CN103248971A - 网络带宽利用率优化驱动的智能光波导系统 - Google Patents

网络带宽利用率优化驱动的智能光波导系统 Download PDF

Info

Publication number
CN103248971A
CN103248971A CN2013101302767A CN201310130276A CN103248971A CN 103248971 A CN103248971 A CN 103248971A CN 2013101302767 A CN2013101302767 A CN 2013101302767A CN 201310130276 A CN201310130276 A CN 201310130276A CN 103248971 A CN103248971 A CN 103248971A
Authority
CN
China
Prior art keywords
optical waveguide
data
bandwidth
intelligent optical
waveguide systems
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
Application number
CN2013101302767A
Other languages
English (en)
Other versions
CN103248971B (zh
Inventor
陶大程
李学龙
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.)
YANGZHOU AOPUSEN LIGHT SENSING TECHNOLOGY Co Ltd
Original Assignee
YANGZHOU AOPUSEN LIGHT SENSING TECHNOLOGY Co Ltd
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 YANGZHOU AOPUSEN LIGHT SENSING TECHNOLOGY Co Ltd filed Critical YANGZHOU AOPUSEN LIGHT SENSING TECHNOLOGY Co Ltd
Priority to CN201310130276.7A priority Critical patent/CN103248971B/zh
Publication of CN103248971A publication Critical patent/CN103248971A/zh
Application granted granted Critical
Publication of CN103248971B publication Critical patent/CN103248971B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Optical Communication System (AREA)

Abstract

本发明公开了一种网络带宽利用率优化驱动的智能光波导系统，该智能光波导系统是通过实时采集网络传输数据进行统计分析，并获得用户带宽使用情况，通过调节用户带宽，最终实现现有网络带宽利用率的最大化。通过上述方式，本发明根据用户数据进行分析并实时的调节用户带宽。

Description

网络带宽利用率优化驱动的智能光波导系统
技术领域
本发明涉及光波导技术领域，特别是涉及一种网络带宽利用率优化驱动的智能光波导系统。 
背景技术
因特网在全世界的普及，为光通信设备生产商提供了可观的市场空间和丰厚的利润。目前的硬件厂商，如思科、华为和中兴等公司提供了众多高质量的光网络通信设备，为因特网的发展做出了重要贡献。 
现有的光通信网络设备为不同的用户分配固定的带宽，而根据运营的实际情况，不同用户在不同时间段对带宽的需求是不同的，因此，现在的设计对有限的带宽资源来说是一种很大的浪费。这种趋势使得原本不宽裕的带宽资源变得更加紧缺。 
发明内容
本发明主要解决的技术问题是提供一种网络带宽利用率优化驱动的智能光波导系统，能够根据用户数据进行分析并实时的调节用户带宽。 
为解决上述技术问题，本发明采用的一个技术方案是：提供一种网络带宽利用率优化驱动的智能光波导系统，该智能光波导系统是通过实时采集网络传输数据进行统计分析，并获得用户带宽使用情况，通过调节用户带宽，最终实现现有网络带宽利用率的最大化，具体实现步骤包括： 
1）实时采集网络中传送数据，每个数据用一个m维向量 
Figure 2013101302767100002DEST_PATH_IMAGE002
表示，动态采集的信号表示为
Figure 2013101302767100002DEST_PATH_IMAGE004
Figure 2013101302767100002DEST_PATH_IMAGE001
；
2）采用m-SNE学习方式获得
Figure 2013101302767100002DEST_PATH_IMAGE008
Figure 2013101302767100002DEST_PATH_IMAGE010
的低维表达
Figure 2013101302767100002DEST_PATH_IMAGE008A
Figure 2013101302767100002DEST_PATH_IMAGE012
.
包括如下步骤：
a、获取不同角度的高维特征数据，
Figure 2013101302767100002DEST_PATH_IMAGE014
，表示不同角度的个数，
Figure 2013101302767100002DEST_PATH_IMAGE018
，；
b、初始化向量；
c、对于不同角度的数据计算其相似概率矩阵
Figure 2013101302767100002DEST_PATH_IMAGE024
；
d、根据公式: 
Figure 2013101302767100002DEST_PATH_IMAGE026
，计算复合概率矩阵
Figure 2013101302767100002DEST_PATH_IMAGE028
；
    e、根据公式：
Figure 2013101302767100002DEST_PATH_IMAGE030
，计算低维向量
Figure 2013101302767100002DEST_PATH_IMAGE032
，
Figure 2013101302767100002DEST_PATH_IMAGE034
，
Figure 2013101302767100002DEST_PATH_IMAGE036
；
    f、用Nesterov’s accelerated first order方法求解使得等式达到最小值的复合系数
Figure 2013101302767100002DEST_PATH_IMAGE040
，返回第4步，重复m次；
g、得到低维数据
Figure 2013101302767100002DEST_PATH_IMAGE042
，用此低维数据代替多角度高维数据；
3）通过对
Figure 2013101302767100002DEST_PATH_IMAGE044
采用最小距离分类器（Minimum Euclidean Distance Classifier，MEDC）分类，可以实时获得智能光波导系统带宽控制参数。
本发明的有益效果是：本发明是利用对用户数据大量统计分析的前提下，建立以m-SNE优化算法为核心的智能带宽控制参数估计过程，并对智能光波导系统中带宽进行实时调节。而传统的光波导系统用户带宽是固定分配的。基于m-SNE优化算法为核心智能光波导系统能有效挖掘现有带宽潜力，并为用户带来很好的经济效益。 
具体实施方式
下面对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。 
本发明实施例包括： 
一种网络带宽利用率优化驱动的智能光波导系统，该智能光波导系统是通过实时采集网络传输数据进行统计分析，并获得用户带宽使用情况，通过调节用户带宽，最终实现现有网络带宽利用率的最大化，具体实现步骤包括：
1）实时采集网络中传送数据，每个数据用一个m维向量
Figure 2013101302767100002DEST_PATH_IMAGE002A
表示，动态采集的信号表示为 ；
2）采用m-SNE学习方式获得
Figure 2013101302767100002DEST_PATH_IMAGE010A
的低维表达
Figure DEST_PATH_IMAGE008AAA
Figure 2013101302767100002DEST_PATH_IMAGE012A
.
包括如下步骤：
a、获取不同角度的高维特征数据，
Figure 2013101302767100002DEST_PATH_IMAGE014A
，
Figure 2013101302767100002DEST_PATH_IMAGE016A
表示不同角度的个数，
Figure 2013101302767100002DEST_PATH_IMAGE018A
，
Figure 2013101302767100002DEST_PATH_IMAGE020A
；
b、初始化向量；
c、对于不同角度的数据计算其相似概率矩阵
Figure 2013101302767100002DEST_PATH_IMAGE024A
；
d、根据公式: 
Figure 2013101302767100002DEST_PATH_IMAGE026A
，计算复合概率矩阵
Figure DEST_PATH_IMAGE028A
；
    e、根据公式：，计算低维向量，
Figure DEST_PATH_IMAGE034A
，
Figure DEST_PATH_IMAGE036A
；
    f、用Nesterov’s accelerated first order方法求解使得等式
Figure DEST_PATH_IMAGE038A
达到最小值的复合系数
Figure DEST_PATH_IMAGE040A
，返回第4步，重复m次；
g、得到低维数据
Figure DEST_PATH_IMAGE042A
，用此低维数据代替多角度高维数据；
3）通过对
Figure DEST_PATH_IMAGE044A
采用最小距离分类器（Minimum Euclidean Distance Classifier，MEDC）分类，可以实时获得智能光波导系统带宽控制参数。
本发明是利用对用户数据大量统计分析的前提下，建立以m-SNE优化算法为核心的智能带宽控制参数估计过程，并对智能光波导系统中带宽进行实时调节。而传统的光波导系统用户带宽是固定分配的。基于m-SNE优化算法为核心智能光波导系统能有效挖掘现有带宽潜力，并为用户带来很好的经济效益。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。 

Claims (1)

1.一种网络带宽利用率优化驱动的智能光波导系统，其特征在于，该智能光波导系统是通过实时采集网络传输数据进行统计分析，并获得用户带宽使用情况，通过调节用户带宽，最终实现现有网络带宽利用率的最大化，具体实现步骤包括：
1）实时采集网络中传送数据，每个数据用一个m维向量 
Figure 2013101302767100001DEST_PATH_IMAGE002
表示，动态采集的信号表示为 ；
2）采用m-SNE学习方式获得
Figure DEST_PATH_IMAGE008
Figure DEST_PATH_IMAGE010
的低维表达
Figure 2013101302767100001DEST_PATH_IMAGE008A
.
包括如下步骤：
a、获取不同角度的高维特征数据，
Figure DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE016
表示不同角度的个数，，
Figure DEST_PATH_IMAGE020
；
b、初始化向量
Figure DEST_PATH_IMAGE022
；
c、对于不同角度的数据计算其相似概率矩阵
Figure DEST_PATH_IMAGE024
；
d、根据公式: 
Figure DEST_PATH_IMAGE026
，计算复合概率矩阵
Figure DEST_PATH_IMAGE028
；
    e、根据公式：
Figure DEST_PATH_IMAGE030
，计算低维向量
Figure DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE034
，
Figure DEST_PATH_IMAGE036
；
    f、用Nesterov’s accelerated first order方法求解使得等式
Figure DEST_PATH_IMAGE038
达到最小值的复合系数
Figure DEST_PATH_IMAGE040
，返回第4步，重复m次；
g、得到低维数据
Figure DEST_PATH_IMAGE042
，用此低维数据代替多角度高维数据；
3）通过对
Figure DEST_PATH_IMAGE044
采用最小距离分类器（Minimum Euclidean Distance Classifier，MEDC）分类，可以实时获得智能光波导系统带宽控制参数。
CN201310130276.7A 2013-04-16 2013-04-16 网络带宽利用率优化驱动的智能光波导系统 Expired - Fee Related CN103248971B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310130276.7A CN103248971B (zh) 2013-04-16 2013-04-16 网络带宽利用率优化驱动的智能光波导系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310130276.7A CN103248971B (zh) 2013-04-16 2013-04-16 网络带宽利用率优化驱动的智能光波导系统

Publications (2)

Publication Number Publication Date
CN103248971A true CN103248971A (zh) 2013-08-14
CN103248971B CN103248971B (zh) 2017-11-28

Family

ID=48928152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310130276.7A Expired - Fee Related CN103248971B (zh) 2013-04-16 2013-04-16 网络带宽利用率优化驱动的智能光波导系统

Country Status (1)

Country Link
CN (1) CN103248971B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101706876A (zh) * 2009-11-13 2010-05-12 西安电子科技大学 基于混合子空间学习选择性集成的微钙化簇检测方法
US20120189176A1 (en) * 2010-11-26 2012-07-26 Giger Maryellen L Method, system, software and medium for advanced intelligent image analysis and display of medical images and information
CN102682089A (zh) * 2012-04-24 2012-09-19 浙江工业大学 一种利用鉴别随机邻域嵌入分析的数据降维方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101706876A (zh) * 2009-11-13 2010-05-12 西安电子科技大学 基于混合子空间学习选择性集成的微钙化簇检测方法
US20120189176A1 (en) * 2010-11-26 2012-07-26 Giger Maryellen L Method, system, software and medium for advanced intelligent image analysis and display of medical images and information
CN102682089A (zh) * 2012-04-24 2012-09-19 浙江工业大学 一种利用鉴别随机邻域嵌入分析的数据降维方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
BO XIE ETC.: "《m-SNE Multiview Stochastic Neighbor Embedding》", 《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS—PART B: CYBERNETICS》 *

Also Published As

Publication number Publication date
CN103248971B (zh) 2017-11-28

Similar Documents

Publication Publication Date Title
CN111176929B (zh) 一种面向边缘联邦学习的高能效计算通信联合优化方法
CN106452525B (zh) 一种大规模MIMO中能量效率、频谱效率和QoS联合优化方法
CN102118803A (zh) 一种基于QoE预测的移动通信系统视频跨层调度方法
CN105225000B (zh) 一种基于模糊序优化的风功率概率模型非参数核密度估计方法
Surarapu Emerging Trends in Smart Grid Technologies: An Overview of Future Power Systems
CN109831808A (zh) 一种基于机器学习的混合供电c-ran的资源分配方法
CN115392481A (zh) 一种基于响应时间实时均衡的联邦学习高效通信方法
CN104216786A (zh) 一种基于云海监控的资源分配方法
CN107483292A (zh) 用于云平台的动态监控方法
CN109587070B (zh) 智能电网中同时具有隐私保护和负载均衡的数据汇聚方法
CN106230737B (zh) 一种状态感知的软件定义组网方法
CN106339072B (zh) 一种基于左右脑模型的分布式大数据实时处理系统及方法
CN103402265A (zh) 基于模糊逻辑和通信优先级的频谱分配方法
CN103974274B (zh) 一种提升多小区能效的鲁棒性波束赋形方法
CN106656612B (zh) 一种用于超密集网络系统遍历和速率的近似方法
CN117829307A (zh) 一种面向数据异构性的联邦学习方法及系统
CN103248971A (zh) 网络带宽利用率优化驱动的智能光波导系统
Zhou et al. Big data and knowledge graph based fault diagnosis for electric power systems
Lian et al. Traffic sign recognition using optimized federated learning in internet of vehicles
Zhang et al. Clustering and decision tree based analysis of typical operation modes of power systems
CN103338170B (zh) 混沌人工鱼群优化广义多模盲均衡方法
CN101895892B (zh) Lte-a中多小区动态有限反馈方法
CN111327558B (zh) 用于滤波器多载波调制光通信的gmm非均匀量化的方法及系统
Kong et al. Distributed optimal datacenter bandwidth allocation for dynamic adaptive video streaming
CN110135471A (zh) 基于birch算法的风电出力典型场景生成方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20171128

Termination date: 20180416