CN115604724A - SRv6骨干网流量拥塞风险评估方法 - Google Patents

SRv6骨干网流量拥塞风险评估方法 Download PDF

Info

Publication number
CN115604724A
CN115604724A CN202211270529.6A CN202211270529A CN115604724A CN 115604724 A CN115604724 A CN 115604724A CN 202211270529 A CN202211270529 A CN 202211270529A CN 115604724 A CN115604724 A CN 115604724A
Authority
CN
China
Prior art keywords
congestion
network
path
traffic
source node
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.)
Pending
Application number
CN202211270529.6A
Other languages
English (en)
Inventor
姜雨欣
苏洵
王颖
吴畏虹
刘江
魏亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Jiangsu Future Networks Innovation Institute
Original Assignee
Beijing University of Posts and Telecommunications
Jiangsu Future Networks Innovation Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications, Jiangsu Future Networks Innovation Institute filed Critical Beijing University of Posts and Telecommunications
Priority to CN202211270529.6A priority Critical patent/CN115604724A/zh
Publication of CN115604724A publication Critical patent/CN115604724A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • 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
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种SRv6骨干网流量拥塞风险评估方法，主要考虑两个指标，一是源‑目的节点之间的路径带宽，用于衡量网络对于流量的承载能力。二是预测得到的未来一段时间内网络流量，由于网络拥塞评估是服务于未来调优决策的，那么仅基于当前时刻下业务流量进行评估是不够的，利用机器学***均水平。

Description

SRv6骨干网流量拥塞风险评估方法
技术领域
本发明属于拥塞风险评估领域，主要涉及一种SRv6骨干网流量拥塞风险评估方法。
背景技术
近年来，为了适应建设5G网络和分布式大型数据中心的需求，基于软件定义网络(SDN)的SRv6(Segment Routing over IPv6，基于IPv6的段路由)开始迅速崛起，作为5G和云网络时代建设智能IP网络的关键部分，它既融合了段路由和IPv6简洁容易扩展的特点，又同时拥有多重编程空间，遵循了SDN的设计理念，能够更好的满足当下多样、异构的网络业务需求，增强网络编排和部署的灵活性。因此，SRv6技术已在构建跨域云骨干专线等方面得到了成功应用，其取代了传统的MPLS网络承载方式，避免了由于协议众多，网络状态复杂，业务运维不便，网络可靠性不足等问题。那么，随着SRv6技术在大规模部署中得到采用，SRv6网络的性能监控也在研究中，从数据平面的监控(数据包的丢失与延迟)到控制平面(向节点内的监控实体发送命令)，再到管理平面(收集度量指标)，以及对于网络基础设施状态的监控均进行了研究，相应的管理与监控工具也开始得到应用，持续且准确地监控网络的基础设施健康状况以及其提供的性能，为网络运维提供了网络全貌的全面视图，这些工具提供的网络动态感知将成为网络路由、拥塞控制、网络健康管理、安全保障的重要推动。
那么在现有的网络监控工具和***的支持下，基于现有的基础设施，如何评估网络拥塞程度、预估基于段路由网络全局的拥塞风险，是网络智能维护和智能化管理的重要基础。这对于提高网络运维效率、预估网络性能状态以及对应的网络策略规划、网络流量调度具有指导意义。
现有的对于网络整体承载流量以及拥塞程度进行评估的方案，主要考虑当前网络流量。即通过当前网络链路利用率、路由的剩余带宽等QoS影响因素，判断网络对于流量的承载能力以及是否存在拥塞。
此类方案可以满足对于网络整体流量承载能力以及拥塞程度的实时监测，但存在的缺点是采用此评估方案，如果判断拥塞发生，再进行流量调度，流量调度具有一定程度的滞后，造成资源的浪费，并不能有效地进行资源分配。
现有的对于源-目的节点进行拥塞风险评估的方案，基于循环神经网络(RNN)的支持，网络监测的实时数据用于流量预估、决策路由策略。从流量预测的角度，传统RNN神经网络使用的是距当前时刻较近时刻获取得到信息，很难将距当前时刻以前较远时刻处的信息利用到。为解决这一问题，引入了改进的RNN，即长短时记忆神经网络LSTM，它改进了传统神经网络架构中的隐藏层状态更新方式，将长相关与短相关时间序列的信息均考虑在内，已被证明在时间序列预测问题上，比传统RNN更适合长相关依赖问题，从而得到的预测准确度更高，现有技术已将其应用于流量预测中。
从拥塞风险评估的角度，现有方案多采用将所预测的一段时间内源-目的节点之间的流量峰值与路径的剩余带宽相比较，判断是否存在拥塞风险，如不存在则将此路径直接下发到数据转发平面进行部署，否则选择计算备选路径的拥塞风险程度。
此类方案对拥塞风险进行预估，一定程度解决了流量调度的滞后问题，但存在的问题是一方面，对指定路径上的拥塞风险进行评估，评估方案不具备全局性，采用此种评估方案可能存在仅实现了局部优化的可能；另一方面是对于划定拥塞风险阈值的合理性，在某些情况下，如骨干网场景中，在链路负载率较高时也有可能具有较低的丢包率，因此通过单一的阈值划分无法有效评估拥塞风险。
发明内容
本发明旨在提出一种基于SRv6骨干网全局视角拥塞评估的方案。拥塞评估主要考虑两个指标，一是源-目的节点之间的路径带宽，用于衡量网络对于流量的承载能力。二是预测得到的未来一段时间内网络流量，由于网络拥塞评估是服务于未来调优决策的，那么仅基于当前时刻下业务流量进行评估是不够的，利用机器学***均水平。
为了达成上述目的，本发明的解决方案是：。
SRv6骨干网流量拥塞风险评估方法，包括以下步骤：
步骤1，获取全局网络带宽矩阵；
步骤2，预测未来流量需求；
步骤3，计算网络路径的拥塞风险系数矩阵，以此作为拥塞风险评估指标。
进一步地，步骤1中全局网络带宽矩阵表示为：
Figure BDA0003894966560000031
式中，
Figure BDA0003894966560000032
为源节点m与目的节点n之间所选路径的最大带宽。
进一步地，
Figure BDA0003894966560000033
为源节点m与目的节点n之间所选路径上所包含的所有链路的瓶颈容量最小值。
进一步地，步骤2中未来时段内的流量需求矩阵表示为：
Figure BDA0003894966560000034
式中，
Figure BDA0003894966560000035
为未来时段内目的节点n对源节点m的流量需求。
进一步地，未来时段内目的节点对源节点的流量需求的表达式为：
Figure BDA0003894966560000036
其中，fi为该未来时段内第i个时刻目的节点对源节点的预测流量，β为该未来时段内的时刻数，
Figure BDA0003894966560000037
进一步地，对未来任一时刻的流量矩阵，基于其前k个时刻的历史流量矩阵，利用LSTM进行预测，具体为：
LSTM的输入为流量矩阵的向量形式，其中，t时刻的流量矩阵Ft的向量形式为
Figure BDA0003894966560000038
其中，M为源节点数，N为目的节点数，
Figure BDA0003894966560000039
为t时刻目的节点n对源节点m的流量；
LSTM的输出连接全连接层；
全连接层的输出再经过sigmoid层进行非线性化处理，输出预测流量。
进一步地，网络路径的拥塞风险系数矩阵表示为：
Figure BDA00038949665600000310
式中，
Figure BDA00038949665600000311
为源节点m与目的节点n之间当前所选路径对于未来流量需求的拥塞风险值。
进一步地，
Figure BDA0003894966560000041
式中，
Figure BDA0003894966560000042
为全局网络带宽矩阵，
Figure BDA0003894966560000043
为未来时段内的流量需求矩阵。
进一步地，该方法还包括设定路径拥塞切换门限，若
Figure BDA0003894966560000044
高于路径拥塞切换门限，则判定源节点m与目的节点n之间当前所选路径对于未来流量需求存在拥塞风险。
一种路径部署方法，具体包括：
根据如上所述方法计算网络路径的拥塞风险系数矩阵
Figure BDA0003894966560000045
其中，
Figure BDA0003894966560000046
为源节点m与目的节点n之间当前所选路径对于未来流量需求的拥塞风险值；
计算网络整体的拥塞风险
Figure BDA0003894966560000047
其中，
Figure BDA0003894966560000048
为目的节点n对源节点m的需求流量占比；
设定路径拥塞切换门限，若
Figure BDA0003894966560000049
高于路径拥塞切换门限，则源节点m与目的节点n之间按照预设优先级切换候选路径，同时计算源节点m与目的节点n之间切换候选路径后对于未来流量需求的拥塞风险值；
判断切换候选路径后是否满足如下条件：
Figure BDA00038949665600000410
是否不高于路径拥塞切换门限且网络整体的拥塞风险C降低；
若存在任一候选路径满足以上条件，则以该候选路径进行部署；
若所有候选路径均不满足以上条件，则选择使得网络整体的拥塞风险C最低的候选路径进行部署。
进一步地，
Figure BDA00038949665600000411
式中，
Figure BDA00038949665600000412
为未来时段内目的节点n对源节点m的流量需求。
本发明与现有技术相比，其显著优点是：利用本发明的技术方案，运营商可以提前感知并定量评估对于即将到来的流量，源节点与目的节点之间路径的拥塞程度，以给运营商是否需要变更网络策略提供指导意见，以及运营商变更网络之后，提供网络拥塞程度是否得到提升的全局评估。通过此方案可以提升运营商的运营维护效率，降低成本，提高收益。
附图说明
图1是LSTM流量预测神经网络结构图。
具体实施方式
下面结合具体实施例对本发明做进一步的详细说明。
SRv6网络相较于传统网络的特性，在网络边界相对明确，且网络业务源目的节点固定的情况下，在头节点进行路径组合和路径调整，以满足不同业务的定制化需求，实现由业务驱动网络。因此在设计全局网络拥塞评估方案时，考虑基于源节点段路由策略的整体SRv6骨干网拥塞程度评估。循环神经网络中的长短时记忆神经网络LSTM，近年来在序列化问题包括时间序列数据具有更好的拟合效果，并且还解决了传统RNN中梯度消失的问题。应用LSTM对需求流量进行预测，使得网络拥塞评估面向未来调优决策，为变更网络策略提供指导意见，具体实现方案如下。
2.2.1网络模型的数学描述
我们用G＝(V，E)以集合和矩阵的形式表示SRv6骨干网的拓扑结构，V为节点集合，其中，源节点的集合为M，每个源节点m∈M，目的节点集合为N，每个目的节点n∈N。某一节点i到某一节点j之间直接相连的链路记为eij每条链路eij都有相应的链路容量(带宽)表示为cij。
目的节点n对源节点m的未来流量需求记为
Figure BDA0003894966560000051
我们将所有目的节点N对源节点M未来一段时间内的需求流量用矩阵表示如下。
Figure BDA0003894966560000052
对于该矩阵，每一横行表示对于指定源节点，每个目的节点的流量需求。用某一目的节点对指定源节点的需求流量除以所有目的节点对指定源节点的需求流量的总和，可得对于某一目的节点对该源节点的需求流量占比，表达如下所示。
Figure BDA0003894966560000053
那么也可将每个目的节点对每个源节点未来一段时间内的需求流量占比用矩阵的形式表示如下，其中
Figure BDA0003894966560000061
Figure BDA0003894966560000062
源-目的节点间存在多条符合要求的候选路径，依照优先级区分出主路径和保护路径。定义源节点m与目的节点n之间路径记为
Figure BDA0003894966560000063
(包括主路径或保护路径)上的最大带宽，为该条路径上所包含的所有链路的瓶颈容量最小值，如下所示。
Figure BDA0003894966560000064
将源节点与目的节点间所选路径的最大带宽(默认情况下为主路径的最大带宽，如遇拥塞、故障等其他情况则为所选取的保护路径的最大带宽)，用矩阵
Figure BDA0003894966560000065
表示如下。
Figure BDA0003894966560000066
2.2.2未来流量需求预测
在2.2.1中定义目的节点n对源节点m的未来流量需求记为
Figure BDA0003894966560000067
则所有目的节点N对源节点M未来一段时间内的需求流量用矩阵表示如下。
Figure BDA0003894966560000068
(一)未来某时刻源节点与目的节点的流量矩阵预测
对于某一时刻t的流量矩阵，这里简化表示为Ft(t∈[1,T])，其中T为总时隙数。因流量预测问题可以定义为通过一组历史需求流量数据(Ft-k,Ft-k+1,…,Ft-1)(k∈[1,t])此需求预测当前的流量需求
Figure BDA0003894966560000069
基于改进的循环神经网络—长短时记忆神经网络LSTM，采用对流量矩阵整体直接预测的方法，即从上至下串联流量矩阵的M行，将矩阵Ft转换成向量
Figure BDA00038949665600000610
将Xt整体作为LSTMt时刻的输入，输入维度为M x N。
如图1所示是LSTM流量预测神经网络的结构图，共包含LSTM层、全连接层以及Sigmoid层。其中，LSTM层的输入数据为三维向量(batch,time_step,input_size)，batch为完成一次参数更新训练所需的样本个数，time_step为设置的滑动窗口长度，input_size为所输入的各个数据点的向量维度。经过LSTM层后的输出为(batch,time_step,cell_size)，其中cell_size就是LSTM神经层内的隐藏单元数量。在LSTM层后接全连接层，目的是为了完成将LSTM层输出的向量cell_size结果投影为长度为output_size的预测向量，最后再经过sigmoid层进行非线性化处理，不改变数据维度，输出得到的预测流量。
(二)预测未来一段时间内流量突发的平均水平
由上文所述，未来流量预测目的是用于评估网络拥塞风险。由于短暂的突发流量所引起的网络拥塞并不一定会造成丢包，而丢包发生应该是较长时间、较多流量的突发造成的。因此从上述预测未来某一时刻流量到预测流量序列，以得到一个统计意义上的预测流量峰值，来表征未来一段时间流量突发的平均水平。
我们选取长度为β的预测流量序列[f1,f2,…,fβ]，则预测流量的峰值是该流量序列的均值与标准差的叠加，将预测流量的峰值记作fpeak，表达式如下。
Figure BDA0003894966560000071
其中，μ为预测序列的均值，表达式如下：
Figure BDA0003894966560000072
对于每一对目的节点n对源节点m的流量需求，均通过上述公式得到预测流量峰值，即
Figure BDA0003894966560000073
则表示成矩阵的
Figure BDA0003894966560000074
为所有目的节点N对源节点M未来一段时间内需求流量突发平均水平的集合。
Figure BDA0003894966560000075
2.2.3网络拥塞程度评估
综上得到了全局网络带宽矩阵
Figure BDA0003894966560000076
与未来一段时间需求流量矩阵
Figure BDA0003894966560000077
设定网络路径的拥塞风险系数矩阵为
Figure BDA0003894966560000078
通过矩阵
Figure BDA0003894966560000079
点除矩阵
Figure BDA00038949665600000710
得到，表达式如下。
Figure BDA00038949665600000711
拥塞系数矩阵
Figure BDA00038949665600000712
中的每个元素
Figure BDA00038949665600000713
如下所示，用于表示指定源节点m与目的节点n之间当前路径对于即将到来流量的拥塞风险的大小。
Figure BDA0003894966560000081
将2.2.1中定义的
Figure BDA0003894966560000082
作为目的节点对源节点重要程度的权重衡量，即如果目的节点对源节点的流量需求较大，则该路径拥塞风险造成的影响较大。将
Figure BDA0003894966560000083
与
Figure BDA0003894966560000084
相结合，得到网络整体的拥塞风险C，表达式如下所示。
Figure BDA0003894966560000085
对于指定源节点与目的节点之间设置路径拥塞切换门限
Figure BDA0003894966560000086
当拥塞系数矩阵中存在拥塞风险系数高于相应的路径拥塞切换门限，即
Figure BDA0003894966560000087
则按优先级顺序切换候选路径，计算路径的拥塞风险系数是否满足要求以及网络整体的拥塞风险C是否降低，如果满足要求则部署路径，如果所有候选路径均不满足要求，则选择使整体网络拥塞风险最低的路径进行部署。
本发明提出的一种基于SRv6骨干网全局视角拥塞评估的方案，旨在提前感知网络拥塞风险，有效指导路径的决策部署。此方案的技术关键点是将基于机器学***均水平。联合路径带宽与未来流量得到全局拥塞系数矩阵，用于评估全网拥塞程度方案。
利用本发明提出的一种基于SRv6骨干网全局视角拥塞评估的方案，运营商可以提前感知并定量评估对于即将到来的流量，源节点与目的节点之间路径的拥塞程度，以给运营商是否需要变更网络策略提供指导意见，以及运营商变更网络之后，提供网络拥塞程度是否得到提升的全局评估。通过此方案可以提升运营商的运营维护效率，降低成本，提高收益。
本发明联合路径带宽与未来流量所设计的用于评估全网拥塞程度方案，具有面向未来决策、全局视角的特性，以给运营商是否需要变更网络策略提供指导意见，以及运营商变更网络之后，提供网络拥塞程度与承载性能是否得到提升的全局评估。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (10)

1.SRv6骨干网流量拥塞风险评估方法，其特征在于，包括以下步骤：
步骤1，获取全局网络带宽矩阵；
步骤2，预测未来流量需求；
步骤3，计算网络路径的拥塞风险系数矩阵，以此作为拥塞风险评估指标。
2.根据权利要求1所述的SRv6骨干网流量拥塞风险评估方法，其特征在于，步骤1中全局网络带宽矩阵表示为：
Figure FDA0003894966550000011
式中，
Figure FDA0003894966550000012
为源节点m与目的节点n之间所选路径的最大带宽。
3.根据权利要求2所述的SRv6骨干网流量拥塞风险评估方法，其特征在于，
Figure FDA0003894966550000013
为源节点m与目的节点n之间所选路径上所包含的所有链路的瓶颈容量最小值。
4.根据权利要求1所述的SRv6骨干网流量拥塞风险评估方法，其特征在于，步骤2中未来时段内的流量需求矩阵表示为：
Figure FDA0003894966550000014
式中，
Figure FDA0003894966550000015
为未来时段内目的节点n对源节点m的流量需求。
5.根据权利要求4所述的SRv6骨干网流量拥塞风险评估方法，其特征在于，未来时段内目的节点对源节点的流量需求的表达式为：
Figure FDA0003894966550000016
其中，fi为该未来时段内第i个时刻目的节点对源节点的预测流量，β为该未来时段内的时刻数，
Figure FDA0003894966550000017
6.根据权利要求5所述的SRv6骨干网流量拥塞风险评估方法，其特征在于，对未来任一时刻的流量矩阵，基于其前k个时刻的历史流量矩阵，利用LSTM进行预测，具体为：
LSTM的输入为流量矩阵的向量形式，其中，t时刻的流量矩阵Ft的向量形式为
Figure FDA0003894966550000021
其中，M为源节点数，N为目的节点数，
Figure FDA0003894966550000022
为t时刻目的节点n对源节点m的流量；
LSTM的输出连接全连接层；
全连接层的输出再经过sigmoid层进行非线性化处理，输出预测流量。
7.根据权利要求4所述的SRv6骨干网流量拥塞风险评估方法，其特征在于，网络路径的拥塞风险系数矩阵表示为：
Figure FDA0003894966550000023
式中，
Figure FDA0003894966550000024
为源节点m与目的节点n之间当前所选路径对于未来流量需求的拥塞风险值，
Figure FDA0003894966550000025
为全局网络带宽矩阵，
Figure FDA0003894966550000026
为未来时段内的流量需求矩阵。
8.根据权利要求7所述的SRv6骨干网流量拥塞风险评估方法，其特征在于，该方法还包括设定路径拥塞切换门限，若存在
Figure FDA0003894966550000027
高于路径拥塞切换门限，则判定源节点m与目的节点n之间当前所选路径对于未来流量需求存在拥塞风险。
9.一种路径部署方法，其特征在于，具体包括：
根据如权利要求1至8中任一所述方法计算网络路径的拥塞风险系数矩阵
Figure FDA0003894966550000028
其中，
Figure FDA0003894966550000029
为源节点m与目的节点n之间当前所选路径对于未来流量需求的拥塞风险值；
计算网络整体的拥塞风险
Figure FDA00038949665500000210
其中，
Figure FDA00038949665500000211
为目的节点n对源节点m的需求流量占比；
设定路径拥塞切换门限，若
Figure FDA00038949665500000212
高于路径拥塞切换门限，则源节点m与目的节点n之间按照预设优先级切换候选路径，同时计算源节点m与目的节点n之间切换候选路径后对于未来流量需求的拥塞风险值；
判断切换候选路径后是否满足如下条件：
Figure FDA00038949665500000213
是否不高于路径拥塞切换门限且网络整体的拥塞风险C降低；
若存在任一候选路径满足以上条件，则以该候选路径进行部署；
若所有候选路径均不满足以上条件，则选择使得网络整体的拥塞风险C最低的候选路径进行部署。
10.根据权利要求9所述的一种路径部署方法，其特征在于，
Figure FDA0003894966550000031
式中，
Figure FDA0003894966550000032
为未来时段内目的节点n对源节点m的流量需求。
CN202211270529.6A 2022-10-18 2022-10-18 SRv6骨干网流量拥塞风险评估方法 Pending CN115604724A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211270529.6A CN115604724A (zh) 2022-10-18 2022-10-18 SRv6骨干网流量拥塞风险评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211270529.6A CN115604724A (zh) 2022-10-18 2022-10-18 SRv6骨干网流量拥塞风险评估方法

Publications (1)

Publication Number Publication Date
CN115604724A true CN115604724A (zh) 2023-01-13

Family

ID=84846781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211270529.6A Pending CN115604724A (zh) 2022-10-18 2022-10-18 SRv6骨干网流量拥塞风险评估方法

Country Status (1)

Country Link
CN (1) CN115604724A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117201407A (zh) * 2023-11-07 2023-12-08 湖南国科超算科技有限公司 一种应用感知的IPv6网络快速拥塞检测与避免方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117201407A (zh) * 2023-11-07 2023-12-08 湖南国科超算科技有限公司 一种应用感知的IPv6网络快速拥塞检测与避免方法
CN117201407B (zh) * 2023-11-07 2024-01-05 湖南国科超算科技有限公司 一种应用感知的IPv6网络快速拥塞检测与避免方法

Similar Documents

Publication Publication Date Title
US7403988B1 (en) Technique for autonomous network provisioning
Tizghadam et al. Autonomic traffic engineering for network robustness
US8194546B2 (en) Traffic flow determination in communications networks
CN101707788B (zh) 基于差异化定价策略的多层网络业务动态规划方法
CN104410582A (zh) 一种基于流量预测的电力通信网流量均衡方法
JP2007104677A (ja) ノード遅延予測方法とその装置、及び遅延保証方法とその装置
US7525929B2 (en) Fast simulated annealing for traffic matrix estimation
CN115604724A (zh) SRv6骨干网流量拥塞风险评估方法
CN105743804A (zh) 一种数据流控制方法和***
CN114760669A (zh) 一种基于流量预测的路由决策方法及***
Tarraf et al. Intelligent traffic control for ATM broadband networks
Islam et al. Software-defined network-based proactive routing strategy in smart power grids using graph neural network and reinforcement learning
CN117478518A (zh) 一种图卷积神经网络辅助的大数据存储转发调度方法
JP4876131B2 (ja) パケットモード電気通信ネットワークにおけるメッシュ状態のトラフィックの輻輳の遠隔制御方法および装置
CN116132361A (zh) 一种基于QoS和QoE的网络资源优化调整方法和***
CN114205300A (zh) 一种能够在流量信息不完整情况下保证coflow传输截止期限的流量调度方法
Razmara et al. A Hybrid Neural Network Approach for Congestion Control in TCP/IP Networks
CN117729164B (zh) 一种四口千兆网卡动态带宽分配***
CN112448895A (zh) 一种网联车流量的分配方法、装置及存储介质
Yang et al. Agent-based routing algorithms on a LAN
Turky et al. Self-optimizing mechanism for prediction-based decentralized routing
Jia et al. A Framework of Robust Congestion Mitigation with Traffic Estimation, Split Ratio Optimisation and Path Planning
Dhamala et al. QoS-Oriented Adaptive Routing in Distributed SDN using SARSA Reinforcement Learning
Turky et al. An efficient routing maintenance mechanism using adaptive traffic prediction
Jagannathan A hybrid system theoretic approach for admission controller design in multimedia networks

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
CB02 Change of applicant information

Address after: No. 7, Mozhou East Road, Jiangning District, Nanjing, Jiangsu 211111

Applicant after: JIANGSU FUTURE NETWORKS INNOVATION INSTITUTE

Applicant after: Beijing University of Posts and Telecommunications

Address before: Building 2, Yougu, No. 12, Mozhou East Road, Moling Street, Jiangning District, Nanjing City, Jiangsu Province, 211111

Applicant before: JIANGSU FUTURE NETWORKS INNOVATION INSTITUTE

Applicant before: Beijing University of Posts and Telecommunications

CB02 Change of applicant information