CN116996397A - 一种网络丢包优化的方法、装置、存储介质及电子设备 - Google Patents
一种网络丢包优化的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116996397A CN116996397A CN202311263633.7A CN202311263633A CN116996397A CN 116996397 A CN116996397 A CN 116996397A CN 202311263633 A CN202311263633 A CN 202311263633A CN 116996397 A CN116996397 A CN 116996397A
- Authority
- CN
- China
- Prior art keywords
- network
- data
- packet loss
- predicted
- network packet
- 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 54
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 71
- 230000005540 biological transmission Effects 0.000 claims abstract description 40
- 238000010586 diagram Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 abstract description 12
- 238000012545 processing Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 12
- 238000006243 chemical reaction Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0823—Errors, e.g. transmission errors
- H04L43/0829—Packet loss
-
- 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
- H04L45/08—Learning-based routing, e.g. using neural networks or artificial intelligence
-
- 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
- H04L45/123—Evaluation of link metrics
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本说明书公开了一种网络丢包优化的方法、装置、存储介质及电子设备。本说明书实施例在网络丢包优化的过程中,可以首先通过样本数据以及样本数据对应的真实网络丢包数据来训练待训练的图神经网络模型,之后,可以将训练后图神经网络模型部署到所述多模态网络中,使得可以根据训练后图神经网络模型输出的各个预设路由路径下的预测网络丢包数据以及多模态网络在当前的路由路径下的实际网络丢包数据,确定最佳路由路径,以实现降低多模态网络在数据传输过程中的丢包率。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种网络丢包优化的方法、装置、存储介质及电子设备。
背景技术
现如今,随着科技的发展,人们对于网络服务质量的需求不断提升,多模态网络可以实现基于现有业务的实际需求来动态分配网络资源,促进了现代社会的发展和人类社会的进步。
实际上,现有的多模态网络无法实现较低的网络丢包率,这里的网络丢包指的是在网络数据的传输过程中,由于种种原因,数据包还没传输到应用程序中,就被丢弃了的情况。然而,目前在通过多模态网络进行数据传输的过程中,会面临着网络丢包率较高的情况,但是目前关于多模态网络的网络丢包率优化方法,并无法很好的优化上述多模态网络在数据传输的过程的网络丢包率,这可能会使得在通过多模态网络进行数据传输时出现一些状况。
因此,如何灵活高效的对多模态网络的网络丢包率进行优化,则成为目前亟待解决的问题。
发明内容
本说明书提供一种网络丢包优化的方法、装置、存储介质及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种网络丢包优化的方法,包括:
获取样本数据,所述样本数据至少包括用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的所能处理的业务的业务类型的模态信息数据、用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的流量使用情况以及流量流向情况的业务流量信息数据、用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的网络带宽信息数据以及用于表示在多模态网络下所涉及的各个网络链路图的网络结构的网络拓扑信息数据,其中,网络链路图用于表示用户设备对应的设备节点与交换机对应的设备节点之间的网络连接关系,所述多模态网络用于根据所述各个网络链路的业务类型优化各个网络链路的数据的传输策略;
将所述样本数据输入到待训练的图神经网络模型,以得到针对所述多模态网络的预测网络丢包数据,其中,所述预测网络丢包数据用于表示预测出的通过所述多模态网络实现各个设备的数据传输时的数据丢失情况;
以最小化所述预测网络丢包数据以及所述样本数据对应的真实网络丢包数据之间的偏差为优化目标,对所述图神经网络模型进行训练;
将训练后图神经网络模型部署到所述多模态网络中,以基于所述训练后图神经网络模型输出的各预设路由路径下的预测网络丢包数据,以及所述多模态网络当前传输数据所使用的当前路由路径下的实际网络丢包数据,确定最佳路由路径,并根据所述最佳路由路径,进行数据传输,其中,路由路径由网络链路构成。
可选地,所述待训练的图神经网络模型对应的图神经网络是根据所述样本数据中的网络拓扑信息数据构建的。
可选地,将所述样本数据输入到待训练的图神经网络模型,以得到针对所述多模态网络的预测网络丢包数据,具体包括:
将所述样本数据输入到待训练的图神经网络模型,确定针对所述多模态网络的预测的各个设备的网络丢包数据;
根据所述预测的各个设备的网络丢包数据,确定针对所述多模态网络的预测网络丢包数据。
可选地,基于所述训练后图神经网络模型输出的各预设路由路径下的预测网络丢包数据,以及所述多模态网络当前传输数据所使用的当前路由路径下的实际网络丢包数据,确定最佳路由路径,具体包括:
基于所述训练后图神经网络模型,确定各预设路由路径下的各个设备预测网络丢包数据;
针对所述每个预设路由路径,对该预设路由路径下的各个设备预测网络丢包数据进行加权平均,将加权平均后所得的数据确定为该预设路由路径下的预测网络丢包数据;
将所述各个预设路由路径下的预测网络丢包数据与所述多模态网络当前传输数据所使用的当前路由路径下的实际网络丢包数据中的最小的网络丢包数据对应的路由路径确定为最佳路由路径。
本说明书提供了一种网络丢包优化的装置,包括:
获取模块,用于获取样本数据,所述样本数据至少包括用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的所能处理的业务的业务类型的模态信息数据、用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的流量使用情况以及流量流向情况的业务流量信息数据、用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的网络带宽信息数据以及用于表示在多模态网络下所涉及的各个网络链路图的网络结构的网络拓扑信息数据,其中,网络链路图用于表示用户设备对应的设备节点与交换机对应的设备节点之间的网络连接关系,所述多模态网络用于根据所述各个网络链路的业务类型优化各个网络链路的数据的传输策略;
输入模块,用于将所述样本数据输入到待训练的图神经网络模型,以得到针对所述多模态网络的预测网络丢包数据,其中,所述预测网络丢包数据用于表示预测出的通过所述多模态网络实现各个设备的数据传输时的数据丢失情况;
训练模块,用于以最小化所述预测网络丢包数据以及所述样本数据对应的真实网络丢包数据之间的偏差为优化目标,对所述图神经网络模型进行训练;
确定模块,用于将训练后图神经网络模型部署到所述多模态网络中,以基于所述训练后图神经网络模型输出的各预设路由路径下的预测网络丢包数据,以及所述多模态网络当前传输数据所使用的当前路由路径下的实际网络丢包数据,确定最佳路由路径,并根据所述最佳路由路径,进行数据传输,其中,路由路径由网络链路构成。
可选的,所述待训练的图神经网络模型对应的图神经网络是根据所述样本数据中的网络拓扑信息数据构建的。
可选的,所述输入模块具体用于,将所述样本数据输入到待训练的图神经网络模型,确定针对所述多模态网络的预测的各个设备的网络丢包数据;根据所述预测的各个设备的网络丢包数据,确定针对所述多模态网络的预测网络丢包数据。
可选的,所述确定模块具体用于,基于所述训练后图神经网络模型,确定各预设路由路径下的各个设备预测网络丢包数据;针对所述每个预设路由路径,对该预设路由路径下的各个设备预测网络丢包数据进行加权平均,将加权平均后所得的数据确定为该预设路由路径下的预测网络丢包数据;将所述各个预设路由路径下的预测网络丢包数据与所述多模态网络当前传输数据所使用的当前路由路径下的实际网络丢包数据中的最小的网络丢包数据对应的路由路径确定为最佳路由路径。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述网络丢包优化的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述网络丢包优化的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
本说明书提供的网络丢包优化的方法,获取样本数据,该样本数据至少包括用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的所能处理的业务的业务类型的模态信息数据、用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的流量使用情况以及流量流向情况的业务流量信息数据、用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的网络带宽信息数据以及用于表示在多模态网络下所涉及的各个网络链路图的网络结构的网络拓扑信息数据,其中,网络链路图用于表示用户设备对应的设备节点与交换机对应的设备节点之间的网络连接关系,该多模态网络用于根据各个网络链路的业务类型优化各个网络链路的数据的传输策略,将该样本数据输入到待训练的图神经网络模型,以得到针对该多模态网络的预测网络丢包数据,其中,该预测网络丢包数据用于表示预测出的通过该多模态网络实现各个设备的数据传输时的数据丢失情况,以最小化该预测网络丢包数据以及该样本数据对应的真实网络丢包数据之间的偏差为优化目标,对该图神经网络模型进行训练,将训练后图神经网络模型部署到该多模态网络中,以基于该训练后图神经网络模型输出的各预设路由路径下的预测网络丢包数据,以及该多模态网络当前传输数据所使用的当前路由路径下的实际网络丢包数据,确定最佳路由路径,并根据该最佳路由路径,进行数据传输,其中,路由路径由网络链路构成。
从上述方法中可以看出,在网络丢包优化的过程中,可以首先通过样本数据以及样本数据对应的真实网络丢包数据来训练待训练的图神经网络模型,之后,可以将训练后图神经网络模型部署到所述多模态网络中,使得可以根据训练后图神经网络模型输出的各个预设路由路径下的预测网络丢包数据以及多模态网络在当前的路由路径下的实际网络丢包数据,确定最佳路由路径,以实现降低多模态网络在数据传输过程中的丢包率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中提供的一种网络丢包优化的方法的流程示意图;
图2为本说明书中提供的一种网络丢包优化的训练数据集的示意图;
图3为本说明书中提供的一种图神经网络模型的结构的示意图;
图4为本说明书中提供的一种网络丢包优化的逻辑的示意图;
图5为本说明书提供的一种网络丢包优化的装置结构的示意图;
图6为本说明书提供的对应于图1的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种网络丢包优化的方法的流程示意图,包括以下步骤:
S101:获取样本数据,所述样本数据至少包括用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的所能处理的业务的业务类型的模态信息数据、用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的流量使用情况以及流量流向情况的业务流量信息数据、用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的网络带宽信息数据以及用于表示在多模态网络下所涉及的各个网络链路图的网络结构的网络拓扑信息数据,其中,网络链路图用于表示用户设备对应的设备节点与交换机对应的设备节点之间的网络连接关系,所述多模态网络用于根据所述各个网络链路的业务类型优化各个网络链路的数据的传输策略。
S102:将所述样本数据输入到待训练的图神经网络模型,以得到针对所述多模态网络的预测网络丢包数据,其中,所述预测网络丢包数据用于表示预测出的通过所述多模态网络实现各个设备的数据传输时的数据丢失情况。
本说明书中涉及的网络丢包优化的方法的执行主体可以是诸如台式电脑、笔记本电脑等终端设备,也可以是服务器,下面仅以终端设备是执行主体为例,对本说明书实施例中的网络丢包优化的方法进行说明。
在本说明书具体实施中,终端设备首先获取样本数据。
这里的样本数据指的是终端设备在预设时间段内每间隔预设时长所收集到数据,上述样本数据至少包括用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的所能处理的业务的业务类型的模态信息数据、用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的流量使用情况以及流量流向情况的业务流量信息数据、用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的网络带宽信息数据以及用于表示在多模态网络下所涉及的各个网络链路图的网络结构的网络拓扑信息数据,其中,网络链路图用于表示用户设备对应的设备节点与交换机对应的设备节点之间的网络连接关系,这里的多模态网络可以用于根据各个网络链路的业务类型优化各个网络链路的数据的传输策略。
上述模态信息数据具体可以是,当多模态网络下所涉及的各个网络链路图中各个设备节点的所能处理的业务为云计算类业务,那么该业务对应的业务类型则是云计算业务类型,那么此时模态信息数据可以是用于表示“云计算业务类型”的数据。
上述网络拓扑信息数据具体可以是,当多模态网络下所涉及的用户设备是A1设备、A2设备、B1设备以及B2设备,多模态网络下所涉及的交换机是A交换机以及B交换机,那么此时网络链路则可以包括以下八个网络链路:由A1设备以及A交换机相连接组成的网络链路、由A2设备以及A交换机相连接组成的网络链路、由B1设备以及A交换机相连接组成的网络链路、由B1设备以及A交换机相连接组成的网络链路、由A1设备以及B交换机相连接组成的网络链路、由A2设备以及B交换机相连接组成的网络链路、由B1设备以及B交换机相连接组成的网络链路、由B1设备以及B交换机相连接组成的网络链路,那么上述八个网络链路分别对应有各自的网络链路图,那么将上述八个网络链路的网络链路图进行整合可以得到的一张图,那么这张整合出的图则可以是可以描述在多模态网络下所涉及的各个网络链路图的网络结构的网络拓扑信息数据。
此外,终端设备还可以获取到上述样本数据对应的真实网络丢包数据。
上述样本数据以及该样本数据对应的真实网络丢包数据则可以构成用于后续进行待训练的图神经网络模型的训练时的训练数据集。
图2为本说明书中提供的一种网络丢包优化的训练数据集的示意图。
如图2所示,训练数据集中包括该多模态网络的网络拓扑信息数据、该多模态网络的特征信息(该特征信息包括:该多模态网络的上述模态信息数据、该多模态网络的上述网络带宽信息数据)、该多模态网络的网络业务流量信息(网络业务流量信息包括:该多模态网络的上述业务流量信息数据)。
一旦获取到样本数据以及上述样本数据对应的真实网络丢包数据,终端设备则可以将所述样本数据输入到待训练的图神经网络模型,以得到针对所述多模态网络的预测网络丢包数据,其中,所述预测网络丢包数据用于表示预测出的通过所述多模态网络实现各个设备的数据传输时的数据丢失情况。其中,这里的待训练的图神经网络模型对应的图神经网络是根据所述样本数据中的网络拓扑信息数据构建的。
图3为本说明书中提供的一种图神经网络模型的结构的示意图。
如图3所示,在图3中,图神经网络模型主要包括四个网络层:网络链路消息处理层、前馈神经网络中的编码层、网络路由路径消息处理层、前馈神经网络中的解码层。
具体的,第一层为网络链路消息处理层,通过长短期记忆(Long Short TermMemory,LSTM)对多模态网络中的网络链路进行状态感知,此层以多模态网络中的特征信息特征向量为输入,然后经由隐藏层中的LSTM神经单元抓取网络链路及路由拓扑之间的依赖关系,再对网络中的链路的丢包信息进行计算与更新,这里的LSTM是一种特殊的递归神经网络。
第二层为前馈神经网络中的编码层,对LSTM神经单元的输出进行重构和提取抽象特征,该层是一种有监督学习过程,需知道数据的标签才可完成训练,即该层在有监督的条件下完成对输入数据的特征提取和重构(第二层对应的是下采样模块)。
第三层为网络路由路径消息处理层,通过LSTM对多模态网络中的路由路径进行状态感知,此层以多模态网络中的特征信息特征向量为输入,然后经由隐藏层中的LSTM神经单元抓取网络路径及路由拓扑之间的依赖关系,再对网络中的路径的丢包信息进行计算与更新(第二层和第三层之间的连接方式可以是残差连接,后续第三层和第四层之间的连接方式可以也是残差连接)。
第四层为前馈神经网络中的解码层,获得LSTM神经单元的输出,即隐藏层的隐藏变量进行重构和还原回初始输入维度,利用解码层的隐藏结构读取还原丢包信息,得到网络丢包预测数据(第四层对应的是上采样模块)。
之后,可以将网络丢包预测数据进行输出。
具体的,上述第一层(即上述网络链路消息处理层)的处理方式以及第三层(即上述网络路由路径消息处理层)的处理方式可以包括消息转换、消息更新和消息读出三个阶段。
在第一层中,具体可以是首先在第一层的消息转换阶段通过根据样本数据,以确定出整体的上述网络链路的相关数据,之后根据整体的上述网络链路的相关数据,转换为网络拓扑中的网络节点及相邻的边的数据表示,并输出到网络拓扑中的其他节点。
上述第一层的消息转换阶段所对应的消息转换后的输出数据可以用表示,公式可以如下:
上式中,为网络拓扑中的设备节点/>的邻接节点,/>,/>为设备节点的状态以及设备节点/>的状态,这里的设备节点的状态具体可以包括用于表述多模态网络下该设备节点的流量使用情况以及流量流向情况的业务流量信息数据、多模态网络下该设备节点的网络带宽信息数据以及用于表示该设备节点与其他设备节点或者该设备节点与交换机之间的连接情况的连接数据,E(n,m)为设备节点n的边以及设备节点m的边,为预设的消息转换函数,T为预设的迭代次数,t为当前的迭代次数。
而在第一层的消息更新阶段,则可以是根据第一层的消息转换阶段的消息转换后的输出数据以及/>,对设备节点/>的状态进行更新,确定出/>作为第一层的消息更新阶段的输出数据,/>具体确定公式如下:
其中,为迭代次数,/>为/>迭代次数下的设备节点n的状态,为预设的消息更新函数,/>是第一层的消息转换阶段的消息转换后的输出数据,T为预设的迭代次数。
之后,在第一层的消息读出阶段,则可以是根据第一层的消息更新阶段的输出数据,确定出第一层的消息读出阶段的输出数据(即第一层的输出数据),第一层的消息读出阶段的输出数据用/>表示,/>具体确定公式如下:
其中,为迭代次数,/>代表计算网络上述网络拓扑对应的图数据的特征向量,/>为预设的消息读出函数,/>是/>迭代次数下的设备节点n的状态。
后续,进行第三层(即上述网络路由路径消息处理层)的处理方式也是同理,只不过是需要把第一层(即上述网络链路消息处理层)的处理方式中的“通过根据样本数据,以确定出整体的上述网络链路的相关数据”替换为“通过根据样本数据,以确定出整体的路由路径的相关数据”,因此,本说明书中不再赘述。需要说明的是第三层(即上述网络路由路径消息处理层)所最终确定的指的就是针对多模态网络的预测网络丢包数据。
S103:以最小化所述预测网络丢包数据以及所述样本数据对应的真实网络丢包数据之间的偏差为优化目标,对所述图神经网络模型进行训练。
S104:将训练后图神经网络模型部署到所述多模态网络中,以基于所述训练后图神经网络模型输出的各预设路由路径下的预测网络丢包数据,以及所述多模态网络当前传输数据所使用的当前路由路径下的实际网络丢包数据,确定最佳路由路径,并根据所述最佳路由路径,进行数据传输,其中,路由路径由网络链路构成。
终端设备在确定出针对多模态网络的预测网络丢包数据之后,则可以最小化所述预测网络丢包数据以及所述样本数据对应的真实网络丢包数据之间的偏差为优化目标,对所述图神经网络模型进行训练,并且,将训练后图神经网络模型部署到所述多模态网络中,以基于所述训练后图神经网络模型输出的各预设路由路径下的预测网络丢包数据,以及所述多模态网络当前传输数据所使用的当前路由路径下的实际网络丢包数据,确定最佳路由路径,并根据所述最佳路由路径,进行数据传输,其中,路由路径由网络链路构成。
而上述最佳路由路径的确定具体可以是:终端设备首先基于所述训练后图神经网络模型,确定各预设路由路径下的各个设备预测网络丢包数据,之后针对所述每个预设路由路径,对该预设路由路径下的各个设备预测网络丢包数据进行加权平均,将加权平均后所得的数据确定为该预设路由路径下的预测网络丢包数据,并将所述各个预设路由路径下的预测网络丢包数据与所述多模态网络当前传输数据所使用的当前路由路径下的实际网络丢包数据中的最小的网络丢包数据对应的路由路径确定为最佳路由路径。
图4为本说明书中提供的一种网络丢包优化的逻辑的示意图。
如图4所示,首先,终端设备可以获取样本数据,之后可以构建待训练的图神经网络模型,以及基于样本数据以及样本数据对应的真实网络丢包数据来训练该图神经网络模型。
一旦该图神经网络模型训练完成,终端设备则可以将该图神经网络模型部署到多模态网络中,以基于所述训练后图神经网络模型输出的预设路由路径下的预测网络丢包数据,以及多模态网络当前路由路径下的实际网络丢包数据,确定最佳路由路径(具体是在首先针对每个预设路由路径,通过上述提及的加权平均的方式确定该路由路径的预测网络丢包数据,之后确定出各个预设路由路径的预测网络丢包数据中的最小值,终端设备将该最小值与当前的路由路径下的实际网络丢包数据相比较,若确定该最小值小于当前的路由路径下的实际网络丢包数据,则通过多模态网络的控制层将当前路由路径切换为最小值对应的预设路由路径,若确定该最小值不小于当前的路由路径下的实际网络丢包数据,则多模态网络保持当前的路由路径)。
从上述方法中可以看出,在网络丢包优化的过程中,可以首先通过样本数据以及样本数据对应的真实网络丢包数据来训练待训练的图神经网络模型,之后,可以将训练后图神经网络模型部署到所述多模态网络中,使得可以根据训练后图神经网络模型输出的各个预设路由路径下的预测网络丢包数据以及多模态网络在当前的路由路径下的实际网络丢包数据,确定最佳路由路径,以实现降低多模态网络在数据传输过程中的丢包率。
以上为本说明书的一个或多个实施的方法,基于同样的思路,本说明书还提供了相应的网络丢包优化的装置,如图5所示。
图5为本说明书提供的一种网络丢包优化的装置的示意图,包括:
获取模块501,用于获取样本数据,所述样本数据至少包括用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的所能处理的业务的业务类型的模态信息数据、用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的流量使用情况以及流量流向情况的业务流量信息数据、用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的网络带宽信息数据以及用于表示在多模态网络下所涉及的各个网络链路图的网络结构的网络拓扑信息数据,其中,网络链路图用于表示用户设备对应的设备节点与交换机对应的设备节点之间的网络连接关系,所述多模态网络用于根据所述各个网络链路的业务类型优化各个网络链路的数据的传输策略;
输入模块502,用于将所述样本数据输入到待训练的图神经网络模型,以得到针对所述多模态网络的预测网络丢包数据,其中,所述预测网络丢包数据用于表示预测出的通过所述多模态网络实现各个设备的数据传输时的数据丢失情况;
训练模块503,用于以最小化所述预测网络丢包数据以及所述样本数据对应的真实网络丢包数据之间的偏差为优化目标,对所述图神经网络模型进行训练;
确定模块504,用于将训练后图神经网络模型部署到所述多模态网络中,以基于所述训练后图神经网络模型输出的各预设路由路径下的预测网络丢包数据,以及所述多模态网络当前传输数据所使用的当前路由路径下的实际网络丢包数据,确定最佳路由路径,并根据所述最佳路由路径,进行数据传输,其中,路由路径由网络链路构成。
可选地,所述待训练的图神经网络模型对应的图神经网络是根据所述样本数据中的网络拓扑信息数据构建的。
可选地,所述输入模块502具体用于,将所述样本数据输入到待训练的图神经网络模型,确定针对所述多模态网络的预测的各个设备的网络丢包数据;根据所述预测的各个设备的网络丢包数据,确定针对所述多模态网络的预测网络丢包数据。
可选地,所述确定模块504具体用于,基于所述训练后图神经网络模型,确定各预设路由路径下的各个设备预测网络丢包数据;针对所述每个预设路由路径,对该预设路由路径下的各个设备预测网络丢包数据进行加权平均,将加权平均后所得的数据确定为该预设路由路径下的预测网络丢包数据;将所述各个预设路由路径下的预测网络丢包数据与所述多模态网络当前传输数据所使用的当前路由路径下的实际网络丢包数据中的最小的网络丢包数据对应的路由路径确定为最佳路由路径。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种网络丢包优化的方法。
本说明书还提供了图6所示的一种对应于图1的电子设备的示意结构图。如图6所示,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的网络丢包优化的方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、***、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种网络丢包优化的方法,其特征在于,包括:
获取样本数据,所述样本数据至少包括用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的所能处理的业务的业务类型的模态信息数据、用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的流量使用情况以及流量流向情况的业务流量信息数据、用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的网络带宽信息数据以及用于表示在多模态网络下所涉及的各个网络链路图的网络结构的网络拓扑信息数据,其中,网络链路图用于表示用户设备对应的设备节点与交换机对应的设备节点之间的网络连接关系,所述多模态网络用于根据所述各个网络链路的业务类型优化各个网络链路的数据的传输策略;
将所述样本数据输入到待训练的图神经网络模型,以得到针对所述多模态网络的预测网络丢包数据,其中,所述预测网络丢包数据用于表示预测出的通过所述多模态网络实现各个设备的数据传输时的数据丢失情况;
以最小化所述预测网络丢包数据以及所述样本数据对应的真实网络丢包数据之间的偏差为优化目标,对所述图神经网络模型进行训练;
将训练后图神经网络模型部署到所述多模态网络中,以基于所述训练后图神经网络模型输出的各预设路由路径下的预测网络丢包数据,以及所述多模态网络当前传输数据所使用的当前路由路径下的实际网络丢包数据,确定最佳路由路径,并根据所述最佳路由路径,进行数据传输,其中,路由路径由网络链路构成。
2.如权利要求1所述的方法,其特征在于,所述待训练的图神经网络模型对应的图神经网络是根据所述样本数据中的网络拓扑信息数据构建的。
3.如权利要求1所述的方法,其特征在于,将所述样本数据输入到待训练的图神经网络模型,以得到针对所述多模态网络的预测网络丢包数据,具体包括:
将所述样本数据输入到待训练的图神经网络模型,确定针对所述多模态网络的预测的各个设备的网络丢包数据;
根据所述预测的各个设备的网络丢包数据,确定针对所述多模态网络的预测网络丢包数据。
4.如权利要求1所述的方法,其特征在于,基于所述训练后图神经网络模型输出的各预设路由路径下的预测网络丢包数据,以及所述多模态网络当前传输数据所使用的当前路由路径下的实际网络丢包数据,确定最佳路由路径,具体包括:
基于所述训练后图神经网络模型,确定各预设路由路径下的各个设备预测网络丢包数据;
针对所述每个预设路由路径,对该预设路由路径下的各个设备预测网络丢包数据进行加权平均,将加权平均后所得的数据确定为该预设路由路径下的预测网络丢包数据;
将所述各个预设路由路径下的预测网络丢包数据与所述多模态网络当前传输数据所使用的当前路由路径下的实际网络丢包数据中的最小的网络丢包数据对应的路由路径确定为最佳路由路径。
5.一种网络丢包优化的装置,其特征在于,包括:
获取模块,用于获取样本数据,所述样本数据至少包括用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的所能处理的业务的业务类型的模态信息数据、用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的流量使用情况以及流量流向情况的业务流量信息数据、用于表示在多模态网络下所涉及的各个网络链路图中各个设备节点的网络带宽信息数据以及用于表示在多模态网络下所涉及的各个网络链路图的网络结构的网络拓扑信息数据,其中,网络链路图用于表示用户设备对应的设备节点与交换机对应的设备节点之间的网络连接关系,所述多模态网络用于根据所述各个网络链路的业务类型优化各个网络链路的数据的传输策略;
输入模块,用于将所述样本数据输入到待训练的图神经网络模型,以得到针对所述多模态网络的预测网络丢包数据,其中,所述预测网络丢包数据用于表示预测出的通过所述多模态网络实现各个设备的数据传输时的数据丢失情况;
训练模块,用于以最小化所述预测网络丢包数据以及所述样本数据对应的真实网络丢包数据之间的偏差为优化目标,对所述图神经网络模型进行训练;
确定模块,用于将训练后图神经网络模型部署到所述多模态网络中,以基于所述训练后图神经网络模型输出的各预设路由路径下的预测网络丢包数据,以及所述多模态网络当前传输数据所使用的当前路由路径下的实际网络丢包数据,确定最佳路由路径,并根据所述最佳路由路径,进行数据传输,其中,路由路径由网络链路构成。
6.如权利要求5所述的装置,其特征在于,所述待训练的图神经网络模型对应的图神经网络是根据所述样本数据中的网络拓扑信息数据构建的。
7.如权利要求5所述的装置,其特征在于,所述输入模块具体用于,将所述样本数据输入到待训练的图神经网络模型,确定针对所述多模态网络的预测的各个设备的网络丢包数据;根据所述预测的各个设备的网络丢包数据,确定针对所述多模态网络的预测网络丢包数据。
8.如权利要求5所述的装置,其特征在于,所述确定模块具体用于,基于所述训练后图神经网络模型,确定各预设路由路径下的各个设备预测网络丢包数据;针对所述每个预设路由路径,对该预设路由路径下的各个设备预测网络丢包数据进行加权平均,将加权平均后所得的数据确定为该预设路由路径下的预测网络丢包数据;将所述各个预设路由路径下的预测网络丢包数据与所述多模态网络当前传输数据所使用的当前路由路径下的实际网络丢包数据中的最小的网络丢包数据对应的路由路径确定为最佳路由路径。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~4任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311263633.7A CN116996397B (zh) | 2023-09-27 | 2023-09-27 | 一种网络丢包优化的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311263633.7A CN116996397B (zh) | 2023-09-27 | 2023-09-27 | 一种网络丢包优化的方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116996397A true CN116996397A (zh) | 2023-11-03 |
CN116996397B CN116996397B (zh) | 2024-01-09 |
Family
ID=88530703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311263633.7A Active CN116996397B (zh) | 2023-09-27 | 2023-09-27 | 一种网络丢包优化的方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116996397B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108809839A (zh) * | 2018-07-17 | 2018-11-13 | 湖南理工学院 | 无线Mesh骨干网络流量控制方法与装置 |
EP3407267A1 (en) * | 2017-05-25 | 2018-11-28 | Hitachi, Ltd. | Deep learning network architecture optimization for uncertainty estimation in regression |
CN111652351A (zh) * | 2020-05-09 | 2020-09-11 | 济南浪潮高新科技投资发展有限公司 | 一种神经网络模型的部署方法、设备及介质 |
CN113158543A (zh) * | 2021-02-02 | 2021-07-23 | 浙江工商大学 | 一种软件定义网络性能智能预测方法 |
CN113285831A (zh) * | 2021-05-24 | 2021-08-20 | 广州大学 | 网络行为知识智能学习方法、装置、计算机设备及存储介质 |
CN113395207A (zh) * | 2021-06-15 | 2021-09-14 | 北京工业大学 | 一种sdn架构下基于深度强化学习的路由优化架构及方法 |
CN113938415A (zh) * | 2021-09-09 | 2022-01-14 | 华中科技大学 | 一种基于链路状态估计的网络路由转发方法及*** |
CN115314407A (zh) * | 2022-08-03 | 2022-11-08 | 东南大学 | 一种基于网络流量的网络游戏QoE检测方法 |
WO2023036042A1 (zh) * | 2021-09-07 | 2023-03-16 | 华为技术有限公司 | 网络优化策略的确定方法、装置及*** |
CN116152591A (zh) * | 2022-11-25 | 2023-05-23 | 中山大学 | 模型训练方法、红外小目标检测方法、装置及电子设备 |
CN116527567A (zh) * | 2023-06-30 | 2023-08-01 | 南京信息工程大学 | 一种基于深度强化学习的智能网络路径优选方法与*** |
-
2023
- 2023-09-27 CN CN202311263633.7A patent/CN116996397B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3407267A1 (en) * | 2017-05-25 | 2018-11-28 | Hitachi, Ltd. | Deep learning network architecture optimization for uncertainty estimation in regression |
CN108809839A (zh) * | 2018-07-17 | 2018-11-13 | 湖南理工学院 | 无线Mesh骨干网络流量控制方法与装置 |
CN111652351A (zh) * | 2020-05-09 | 2020-09-11 | 济南浪潮高新科技投资发展有限公司 | 一种神经网络模型的部署方法、设备及介质 |
CN113158543A (zh) * | 2021-02-02 | 2021-07-23 | 浙江工商大学 | 一种软件定义网络性能智能预测方法 |
CN113285831A (zh) * | 2021-05-24 | 2021-08-20 | 广州大学 | 网络行为知识智能学习方法、装置、计算机设备及存储介质 |
CN113395207A (zh) * | 2021-06-15 | 2021-09-14 | 北京工业大学 | 一种sdn架构下基于深度强化学习的路由优化架构及方法 |
WO2023036042A1 (zh) * | 2021-09-07 | 2023-03-16 | 华为技术有限公司 | 网络优化策略的确定方法、装置及*** |
CN113938415A (zh) * | 2021-09-09 | 2022-01-14 | 华中科技大学 | 一种基于链路状态估计的网络路由转发方法及*** |
CN115314407A (zh) * | 2022-08-03 | 2022-11-08 | 东南大学 | 一种基于网络流量的网络游戏QoE检测方法 |
CN116152591A (zh) * | 2022-11-25 | 2023-05-23 | 中山大学 | 模型训练方法、红外小目标检测方法、装置及电子设备 |
CN116527567A (zh) * | 2023-06-30 | 2023-08-01 | 南京信息工程大学 | 一种基于深度强化学习的智能网络路径优选方法与*** |
Non-Patent Citations (2)
Title |
---|
李奇越;周娜娜;柳传嘉;***;孙伟;: "基于强化学习的M2M通信上行链路节能优化算法", 合肥工业大学学报(自然科学版), no. 07 * |
李建平;王晓凯;: "基于模糊神经网络的无线传感器网络可靠性评估", 计算机应用, no. 2 * |
Also Published As
Publication number | Publication date |
---|---|
CN116996397B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111930486B (zh) | 任务选取数据处理方法、装置、设备及存储介质 | |
CN115981870B (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
CN117828360A (zh) | 一种模型训练、代码生成方法、装置、存储介质及设备 | |
CN116578877B (zh) | 一种模型训练及二次优化打标的风险识别的方法及装置 | |
CN116185596B (zh) | 提升广域多集群分布式***执行任务效率的方法及装置 | |
CN116347623B (zh) | 一种任务调度的方法、装置、存储介质及电子设备 | |
CN117194992A (zh) | 一种模型训练、任务执行方法、装置、存储介质及设备 | |
CN116091895B (zh) | 一种面向多任务知识融合的模型训练方法及装置 | |
CN116996397B (zh) | 一种网络丢包优化的方法、装置、存储介质及电子设备 | |
CN115543945B (zh) | 一种模型压缩的方法、装置、存储介质及电子设备 | |
CN116167431A (zh) | 一种基于混合精度模型加速的业务处理方法及装置 | |
CN116341642A (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
CN117348999B (zh) | 一种业务执行***及业务执行方法 | |
CN117201334B (zh) | 一种多模态网络流量预测方法及装置 | |
CN116484768B (zh) | 一种***动力学模型构建方法及装置 | |
CN116434787B (zh) | 一种语音情感识别的方法、装置、存储介质及电子设备 | |
CN116340004A (zh) | 一种任务执行的方法、装置、存储介质及电子设备 | |
CN115862675B (zh) | 一种情感识别方法、装置、设备及存储介质 | |
CN115545938B (zh) | 一种执行风险识别业务的方法、装置、存储介质及设备 | |
CN116501852B (zh) | 一种可控对话模型训练方法、装置、存储介质及电子设备 | |
CN117350351B (zh) | 用户响应预测***的训练方法、用户响应预测方法及装置 | |
CN117034926A (zh) | 一种针对多领域文本分类模型的模型训练的方法及装置 | |
CN116822936A (zh) | 一种业务风控的方法、装置、存储介质及电子设备 | |
CN116384472A (zh) | 一种数据处理***、方法、设备及存储介质 |
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 |