联合联邦学习与深度强化学习的并行服务功能链部署算法

摘要

针对多域边缘云网络中并行服务功能链(SFC)的动态部署问题，构建了一种优化的SFC并行结构，提出一种联合联邦学习(FedAvg)与深度强化学习(DRL)的新算法——FA-D3QN-PER。该方法解决了现有的单一DRL算法和集中式决策框架在解决SFC切分和部署时存在的资源分配不均和隐私泄露问题，通过允许各域内的智能体独立训练，并利用FedAvg共享模型参数，在保护数据隐私的同时优化全局策略。在部署阶段，对混合SFC的并行结构进行分析和优化；根据优化结果将优化后的混合SFC合理切分成若干个子链，并将其分配给合适的边缘域；将各子链中的虚拟网络功能(VNF)映射至目标域内的物理节点上。仿真结果表明，FA-D3QN-PER方法具有稳定性强、收敛速度快等特点，能够显著提高SFC部署的接受率，同时有效减少平均延迟和总成本，相较于FA-DQN、DFSC和MuL算法，FA-D3QN-PER算法将接受率提高了11.6%,平均延迟和总成本分别减少了17%和18.56%。

关键词

多域边缘云网络 / 并行服务功能链 / 动态部署 / 联邦学习 / 深度强化学习

基金资助

国家自然科学基金资助项目（62106157）