Segment Routing (SR) is a source routing paradigm which is widely used in Traffic Engineering (TE). By using SR, a node steers a packet through an ordered list of instructions called segments. By some extensions of interior gateway protocol, SR can be applied to IP/MPLS or IPv6 network without signal protocol. SR over IPv6 (SRv6) is attracting wide attention because of its interoperation ability with IPv6. However, upgrading the existing IPv6 network directly to a full SRv6 one can be difficult, because large-scale equipment replacement or software upgrade may cause economic and technical problems. TE in partially deployed SR network is becoming a hot research topic. In this paper, we propose the TE algorithm Weight Adjustment-SRTE (WA-SRTE) in partially deployed SRv6 network, in which SRv6 capable nodes are dispersedly deployed. Our objective is to minimize the network’s maximum link utilization. WA-SRTE converts the TE problem into a Deep Reinforcement Learning problem and optimizes the OSPF weight, SRv6 node deployment and traffic paths simultaneously. Besides, traffic variation is also considered and we use a representative Traffic Matrix (TM) to epitomize the traffic characteristics over a period of time. Experiments demonstrate that with 20% to 40% of the SRv6 nodes deployed, we can achieve TE performance as good as in a full SR network for the experiment topologies. The results with WA remarkably outperform the results without it. Our algorithm also gets near-optimal results with changing traffic.

中文翻译：

---

具有深度强化学习功能的IPv6网络上部分部署的网段路由中的流量工程

段路由（SR）是一种源路由范式，已在流量工程（TE）中广泛使用。通过使用SR，节点可以通过有序的指令段（称为段）引导数据包。通过内部网关协议的一些扩展，SR可以应用于没有信号协议的IP / MPLS或IPv6网络。由于IPv6上的SR（SRv6）与IPv6具有互操作性，因此备受关注。但是，将现有的IPv6网络直接升级到完整的SRv6网络可能很困难，因为大规模的设备更换或软件升级可能会导致经济和技术问题。部分部署SR网络中的TE成为一个热门研究主题。在本文中，我们提出了在部分部署SRv6网络中的TE算法权重调整-SRTE（WA-SRTE），其中具有SRv6功能的节点被分散部署。我们的目标是最小化网络的最大链路利用率。WA-SRTE将TE问题转换为深度强化学习问题，并同时优化OSPF权重，SRv6节点部署和流量路径。此外，还考虑了流量变化，我们使用代表性的流量矩阵（TM）来概括一段时间内的流量特征。实验表明，部署20％到40％的SRv6节点，我们可以获得与针对实验拓扑的完整SR网络一样好的TE性能。使用WA的结果明显优于不使用WA的结果。随着流量的变化，我们的算法也获得了接近最佳的结果。SRv6节点同时部署和流量路径。此外，还考虑了流量变化，我们使用代表性的流量矩阵（TM）来概括一段时间内的流量特征。实验表明，部署20％到40％的SRv6节点，我们可以获得与针对实验拓扑的完整SR网络一样好的TE性能。使用WA的结果明显优于不使用WA的结果。随着流量的变化，我们的算法也获得了接近最佳的结果。SRv6节点同时部署和流量路径。此外，还考虑了流量变化，我们使用代表性的流量矩阵（TM）来概括一段时间内的流量特征。实验表明，部署20％到40％的SRv6节点，我们可以获得与针对实验拓扑的完整SR网络一样好的TE性能。使用WA的结果明显优于不使用WA的结果。随着流量的变化，我们的算法也获得了接近最佳的结果。对于实验拓扑，我们可以获得与完整SR网络一样好的TE性能。使用WA的结果明显优于不使用WA的结果。随着流量的变化，我们的算法也获得了接近最佳的结果。对于实验拓扑，我们可以获得与完整SR网络一样好的TE性能。使用WA的结果明显优于不使用WA的结果。随着流量的变化，我们的算法也获得了接近最佳的结果。