many of the papers showed promise in their ability to optimize some aspect of network routing. We also implemented two routing protocols within 14 surveyed routing algorithms and verified the efficacy of their results. While the results of most of the papers showed promise, many of them are based on simulations of potentially unrealistic network configurations. To provide further efficacy to the results, more real-world results are necessary.

研究动机与目标

• 分析机器学习技术在路由中的集成以提升性能与可扩展性。
• 评估计算机网络中路由的集中式与去中心化机器学习架构。
• 评估监督学习与强化学习在优化路由决策方面的有效性。
• 识别当前研究的局限性，特别是对不切实际仿真环境的过度依赖。
• 通过实现并测试所调研算法中的两种路由协议，提供实证验证。

提出的方法

• 系统性地调研近期网络与机器学习文献中14种基于机器学习的路由算法。
• 将方法分类为集中式与去中心化学习架构。
• 将技术分类为监督学习（如回归、分类）与强化学习（如Q-learning、深度Q网络）。
• 实现并评估两种具有代表性的路由协议，以验证性能声明。
• 分析在多种网络拓扑与流量模式下的仿真结果。
• 将基于机器学习的路由与传统协议进行比较，评估其在效率、延迟与可扩展性方面的提升。

实验结果

研究问题

• RQ1 机器学习在多大程度上可提升网络路由算法的性能与可扩展性？
• RQ2 集中式与去中心化基于机器学习的路由架构之间存在哪些关键差异与权衡？
• RQ3 在仿真环境中，监督学习与强化学习技术在多大程度上优于传统路由协议？
• RQ4 当前基于机器学习的路由方法存在哪些局限性，特别是在仿真真实性方面？
• RQ5 基于机器学习的路由协议在真实世界部署中能否展现出一致的性能提升？

主要发现

• 许多基于机器学习的路由算法在仿真环境中显著提升了延迟、吞吐量与负载均衡性能。
• 强化学习方法在应对动态网络状态与流量变化方面表现出强大的适应能力。
• 当基于历史网络数据进行训练时，监督学习方法在预测最优路径方面实现了高精度。
• 集中式学习架构通常性能更优，但面临可扩展性与单点故障的挑战。
• 去中心化学习方法提升了鲁棒性与可扩展性，但收敛至最优解的速度可能更慢。
• 尽管仿真结果表现强劲，但大多数所调研方法缺乏真实世界验证，仍是关键局限。