Mejorando la calidad de servicio en SDN mediante el ajuste dinámico del idle timeout con Deep Reinforcement Learning

Las memorias TCAM (Ternary contentaddressable
memory) de las tablas de flujo de
los nodos SDN (Software Defined Networking)
son muy r´apidas y permiten realizar b´usquedas en
paralelo en muy poco tiempo. Sin embargo, presentan
un alto consumo de energ´ıa y un elevado coste, lo
que hace que su tama˜no sea limitado. Esta limitaci´on
de tama˜no impacta sobre el n´umero de reglas que se
pueden instalar, por lo que una gesti´on ineficiente de
las mismas puede suponer una degradaci´on de la QoS
(Quality of Service) de la red. Este trabajo propone
una soluci´on basada en DRL (Deep Reinforcement
Learning) que permite ajustar din´amicamente el idle
timeout de las reglas de flujo para maximizar el
n´umero de flujos que pueden ser encaminados en la
red, lo que deriva en una mejora de la QoS.