CN114629543A - 一种基于深度监督学习的卫星网络自适应流量调度方法 - Google Patents
一种基于深度监督学习的卫星网络自适应流量调度方法 Download PDFInfo
- Publication number
- CN114629543A CN114629543A CN202210106549.3A CN202210106549A CN114629543A CN 114629543 A CN114629543 A CN 114629543A CN 202210106549 A CN202210106549 A CN 202210106549A CN 114629543 A CN114629543 A CN 114629543A
- Authority
- CN
- China
- Prior art keywords
- network
- traffic
- satellite network
- path
- routing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 3
- 230000001133 acceleration Effects 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/18521—Systems of inter linked satellites, i.e. inter satellite service
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- H04L45/02—Topology update or discovery
-
- 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
- H04L45/12—Shortest path evaluation
-
- 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
- H04L45/22—Alternate routing
-
- 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
- H04L45/50—Routing or path finding of packets in data switching networks using label swapping, e.g. multi-protocol label switch [MPLS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明公开了一种基于深度监督学习的卫星网络自适应流量调度方法,实现了快速路由路径的计算,在保证延迟的情况下最小最大链路利用率,解决传统算法的慢速、吞吐量小的问题。本发明使用了监督学习算法,为每一个有非零流量需求的卫星节点对训练一个智慧路由模型,将复杂的路由计算过程简化为简单的输入输出,避免了计算时的多次迭代从而实现路由路径的快速计算,路由算法速度的加快降低了转发延迟,使原本因ttl到期被丢弃的数据包有更大概率存活并成功转发,增大了网络吞吐量。本发明设置有离线训练和在线训练两个阶段的训练,在动态环境中更新参数选择最优路径因此具有拓扑自适应性。
Description
技术领域
本发明具体涉及一种基于深度监督学习的卫星网络自适应流量调度方法,属于卫星数据传输领域。
背景技术
随卫星之间需要进行高效组网。针对小卫星星群的高效自组织网络,如何为卫星网络提供高效可靠的流量调度方案尤为重要。在低轨卫星网络中,卫星节点运动很快,网络拓扑频繁变化,这导致卫星网络具有可扩展性差、节点链路资源利用率低、业务高动态变化等特点,流量调度成为卫星网络的一个难题。如何处理由于节点运动导致的网络时变拓扑以及高动态变化的流量业务,是解决卫星网络流量调度的关键问题。
传统的流量调度方法大多基于最短路径算法,其通过调整链路权重,配置路由参数来确定业务的路由信息,将一些简单的网络参数(如路径跳数、时延等)作为算法的优化目标,从而实现业务流量的路由优化,达到负载均衡。但在高动态业务场景下,由于拓扑频繁变化,单一的度量标准和优化目标,容易造成部分关键链路拥塞,造成网络负载不均衡的问题。虽然基于拉格朗日松弛的最短路算法可以找到符合多约束条件的最优路径,但该类启发式算法需要多次迭代才能得到最优路径,计算成本高,时效性不佳,在网络高动态变化环境下优化效果并不理想。
发明内容
本发明的目的在于:针对现有技术中的上述不足,本发明内容提供的基于深度监督学习的卫星网络自适应流量调度方法解决了上述现有技术中存在的问题。
为了达到上述发明目的,本发明采用的技术方案为:
一种基于深度监督学习的卫星网络自适应流量调度方法,包括以下步骤:
S1、从卫星网络中采集多个时刻的流量矩阵,得到多个时刻下卫星网络中所有节点对之间的流量需求;
S2、使用K最短路算法计算卫星网络中所有非零流量需求节点对的备选路径集合;
S3、使用标签数据生成算法得到每个流量矩阵下所有非零流量需求节点对的最优数据转发路径,生成标签数据集;
S4、根据标签数据集,使用反向传播算法对每个非零流量需求节点对的智慧路由模型进行离线训练,将训练好的模型部署在卫星网络中;
S5、从网络中采集当前时刻的实时流量矩阵;
S6、卫星网络利用训练好的智慧路由模型根据当前时刻的实时流量矩阵,计算所有节点对数据路由的最优转发路径;
S7、卫星网络根据计算好的最优路径进行数据传输;
S8、检测卫星网络的拓扑结构是否发生改变,若是,则进入步骤S9,否则重复步骤S8;
S9、进行在线训练,对各个节点对的智慧路由模型进行再训练,使用更新后的智慧路由模型进行数据传输。
进一步的,所述步骤S1中流量矩阵中为卫星网络中所有源节点、目的节点对之间的流量需求,流量矩阵的第m行第n列代表节点m到节点n的流量需求。
进一步的,步骤S2使用K最短路算法为网络中每个非零流量需求节点对计算K条不同的无环备选路,作为该节点对的备选路径集合。
进一步的,所述步骤S3使用标签数据生成算法得到每个流量矩阵下所有非零流量需求节点对的最优数据转发路径,生成标签数据集,具体为:
S31、对于每个流量矩阵,初始化卫星网络中所有链路的流量之和为0,对D条业务流进行排序,令计数值i=1;
S32、将第i条业务放置到网络拓扑中,即从备选路径集合Pd中取出备选路径p,将该业务的占用带宽加到路径p所经过链路的流量之和上,计算当前网络的最大链路利用率z;比较所有备选路径的z值,选择最小值所对应的备选路径作为该业务的路由方案;
S33、检查当前网络的最大链路利用率z是否超过预设值zmax;若超过,执行步骤S34,否则执行步骤S36;
S34、将已放入的后N条业务从网络中取出,N>0,并将这N条业务的需求量从所经过链路的流量之和中减去;
S35、将取出的N条业务重新排序,并按当前顺序再次放入网络后,执行步骤S33;
S36、如果i≤D,令i的值加1,执行步骤S32,否则结束,输出所有流量业务的路由方案;
S37、将每个业务的路由方案用最优路径标签表示,每个流量矩阵在每个非零流量业务需求的节点对上都有一个最优路径标签与流量矩阵对应;当N个流量矩阵的路由策略计算完毕,每个节点对就产生了N条训练数据,组成该节点对的训练数据库,即标签数据集。
进一步的,所述步骤S4中智慧路由模型为BP全连接神经网络;所述BP全连接神经网络的输入包括SDN网络的网络状态,所述网络状态为网络拓扑、流量矩阵、带宽要求和时延要求;所述BP全连接神经网络包括依次连接的输入层、全连接层和输出层。
进一步的,采用反向传播算法对每个节点对的神经网络模型进行离线训练,具体为:
将输入量xi与权值wi的乘积与一个给定的阈值bi做差,此差值通过传递函数f得到输出值yi;同时比较网络的输出值与期望值的误差,通过误差的反向传播,利用梯度下降法不断调整和修改网络各层之间的链接权值和阈值,从而使输出结果更加接近真实值,同时收敛到预设的目标误差函数值E;通过反向传播算法改变权重系数,初始权重由网络随机赋值,然后根据网络迭代结果调整直到满足目标误差;当所有参数的变化值都小于迭代阈值或达到最大迭代次数时,模型训练完成。
进一步的,步骤S9中通过网络控制器实时监测网络拓扑变化情况,检测网络拓扑是否发生改变,当网络拓扑发生大于预期的改变时,对神经网络模型进行离线再训练并部署,模型参数得到调整以适应新环境,从而实现自适应。
本发明与现有技术相比的优点在于:
(1)、本发明实现了快速路由路径的计算,在保证延迟的情况下最大化吞吐量,解决传统算法的慢速、吞吐量小的问题。
(2)、本发明使用了监督学习算法,该算法将路由计算过程简化为简单的输入输出,避免了计算时的多次迭代从而实现路由路径的快速计算,路由算法速度的加快降低了转发延迟,使原本因ttl到期被丢弃的数据包有更大概率存活并成功转发,增大了网络吞吐量。
(3)、本发明设置有离线训练和在线训练两个阶段的训练,在动态环境中更新参数选择最优路径因此具有拓扑自适应性。
附图说明
图1为本发明提出的基于深度监督学习的卫星网络自适应流量调度方法流程图;
图2为基于深度监督学习的卫星网络自适应流量调度方法模型图;
图3为带标签的训练数据库示意图;
图4为BP神经网络结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
下面结合附图详细说明本发明的实施例。
如图1所示,本发明提出一种基于深度监督学习的卫星网络自适应流量调度方法,包括以下步骤:
S1、从网络中采集多个时刻的流量矩阵,得到多个时刻下所有节点对间的流量需求。
所述步骤S1中流量矩阵为网络中所有源、目的节点对间的流量需求,例如流量矩阵的第m行第n列代表节点m到节点n的流量需求。
S2、使用K最短路算法计算网络中所有非零流量需求节点对的备选路径集合。
所述步骤S2使用K最短路算法为网络中每个非零流量需求节点对计算K条不同的无环备选路,作为该节点对的备选路径集合。
如图2所示,网络中每个非零业务量需求的节点对维护一个网络智慧路由模型,用于该节点对业务的路由决策。网络控制器实时接收更新的网络状态(例如业务量矩阵、链路剩余带宽、业务端到端时延等),并发送给每个节点对的网络智慧路由模型进行路由决策,同时接收每个节点对的最优路径方案组成当前时刻的网络总体路由方案,实现流量调度。
S3、使用标签数据生成算法得到每个流量矩阵下所有非零流量需求节点对的最优数据转发路径,生成标签数据集。
进一步的,所述步骤S3包括以下分步骤:
S31、对于每个流量矩阵,初始化网络中所有链路的流量之和为0,对D条业务流进行排序,令计数值i=1。
S32、将第i条业务放置到网络拓扑中,即从备选路径集合Pd中取出备选路径p,将该业务的占用带宽加到路径p所经过链路的流量之和上,计算当前网络的最大链路利用率z;比较所有备选路径的z值,选择最小值所对应的备选路径作为该业务的路由方案。
S33、检查当前网络的最大链路利用率z是否超过预设值zmax。若超过,执行步骤S34,否则执行步骤S36。
S34、将已放入的后N(N>0)条业务从网络中取出,并将这N条业务的需求量从所经过链路的流量之和中减去。
S35、将取出的N条业务重新排序,并按当前顺序再次放入网络后,执行步骤S33。
S36、如果i≤D,令i=i+1,执行步骤S32,否则结束,输出所有流量业务的路由方案。
S37、将每个业务的路由方案用最优路径标签表示,每个流量矩阵在每个非零流量业务需求的节点对上都有一个最优路径标签与流量矩阵对应;当N个流量矩阵的路由策略计算完毕,每个节点对就产生了N条训练数据,组成该节点对的训练数据库,即标签数据集。
当从网络中采集流量矩阵之后,通过以上步骤可以很快的求解出每个业务的最优路由方案。将每个业务的路由方案用最优路径标签表示,例如当备选路径集合包含5条备选路径,标签采用3位二进制数表示,即第一条备选路径表示为000,第二条备选路径表示为001,以此类推。这样每个流量矩阵在每个非零流量业务需求的节点对上都有一个最优路径标签与流量矩阵对应。当N个流量矩阵的路由策略计算完毕,每个节点对就产生了N条训练数据,组成该节点对的训练数据库,如图3所示。
S4、根据标签数据集,使用反向传播算法对每个非零流量需求节点对的智慧路由模型进行离线训练,将训练好的模型部署在卫星网络中。
如图4所示,智慧路由模型为BP全连接神经网络;所述神经网络模型的输入包括SDN网络的网络状态,所述网络状态为网络拓扑、流量矩阵、带宽要求和时延要求;所述BP全连接神经网络包括依次连接的输入层、全连接层和输出层。
采用反向传播算法对每个节点对的神经网络模型进行离线训练。将输入量xi与权值wi的乘积与一个给定的阈值bi做差,此值通过传递函数f得到输出值yi。同时比较网络的输出值与期望值的误差,通过误差的反向传播,利用梯度下降法不断调整和修改网络各层之间的链接权值和阈值,从而使输出结果更加接近真实值,同时收敛到预设的目标误差函数值E。通过反向传播算法改变权重系数,初始权重由网络随机赋值,然后根据网络迭代结果调整直到满足目标误差。当所有参数的变化值都小于迭代阈值或达到最大迭代次数时,模型训练完成。
S5、从网络中采集当前时刻的实时流量矩阵。
S6、卫星网络利用训练好的智慧路由模型根据当前时刻的实时流量矩阵,计算所有节点对数据路由的最优转发路径。
S7、卫星网络根据计算好的最优路径进行数据传输。
S8、检测卫星网络的拓扑结构是否发生改变,若是,则进入步骤S9,否则重复步骤S8。
S9、进行在线训练,对各个节点对的智慧路由模型进行再训练,使用更新后的智慧路由模型进行数据传输。
通过网络控制器检测网络拓扑是否发生改变。当网络中大量链路发生故障时,此时如果仍采用原有的神经网络模型进行路径预测,则所获得的路径可能包含失效的节点或链路,从而导致路由决策恶化。因此网络控制器实时监测网络拓扑变化情况,当网络拓扑发生大的改变时,将对神经网络模型进行离线再训练并部署,模型参数会得到调整以适应新环境,从而具有了自适应性。
本发明实现了快速路由路径的计算,在保证延迟的情况下最大化吞吐量,解决传统算法的慢速、吞吐量小的问题。
Claims (7)
1.一种基于深度监督学习的卫星网络自适应流量调度方法,其特征在于,包括以下步骤:
S1、从卫星网络中采集多个时刻的流量矩阵,得到多个时刻下卫星网络中所有节点对之间的流量需求;
S2、使用K最短路算法计算卫星网络中所有非零流量需求节点对的备选路径集合;
S3、使用标签数据生成算法得到每个流量矩阵下所有非零流量需求节点对的最优数据转发路径,生成标签数据集;
S4、根据标签数据集,使用反向传播算法对每个非零流量需求节点对的智慧路由模型进行离线训练,将训练好的模型部署在卫星网络中;
S5、从网络中采集当前时刻的实时流量矩阵;
S6、卫星网络利用训练好的智慧路由模型根据当前时刻的实时流量矩阵,计算所有节点对数据路由的最优转发路径;
S7、卫星网络根据计算好的最优路径进行数据传输;
S8、检测卫星网络的拓扑结构是否发生改变,若是,则进入步骤S9,否则重复步骤S8;
S9、进行在线训练,对各个节点对的智慧路由模型进行再训练,使用更新后的智慧路由模型进行数据传输。
2.根据权利要求1所述的基于深度监督学习的卫星网络自适应流量调度方法,其特征如下:所述步骤S1中流量矩阵中为卫星网络中所有源节点、目的节点对之间的流量需求,流量矩阵的第m行第n列代表节点m到节点n的流量需求。
3.根据权利要求1所述的基于深度监督学习的卫星网络自适应流量调度方法,其特征如下:步骤S2使用K最短路算法为网络中每个非零流量需求节点对计算K条不同的无环备选路,作为该节点对的备选路径集合。
4.根据权利要求2所述的基于深度监督学习的卫星网络自适应流量调度方法,其特征如下:所述步骤S3使用标签数据生成算法得到每个流量矩阵下所有非零流量需求节点对的最优数据转发路径,生成标签数据集,具体为:
S31、对于每个流量矩阵,初始化卫星网络中所有链路的流量之和为0,对D条业务流进行排序,令计数值i=1;
S32、将第i条业务放置到网络拓扑中,即从备选路径集合Pd中取出备选路径p,将该业务的占用带宽加到路径p所经过链路的流量之和上,计算当前网络的最大链路利用率z;比较所有备选路径的z值,选择最小值所对应的备选路径作为该业务的路由方案;
S33、检查当前网络的最大链路利用率z是否超过预设值zmax;若超过,执行步骤S34,否则执行步骤S36;
S34、将已放入的后N条业务从网络中取出,N>0,并将这N条业务的需求量从所经过链路的流量之和中减去;
S35、将取出的N条业务重新排序,并按当前顺序再次放入网络后,执行步骤S33;
S36、如果i≤D,令i的值加1,执行步骤S32,否则结束,输出所有流量业务的路由方案;
S37、将每个业务的路由方案用最优路径标签表示,每个流量矩阵在每个非零流量业务需求的节点对上都有一个最优路径标签与流量矩阵对应;当N个流量矩阵的路由策略计算完毕,每个节点对就产生了N条训练数据,组成该节点对的训练数据库,即标签数据集。
5.根据权利要求4所述的基于深度监督学习的卫星网络自适应流量调度方法,其特征如下:所述步骤S4中智慧路由模型为BP全连接神经网络;所述BP全连接神经网络的输入包括SDN网络的网络状态,所述网络状态为网络拓扑、流量矩阵、带宽要求和时延要求;所述BP全连接神经网络包括依次连接的输入层、全连接层和输出层。
6.根据权利要求5所述的基于深度监督学习的卫星网络自适应流量调度方法,其特征如下:采用反向传播算法对每个节点对的神经网络模型进行离线训练,具体为:
将输入量xi与权值wi的乘积与一个给定的阈值bi做差,此差值通过传递函数f得到输出值yi;同时比较网络的输出值与期望值的误差,通过误差的反向传播,利用梯度下降法不断调整和修改网络各层之间的链接权值和阈值,从而使输出结果更加接近真实值,同时收敛到预设的目标误差函数值E;通过反向传播算法改变权重系数,初始权重由网络随机赋值,然后根据网络迭代结果调整直到满足目标误差;当所有参数的变化值都小于迭代阈值或达到最大迭代次数时,模型训练完成。
7.根据权利要求1所述的基于深度监督学习的卫星网络自适应流量调度方法,其特征如下:步骤S9中通过网络控制器实时监测网络拓扑变化情况,检测网络拓扑是否发生改变,当网络拓扑发生大于预期的改变时,对神经网络模型进行离线再训练并部署,模型参数得到调整以适应新环境,从而实现自适应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210106549.3A CN114629543B (zh) | 2022-01-28 | 2022-01-28 | 一种基于深度监督学习的卫星网络自适应流量调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210106549.3A CN114629543B (zh) | 2022-01-28 | 2022-01-28 | 一种基于深度监督学习的卫星网络自适应流量调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114629543A true CN114629543A (zh) | 2022-06-14 |
CN114629543B CN114629543B (zh) | 2024-03-29 |
Family
ID=81898805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210106549.3A Active CN114629543B (zh) | 2022-01-28 | 2022-01-28 | 一种基于深度监督学习的卫星网络自适应流量调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114629543B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115150335A (zh) * | 2022-06-30 | 2022-10-04 | 武汉烽火技术服务有限公司 | 一种基于深度强化学习的最优流量分割的方法和*** |
CN116708273A (zh) * | 2023-07-28 | 2023-09-05 | 中国电子科技网络信息安全有限公司 | 停止判定分类模型的生成方法、网络拓扑探测方法及装置 |
CN116827658A (zh) * | 2023-07-17 | 2023-09-29 | 青岛启弘信息科技有限公司 | 一种ai智能应用安全态势感知预测***及方法 |
CN117674961A (zh) * | 2023-11-20 | 2024-03-08 | 航天恒星科技有限公司 | 基于时空特征学习的低轨卫星网络时延预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070076601A1 (en) * | 2004-04-16 | 2007-04-05 | Yufei Wang | Nodes for managing congestion and traffic flow by considering the minimization of link utilization values |
CN109688056A (zh) * | 2018-12-07 | 2019-04-26 | 南京理工大学 | 智能网络控制***及方法 |
CN110611619A (zh) * | 2019-09-12 | 2019-12-24 | 西安电子科技大学 | 一种基于ddpg强化学习算法的智能化路由决策方法 |
CN112187342A (zh) * | 2020-09-30 | 2021-01-05 | 西安交通大学 | 一种基于能量感知与负载均衡的卫星流量路由方法及*** |
CN113472811A (zh) * | 2021-08-23 | 2021-10-01 | 北京交通大学 | 一种智融标识网络中的异构服务功能链转发协议与方法 |
-
2022
- 2022-01-28 CN CN202210106549.3A patent/CN114629543B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070076601A1 (en) * | 2004-04-16 | 2007-04-05 | Yufei Wang | Nodes for managing congestion and traffic flow by considering the minimization of link utilization values |
CN109688056A (zh) * | 2018-12-07 | 2019-04-26 | 南京理工大学 | 智能网络控制***及方法 |
CN110611619A (zh) * | 2019-09-12 | 2019-12-24 | 西安电子科技大学 | 一种基于ddpg强化学习算法的智能化路由决策方法 |
CN112187342A (zh) * | 2020-09-30 | 2021-01-05 | 西安交通大学 | 一种基于能量感知与负载均衡的卫星流量路由方法及*** |
CN113472811A (zh) * | 2021-08-23 | 2021-10-01 | 北京交通大学 | 一种智融标识网络中的异构服务功能链转发协议与方法 |
Non-Patent Citations (6)
Title |
---|
XIAONING ZHANG 等: "Local Fast Reroute With Flow Aggregation in Software Defined Networks", IEEE COMMUNICATIONS LETTERS, pages 785 - 788 * |
刘辰屹 等: "基于机器学习的智能路由算法综述", 计算机研究与发展, no. 04, pages 671 - 687 * |
李佳伟: "智慧标识网络域间流量工程机制研究", 中国博士学位论文全文数据库 信息科技辑, pages 139 - 6 * |
章小宁: "宽带通信网中Valiant负载平衡技术研究", 中国博士学位论文全文数据库 信息科技辑, pages 136 - 11 * |
蒋文娟;宗鹏;: "星座网络关键链路代价增量路由算法", 解放军理工大学学报(自然科学版), no. 03 * |
陈浩澜 等: "分布式星群网络组网技术研究", 通信技术, pages 1647 - 1657 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115150335A (zh) * | 2022-06-30 | 2022-10-04 | 武汉烽火技术服务有限公司 | 一种基于深度强化学习的最优流量分割的方法和*** |
CN115150335B (zh) * | 2022-06-30 | 2023-10-31 | 武汉烽火技术服务有限公司 | 一种基于深度强化学习的最优流量分割的方法和*** |
CN116827658A (zh) * | 2023-07-17 | 2023-09-29 | 青岛启弘信息科技有限公司 | 一种ai智能应用安全态势感知预测***及方法 |
CN116827658B (zh) * | 2023-07-17 | 2024-01-16 | 青岛启弘信息科技有限公司 | 一种ai智能应用安全态势感知预测***及方法 |
CN116708273A (zh) * | 2023-07-28 | 2023-09-05 | 中国电子科技网络信息安全有限公司 | 停止判定分类模型的生成方法、网络拓扑探测方法及装置 |
CN116708273B (zh) * | 2023-07-28 | 2023-10-31 | 中国电子科技网络信息安全有限公司 | 停止判定分类模型的生成方法、网络拓扑探测方法及装置 |
CN117674961A (zh) * | 2023-11-20 | 2024-03-08 | 航天恒星科技有限公司 | 基于时空特征学习的低轨卫星网络时延预测方法 |
CN117674961B (zh) * | 2023-11-20 | 2024-05-28 | 航天恒星科技有限公司 | 基于时空特征学习的低轨卫星网络时延预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114629543B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114629543B (zh) | 一种基于深度监督学习的卫星网络自适应流量调度方法 | |
CN109818865B (zh) | 一种sdn增强路径装箱装置及方法 | |
CN112437020B (zh) | 一种基于深度强化学习的数据中心网络负载均衡方法 | |
Kumar et al. | Dual reinforcement Q-routing: An on-line adaptive routing algorithm | |
CN114143264B (zh) | 一种SRv6网络下基于强化学习的流量调度方法 | |
CN113328938A (zh) | 一种基于深度强化学习的网络自主智能管控方法 | |
WO2019026684A1 (ja) | 経路制御方法及び経路設定装置 | |
CN116527567B (zh) | 一种基于深度强化学习的智能网络路径优选方法与*** | |
CN114697229B (zh) | 一种分布式路由规划模型的构建方法及应用 | |
CN109586785B (zh) | 基于k最短路径算法的低轨卫星网络路由策略 | |
CN109951391B (zh) | 一种基于多QoS约束的网络路径快速计算方法 | |
Lei et al. | Congestion control in SDN-based networks via multi-task deep reinforcement learning | |
CN113518039B (zh) | Sdn架构下基于深度强化学习的资源优化方法及*** | |
CN105323166A (zh) | 一种面向云计算的基于网络能效优先的路由方法 | |
CN113794638B (zh) | 基于差分进化算法的sdn数据中心网络大象流调度方法 | |
CN109246013A (zh) | 一种fc-ae-1553交换型网络中的路由方法 | |
CN112564712A (zh) | 一种基于深度强化学习的智能网络编码方法和设备 | |
Sun et al. | Improving the scalability of deep reinforcement learning-based routing with control on partial nodes | |
CN115842768A (zh) | 一种基于图神经网络的时空特征融合的sdn路由优化方法 | |
CN115396366A (zh) | 基于图注意力网络的分布式智能路由方法 | |
CN117014355A (zh) | 一种基于ddpg深度强化学习算法的tssdn动态路由决策方法 | |
Zeng et al. | Multi-agent reinforcement learning for adaptive routing: A hybrid method using eligibility traces | |
CN113285832A (zh) | 基于nsga-ii的电力多模态网络资源优化分配方法 | |
Almasan et al. | Enero: Efficient real-time routing optimization | |
An et al. | Dynamically split the traffic in software defined network based on deep reinforcement learning |
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 |