Sigcomm'18
AuTO: Scaling Deep Reinforcement Learning for Datacenter-Scale Automatic Traffic Optimization
问题
主要问题：流量算法的配置周期长，人工配置难且繁复。人工配置的时间成本大，人为错误导致的性能降低。
要计算MLFQ的阈值参数是很麻烦的事情，先前有人构建了一个数学模型来优化这个阈值，在几个星期或者几个月更新一次阈值，更新周期过长。
可以使用DRL(Deep Reinforcement Learning)的方法根据环境自动配置(决策)算法参数，减少人工配置的时间成本，减少人为错误导致的性能降低。
基于主流框架TensorFlow或是pytorch等框架的的DRL难以掌控TO(traffic optimization)的小流（速度过快）
使用DRL优化时遇见的问题：DRL配置TO时，由于小流通过速度大于配置下发的速度，所以来不及下发配置。
解决方法
优化的算法：采用 Multi-Level Feedback Queueing(MLFQ)来管理流。第一级别的队列为小流，所有流初始化为小流。当流的大小超过阈值时，判定为大流，在队列中被降级到第二队列。可以有k个队列，按照流的不同级别分在不同的队列当中。
决策参数：基于比特数和阈值来对每个流做出决策，判定流属于第几级别的队列。
评价参数：当一次流处理完成时，计算一个比率，比率为本次的吞吐量与前一次的吞吐量之比。 吞吐量Sizef（流长）与FCT(Flow completion time)之比。
使用DRL优化：使用强化学习优化阈值。根据结果反馈调整阈值的设定。
状态和奖励返回是随机的马尔科夫过程
模型选择
公式一
公式一的改进：公式二
算法主要使用公式二
算法
论文从强化学习的算法PG讲到DPG再讲到DDPG，最后使用了DDPG。
经过查询资料，DDPG使用了深度神经网络，并且针对的是决策值为连续的情况，而参数值的变化又是连续的，所以使用DDPG较为合适且有效。
当一次流处理完成时，计算一个比率，比率为本次的吞吐量与前一次的吞吐量之比。 吞吐量Sizef（流长）与FCT(Flow completion time)之比。
框架构建
模型组成：
- 边缘系统
- 中心系统
边缘系统
有一个MLFQ，首级队列为小流，当流超过阈值，判定为大流，在队列中被降级。
边缘系统分为增强模块和探测模块。
- 探测模块：获取流的状态信息(包括所有流的大小和处理完成的时间)
- 增强模块：获取中心系统的action，执行操作。
中心系统
其中的DRL有两个agent：
- sRLA(short Reinforcement Learning Agent): 优化小流阈值
- lRLA(long Reinforcement Learning Agent)：优化大流，速率、路由、优先级
