基于深度强化学习的多流量类型在线路由数据集

本项目提出了基于深度强化学习的多流量类型在线路由算法，通过基于Ryu和Mininet的仿真实验评价了在Abilene网络拓扑中，不使用安全学习和使用安全学习框架时网络里三种类型的流（时延敏感、吞吐敏感、时延吞吐敏感）的时延和吞吐率的情况。This project proposes an online routing algorithm for multi-traffic types based on deep reinforcement learning. Its performance is evaluated via simulation experiments built on Ryu and Mininet over the Abilene network topology, covering the latency and throughput metrics of three types of network flows (delay-sensitive, throughput-sensitive, and delay-throughput-sensitive) under two scenarios: without secure learning and with the secure learning framework deployed.

搜集汇总

背景与挑战

背景概述

该数据集聚焦于基于深度强化学习的多流量类型在线路由算法研究。它通过仿真实验，在Abilene网络拓扑中评估了时延敏感、吞吐敏感和时延吞吐敏感三种流量类型的时延与吞吐率性能，并对比了使用和不使用安全学习框架的效果。