データセンタにおけるネットワーク負荷バランシングのためのマルチエージェント強化学習【JST・京大機械翻訳】

Yao Zhiyuan; Ding Zihan; Clausen Thomas

プレプリント

J-GLOBAL ID：202202202372997067 整理番号：22P0280887

データセンタにおけるネットワーク負荷バランシングのためのマルチエージェント強化学習【JST・京大機械翻訳】

Multi-Agent Reinforcement Learning for Network Load Balancing in Data Center

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年01月27日プレプリントサーバーでの情報更新日： 2022年08月19日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

本論文では,マルチエージェント強化学習(MARL)法のための挑戦的な実世界タスクであるネットワーク負荷分散問題を提示した。重み付け-Cost Multi-Path(WCMP)と局所最短待ち行列(LSQ)のような従来の発見的解は,複数の負荷バランス者間の貧弱なバランスで,作業負荷分布と到着速度の変化に対して柔軟性が低い。協調ネットワーク負荷分散タスクを,自然にMARL法を誘導するDec-POMDP問題として定式化した。学習ベースの方法を適用するための現実ギャップを埋めるために,すべての方法を,中程度から大規模までのエミュレーションシステムで直接訓練し,評価した。現実的テストベッドに関する実験は,独立および「利ish」負荷分散戦略が必ずしもグローバルに最適なものではなく,一方,提案したMARL解は,異なる現実的設定に対して優れた性能を持つことを示した。さらに,ネットワーク負荷分散のためのMARL法の潜在的困難を解析し,学習とネットワークコミュニティのそのような課題への注意を引き出すのに役立つ。【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能

, , ,

前のページに戻る