GARL-TE: Uma Abordagem Híbrida de Algoritmo Genético e Aprendizado por Reforço para Engenharia de Tráfego em Redes SDN

• Carlos Augusto R. Soares UERJ https://orcid.org/0000-0001-5281-1313
• Jorge Luís M. do Amaral UERJ https://orcid.org/0000-0001-6580-5668
• Alexandre Sztajnberg UERJ https://orcid.org/0000-0003-2018-6386

DOI: https://doi.org/10.5753/wgrs.2026.24110

Resumo

A minimização da máxima utilização dos enlaces (MLU) constitui um desafio central na Engenharia de Tráfego (TE), exigindo estratégias de alocação de fluxos que equilibrem eficiência e custos operacionais. Protocolos baseados em caminhos de menor custo e balanceamento estático (IGP+ECMP) frequentemente falham em mitigar congestionamentos em matrizes de tráfego assimétricas, enquanto modelos de otimização exata via Programação Linear (PL) enfrentam limitações de escalabilidade e elevado custo computacional. Este artigo apresenta o GARL-TE, uma arquitetura híbrida para Redes Definidas por Software (SDN) fundamentada no princípio de intervenção seletiva. A proposta combina a capacidade de busca global de um Algoritmo Genético (GA) especializado com a responsividade do Aprendizado por Reforço Profundo (DRL) para otimizar apenas um subconjunto de fluxos críticos. GARL-TE prevê a substituição de solucionadores de PL on-line por um motor evolutivo baseado em mutação de Dirichlet adaptativa. Em avaliação controlada, realizada sobre o módulo de otimização, observaram-se resultados próximos ao limite ótimo e indícios de robustez estatística na mitigação de gargalos, o que reforça o potencial da arquitetura em ciclos de controle autonômico.

Referências

Fortz, B. and Thorup, M. (2002). Optimizing OSPF weights with arbitrary traffic matrices. IEEE Journal on Selected Areas in Communications, 20(4):150–162.

Granville, L. Z. et al. (2015). Autonomic management of SDN networks. In IFIP/IEEE International Symposium on Integrated Network Management.

Gui, F., Wang, S., Li, D., Chen, L., Gao, K., Min, C., and Wang, Y. (2024). Redte: Mitigating subsecond traffic bursts with real-time and distributed traffic engineering. In Proceedings of the ACM SIGCOMM 2024 Conference, pages 71–85.

Hamdan, M. et al. (2021). DPLBAnt: Improved load balancing technique based on detection and rerouting of elephant flows in software-defined networks. Computer Communications, 180:315–327.

Kephart, J. O. and Chess, D. M. (2003). The vision of autonomic computing. Computer, 36(1):41–50.

Kreutz, D., Ramos, M., Verissimo, P., Rothenberg, C. E., Azodolmolky, S., and Uhlig, S. (2014). Software-defined networking: A comprehensive survey. Proceedings of the IEEE, 103(1):14–76.

Mendiola, A. et al. (2017). A survey on the contributions of software-defined networking to traffic engineering. IEEE Communications Surveys & Tutorials, 19(2):918–953.

Pei, X. et al. (2024). Enabling efficient routing for traffic engineering in SDN with deep reinforcement learning. Computer Networks, 241:110220.

Roughan, M. (2004). A practical guide to measured of traffic matrices. In Proc. of ACM SIGCOMM on Network Troubleshooting, pages 261–266.

Tan, K. Y., Tan, S. C., and Chuah, T. C. (2025). A multi-phase drl-driven sdn migration framework addressing budget, legacy service compatibility, and dynamic traffic. IEEE Access, 13:33202–33219.

Ye, M. et al. (2022). Flexdate: Flexible and disturbance-aware traffic engineering with reinforcement learning in software-defined networks. IEEE/ACM Transactions on Networking, 31(4):1433–1448.

Zhang, J., Ye, M., Guo, Z., Hong, C. Y., Hui, J. W., Guan, H., and Wang, X. (2020). CFR-RL: Traffic engineering with reinforcement learning in SDN. IEEE Journal on Selected Areas in Communications, 38(10):2249–2259.

Zhang, Y. (2004). Abilene traffic matrix dataset. Disponível em: [link].