深度强化学习在典型网络系统中的应用综述

摘要：

近几年来,以深度强化学习(Deep Reinforcement Learning,DRL)为代表的人工智能技术被引入计算机网络系统设计中,促使网络领域走向数据驱动和智能化,并在典型的网络系统中不断取得新的突破.计算机网络应用的难点是难以对多变的网络环境进行复杂准确的建模,借助深度神经网络出色的特征提取能力,深度强化学习能够更好地以试错的方式探索更优的决策,并具有端到端的设计优势.首先阐述深度强化学习技术的原理,包括多种典型的深度学习中使用的神经网络结构、基于值函数和基于策略梯度的深度强化学习训练算法;之后详细分析了深度强化学习技术在计算机网络领域中解决资源调度问题的研究现状,包括任务调度、视频传输、路由选择、TCP拥塞控制以及网络缓存;最后给出了在计算机网络应用中使用深度强化学习仍存在的挑战.

关键词：深度强化学习、计算机网络、任务调度、视频传输、路由选择、TCP拥塞控制、网络缓存

所属期刊栏目：46

分类号：TP393;TP181(计算技术、计算机技术)

资助基金：国家自然科学基金项目;上海市港澳台科技合作项目;广东省重点领域研发计划项目

在线出版日期：2020-11-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共21页

页码：603-623