CN110324260A - 一种基于流量识别的网络功能虚拟化智能调度方法 - Google Patents
一种基于流量识别的网络功能虚拟化智能调度方法 Download PDFInfo
- Publication number
- CN110324260A CN110324260A CN201910543654.1A CN201910543654A CN110324260A CN 110324260 A CN110324260 A CN 110324260A CN 201910543654 A CN201910543654 A CN 201910543654A CN 110324260 A CN110324260 A CN 110324260A
- Authority
- CN
- China
- Prior art keywords
- packet
- network
- value
- forward direction
- backward
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/302—Route determination based on requested QoS
- H04L45/306—Route determination based on the nature of the carried application
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/70—Routing based on monitoring results
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
- H04L47/2441—Traffic characterised by specific attributes, e.g. priority or QoS relying on flow classification, e.g. using integrated services [IntServ]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
- H04L47/2483—Traffic characterised by specific attributes, e.g. priority or QoS involving identification of individual flows
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/38—Flow based routing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一种基于流量识别的网络功能虚拟化智能调度方法,基于置信区域策略优化算法实现,所述方法包括下列操作步骤:(1)对网络数据流进行分类:(2)设置置信区域策略优化算法的状态空间;(3)设置置信区域策略优化算法的动作空间;(4)设置置信区域策略优化算法的奖励函数:(5)设置置信区域策略优化算法的损失函数;(6)在前述步骤的基础上,利用置信区域策略优化算法实现对虚拟网络功能的智能调度。本发明方法,能根据不同流量数据的服务质量需求,实现虚拟网络功能的智能调度,提高了网络利用率和网络服务性能。
Description
技术领域
本发明涉及一种基于流量识别的网络功能虚拟化智能调度方法,属于信息技术领域,特别是属于网络功能虚拟化技术领域。
背景技术
随着网络流量数据的快速增长和网络应用的不断普及,网络用户对于服务质量的需求越来越高,包括低延时、低丢包率和高吞吐量等,因此网络设备不仅需要提高带宽和容量,更需要一个合适的资源调度机制。Network Function Virtualization(NFV)即网络功能虚拟化技术将网络功能从传统硬件设备分离,能够灵活地编排网络功能,共享网络资源。NFV技术使用virtualized network functions(VNF)即虚拟网络功能实现对不同网络的创建、配置、监测和运行,VNF被部署在不同的网络节点中,不同的网络服务由一些特定的虚拟网络功能组成的服务功能链完成。因此在NFV环境下,对网络功能的编排即调度决定了网络服务的质量与网络资源的调度使用。
但是目前NFV环境中的调度方案大多遵从先进先出原则,以提高网络利用率为目标,完成尽可能多的流量数据的传输任务,而没有考虑到用户对于不同种类的流量数据有着不同的服务质量要求,往往会导致用户优先级较低的流量数据占用大量网络带宽等资源,影响优先级较高的流量数据的用户体验。当前主流的流量识别研究都采用机器学习的方法,提取流量数据的特征进行识别分类。然而这些工作大多局限在识别少数特定网络应用或者特定网络环境下的流量数据,在流量包被加密后很难起到作用,应用的范围较为狭窄。而虚拟网络功能的动态编排方案被视为一个在线决策问题,现有的研究都局限于对环境进行建模来得到最优方案,忽略了从历史经验中提取的最优长期收益。
如何把虚拟网络功能的编排或调度机制与网络流量识别技术进行有效结合,提高网络资源利用率,为不同业务需求提供定制化的服务,并降低网络传输延时和网络功耗,成为网络功能虚拟化技术领域的一个亟待解决的技术难题。
发明内容
有鉴于此,本发明的目的是发明一种基于流量识别的网络功能虚拟化智能调度方法,实现基于用户业务需求的网络流量的种类划分,并实现根据网络环境和用户业务需求的网络功能的智能调度。
为了达到上述目的,本发明提出了一种基于流量识别的网络功能虚拟化智能调度方法,基于置信区域策略优化算法Trust Region Policy Optimization算法实现,所述方法包括下列操作步骤:
(1)对网络数据流进行分类:根据网络数据流的到达时间、数量和长度构造网络数据流的识别特征,对网络数据流进行分类;所述识别特征不会受到网络数据流是否加密的限制;所述识别特征取决于网络用户行为的流量类型,不会受到同一类型不同应用的限制;
(2)设置Trust Region Policy Optimization算法的状态空间:
对于数据包i,定义其在时间步ti到达时的网络状态为由此时网络中所有节点状态链路状态和传输状态共同组成;上式中,表示时间步ti时节点n的空闲计算资源,表示时间步ti时链路e的空闲带宽资源;MTTi表示数据包i的最大传输时间,该最大传输时间根据步骤(1)中对数据包i的分类结果来设定;TPi表示数据包i的传输优先级,该传输优先级根据步骤(1)中对数据包i的分类结果来设定;
(3)设置Trust Region Policy Optimization算法的动作空间:
***扫描整个网络,获得所有从源节点到目的节点的所有可达路径,假设存在P条路径,则动作空间为:A={a|a∈{1,2,…,P},上式中a表示***所采取的动作,即对应具体编号的路径;
(4)设置Trust Region Policy Optimization算法的奖励函数:
由于受到网络服务质量的限制,当数据包在网络中传输时间超过其最大传输时间时,则该数据包被丢弃,故以最小化数据包的平均延时和丢弃包的数量为目的,设置t时间步的奖励函数rt为:
上式中It表示t时间步在网络中传输的流量数据包的集合,Nt表示t时间步丢弃的数据包的数量,b和c分别表示基准值和惩罚系数;
(5)设置Trust Region Policy Optimization算法的损失函数:
上式中,Et[]表示对t时间步方括号内的部分求数学期望;
θ表示生成该算法中决策策略的神经网络所有参数集合,表示新策略πθ(at|st)与旧策略之间相同的状态-动作对被选中的概率比值,clip()函数表示数值截断函数,括号内第二项和第三项的数值分别为第一项数值的上界和下界,rt(θ)在上下界之间则函数值输出rt(θ)的原始值,若超出上下界则对rt(θ)进行截断,输出上界值或下界值。
表示新策略πθ(at|st)与旧策略之间点概率分布的距离平方值,rt(θ)与Dpp均为衡量新旧策略之间差值的指标,ε为截取系数,λ为惩罚系数,为优势函数,表示在t时间步选择特定动作的收益与所有动作平均收益的差:
其中第一项表示根据策略π在状态s下采取动作a带来的期望奖励值,为累积奖励值;γ为折扣系数,在0和1之间取值,用以平衡最新奖励值与历史奖励值的影响;rt+k表示第t+k时间步的奖励值;V(s)表示在状态s下所有动作奖励的平均值;
(6)在前述步骤的基础上,利用置信区域策略优化算法实现对虚拟网络功能的智能调度。
所述的识别特征具体包括如下特征:
前向包的到达时间间隔最大值,前向包的到达时间间隔最小值,前向包的到达时间间隔平均值,前向包的到达时间间隔标准差;
后向包的到达时间间隔最大值,后向包的到达时间间隔最小值,后向包的到达时间间隔平均值,后向包的到达时间间隔标准差;
双向包的到达时间间隔最大值,双向包的到达时间间隔最小值,双向包的到达时间间隔平均值,双向包的到达时间间隔标准差;
网络数据流持续时间;
前向包包长度最大值,前向包包长度最小值,前向包包长度平均值,前向包包长度标准差;
后向包包长度最大值,后向包包长度最小值,后向包包长度平均值,后向包包长度标准差;
双向包包长度最大值,双向包包长度最小值,双向包包长度平均值,双向包包长度标准差;
前向包平均每秒包数,前向包平均每秒字节数;
后向包平均每秒包数,后向包平均每秒字节数;
前向包和后向包平均每秒包数比值,前向包和后向包平均每秒字节数比值;
所述前向包是指从本地客户端传输向服务器端的网络流量数据包,所述后向包是指从服务器端传输向本地客户端的网络流量数据包,所述双向包是指本地客户端与服务器端之间传输的所有网络流量数据包。
所述步骤(1)中对网络数据流进行分类的具体内容是:使用统计学习方法和神经网络对网络数据流进行训练分类,获得训练好的分类模型之后,获取网络中新进入的双向包,按照设定周期进行特征提取后输入到所述分类模型中,得到实时的分类结果。
所述的分类模型是深度森林模型。
本发明的有益效果在于:本发明提出的基于流量识别的网络功能虚拟化智能调度方法,能根据不同流量数据的服务质量需求,实现虚拟网络功能的智能调度,为每一个流量包的细粒度调度提供了精确的传输要求,实验证明本方法能有效调度网络资源,提高网络利用率和网络服务性能。
附图说明
图1是本发明提出的一种基于流量识别的网络功能虚拟化智能调度方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步的详细描述。
参见图1,介绍本发明提出的一种基于流量识别的网络功能虚拟化智能调度方法,基于置信区域策略优化算法Trust Region Policy Optimization算法实现,关于基于置信区域策略优化算法Trust Region Policy Optimization,可参见如下文献:J.Schulman,S.Levine,P.Abbeel,M.Jordan,and P.Moritz.Trust region policy optimization.InInternational Conference on Machine Learning,pages 1889–1897,2015。
所述方法包括下列操作步骤:
(1)对网络数据流进行分类:根据网络数据流的到达时间、数量和长度构造网络数据流的识别特征,对网络数据流进行分类;所述识别特征不会受到网络数据流是否加密的限制;所述识别特征取决于网络用户行为的流量类型,不会受到同一类型不同应用的限制;
为了解决目前大部分网络流量分类方法只局限于少数几种协议类型或者几种应用的缺点,实施例中,我们根据用户行为特征和服务质量需求的区别将流量数据分为八种类型:网页浏览、即时通讯、音频流、视频流、邮件、网络电话、Peer-to-Peer(P2P)即点对点传输数据、File Transfer Protocol(FTP)即文件传输协议数据。这八种流量不局限于具体协议或者应用,覆盖了实际网络中的大部分流量,这是实现网络资源调度的前提。
(2)设置Trust Region Policy Optimization算法的状态空间:
对于数据包i,定义其在时间步ti到达时的网络状态为由此时网络中所有节点状态链路状态和传输状态共同组成;上式中,表示时间步ti时节点n的空闲计算资源,表示时间步ti时链路e的空闲带宽资源;MTTi表示数据包i的最大传输时间,该最大传输时间根据步骤(1)中对数据包i的分类结果来设定;TPi表示数据包i的传输优先级,该传输优先级根据步骤(1)中对数据包i的分类结果来设定;
(3)设置Trust Region Policy Optimization算法的动作空间:
***扫描整个网络,获得所有从源节点到目的节点的所有可达路径,假设存在P条路径,则动作空间为:A={a|a∈{1,2,…,P},上式中a表示***所采取的动作,即对应具体编号的路径;
(4)设置Trust Region Policy Optimization算法的奖励函数:
由于受到网络服务质量的限制,当数据包在网络中传输时间超过其最大传输时间时,则该数据包被丢弃,故以最小化数据包的平均延时和丢弃包的数量为目的,设置t时间步的奖励函数rt为:
上式中It表示t时间步在网络中传输的流量数据包的集合,Nt表示t时间步丢弃的数据包的数量,b和c分别表示基准值和惩罚系数;
(5)设置Trust Region Policy Optimization算法的损失函数:
上式中,Et[]表示对t时间步方括号内的部分求数学期望;
θ表示构成该算法中决策策略的所有参数集合,表示新策略πθ(at|st)与旧策略之间相同的状态-动作对被选中的概率比值,clip()函数表示数值截断函数,括号内第二项和第三项的数值分别为第一项数值的上界和下界,rt(θ)在上下界之间则函数值输出rt(θ)的原始值,若超出上下界则对rt(θ)进行截断,输出上界值或下界值。
表示新策略πθ(at|st)与旧策略之间点概率分布的距离平方值,rt(θ)与Dpp均为衡量新旧策略之间差值的指标,ε为截取系数,λ为惩罚系数,为优势函数,表示在t时间步选择特定动作的收益与所有动作平均收益的差:
其中第一项表示根据策略π在状态s下采取动作a带来的期望奖励值,为累积奖励值;γ为折扣系数,在0和1之间取值,用以平衡最新奖励值与历史奖励值的影响;rt+k表示第t+k时间步的奖励值;V(s)表示在状态s下所有动作奖励的平均值;
(6)在前述步骤的基础上,利用置信区域策略优化算法实现对虚拟网络功能的智能调度。
针对很多流量分类选用的特征只能在特定网络环境中能够起到有效的分类效果的局限性,我们提出的流量分类方法中选用的特征全部由网络数据流的到达时间与的数量和长度计算得到,不会受到流量是否加密的限制,并且这些特征主要是用来识别取决于用户行为的流量类型,不会受到同一类型不同应用的限制。经过比较,选择以5秒作为时间单位。
所述的识别特征具体包括如下特征:
前向包的到达时间间隔最大值,前向包的到达时间间隔最小值,前向包的到达时间间隔平均值,前向包的到达时间间隔标准差;
后向包的到达时间间隔最大值,后向包的到达时间间隔最小值,后向包的到达时间间隔平均值,后向包的到达时间间隔标准差;
双向包的到达时间间隔最大值,双向包的到达时间间隔最小值,双向包的到达时间间隔平均值,双向包的到达时间间隔标准差;
网络数据流持续时间;
前向包包长度最大值,前向包包长度最小值,前向包包长度平均值,前向包包长度标准差;
后向包包长度最大值,后向包包长度最小值,后向包包长度平均值,后向包包长度标准差;
双向包包长度最大值,双向包包长度最小值,双向包包长度平均值,双向包包长度标准差;
前向包平均每秒包数,前向包平均每秒字节数;
后向包平均每秒包数,后向包平均每秒字节数;
前向包和后向包平均每秒包数比值,前向包和后向包平均每秒字节数比值;
所述前向包是指从本地客户端传输向服务器端的网络流量数据包,所述后向包是指从服务器端传输向本地客户端的网络流量数据包,所述双向包是指本地客户端与服务器端之间传输的所有网络流量数据包。
所述步骤(1)中对网络数据流进行分类的具体内容是:使用统计学习方法和神经网络对网络数据流进行训练分类,获得训练好的分类模型之后,获取网络中新进入的双向包,按照设定周期进行特征提取后输入到所述分类模型中,得到实时的分类结果。在实施例中,设定周期为5秒。
所述的分类模型是深度森林模型,经过实验,分类准确率可以达到92%。发明人对其他一些分类模型也进行了测试,但实验结果都没有深度森林模型好。
发明人对本发明所提出的方法,进行了大量实验,实验证明在相同网络环境中,本发明的方法可以有效调度网络资源,提高网络利用率,可以更好地降低网络拥挤,实现更高的网络吞吐量。
Claims (4)
1.一种基于流量识别的网络功能虚拟化智能调度方法,基于置信区域策略优化算法Trust Region Policy Optimization算法实现,其特征在于:所述方法包括下列操作步骤:
(1)对网络数据流进行分类:根据网络数据流的到达时间、数量和长度构造网络数据流的识别特征,对网络数据流进行分类;所述识别特征不会受到网络数据流是否加密的限制;所述识别特征取决于网络用户行为的流量类型,不会受到同一类型不同应用的限制;
(2)设置Trust Region Policy Optimization算法的状态空间:
对于数据包i,定义其在时间步ti到达时的网络状态为由此时网络中所有节点状态链路状态和传输状态共同组成;上式中,表示时间步ti时节点n的空闲计算资源,表示时间步ti时链路e的空闲带宽资源;MTTi表示数据包i的最大传输时间,该最大传输时间根据步骤(1)中对数据包i的分类结果来设定;TPi表示数据包i的传输优先级,该传输优先级根据步骤(1)中对数据包i的分类结果来设定;
(3)设置Trust Region Policy Optimization算法的动作空间:
***扫描整个网络,获得所有从源节点到目的节点的所有可达路径,假设存在P条路径,则动作空间为:A={a|a∈{1,2,…,P},上式中a表示***所采取的动作,即对应具体编号的路径;
(4)设置Trust Region Policy Optimization算法的奖励函数:
由于受到网络服务质量的限制,当数据包在网络中传输时间超过其最大传输时间时,则该数据包被丢弃,故以最小化数据包的平均延时和丢弃包的数量为目的,设置t时间步的奖励函数rt为:
上式中It表示t时间步在网络中传输的流量数据包的集合,Nt表示t时间步丢弃的数据包的数量,b和c分别表示基准值和惩罚系数;
(5)设置Trust Region Policy Optimization算法的损失函数:
上式中,Et[]表示对t时间步方括号内的部分求数学期望;
θ表示生成该算法中决策策略的神经网络所有参数集合,表示新策略πθ(at|st)与旧策略之间相同的状态-动作对被选中的概率比值,clip()函数表示数值截断函数,括号内第二项和第三项的数值分别为第一项数值的上界和下界,rt(θ)在上下界之间则函数值输出rt(θ)的原始值,若超出上下界则对rt(θ)进行截断,输出上界值或下界值;
表示新策略πθ(at|st)与旧策略之间点概率分布的距离平方值,rt(θ)与Dpp均为衡量新旧策略之间差值的指标,ε为截取系数,λ为惩罚系数,为优势函数,表示在t时间步选择特定动作的收益与所有动作平均收益的差:
其中第一项表示根据策略π在状态s下采取动作a带来的期望奖励值,为累积奖励值;γ为折扣系数,在0和1之间取值,用以平衡最新奖励值与历史奖励值的影响;rt+k表示第t+k时间步的奖励值;V(s)表示在状态s下所有动作奖励的平均值;
(6)在前述步骤的基础上,利用置信区域策略优化算法实现对虚拟网络功能的智能调度。
2.根据权利要求1所述的一种基于流量识别的网络功能虚拟化智能调度方法,其特征在于:步骤(1)中,所述的识别特征具体包括如下特征:
前向包的到达时间间隔最大值,前向包的到达时间间隔最小值,前向包的到达时间间隔平均值,前向包的到达时间间隔标准差;
后向包的到达时间间隔最大值,后向包的到达时间间隔最小值,后向包的到达时间间隔平均值,后向包的到达时间间隔标准差;
双向包的到达时间间隔最大值,双向包的到达时间间隔最小值,双向包的到达时间间隔平均值,双向包的到达时间间隔标准差;
网络数据流持续时间;
前向包包长度最大值,前向包包长度最小值,前向包包长度平均值,前向包包长度标准差;
后向包包长度最大值,后向包包长度最小值,后向包包长度平均值,后向包包长度标准差;
双向包包长度最大值,双向包包长度最小值,双向包包长度平均值,双向包包长度标准差;
前向包平均每秒包数,前向包平均每秒字节数;
后向包平均每秒包数,后向包平均每秒字节数;
前向包和后向包平均每秒包数比值,前向包和后向包平均每秒字节数比值;
所述前向包是指从本地客户端传输向服务器端的网络流量数据包,所述后向包是指从服务器端传输向本地客户端的网络流量数据包,所述双向包是指本地客户端与服务器端之间传输的所有网络流量数据包。
3.根据权利要求1或2所述的一种基于流量识别的网络功能虚拟化智能调度方法,其特征在于:所述步骤(1)中对网络数据流进行分类的具体内容是:使用统计学习方法和神经网络对网络数据流进行训练分类,获得训练好的分类模型之后,获取网络中新进入的双向包,按照设定周期进行特征提取后输入到所述分类模型中,得到实时的分类结果。
4.根据权利要求3所述的一种基于流量识别的网络功能虚拟化智能调度方法,其特征在于:所述的分类模型是深度森林模型。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910543654.1A CN110324260B (zh) | 2019-06-21 | 2019-06-21 | 一种基于流量识别的网络功能虚拟化智能调度方法 |
US16/906,867 US11411865B2 (en) | 2019-06-21 | 2020-06-19 | Network resource scheduling method, apparatus, electronic device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910543654.1A CN110324260B (zh) | 2019-06-21 | 2019-06-21 | 一种基于流量识别的网络功能虚拟化智能调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110324260A true CN110324260A (zh) | 2019-10-11 |
CN110324260B CN110324260B (zh) | 2020-10-09 |
Family
ID=68119979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910543654.1A Active CN110324260B (zh) | 2019-06-21 | 2019-06-21 | 一种基于流量识别的网络功能虚拟化智能调度方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11411865B2 (zh) |
CN (1) | CN110324260B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111526036A (zh) * | 2020-03-20 | 2020-08-11 | 西安电子科技大学 | 一种短流量实时性优化方法、***、网络传输终端 |
CN115396315A (zh) * | 2022-07-29 | 2022-11-25 | 西北大学 | 基于高性能网络的数据中心间多类别混合流带宽调度方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3072523A1 (en) * | 2017-08-18 | 2019-02-21 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Wireless communication method and device |
CN115037689A (zh) * | 2022-06-06 | 2022-09-09 | 西安明赋云计算有限公司 | 一种网络流量智能调度的方法及*** |
CN115086060B (zh) * | 2022-06-30 | 2023-11-07 | 深信服科技股份有限公司 | 一种流量检测方法、装置、设备及可读存储介质 |
CN116232923B (zh) * | 2022-12-23 | 2024-08-23 | 中国联合网络通信集团有限公司 | 模型训练方法、装置以及网络流量预测方法、装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107104826A (zh) * | 2017-04-05 | 2017-08-29 | 电子科技大学 | 一种基于sdn和nfv的网控编码方法 |
CN107634911A (zh) * | 2017-10-31 | 2018-01-26 | 河南科技大学 | 一种信息中心网络中基于深度学习的自适应拥塞控制方法 |
CN108900419A (zh) * | 2018-08-17 | 2018-11-27 | 北京邮电大学 | Sdn架构下基于深度强化学习的路由决策方法及装置 |
CN109144673A (zh) * | 2018-09-21 | 2019-01-04 | 上海飞旗网络技术有限公司 | 一种nfv快速开发方法 |
US20190073224A1 (en) * | 2017-09-01 | 2019-03-07 | Facebook, Inc. | Techniques for capturing state information and performing actions for threads in a multi-threaded computing environment |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030091031A1 (en) * | 2001-11-14 | 2003-05-15 | International Business Machines Corporation | Variable pricing structure for transmitting packets across a communications link |
ES2431277T3 (es) * | 2003-12-23 | 2013-11-25 | Telefonaktiebolaget Lm Ericsson (Publ) | Método y sistema para encaminar el tráfico en redes ad hoc |
JP4469866B2 (ja) * | 2007-03-20 | 2010-06-02 | 富士通株式会社 | パケット伝送装置および半導体装置 |
EP3073685B1 (en) * | 2013-11-20 | 2020-10-07 | Nec Corporation | Network control device, network control method, and program |
CN107659419B (zh) * | 2016-07-25 | 2021-01-01 | 华为技术有限公司 | 网络切片方法和*** |
US20180324093A1 (en) * | 2017-05-05 | 2018-11-08 | Kedar Namjoshi | Validating routing decisions |
US10749795B2 (en) * | 2018-07-06 | 2020-08-18 | Citrix Systems, Inc. | Systems and methods for selecting communication paths for applications sensitive to bursty packet drops |
-
2019
- 2019-06-21 CN CN201910543654.1A patent/CN110324260B/zh active Active
-
2020
- 2020-06-19 US US16/906,867 patent/US11411865B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107104826A (zh) * | 2017-04-05 | 2017-08-29 | 电子科技大学 | 一种基于sdn和nfv的网控编码方法 |
US20190073224A1 (en) * | 2017-09-01 | 2019-03-07 | Facebook, Inc. | Techniques for capturing state information and performing actions for threads in a multi-threaded computing environment |
CN107634911A (zh) * | 2017-10-31 | 2018-01-26 | 河南科技大学 | 一种信息中心网络中基于深度学习的自适应拥塞控制方法 |
CN108900419A (zh) * | 2018-08-17 | 2018-11-27 | 北京邮电大学 | Sdn架构下基于深度强化学习的路由决策方法及装置 |
CN109144673A (zh) * | 2018-09-21 | 2019-01-04 | 上海飞旗网络技术有限公司 | 一种nfv快速开发方法 |
Non-Patent Citations (3)
Title |
---|
HUAPING LIU ET AL.: ""Extreme Trust Region Policy Optimization for Active Object Recognition"", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 * |
JOHN SCHULMAN ET AL.: ""Trust Region Policy Optimization"", 《HTTPS://ARXIV.ORG/PDF/1502.05477.PDF》 * |
网友: ""【强化学习】随机策略梯度强化学习-TRPO置信域策略优化推导分析"", 《HTTPS://BLOG.CSDN.NET/WEIXIN_37895339/ARTICLE/DETAILS/83044731》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111526036A (zh) * | 2020-03-20 | 2020-08-11 | 西安电子科技大学 | 一种短流量实时性优化方法、***、网络传输终端 |
CN111526036B (zh) * | 2020-03-20 | 2021-11-23 | 西安电子科技大学 | 一种短流量实时性优化方法、***、网络传输终端 |
CN115396315A (zh) * | 2022-07-29 | 2022-11-25 | 西北大学 | 基于高性能网络的数据中心间多类别混合流带宽调度方法 |
CN115396315B (zh) * | 2022-07-29 | 2023-09-15 | 西北大学 | 基于高性能网络的数据中心间多类别混合流带宽调度方法 |
Also Published As
Publication number | Publication date |
---|---|
US11411865B2 (en) | 2022-08-09 |
CN110324260B (zh) | 2020-10-09 |
US20200403913A1 (en) | 2020-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110324260A (zh) | 一种基于流量识别的网络功能虚拟化智能调度方法 | |
Zhang et al. | Digital twin empowered content caching in social-aware vehicular edge networks | |
CN105978736B (zh) | 在竞争应用之中共享网络带宽的*** | |
CN107659419B (zh) | 网络切片方法和*** | |
CN104158753B (zh) | 基于软件定义网络的动态流调度方法及*** | |
CN100521624C (zh) | 网络通信量的自适应分类 | |
CN112491619B (zh) | 一种基于sdn的服务定制网络资源自适应分配方法 | |
CN102025620B (zh) | 基于业务区分的认知网络QoS保障方法 | |
CN107196877A (zh) | 网络流量控制的方法及其网络设备 | |
CN105516020B (zh) | 一种基于本体知识推理的并行网络流量分类方法 | |
CN106533806B (zh) | 多租户SDN网络中基于应用感知提供跨层QoS的方法 | |
Zhang et al. | Efficient flow detection and scheduling for SDN-based big data centers | |
CN103841044A (zh) | 基于软件定义网络下面向不同流的带宽控制方法 | |
CN110290077B (zh) | 一种基于实时业务配置的工业sdn资源分配方法 | |
CN102076025A (zh) | 基于Stackeberg博弈认知网络资源分配方法 | |
Liu et al. | SVM-based classification mechanism and its application in SDN networks | |
Serdaroglu et al. | An efficient multipriority data packet traffic scheduling approach for fog of things | |
Fejes et al. | DeepQoS: Core-Stateless Hierarchical QoS in Programmable Switches | |
CN104822150B (zh) | 中心多跳认知蜂窝网络中的信息主动缓存的频谱管理方法 | |
Zeydan et al. | A multi-criteria decision making approach for scaling and placement of virtual network functions | |
Wille et al. | Discrete capacity assignment in IP networks using particle swarm optimization | |
Yu et al. | Energy-efficient, qos-aware packet scheduling in high-speed networks | |
Hao et al. | Dynamic pricing with traffic engineering for adaptive video streaming over software-defined content delivery networking | |
Huang et al. | NT-SCDC: Realizing Service Customized Networking in Distributed Clouds with NaaS Ticket | |
Shi et al. | Using machine learning to provide differentiated services in SDN-like publish/subscribe systems for IoT |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |