| Summary: | Traditional network management typically relies on clever heuristics to capture thecharacteristics of environments, workloads in order to derive an accurate model.While such methodology has served us well in early days, it is challenged by thegrowing intricacies of modern network design from various dimensions: the rocketingtraffic volumn, proliferation of software applications and varied hardware, higheruser-specific Quality of Experience (QoE) requirements with respect to bandwidthand latencies, overwhelming number of knobs and configurations and so forth. Allthese surging complexity and dynamics pose greater difficulty on us to understandand derive management rules to reach global optimum with heuristics that fits thedynamic context. Driven by the pulls of the challenges and encouraged by the successin machine learning techniques, this work elaborates on augmenting adaptive systemsbehaviors with learning approaches. This thesis specifically investigates the use caseof the packet scheduling. The work explores the opportunity to augment systemsto learn existing behaviors and explore custom behaviors with Deep ReinforcementLearning (DRL). We show the possibility to approximate the existing canonicalbehaviors with a generic representation, meanwhile, the agent is able to explorecustomized policy that are comparable to the state-of-art approaches. The resultsdemonstrate the potentials of learning based approaches as an alternative to canonicalscheduling approaches. === Traditionell nätverkshantering bygger vanligtvis på smart heuristik för att fångaegenskaper hos miljöer, arbetsbelastning för att få en exakt modell. Medan sådan metodik har fungerat bra i början av dagen, utmanas den av växande intricacies av modern nätverksdesign från olika dimensioner: rocketing Traumatiska volymer, spridning av programvaror och varierad hårdvara, högre Krav på användarspecifik kvalitet av erfarenhet (QoE) med avseende på bandbredd och latenser, överväldigande antal knoppar och konurationer och så vidare. allt Dessa växande komplexitet och dynamik gör oss mer engagerade i förståelsen och härleda ledningsregler för att nå global optimalt med heuristik som ts dynamiskt sammanhang. Drivs av utmaningarna och uppmuntras av framgången I maskininlärningsteknik utarbetar detta arbete på att öka adaptiva system beteenden med inlärningsmetoder. Denna avhandling anger användningsfallet eller paketplaneringen. Arbetet undersöker möjligheten attöka systemen att lära sig befintliga beteenden och utforska anpassade beteenden med Deep Reinforcement Lärande (DRL). Vi visar möjligheten att approximera den befintliga canonicalen Beteende med en generisk representation, under tiden kan agenten utforska anpassade policyer som är jämförbara med state-of-the-art-metoder. Resultaten visa potentialen att lära sig baserade metoder som ett alternativ tillcanonical planeringsmetoder.
|
|---|
