基于多智能体深度强化学习的体系任务分配方法

为了应对在未来复杂的战场环境下,由于通信受限等原因导致的集中式决策模式难以实施的情况,提出了一个基于多智能体深度强化学习的分布式作战体系任务分配算法,该算法为各作战单元均设计一个独立的策略网络,并采用集中式训练、分布式执行的方法对智能体的策略网络进行训练,结果显示,经过学习训练后的各作战单元具备一定的自主协同能力,即使在没有中心指挥控制节点协调的情况下,依然能够独立地实现作战任务的高效分配.

数据中心内Incast流量的网内聚合研究

MapReduce等分布式计算系统应用在数据中心内产生了严重的东西向流量,其中以incast和shuffle为代表的关联性流量占相当大的比重,进而严重影响到上层应用的性能.这促使研究者们考虑在这些关联性流量的网内传输阶段尽可能早而不是仅在流量的接收端进行流间数据聚合.首先以新型数据中心网络结构为背景讨论流间数据聚合的可行性和增益,为最大化该增益,为incast传输建立最小代价树模型.为解决该模型,提出了2种近似的incast树构造方法,其能够仅基于incast成员的位置和数据中心拓扑结构生成一个有效的incast树,进一步解决了incast树的动态和容错问题.最后,采用原型系统和大规模仿真的方法评估了incast流量的网内聚合方法,实验结果证明该方法能大幅降低incast流量造成的传输开销,能节约数据中心的网络资源.同时,提出的模型和解决方法也适用于其他类型的数据中心网络结构.

云数据中心网络控制器的均衡选择策略

为了在韧性信息服务云环境中多个控制器间均衡数据流,以便更好地承载业务数据流,提出了基于控制器负载和基于时延的控制器选择策略。在该策略下,每个交换机从所有可用的控制器中选择一个最优控制器,从而有效减少数据流的最大响应时间。试验结果表明,设计的2个自适应控制器选择策略能够有效减少数据流的最大响应时间,进而提高系统吞吐量。