Zarządzanie przepływem zadań w architekturze SDN z użyciem algorytmów uczenia ze wzmocnieniem

• Autorzy: Smogór Katarzyna

Identyfikatory

DOI

10.15199/13.2025.6.5

Warianty tytułu

EN

Task Flow Management in SDN Architecture Using Reinforcement Learning Algorithms

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono koncepcję zastosowania algorytmów uczenia ze wzmocnieniem (Reinforcement Learning, RL) do zarządzania przepływem zadań w architekturze sieci definiowanej programowo (Software-Defined Networking, SDN). Proponowane podejście pozwala na podejmowanie autonomicznych decyzji dotyczących trasowania oraz offloadingu zadań obliczeniowych w dynamicznych i heterogenicznych środowiskach sieciowych.

EN

The article presents the concept of applying Reinforcement Learning (RL) algorithms for task flow management in Software-Defined Networking (SDN) architecture. The proposed approach enables autonomous decision-making regarding routing and offloading of computational tasks in dynamic and heterogeneous network environments.

Słowa kluczowe

PL

SDN; uczenie ze wzmocnieniem; Reinforcement Learning; offloading; zarządzanie ruchem

EN

SDN; Reinforcement Learning; offloading; traffic management

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2025
• Tom: Vol. 66, Nr 6
• Strony: 23--26
• Opis fizyczny: Bibliogr. 5 poz., rys.

Twórcy

autor

Smogór Katarzyna

• European Institute of Management and Technology

Bibliografia

• [1] Mao, H., Alizadeh, M., Menache, I., & Kandula, S. (2016). Resource Management with Deep Reinforcement Learning. Proceedings of the 15th ACM Workshop on Hot Topics in Networks, 50–56. (dostęp: 06.2025)
• [2] Xu, X., Zhang, Z., Zhang, S., & Qi, L. (2021). Reinforcement Learning for Network Traffic Control: A Review. IEEE Access, 9, 140188–140200. doi:10.1109/ACCESS.2021.3119323. (dostęp: 06.2025)
• [3] Zhang, X., Zhao, Z., & Yu, F. R. (2020). Deep Reinforcement Learning-Based Resource Management for Multi-Access Edge Computing in SDN. IEEE Transactions on Network and Service Management, 17(4), 2163–2176. doi:10.1109/TNSM.2020.3021236. (dostęp: 06.2025)
• [4] Bennis, M., Debbah, M., & Poor, H. V. (2018). Ultra-reliable and low-latency wireless communication: Tail, risk, and scale. Proceedings of the IEEE, 106(10), 1834–1853. (dostęp: 06.2025)
• [5] Yu, C., Zhang, X., & Yang, K. (2022). Reinforcement Learning for SDN: A Comprehensive Survey. IEEE Communications Surveys & Tutorials, 24(2), 1234–1256. doi:10.1109/COMST.2022.3149228. (dostęp: 06.2025)

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki (2025).