CN103259719B - 一种贝叶斯分类的业务感知路由保护方法 - Google Patents
一种贝叶斯分类的业务感知路由保护方法 Download PDFInfo
- Publication number
- CN103259719B CN103259719B CN201310201686.6A CN201310201686A CN103259719B CN 103259719 B CN103259719 B CN 103259719B CN 201310201686 A CN201310201686 A CN 201310201686A CN 103259719 B CN103259719 B CN 103259719B
- Authority
- CN
- China
- Prior art keywords
- feature
- business
- service
- protection
- classification
- 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
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明请求保护一种贝叶斯分类的业务感知路由及保护方法,涉及光通信技术领域。本发明针对传统朴素贝叶斯分类算法准确率不高,而加权算法对权值判断不够快速全面,且现有优先级模型不合理且未明确对应QoS参数,区分保护考虑比较片面的问题,提出了一种贝叶斯分类的业务感知路由及保护方法。本发明定义的信息重要度能有效评估特征的重要程度,将其与贝叶斯算法相结合能准确区分业务优先级,将不同优先级业务对应网络QoS参数的要求,进行区分路由及保护,并采用波长分层拓扑以方便快捷地利用波长资源,保护方式不固定选取专有保护或共享保护的其中一种,在满足传输要求下最小化空闲保护通道数量,提高了网络资源利用率。
Description
技术领域
本发明涉及通信网络技术领域,具体涉及IPoverWDM网络中一种考虑业务感知的路由及保护方法。
背景技术
IPoverWDM网络的快速发展,极大地提高了网络传输容量,解决了语音、数据、视频、多媒体等IP业务迅猛增长带来的问题。但下一代网络具有大容量、智能化、高可靠的发展趋势,这要求网络既能面向业务自动感知其类型,又能为其提供相应可靠等级的服务质量保障。为此,将有针对性的业务感知分类和区分路由及保护策略统一结合起来至关重要。
业务感知分类就是通过感知并分析业务的特征来学习其规律,从而实现对业务类别区分的过程。其关键问题包括分类方法的确定和业务特征的选取。朴素贝叶斯分类算法根据分类对象与其特征之间的概率关系来进行分类,是一种常用分类方法,具有算法简单、数学基础坚实、分类效率稳定等优点,但其分类准确率有待进一步提高。HarryZhang等人在“LearningWeightedBayeswithAccurateRanking”【FourthIEEEInternationalConferenceonDataMining,2004:567-570】中根据特征对于分类贡献大小进行加权并结合朴素贝叶斯算法分类,明显提高了分类准确率,但其在加权过程中需反复调整权值导致时效性不高。张玉红等人在“一种适用于数据流分类的特征选择方法”【浙江大学学报(工学版),2011,45(12):2247-2251】中引入IV(InformationValue)参数来评估特征在分类中的贡献值,与文献一中增益比加权算法相比,明显减少了运算耗时,但其依赖经验阈值来判定,不够灵活多变。因此,在加权的朴素贝叶斯分类算法中,如何准确快速的评估特征在分类中的贡献值是目前亟待解决的难题。
利用加权的朴素贝叶斯分类算法,选取合适的业务特征,可以对业务优先级进行准确有效的区分,从而可以进一步对业务进行区分路由及保护。区分路由及保护就是根据业务级别的特点和要求对之实施不同的路由及保护策略。其关键问题包括考虑QoS参数的业务优先级模型的建立和相应保护策略的选取。MatthewRoughan等人在“Class-of-servicemappingforQoS:astatisticalsignature-basedapproachtoIPtrafficclassification”【IMC’04Proceedingsofthe4thACMSIGCOMMconferenceonInternetmeasurement,2004:135-148】中选择简单直观的业务优先级模型,根据业务特征将业务大体分为四类:交互式、数据成块式、数据流式、一般事务式,以满足不同业务的不同QoS要求,进行有效地区分路由及保护。但其并未明确各业务等级与其QoS要求的对应关系,并且未提出具体的业务路由及保护方法,需要进一步优化业务模型和研究相应的业务区分路由及保护方法。在进行区分路由及保护方面,王宏祥等人在专利“自感知光网络中的光波波长资源调度方法”【中国专利申请,200810056520.9,July30,2008】中针对不同优先级业务,确定可使用波长数量和优先占用顺序。但这只单纯满足高优先级业务的波长需求,并未考虑对不同优先级业务传输过程的保护及QoS保证。AISukhniE.M.等人在“Availability-GuaranteedDistributedProvisioningFrameworkforDifferentiatedProtectionServicesinOpticalMeshNetworks”【ProceedingsofGLOBLECOMWorkshops.IEEE,2008:1-6】中考虑了路径可用性这一QoS参数,给不同优先级业务以特定的无保护、共享保护或专有保护。但这造成了资源利用率不高,且每次保护前的可用波长判定使实时性不够高。总之,传统朴素贝叶斯分类算法准确率不高,而加权算法对经验阈值依赖太强或权值的判断不够快速全面,并且现有优先级模型不合理且未明确对应QoS参数,区分保护考虑比较片面。因此找到一种能准确快速反应特征重要性的加权算法来改进贝叶斯分类,并以之将业务划分合理优先级模型,明确计算相应QoS参数进行有效区分保护是急需解决的问题。
发明内容
本发明所要解决的技术问题是:如何更准确地将IP业务划分类别,并根据所分优先级类别进行高效合理的区分保护。针对此问题,本发明提出一种贝叶斯分类的业务感知路由及保护方法。该方法根据信息重要度(InformationSignificance,IS)用于贝叶斯算法,实现对业务的优先级类别区别,直接将业务分为高中低三个优先级,每个优先级对时延、传输损伤、可用性等QoS参数要求不一,针对不同优先级业务,综合考虑最短路径、时延、传输损伤、可用性等QoS参数的影响进行区分路由及保护。
本发明解决其技术问题所采用的技术方案:针对IPoverWDM网络,首先在网络层感知IP包特征对业务分类后,再封装到WDM层进行传输。其主要做法是当一条业务流到达,在网络边缘节点对此业务流提取IP包特征,如IP包长(最大包长、最小包长、平均包长)、流持续时间、包到达时间间隔、数据包数量等一般特征。通过统计各特征信息,根据各特征在类中及类间的重要程度,计算出每个特征的信息重要度,从而结合贝叶斯算法实现业务流的准确分类,直接将业务分为高中低三个优先级。
对业务感知划分优先级后,再针对各级业务的性能要求进行区分路由及保护。按优先级从高到低的顺序计算各级业务的时延、传输损伤、可用性等QoS参数,择优选取工作及保护通道。选路时采用波长分层结构,在每一层分层拓扑中进行选路时,就不用考虑波长转换问题,能更方便快捷地利用资源。由于综合考虑专有保护或共享保护,当一条工作通道加上其保护通道的联合可用性满足要求,且这条保护通道并未被其他通道所共享,此时就相当于1:1专有保护;若其保护通道被其他N-1通道所共享,此时就相当于N:1共享保护;若当一条工作通道加上N条保护通道的联合可用性才能满足要求,而这N条通道被M-1条工作通道所共享,此时就相当于M:N共享保护。为避免重复计算已经存在的连接,本发明采用通道共享度来进行约束。同时,在满足性能要求的条件下,保护通道尽量选择网络中已存在的空闲保护通道,减少新通道的开辟,以有效利用网络资源。
具体为,一种贝叶斯分类的业务感知路由保护方法,业务感知模块统计包括流持续时间、IP包长、包到达时间间隔、数据包数、峰值速率特征的先验概率分布进行贝叶斯训练;当某业务到达后,计算各特征的信息重要度IS值,根据贝叶斯算法计算分类因子,通过比较分类因子大小判断该业务属于哪一类特征的可能性更大;区分保护模块根据实时数据流业务、数据成块传输业务和非实时性业务的优先级业务对时延、可用性、传输损伤的参数取值要求不同,计算各等级的参数,根据各参数进行工作及保护通道选择。
计算各特征的信息重要度具体包括:对特征x,根据公式:I(x)=-logP(x)确定特征x的信息量;对特征集X={x1,x2,…,xn},类别集Y={y1,y2,y3},则特征xj对于类别yi的信息重要度IS值根据公式: 计算,其中,xj∈X,yi∈Y,其中,等式右边第一个因式为特征xj在类别yi中的信息重要度,第二个因式为特征xj在类别yi与其他类别间的信息重要度。根据业务特征的先验概率,根据贝叶斯公式:计算此业务特征的条件概率P(yi|xj),根据公式:
本发明的有益效果是:本发明能够有效地对网内业务特征进行自适应感知,同时多角度地全面评估各个特征的重要程度,并以其作为影响因子对传统贝叶斯分类算法进行有效改进,从而可针对用户需求建立业务优先级模型,将业务准确划分为高、中、低三个优先级。同时,此优先级模型能明确反映实际QoS性能参数要求,在此基础上本发明能充分地满足不同优先级业务对服务质量的需求,为不同级别业务提供高质量的差异化区分路由及通道保护,并在满足性能要求的前提下,最小化空闲保护通道数量,充分提高网络资源利用率。
附图说明
图1基于IS贝叶斯分类的业务感知路由及保护流程图;
图2各级业务对时延、可用性、传输损伤的要求高低示例
a)实时数据流业务,b)数据成块传输业务,c)非实时一般业务;
图3单光纤n波长网络之波长分层拓扑示例;
图4业务感知路由及保护算法。
具体实施方式
本发明具体实施流程图如图1所示,基于IS贝叶斯分类的业务感知路由及保护流程图。包括业务感知模块及区分保护模块。其中,业务感知模块统计提取特征参数,实施贝叶斯训练及基于信息重要度(IS)的贝叶斯分类。通过统计流持续时间、IP包长、包到达时间间隔、数据包数、峰值速率等特征的先验概率分布进行贝叶斯训练,当业务到达后进行预测时,先计算各特征的IS值,进而结合贝叶斯算法计算分类因子,通过比较分类因子大小来判断此业务属于哪一类的可能性更大。区分保护模块包括计算不同等级的性能要求及按要求选择路由及保护通道。实时数据流业务、数据成块传输业务和非实时性业务这三种优先级业务对时延、可用性、传输损伤等参数要求不同,根据公式计算各等级的参数要求,在选路时根据各参数进行约束,选出更合适的工作及保护通道。
一、业务感知模块
1、计算业务特征的信息重要度
本发明采用信息重要度(IS)来反映特征对分类的贡献大小。信息量即信息多少的度量。设有特征x,则特征x的信息量如公式(1)所示:
I(x)=-logP(x)(1)
信息量I(x)越大,表示特征x出现的不确定性越大,特征x出现的概率P(x)就越小;反之亦然。基于信息量,提出信息重要度的定义,即一个特征信息对分类重要程度大小的度量。IS值越大,表示此特征越重要,对分类贡献越大;反之亦然。设有特征集X={x1,x2,…,xn},类别集Y={y1,y2,y3},则特征xj对于类别yi的IS值如公式(2)所示:
其中,xj∈X,yi∈Y。
公式(2)中等式右边第一个因式为特征xj在类别yi中的信息重要度,表示在同一类中,特征xj相比于其他特征的重要程度;第二个因式为特征xj在类别yi与其他类别间的信息重要度,表示特征xj对于类别yi相比于其他类别的区别程度。一个特征信息有效,不仅要在此类业务中相比于其它特征更有利于划分出此类业务,而且要在各类业务间也能更有利于划分出这一类业务。为避免式中分母为零,可在分母上加上一个极小数β。
2、基于IS的贝叶斯分类方法
本发明选取IP业务的特征为IP包长、包到达时间间隔、数据包数、流持续时间,作为特征集X={x1,x2,x3,x4}。为实现业务分类后同区分保护执行的实时性,本发明在分类时直接将业务划分为实时数据流业务、数据成块传输业务和非实时性业务三类,对应高、中、低三个优先级,即类别集为Y={y1,y2,y3},每个类别集的概率分布通过训练统计可得。单特征对分类的概率如公式(3)所示:
表示某业务出现xj特征条件下是yi类的概率P(yi|xj),同yi类业务出现xj特征的概率P(xj|yi)及yi类业务出现的概率P(yi)成正比,同xj特征出现的概率P(xj)成反比。P(yi|xj)越大表示在xj特征出现的条件下,业务属于yi类的可能性越大。
根据公式(3)可得,当特征集为X={x1,x2,x3,x4}时,多特征对分类的概率如公式(4)所示:
要使公式(4)成立,必须满足特征集X={x1,x2,x3,x4}中各特征之间相互独立。可以看出一般用来进行业务区分的IP包长、包到达时间间隔、数据包数、流持续时间等特征之间相互独立,满足朴素贝叶斯算法的独立性要求。
分类因子α(yi|X)表示出现特征集X时,此业务属于哪一类最有可能,调用公式(5)计算, (5)
只需要通过比较不同α(yi|X)的值,α(yi|X)最大表示属于这一类的可能性最大。其中,P(x1x2x3x4|yi)为某业务出现{x1,x2,x3,x4}特征条件下是yi类的概率。
二、区分保护模块
1、计算各优先级业务的QoS参数
不同的应用业务对QoS要求的侧重点不同。如远程会议、网络直播等高实时性的业务,具有无法容忍过高时延,但可接受少量误码的特点;分布计算、文件下载等数据块状传输的业务,对延时没有过高要求,但若发生误码将导致大量数据重传;电子邮件、网页浏览等一般业务,对时延、误码等参数都没特别要求。本发明针对实时数据流业务、数据成块传输业务和非实时性业务这三种优先级业务的特点,选取时延、可用性、传输损伤来作为QoS参数。时延反映实时性,可用性在一定程度上可以表征可靠性,而传输损伤最终带来的是误码。根据前面所述的业务特性,三类业务对QoS参数要求如图2所示,a)实时数据流业务,b)数据成块传输业务,c)非实时一般业务。可以看出实时数据业务对时延、可用性的要求最高,而对传输损伤要求较低;数据成块传输业务对传输损伤要求最高,而对时延、可用性要求较低;非实时一般业务对时延、可用性、传输损伤要求都较低。
时延:在WDM网络中,时延包括建立光路所消耗的时间及在光纤中传输所消耗的时间,则业务从源节点s传输到宿节点d的时延tdelay如公式(6)所示:
其中,tconfig是配置节点所需的时间,tproc是处理信号(包括交换和可能的波长变换)所需的时间;如果从s到d的光路经过节点i,则ht(i)=1,否则ht(i)=0;N是网络节点总数;n为网络中光纤的折射率,Ls,d为从s到d所经过的链路光纤长度总和,c为真空中光的传播速度。从公式(6)可以看出,时延约束条件是对光通道跳数及长度的约束。
可用性:系统的可用性是在整个服务时间中系统正常工作的时间所占的比例。一个网络元件的可用性(用aj表示)如公式(7)所示:
其中,MTTF(MeanTimeToFailures)表示平均无故障时间,MTTR(MeanTimeToRepair)表示平均故障修复时间。
一条路径的可用性在一定程度上可以表征这条路径的可靠性,选路时可对可用性进行约束从而满足业务对可靠性的要求。整条路径i的可用性(用Ai表示)可以通过沿路上所有网络元件的可用性计算出来,如公式(8)所示:
由于专有保护占用资源过多,为节省资源,在本文算法中综合考虑共享保护和专有保护,在工作通道满足QoS参数要求的条件下,尽量为其选择已有的空闲保护通道来保护。专有保护可以看作是一种特殊的共享保护,即有0条其他链路与其共享保护链路,则共享保护可用性如公式(9)所示:
其中,Aw和Ab分别表示工作路径w和保护路径b的可用性,表示与路径w同在一个共享风险链路组(SRLG)中的链路的可用性。
传输损伤:WDM网络中存在色散、串扰、噪声等造成的传输损伤,若损伤过大则会造成误码率过高而无法识别。其中偏振模色散(PMD)和自发辐射噪声(ASE)是最重要的两种传输损伤,可以通过约束PMD和ASE来约束误码率。
PMD的约束条件如公式(10)所示:
当每个光纤跨度有相同的PMD参数时,公式(10)可进一步化简为公式(11):
其中,B是比特率,M为这条光路的跨度数,LPMD(k)是第k个跨度的距离,DPMD(k)是第k个跨度光纤的PMD参数,a的典型值取0.1。从公式(11)可以看出,PMD约束条件其实就是对光通道长度的约束。
ASE约束条件如公式(12)所示:
当光放大器类型相同时,公式(12)可化为公式(13):
其中,hASE是光放大器个数,G(k)是第k个放大器的增益,nsp(k)是第k个放大器的过量噪声系数,PL是光发射器的平均光发射功率,h=6.63*10-34J/Hz是普朗克常量,v是载波频率,Bo是光带宽,SNRmin是光接收机要求的信噪比下限。从公式(13)可以看出,ASE约束条件是对光通道跨度数的约束。
通过计算上述QoS参数,在选择工作及保护通道时,就可以对这些通道的长度、跳数、可用性等进行约束筛选,为不同等级业务选择合适的工作通道进行路由及合适的保护通道来保护。
2、区分路由及保护方法
本发明使用拓扑波长分层结构在每一层拓扑上进行选路,如图3所示。假设网络拓扑为T(N,L),其中N为节点总数,L为此拓扑包含的所有链路,其每根光纤的波长数都为W,则定义其分层拓扑为Layerλ(N,L),λ=1,2,…,W,此分层拓扑将原拓扑里的每根光纤中的相同波长通道归入同一层。
根据按优先级模型分类的各级业务,按照不同优先级的不同QoS参数要求,筛选路由。根据实时数据业务对时延、可用性的容忍度最低,而对传输损伤容忍度较高;数据成块传输业务对传输损伤容忍度最低,而对时延、可用性容忍度较高;非实时一般业务对时延、可用性、传输损伤容忍度都高等特点,实时性业务选择时延最小、可用性最高的路由;数据成块传输业务选择传输损伤最低的路由;而非实时业务则可选取剩余路由。并在选取保护通道时,不固定专有保护或共享保护某一保护方式,在满足性能要求的前提下,尽量选择已分配的空闲保护通道作为保护通道,以提高链路资源利用率。为避免重复计算已经存在的连接,本发明引入通道共享度来进行约束。假设工作路径集P={P1,P2,…}中所有工作路径共享同一条空闲通道作为保护通道,则此空闲通道的通道共享度C为集合P中元素总数,如公式(14)所示:
C=|P|(14)
其方法执行的具体流程如图4所示。其中,第i级业务,i=1,2,3,对应高中低三种等级业务;分级参数门限PMD约束LPMD(i),ASE约束hASE(i),时延约束ht(i)和Lt(i)及可用性约束A(i),i=1,2,3,分别对应高、中、低三级要求的门限。具体步骤如下:
步骤一:业务i到来,初始化;
步骤二:在总拓扑T(N,L)里用dijkstra算法寻找最短路径Pw,若不存在,则令T(N,L)=T(N,L)-Pw,继续寻找;若直到T(N,L)=0仍未找到,则阻塞这个请求,跳到步骤六;
步骤三:计算Pw的LPMD,hASE,ht,Lt参数是否满足对应级数门限要求,若不满足,令T(N,L)=T(N,L)-Pw,跳到步骤二;
步骤四:计算Pw的可用性A,若满足可用性要求,建立工作通道Pw。取通道共享度C=3,则寻找一条C<3且与Pw链路分离的空闲通道建立保护通道Pb(此处优先选择0<C<3的通道),再选择C=0且与Pw链路分离的空闲通道建立保护通道Pb;若Pw的可用性A不满足可用性要求,则在该分层拓扑Layerλ(N,L)中删去通道Pw及已被占用的工作通道Pbusy和通道共享度为3的保护通道PC=3,即令Layerλ(N,L)=Layerλ(N,L)-Pw-Pbusy-PC=3,重复第二、三步,若得到Pw',计算Pw+Pw'的可用性,若满足,建立工作通道Pw,保护通道Pw';若不满足,以此类推。
步骤五:标记已选工作通道及保护通道,记录保护通道的通道共享度,更新拓扑信息;
步骤六:结束算法。
Claims (4)
1.一种贝叶斯分类的业务感知路由保护方法,其特征在于,业务感知模块统计包括流持续时间、IP包长、包到达时间间隔、数据包数、峰值速率特征的先验概率分布进行贝叶斯训练;当某业务到达后,计算各特征的信息重要度IS值,根据贝叶斯算法计算分类因子,通过比较分类因子大小判断该业务属于哪一类特征的可能性更大;区分保护模块根据实时数据流业务、数据成块传输业务和非实时性业务的优先级业务对时延、可用性、传输损伤的参数取值要求不同,计算各等级的参数,根据各参数进行工作及保护通道选择;
所述计算各特征的信息重要度具体包括:对特征x,根据公式:I(x)=-logP(x)确定特征x的信息量,P(x)是特征x出现的概率;对特征集X={x1,x2,…,xn},类别集Y={y1,y2,y3},则特征xj对于类别yi的信息重要度IS值根据公式:
其中,等式右边第一个因式为特征xj在类别yi中的信息重要度,第二个因式为特征xj在类别yi与其他类别间的信息重要度。
2.根据权利要求1所述的方法,其特征在于,数据成块传输业务选择传输损伤最低的路由,而非实时业务则选取剩余路由,在选取保护通道时,不固定专有保护或共享保护的保护方式,优先选择已分配的空闲保护通道作为保护通道。
3.根据权利要求1所述的方法,其特征在于,根据业务特征的先验概率,根据贝叶斯公式:计算此业务特征的条件概率P(yi|xj),根据公式:
4.根据权利要求2所述的方法,其特征在于,假设工作路径集P={P1,P2,…}中所有工作路径共享同一条空闲通道作为保护通道,则此空闲通道的通道共享度C为集合P中元素总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310201686.6A CN103259719B (zh) | 2013-05-27 | 2013-05-27 | 一种贝叶斯分类的业务感知路由保护方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310201686.6A CN103259719B (zh) | 2013-05-27 | 2013-05-27 | 一种贝叶斯分类的业务感知路由保护方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103259719A CN103259719A (zh) | 2013-08-21 |
CN103259719B true CN103259719B (zh) | 2016-06-01 |
Family
ID=48963430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310201686.6A Active CN103259719B (zh) | 2013-05-27 | 2013-05-27 | 一种贝叶斯分类的业务感知路由保护方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103259719B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106992810B (zh) * | 2017-01-23 | 2020-02-18 | 苏州大学 | 考虑联合故障概率约束的共享保护路由和频谱分配方法 |
CN107453990B (zh) * | 2017-09-15 | 2020-04-17 | 山西大学 | 一种基于关键节点的域内路由保护方法 |
CN107820141B (zh) * | 2017-10-25 | 2020-02-21 | 北京智芯微电子科技有限公司 | 一种无源光网络业务流感知的方法及系统 |
CN108076158B (zh) * | 2018-01-08 | 2020-07-03 | 苏州大学 | 基于朴素贝叶斯分类器的最小负载路由选择方法及系统 |
CN109347683B (zh) * | 2018-11-20 | 2022-07-12 | 中国电信集团工会上海市委员会 | 一种传输光传输网络端到端业务可用率分析的方法 |
CN110365549B (zh) * | 2019-06-10 | 2021-09-24 | 烽火通信科技股份有限公司 | 一种sptn网络的处理方法和处理系统 |
CN111107003B (zh) * | 2019-12-31 | 2020-10-27 | 光大兴陇信托有限责任公司 | 一种智能路由方法 |
CN114415603A (zh) * | 2021-12-08 | 2022-04-29 | 哈尔滨工业大学(威海) | 面向智慧养老的分布式数据调度监测系统、方法、终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101262298A (zh) * | 2008-04-25 | 2008-09-10 | 东北大学 | 一种wdm网中的多种服务等级的多故障保护方法 |
CN101515886A (zh) * | 2008-11-07 | 2009-08-26 | 西安交通大学 | 一种基于区分可靠性业务的多域光网络生存性方法 |
CN102025732A (zh) * | 2010-12-07 | 2011-04-20 | 南京邮电大学 | 动态自适应的认知网络QoS映射方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040073414A1 (en) * | 2002-06-04 | 2004-04-15 | Brown University Research Foundation | Method and system for inferring hand motion from multi-cell recordings in the motor cortex using a kalman filter or a bayesian model |
-
2013
- 2013-05-27 CN CN201310201686.6A patent/CN103259719B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101262298A (zh) * | 2008-04-25 | 2008-09-10 | 东北大学 | 一种wdm网中的多种服务等级的多故障保护方法 |
CN101515886A (zh) * | 2008-11-07 | 2009-08-26 | 西安交通大学 | 一种基于区分可靠性业务的多域光网络生存性方法 |
CN102025732A (zh) * | 2010-12-07 | 2011-04-20 | 南京邮电大学 | 动态自适应的认知网络QoS映射方法 |
Non-Patent Citations (4)
Title |
---|
Availability-Guaranteed Distributed Provisioning Framework for Differentiated Protection Services in Optical Mesh Networks;Al SukhniE.M.等;《IEEE》;20081231;第1-6页 * |
IP WDM网络的集成服务质量(QoS)控制方法;魏威;《光子学报》;20050228;第34卷(第2期);第244-247页 * |
一种适用于数据流分类的特征选择方法;张玉红等;《浙江大学学报》;20111231;第45卷(第12期);第2247-2251页 * |
光互联网中的业务感知和波长调度机制研究;王宏祥等;《通信学报》;20081231;第29卷(第12期);第32-36页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103259719A (zh) | 2013-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103259719B (zh) | 一种贝叶斯分类的业务感知路由保护方法 | |
Gu et al. | Machine learning for intelligent optical networks: A comprehensive survey | |
US10924393B2 (en) | Per-flow call admission control using a predictive model to estimate tunnel QoS in SD-WAN networks | |
US11412317B2 (en) | Method and apparatus for allocating bandwidth based on machine learning in passive optical network | |
US10091675B2 (en) | System and method for estimating an effective bandwidth | |
US20220360502A1 (en) | Adaptive stress testing of sd-wan tunnels for what-if scenario model training | |
CN101282324B (zh) | 基于跨层用于自适应mimo-ofdm系统的联合无线资源管理方法 | |
CN102025733B (zh) | 基于认知网络的健康度评价方法 | |
US11133865B2 (en) | Optical network performance evaluation using a hybrid neural network | |
US20200382402A1 (en) | Active probe construction using machine learning for measuring sd-wan tunnel metrics | |
US8737213B2 (en) | Method for congestion detection in packet transmission networks | |
Hussain et al. | Federated edge computing for disaster management in remote smart oil fields | |
US20200379839A1 (en) | Partial reroute of traffic onto a backup tunnel using predictive routing | |
CN116390164A (zh) | 一种低轨卫星网络可信负载均衡路由方法、系统、设备及介质 | |
Dawaliby et al. | Dynamic network slicing for LoRaWAN | |
Albarakati et al. | Reconfigurable underwater embedded systems architectures | |
AlAslani et al. | Analyzing latency and dropping in today’s Internet of multimedia things | |
CN101958843A (zh) | 基于流量分析和节点信任度的智能路由选择方法 | |
Xiao | Congestion and computer program control algorithm strategy for wireless sensor networks based on cloud model | |
Appandairaj et al. | Software‐Defined Multilayered Admission Control for Quality of Service Assurance in Mobile Ad‐hoc Networks | |
Tsado et al. | Multiple metrics-olsr in nan for advanced metering infrastructures | |
Falahatraftar et al. | A multiple linear regression model for predicting congestion in heterogeneous vehicular networks | |
CN101820389B (zh) | 基于智能计算的网络路径态势估计方法 | |
CN114697255B (zh) | 一种企业网络传输数据风险预警系统及方法 | |
Alemayehu | Mobile Network Congestion Prediction Using Machine Learning: The Case of Ethio Telecom |
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 |