CN102571423B - 基于gshlpn的网络数据传输建模及性能分析方法 - Google Patents
基于gshlpn的网络数据传输建模及性能分析方法 Download PDFInfo
- Publication number
- CN102571423B CN102571423B CN201110449835.1A CN201110449835A CN102571423B CN 102571423 B CN102571423 B CN 102571423B CN 201110449835 A CN201110449835 A CN 201110449835A CN 102571423 B CN102571423 B CN 102571423B
- Authority
- CN
- China
- Prior art keywords
- network
- node
- gshlpn
- switching node
- 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.)
- Active
Links
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
基于GSHLPN的网络数据传输建模及性能分析方法,属于互联网中的网络分析和网络管理控制领域,由“获取目标网络状态”、“构建目标网络的GSHLPN模型”、“解算建立的GSHLPN模型”和“根据GSHLPN模型解算结果计算目标网络的性能参数”四个步骤组成建模与分析过程;将网络终端节点和数据包生产消费映射为一个GSHLPN网子结构;然后将交换节点的等待队长、路由能力、转发能力映射为一个GSHLPN网子结构;再根据解算的GSHLPN网的位置和变迁的状态计算网络交换节点的利用率、丢包率、吞吐量和延迟;最后根据网络交换节点的性能指标和网络拓扑计算网络对指定的负载流所提供的服务的延迟特性、丢包率和网络可用性。
Description
技术领域
本发明属于互联网中的网络分析和网络管理控制领域,具体涉及一种基于GSHLPN的网络数据传输建模及性能分析方法。
背景技术
计算机网络的应用已遍及到社会的各个领域,成为国家发展和社会进步的基本需求。在计算机网络的设计、部署和应用的过程中,需要根据目标网络的拓扑结构、设备能力以及运行负载,分析网络数据传输的性能,根据分析的结果,优化系统的设计。
现有的网络系统在性能分析过程中,主要有根据经验估计方法,搭建原型系统实验的方法,以及数值仿真实验的方法。根据经验设计准确性低、可靠性差;搭建原型系统消耗大,准备时间长;现有的数值仿真系统或价格昂贵(如网络仿真技术软件包OPNET)、或使用非常难以掌握(如网络模拟平台NS2)。
Petri网是对离散并行系统的数学表示,适合于描述异步的、并发的计算机系统模型。Petri网既有严格的数学表述方式,也有直观的图形表达方式。随机Petri网SPN、随机高级Petri网SHLPN、广义随机Petri网GSPN等相关Petri网理论的发展进一步增强了Petri网的描述和分析能力。
广义随机高级Petri网GSHLPN在一般Petri网的基础上,引入了变迁的随机特性和标识的颜色特性,变迁的随机特性可用于表达网络数据传输的随机特性,标识的颜色特性可用于区分不同的负载数据。另外,GSHLPN还引入了瞬时变迁和禁止弧,进一步增强了其描述能力。因此GSHLPN可以应用到计算机网络数据传输的建模与分析中。
发明内容
为了克服上述现有技术的不足,本发明的目的在于提供一种基于GSHLPN的网络数据传输建模及性能分析方法,可以建立起基于GSHLPN的计算机网络数据传输模型,解算建立的GSHLPN模型,根据解算结果得到网络数据传输性能与系统结构、系统负载之间的关系。
为了实现上述目的,本发明采用的技术方案是:
基于GSHLPN的网络数据传输建模方法,
首先,在进行建模之前,获取目标网络状态;
将网络中的节点分为终端节点和交换节点,目标网络状态包含:网络拓扑;交换节点的路由选择能力、接收转发能力;负载数据包的包长特性和数据包发送间隔特性;每一个负载流从数据源到数据目标的全程链路;
其次,进行基于GSHLPN的网络数据传输建模,包括网络终端节点的GSHLPN建模和网络交换节点的GSHLPN建模;
所述网络终端节点的GSHLPN建模包括开环模型建模和闭环模型建模,
开环模型的建模为:
对于一个已知的从源终端S到目标终端T的负载流,由一个时间变迁“数据包生产”表达数据包的产生过程,该时间变迁的时间特性为相应的数据包发送时间间隔分布特性,产生的标识颜色为S-T,不同颜色的标识对应不同的负载,具有不同的包长分布特性,该时间变迁产生数据包后将产生的数据包注入到网络中,标识通过网络到达由位置“目标终端”表达的目标节点T后,通过一个立即变迁“数据包消费”将其丢弃;
闭环模型的建模为:
在初始状态下,在源终端位置中放入N个标识,通过变迁“数据包发送”按数据包时间间隔特性送出,目标终端接收到该标识后,再将其传回源终端;
所述网络交换节点的GSHLPN建模为:
每个交换节点的GSHLPN模型包含一个输入子结构和一个输出子结构,
输入子结构包含:
每个交换节点包含一个“等待队列”位置,一个“队长控制器”位置,针对每个流入该节点的负载,有一个“抵达”位置、一个“入队列”变迁、一个“抛弃”变迁,“队长控制器”初始状态中放入L个标识,L为该交换节点存储的数据队列长度;等待队列中每增加一个标识,“队长控制器”中减少一个标识;当“队长控制器”为空时,“入队列”被禁止,“抵达”中数据包的到来会触发“抛弃”;当输出子结构中的“转发”实施时,“队长控制器”中增加一个标识;
输出子结构包含:
每个交换节点包含一个“转发”变迁,一个“输出队列”位置,针对每个流出该节点负载,有一个“延迟”变迁,时间变迁“转发”表达交换设备的路由选择速率,时间变迁“延迟”表达不同负载的包长特性。
其中,所述网络终端节点是指网络中的数据源和数据目标,所述网络交换节点以存储-转发的方式接收-分发数据包。
基于上述模型,对网络性能进行分析,方法如下:
对所述基于GSHLPN的网络数据传输建模进行解算,结果包括:每个位置的非空概率、满概率、其中各类标识的平均数量;每个变迁的可实施概率、吞吐量;
交换节点的性能指标计算方法,包括:
交换节点的利用率URi,其值为网络中第i个交换节点对应的GSHLPN模型的“等待队列”的非空概率;
交换节点的丢包率LRi,其值为网络中第i个交换节点对应的GSHLPN模型的“等待队列”的满概率;
交换节点的吞吐量Thi,其值为网络中第i个交换节点对应的GSHLPN模型的“转发”变迁的吞吐量;
交换节点的排队延迟Dei,其值为:ATi/Thi,其中ATi为网络中第i个交换节点对应的SHLPN模型的“等待队列”的平均标识数,Thi为网络中第i个交换节点对应的GSHLPN模型的“转发”变迁的吞吐量;
对负载提供的服务性能指标计算方法,包括:
链路延迟,对给定数据链路,其延迟值为:
其中,DeS-T为从源节点S到目标节点T的链路延迟,从源节点S到目标节点T经过K个交换节点,Dei为第i个交换节点的排队延迟,LeS-T为从源节点S到目标节点T的平均包长,Bai为第i个交换节点的转发带宽;
链路丢包率,对给定数据链路,其丢包率值为:
其中,LRS-T为从源节点S到目标节点T的丢包率,从源节点S到目标节点T经过K个交换节点,LRi为经过的第i个交换节点的丢包率;
网络可用性,其值为:
其中AVS-T为针对从源节点S到目标节点T的负载流的网络可用性,DeS-T为从源节点S到目标节点T的链路延迟,为独占延迟,LeS-T为从源节点S到目标节点T的平均包长,Bai为第i个交换节点的转发带宽。
其中,所述解算是指:
当数据包的生产消费采用开环模型时,用仿真法得到系统运行各项指标;
当数据包的生产消费采用闭环模型时,用分析法或仿真法解算得到系统运行各项指标;
算出的指标包含:每个位置的非空概率、满概率、其中各类标识的平均数量;每个变迁的可实施概率、吞吐量。
当数据包的生产消费采用闭环模型时,预先设定源终端的非空概率值,模型解算后,如果解算结果非空概率值小于预先设定的概率值,则将源终端中的标识数量增加一个,迭代进行建模和解算的过程,直至满足设计要求。
与现有的网络性能评价方法相比,本发明所描述的技术方法,首先充分利用了GSHLPN描述和分析能力,能够以一种直接地、图形化的方式建立网络的模型;其次是能够以一种自动的方式根据拓扑结构和负载,完成建模与分析的过程,指导系统的性能分析和建设;同时,利用本方法所描述的技术,可以利用现有的GSHLPN解算工具和方法,需要的编码工作较少。
附图说明
图1为根据本发明技术所进行的一次网络建模和分析过程示意图。
图2为数据包生产与消费的GSHLPN开环模型。
图3为数据包生产与消费的GSHLPN闭环模型。
图4为交换节点的GSHLPN模型。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
如图1所示,为本发明的建模和分析全过程。
步骤1,获取目标网络的状态
在网络的性能分析之前,需要知道目标网络的拓扑结构、交换节点的存储和转发能力以及施加在网络上的负载。对已建成或运行中的网络,通过测量的方式得到网络拓扑结构、流量特性等,可通过设备的设计指标和压力测试得到设备的转发能力;对规划的目标网络,指标均为设计值。
针对每一个负载流,得到数据流的全程链路。可采用多种方法,如最短路径优先算法OSPF,人工指定路径,以及其他各种路由算法。
步骤2,构建目标网络的GSHLPN模型
本发明方法采用GSHLPN来表达系统的模型。通过GSHLPN中标识的不同颜色表达不同的负载流。通过变迁的时间特性来表达网络数据包的发送间隔和数据包长。图2~4中,圆圈表示GSHLPN中的位置,竖条表示GSHLPN中的立即变迁,方框表示GSHLPN中的时间变迁,圆圈中的点表示位置中的标识,圆圈中的字母表示若干个标识,从位置到变迁的射线为输入弧,从变迁到位置的射线为输出弧,弧上的标识为变迁所操作的标识的颜色。
终端节点和负载的建模:
图2为终端节点和数据包生产消费的GSHLPN开环模型。对于一个已知的从源终端S到目标终端T的负载流,由一个时间变迁“数据包生产”表达数据包的产生过程,该时间变迁的时间特性为相应的数据包发送时间间隔分布特性,产生的标识颜色为S-T。不同颜色的标识对应不同的负载,具有不同的包长分布特性。标识到达目标终端T后,最终要通过一个变迁“数据包消费”来表达数据包的消费过程。
图3为终端节点和数据包生产消费的GSHLPN闭环模型。为了限制GSHLPN网模型状态空间的规模,该模型在初始状态下,在源终端位置中放入4个标识,通过变迁“数据包发送”按数据包时间间隔特性送出。目的终端接收到该标识后,再将其传回到源终端。
交换节点的建模:
图4为交换节点的GSHLPN模型。每个交换节点的GSHLPN模型包含一个输入子结构和一个输出子结构。
输入子结构包含:每个交换节点包含一个“等待队列”位置、一个“队长控制器”位置;针对每个流入该节点的负载,有一个“抵达”位置、一个“入队列”变迁、一个“抛弃”变迁。图3中仅描述了一个负载。“队长控制器”初始状态中放入L个标识,L为该交换节点存储的数据队列长度;等待队列中每增加一个标识,“队长控制器”中减少一个标识;当“队长控制器”为空时,“入队列”被禁止,“抵达”中数据包的到来会触发“抛弃”;当输出子结构中的“转发”实施时,“队长控制器”中增加一个标识。
输出子结构包含:每个交换节点包含一个“转发”变迁;针对该交换节点的每条链路包含一个“输出队列”位置;针对每个流出该节点每个负载,有一个“延迟”变迁。图3中仅描述了一条输出链路的一个负载。时间变迁“转发”表达交换设备的路由选择速率。时间变迁“延迟”表达不同负载的包长特性。
下面举例说明上述建模过程:
假设从源终端S1到目标终端T1的数据流经过一系列路径,发送到路由器Ra,然后直接转发到路由器Rb,则标识在模型中Ra和Rb之间所经过的过程如下:
在GSHLPN网模型中,颜色为S1-T1的标识流出Ra,到达Rb所经过的元素依次为:Ra“转发”、Ra到Rb“输出队列”、Ra到Rb“延迟S1-T1”、Ra到Rb“抵达S1-T1”位置、Rb“入队列S1-T1”变迁、Rb的“等待队列”位置。
到达“Ra到Rb链路的‘抵达S1-T1’位置”时,根据Rb“队长控制器”中的标识数目,可能被抛弃。
其中Ra到Rb的“输出队列”、“延迟S*-T*”、“抵达S*-T*”可能包含多条路径,标识的颜色“S1-T1”导致选中适当的路径实施。
步骤3,解算建立的GSHLPN模型
当数据包的生产消费采用开环模型时,使用仿真法得到系统运行各项指标;当数据包的生产消费采用闭环模型时,可用分析法或仿真法解算得到系统运行各项指标。采用开环模型时,源终端的非空概率需要满足一定的设计要求,预先设定源终端的非空概率值,模型解算后,如果解算结果非空概率值小于预先设定的概率值,则将源终端中的标识数量增加一个,迭代进行步骤2到3的过程,直至满足设计要求。
解算出的指标包含:每个位置的非空概率、满概率、其中各类标识的平均数量;每个变迁的可可实施概率、吞吐量。
步骤4,根据GSHLPN模型解算结果计算目标网络的性能参数
交换节点的性能指标:
交换节点的利用率URi,其值为网络中第i个交换节点对应的GSHLPN模型的“等待队列”的非空概率;
交换节点的丢包率LRi,其值为网络中第i个交换节点对应的GSHLPN模型的“等待队列”的满概率;
交换节点的吞吐量Thi,其值为网络中第i个交换节点对应的GSHLPN模型的“转发”变迁的吞吐量;
交换节点的排队延迟Dei,其值为:ATi/Thi,其中ATi为网络中第i个交换节点对应的GSHLPN模型的“等待队列”的平均标识数,Thi为网络中第i个交换节点对应的GSHLPN模型的“转发”变迁的吞吐量;
对负载提供的服务性能指标:
链路延迟,对给定数据链路,其延迟值为:
其中,DeS-T为从源节点S到目标节点T的链路延迟,从源节点S到目标节点T经过K个交换节点,Dei为第i个交换节点的排队延迟,LeS-T为从源节点S到目标节点T的平均包长,Bai为第i个交换节点的转发带宽;
链路丢包率,对给定数据链路,其丢包率值为:
其中,LRS-T为从源节点S到目标节点T的丢包率,从源节点S到目标节点T经过K个交换节点,LRi为经过的第i个交换节点的丢包率;
网络可用性,其值为:
Claims (6)
1.基于GSHLPN的网络数据传输建模方法,其特征在于,包括以下步骤:
首先,在进行建模之前,获取目标网络状态;
将网络中的节点分为终端节点和交换节点,目标网络状态包含:网络拓扑;交换节点的路由选择能力、接收转发能力;负载数据包的包长特性和数据包发送间隔特性;每一个负载流从数据源到数据目标的全程链路;
其次,进行基于GSHLPN的网络数据传输建模,包括网络终端节点的GSHLPN建模和网络交换节点的GSHLPN建模;
所述网络终端节点的GSHLPN建模包括开环模型建模和闭环模型建模,
开环模型的建模为:
对于一个已知的从源节点S到目标节点T的负载流,由一个时间变迁“数据包生产”表达数据包的产生过程,该时间变迁的时间特性为相应的数据包发送时间间隔分布特性,产生的标识颜色为S-T,不同颜色的标识对应不同的负载,具有不同的包长分布特性,该时间变迁产生数据包后将产生的数据包注入到网络中,标识通过网络到达由位置“目标节点T”表达的目标节点T后,通过一个立即变迁“数据包消费”将其丢弃;
闭环模型的建模为:
在初始状态下,在源节点S位置中放入N个标识,通过变迁“数据包发送”按数据包时间间隔特性送出,目标节点T接收到该标识后,再将其传回源节点S;
所述网络交换节点的GSHLPN建模为:
每个交换节点的GSHLPN模型包含一个输入子结构和一个输出子结构,
输入子结构包含:
每个交换节点包含一个“等待队列”位置,一个“队长控制器”位置,针对每个流入该节点的负载,有一个“抵达”位置、一个“入队列”变迁、一个“抛弃”变迁,“队长控制器”初始状态中放入L个标识,L为该交换节点存储的数据队列长度;等待队列中每增加一个标识,“队长控制器”中减少一个标识;当“队长控制器”为空时,“入队列”被禁止,“抵达”中数据包的到来会触发“抛弃”;当输出子结构中的“转发”实施时,“队长控制器”中增加一个标识;
输出子结构包含:
每个交换节点包含一个“转发”变迁,一个“输出队列”位置,针对每个流出该节点负载,有一个“延迟”变迁,时间变迁“转发”表达交换设备的路由选择速率,时间变迁“延迟”表达不同负载的包长特性。
2.根据权利要求1所述的基于GSHLPN的网络数据传输建模方法,其特征在于,所述网络终端节点是指网络中的数据源和数据目标。
3.根据权利要求1所述的基于GSHLPN的网络数据传输建模方法,其特征在于,所述网络交换节点以存储-转发的方式接收-分发数据包。
4.根据权利要求1所述基于GSHLPN的网络数据传输建模方法对网络性能进行分析的方法,其特征在于:
对所述基于GSHLPN的网络数据传输建模进行解算,结果包括:每个位置的非空概率、满概率、网络中各类标识的平均数量;每个变迁的可实施概率、吞吐量;
交换节点的性能指标计算方法,包括:
交换节点的利用率URi,其值为网络中第i个交换节点对应的GSHLPN模型的“等待队列”的非空概率;
交换节点的丢包率LRi,其值为网络中第i个交换节点对应的GSHLPN模型的“等待队列”的满概率;
交换节点的吞吐量Thi,其值为网络中第i个交换节点对应的GSHLPN模型的“转发”变迁的吞吐量;
交换节点的排队延迟Dei,其值为:ATi/Thi,其中ATi为网络中第i个交换节点对应的GSHLPN模型的“等待队列”的平均标识数,Thi为网络中第i个交换节点对应的GSHLPN模型的“转发”变迁的吞吐量;
对负载提供的服务性能指标计算方法,包括:
链路延迟,对给定数据链路,其延迟值为:
其中,DeS-T为从源节点S到目标节点T的链路延迟,从源节点S到目标节点T经过K个交换节点,Dei为第i个交换节点的排队延迟,LeS-T为从源节点S到目标节点T的平均包长,Bai为第i个交换节点的转发带宽;
链路丢包率,对给定数据链路,其丢包率值为:
其中,LRS-T为从源节点S到目标节点T的丢包率,从源节点S到目标节点T经过K个交换节点,LRi为经过的第i个交换节点的丢包率;
网络可用性,其值为:
5.根据权利要求4所述对网络性能进行分析的方法,其特征在于,所述解算是指:
当数据包的生产消费采用开环模型时,用仿真法得到系统运行各项指标;
当数据包的生产消费采用闭环模型时,用分析法或仿真法解算得到系统运行各项指标;
算出的指标包含:每个位置的非空概率、满概率、网络中各类标识的平均数量;每个变迁的可实施概率、吞吐量。
6.根据权利要求5所述对网络性能进行分析的方法,其特征在于,当数据包的生产消费采用闭环模型时,预先设定源节点S的非空概率值,模型解算后,如果解算结果非空概率值小于预先设定的概率值,则将源节点S中的标识数量增加一个,迭代进行建模和解算的过程,直至满足设计要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110449835.1A CN102571423B (zh) | 2011-12-29 | 2011-12-29 | 基于gshlpn的网络数据传输建模及性能分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110449835.1A CN102571423B (zh) | 2011-12-29 | 2011-12-29 | 基于gshlpn的网络数据传输建模及性能分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102571423A CN102571423A (zh) | 2012-07-11 |
CN102571423B true CN102571423B (zh) | 2014-05-14 |
Family
ID=46415949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110449835.1A Active CN102571423B (zh) | 2011-12-29 | 2011-12-29 | 基于gshlpn的网络数据传输建模及性能分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102571423B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104184632A (zh) * | 2014-09-03 | 2014-12-03 | 重庆大学 | 一种通信协议路由器性能的分析方法 |
CN105512018A (zh) * | 2014-09-23 | 2016-04-20 | 上海精密计量测试研究所 | 一种并行系统性能的形式化分析方法 |
CN107949002A (zh) * | 2017-12-13 | 2018-04-20 | 中国联合网络通信集团有限公司 | 一种网络性能的分析方法和网络设备 |
US20220100922A1 (en) * | 2020-09-29 | 2022-03-31 | Rockwell Automation Technologies, Inc. | Predicting industrial automation network performance |
CN112623259B (zh) * | 2021-03-08 | 2021-05-14 | 北京航空航天大学 | 针对高超声速飞行器数据丢包的自抗扰控制器设计方法 |
CN114374613B (zh) * | 2022-01-11 | 2023-09-15 | 江西理工大学 | 基于软间隔支持向量机的车载容迟网网络编码最大流设定方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1822560A (zh) * | 2006-04-10 | 2006-08-23 | 武汉理工大学 | 一种动态网络路由仿真系统 |
CN102281151A (zh) * | 2010-06-08 | 2011-12-14 | 中国电信股份有限公司 | 控制计费系统状态迁移的方法与装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003283562A (ja) * | 2002-03-27 | 2003-10-03 | Mitsubishi Electric Corp | データ送信装置、中継装置、データ送受信装置、データ通信方法 |
-
2011
- 2011-12-29 CN CN201110449835.1A patent/CN102571423B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1822560A (zh) * | 2006-04-10 | 2006-08-23 | 武汉理工大学 | 一种动态网络路由仿真系统 |
CN102281151A (zh) * | 2010-06-08 | 2011-12-14 | 中国电信股份有限公司 | 控制计费系统状态迁移的方法与装置 |
Non-Patent Citations (4)
Title |
---|
基于随机Petri网的网络可信赖性分析方法研究;林闯等;《电子学报》;20060228(第2期);322-332 * |
基于随机博弈模型的网络攻防量化分析方法;王元卓等;《计算机学报》;20100930;第33卷(第9期);1748-1762 * |
林闯等.基于随机Petri网的网络可信赖性分析方法研究.《电子学报》.2006,(第2期),322-332. |
王元卓等.基于随机博弈模型的网络攻防量化分析方法.《计算机学报》.2010,第33卷(第9期),1748-1762. |
Also Published As
Publication number | Publication date |
---|---|
CN102571423A (zh) | 2012-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102571423B (zh) | 基于gshlpn的网络数据传输建模及性能分析方法 | |
Chong et al. | A simulation-based optimization algorithm for dynamic large-scale urban transportation problems | |
Kiasari et al. | An analytical latency model for networks-on-chip | |
CN109347697B (zh) | 机会网络链路预测方法、装置及可读存储介质 | |
CN109818865A (zh) | 一种sdn增强路径装箱装置及方法 | |
CN106936645B (zh) | 基于排队论的树形网络拓扑结构的优化方法 | |
CN106503333B (zh) | 一种三维片上网络测试规划方法 | |
CN105515987B (zh) | 一种基于sdn架构面向虚拟光网络的映射方法 | |
US20200177495A1 (en) | Route control method and route setting device | |
Osorio et al. | Simulation-based optimization: achieving computational efficiency through the use of multiple simulators | |
CN107293115A (zh) | 一种用于微观仿真的交通流量预测方法 | |
CN104539601B (zh) | 动态网络攻击过程可靠性分析方法及系统 | |
WO2023241423A1 (zh) | 一种基于流量预测的路由决策方法及系统 | |
CN108197708A (zh) | 一种基于Spark的并行化遗传算法 | |
CN102210128B (zh) | 路径计算顺序决定方法以及计算装置 | |
CN113992259A (zh) | 一种时隙资源拓展图的构建方法 | |
CN109299160A (zh) | 一种基于监控大数据挖掘的电力cps安全性分析方法 | |
CN105262534A (zh) | 一种适用于卫星通信网络的路由方法和装置 | |
CN106850253A (zh) | 一种基于多状态网络的传输时间可靠性测量的方法 | |
CN100420209C (zh) | 自动进行方案对比的可信网络仿真系统 | |
CN103944748A (zh) | 基于遗传算法的网络关键节点的自相似流量生成简化方法 | |
CN103259731B (zh) | 一种基于开/关源模型的网络关键节点自相似流量生成简化方法 | |
CN105022870A (zh) | 一种基于cpn的面向服务软件性能建模与仿真分析方法 | |
CN109978138A (zh) | 基于深度强化学习的结构可靠度抽样方法 | |
CN105959167A (zh) | 一种基于贪心算法的全局优化sdn测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |