23、机器学习辅助的负载均衡路由方案

机器学习辅助的负载均衡路由方案

1. 协方差矩阵特征分析

协方差矩阵 $\Sigma_{M\times M}$ 是实对称矩阵，不同特征值对应的特征向量相互正交。即对于 $i \neq j$，有 $cov(P_i, P_j) = l_i^T\Sigma_{M\times M}l_j = \lambda_il_i^Tl_j = 0$，这表明 $P_i$ 和 $P_j$ 不相关。

2. 网络建模

我们聚焦于基于机器学习的路由器队列利用率（QU）预测，预测过程可分为初始化、训练和运行三个阶段，精准预测能得到接近下一时刻路由器 QU 的理想输出值。

2.1 输入与输出设计

为简化研究问题，考虑由一些路由器组成的简单无线网络骨干。在分组交换网络中，依据分组当前位置和目的地为路由器缓冲区中的分组选择下一跳，此机制称为路由策略。传统路由策略不够智能，无法从无效路由决策中学习，面对类似拥塞场景（如突发流量）会做出相同决策。例如，源路由器 R0、R3 和 R6 接收输入分组并发送到目的路由器 R5，传统路由方法选择 R4 转发分组，导致 R4 负载增加而拥塞，虽可通过备用路径（R1 或 R7）缓解，但再次出现时仍会做出相同决策。而机器学习系统能收集无效路由决策，预测并避免负载不均衡引发的拥塞。
- 拓扑 ：队列损失率大致与子树大小成正比，子树大小反映路由器连接性。拓扑 $P_{1\times N} = [p(1), p(2), \cdots p(N)]$ 可指示路由器连接性并决定其可用性，$p_i$ 表示路由器 $i$ 的底层网络拓扑。路由器拓扑越高，越可能被选为中间路由器。
-