Gedankenlesegeräte können jetzt mithilfe von KI auf Ihre Gedanken und Träume zugreifen
Wir können jetzt Träume entschlüsseln und Bilder von Gesichtern nachbilden, die Menschen gesehen haben, und jeder von Facebook bis Elon Musk möchte einen Teil dieser Gedanken lesen, die die Realität lesen
Flughafenscanner zeigen etwas: Arme und Gehirne von Menschen!!
KI-Router und Netzwerkverstand: Eine Hybridmaschine
Q-Routing (DRQ-Routing), das Informationen nutzt, die durch Rückwärts- und Vorwärtsexploration gewonnen werden
Beschleunigen Sie die Konvergenzgeschwindigkeit. In [11], [12] wurde Reinforcement Learning (RL) erfolgreich angewendet
beim Routing drahtloser Sensornetzwerke, bei dem sich die Sensoren und Senkenknoten selbst an das Netzwerk anpassen könnten
Umfeld. In einem Multiagentensystem leidet die Einzelagenten-RL jedoch unter schwerwiegender Nichtkonvergenz.
Stattdessen ist die Anwendung von Multiagenten-RL zur Verbesserung der Zusammenarbeit zwischen Netzwerkknoten praktikabler
Es gab eine Reihe von Arbeiten zum ML-gesteuerten Routing auf Basis von Multiagenten-RL.
2.1.2 Multiagenten-Verstärkungslernen
In [13], [14] stellen Stone et al. schlug den Routing-Algorithmus Team-Partitioned Opaque-Transition RL (TPOT-RL) vor.
rithm, mit dem ein Team von Netzwerkknoten, die gemeinsam auf ein globales Ziel hinarbeiten, lernen kann, wie das geht
eine gemeinsame Aufgabe ausführen. In [15] berichten Wolpert et al. entwarf einen Lernalgorithmus mit geringer Verstärkung
Der sogenannte Collective Intelligence (COIN)-Algorithmus, bei dem eine globale Funktion angewendet wird, um die zu ändern
Verhalten jedes Netzwerkagenten. Im Gegensatz dazu schlug der Autor von [16] eine auf Collaborative RL (CRL) basierende Methode vor
Routing-Algorithmus ohne einzelnen globalen Status. Der CRL-Ansatz wurde auch erfolgreich für Verzögerungs-
tolerantes Netzwerkrouting in [17]. In einem inhärent verteilten System kommt es jedoch zu einer Zustandssynchronisation
zwischen allen Routern ist äußerst schwierig, insbesondere mit zunehmender Netzwerkgröße, -geschwindigkeit und -last. Mit
Mit der Entwicklung der SDN-Technologie haben zentralisierte KI-gesteuerte Routing-Strategien erhebliche Fortschritte gemacht
Aufmerksamkeit.
2.2 Zentralisiertes Routing
In [18] haben Stampa et al. schlug einen Deep RL (DRL)-Algorithmus zur Optimierung des Routings in einem zentralen System vor
Wissensebene. Die experimentellen Ergebnisse profitierten von der globalen Kontrollperspektive und zeigten sehr gute Ergebnisse
vielversprechende Leistung. In [19] haben Lin et al. wendete den SARSA-Algorithmus an, um eine QoS-bewusste Anpassung zu erreichen
Routing in mehrschichtigen hierarchischen softwaredefinierten Netzwerken. Für jeden Fluss aktualisierte der Controller die
Basierend auf den QoS-Anforderungen wurde eine optimale Routing-Strategie entwickelt und die Weiterleitungstabelle an jeden Knoten ausgegeben
entlang des Weiterleitungspfades. In [20] haben Wang et al. schlug einen RL-basierten Routing-Algorithmus für Wireless Sensor vor
Netzwerke (WSNs) mit dem Namen AdaR. Um dies zu erreichen, wird in AdaR die Least-Squares Policy Iteration (LSPI) implementiert
der richtige Kompromiss zwischen mehreren Optimierungszielen, wie z. B. Routing-Pfadlänge, Lastausgleich usw
Neuübertragungsrate. Allerdings ist der Aufwand für eine zentrale KI-Steuerung hoch.
3 KI-GESTEUERTES NETZWERK-ROUTING
In diesem Abschnitt schlagen wir zunächst eine dreischichtige logische Funktionsarchitektur für KI-gesteuerte Netzwerke vor.
Anschließend diskutieren wir das Problem, wie weit die intelligente Steuerungsebene von der entfernt sein kann
Weiterleitungsebene („zentralisiert“ oder „verteilt“)
