Mejora del balanceo de carga en redes SDN utilizando Deep Reinforcement Learning

La flexibilidad y programabilidad de las redes
definidas por software (Software-Defined Networks)
ha permitido a la comunidad investigadora proponer
nuevas t´ecnicas de Ingenier´ıa de Tr´afico
para mejorar su rendimiento. Aunque la instalaci
´on de soluciones heur´ısticas u ´optimas en el
controlador de la red permiten obtener buenos
resultados, estas se basan en datos hist´oricos
que pueden no estar actualizados ante variaciones
de tr´afico real. Por ello, en este trabajo
se propone una soluci´on basada en Multi-Agent
Deep-Reinforcement Learning que permite reducir
Maximum Link Utilization de las redes definidas
por software. Dicha soluci´on permite disponer de
m´ ultiples agentes instalados en los switches de
la red, de modo que cada agente es capaz de
reaccionar y adaptarse ante los cambios localizados
en su entorno. Los resultados experimentales
obtenidos son prometedores. El algoritmo consigue
reducir la Maximum Link Utilization de la red en
comparaci´on con la aplicaci´on del algoritmo de
Dijkstra.