Resumen

La red de datos nombrados (NDN) es una arquitectura de red futura que reemplaza la comunicación orientada a IP con comunicación orientada al contenido y tiene nuevas características como caché, múltiples caminos y múltiples fuentes. Servicios como la transmisión de video, a los cuales NDN puede aplicarse en el futuro, pueden causar congestión si los datos se concentran en uno de los nodos durante una alta demanda. Para resolver este problema, se han propuesto métodos de control de velocidad de envío como el control de congestión TCP, pero no reflejan adecuadamente las características de NDN. Por lo tanto, utilizamos el aprendizaje por refuerzo y el aprendizaje profundo para proponer un método de control de congestión que aproveche las características de múltiples caminos. La estrategia de reenvío inteligente para el control de congestión utilizando Q-learning y memoria a corto plazo en NDN propuesta en este documento se divide en dos fases. La primera fase utiliza un modelo LSTM para entrenar una tasa de entrada de tabla de interés pendiente (PIT) que puede ser utilizada como indicador para detectar congestión al conocer la cantidad de datos devueltos. En la segunda fase, se reenvía a un camino alternativo que no está congestionado a través de Q-learning basado en la tasa de entrada de PIT predicha por el modelo LSTM entrenado. Los resultados de la simulación muestran que el método propuesto aumenta la tasa de recepción de datos en un 6.5% y 19.5% y disminuye la tasa de pérdida de paquetes en un 7.3% y 17.2% en comparación con una estrategia de reenvío basada en SRTT adaptativo (ASF) y BestRoute.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Arquitectura de redes del futuro; Comunicación orientada a contenidos; Control de la congestión; Aprendizaje por refuerzo; Aprendizaje profundo; Características multitrayectoria
• Keywords:Future network architecture; Content-oriented communication; Congestion control; Reinforcement learning; Deep learning; Multipath features