基于联邦强化学习的数据中心网络拥塞控制算法

作     者：何升涛 李莹玉 张鹏 高雅玙 刘焱 俞亮 许瀚 朱锐 HE Shengtao;LI Yingyu;ZHANG Peng;GAO Yayu;LIU Yan;YU Liang;XU Han;ZHU Rui

作者机构：中国地质大学(武汉)机械与电子信息学院湖北武汉430074 华中科技大学电信学院湖北武汉430074 烽火通信科技股份有限公司湖北武汉430074 湖北华中电力科技开发有限责任公司湖北武汉430070 

出 版 物：《移动通信》 (Mobile Communications)

年 卷 期：2025年第49卷第1期

页      面：75-80,108页

学科分类：080904[工学-电磁场与微波技术] 0810[工学-信息与通信工程] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 080402[工学-测试计量技术及仪器] 0804[工学-仪器科学与技术] 081001[工学-通信与信息系统] 

基　　金：国家自然科学基金“模型驱动的异构联邦边缘智能网络碳排放建模与优化”(62301516) 移动信息网络国家科技重大专项项目“面向语义通信的语义知识库技术研究”(2024ZD1300700) 鹏城国家实验室重大攻关项目(PCL2023AS1-2) 湖北省国际科技合作计划项目“面向印尼通信工程复杂场景的云边协同智能运维系统研发及应用”(2023EHA009) 中国地质大学(武汉)“地大学者”人才岗位科研启动经费资助(2021164) 

主　　题：数据中心网络 拥塞控制 强化学习 联邦学习 

摘      要：拥塞控制算法对于确保数据中心网络实现高效且可靠的数据传输至关重要。然而,传统算法由于采用固定的参数设置,难以在动态变化的网络环境下实现高效的数据传输。现有的基于强化学习的拥塞控制方案虽然有效,但大都采用集中式学习训练的方式,存在数据孤岛问题以及原始数据共享引发的隐私泄露风险。为此,提出了一种基于联邦强化学习的拥塞控制框架。该框架充分利用分布式网络架构的优势,将每个网络设备视作独立的智能体,并通过联邦学习技术实现多智能体间的协同训练。这种方法不仅有效保护了各参与方的数据隐私,而且通过整合各个智能体的成果和策略,提升了模型适应性和泛化能力。在此基础上,以基于联邦强化学习的显示拥塞通知阈值调优为案例进行研究,在多种实验场景下验证了所提架构的性能。