CN105379204B - 用于选择数据路由的资源的方法和系统 - Google Patents
用于选择数据路由的资源的方法和系统 Download PDFInfo
- Publication number
- CN105379204B CN105379204B CN201480036854.3A CN201480036854A CN105379204B CN 105379204 B CN105379204 B CN 105379204B CN 201480036854 A CN201480036854 A CN 201480036854A CN 105379204 B CN105379204 B CN 105379204B
- Authority
- CN
- China
- Prior art keywords
- data
- routing
- network
- stream
- optionally
- 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
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000004891 communication Methods 0.000 claims abstract description 30
- 230000005540 biological transmission Effects 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000007405 data analysis Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 206010000234 Abortion spontaneous Diseases 0.000 abstract description 2
- 208000015994 miscarriage Diseases 0.000 abstract description 2
- 208000000995 spontaneous abortion Diseases 0.000 abstract description 2
- 238000013480 data collection Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000454 anti-cipatory effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005036 potential barrier Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000013558 reference substance Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- 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
- H04L45/302—Route determination based on requested QoS
- H04L45/308—Route determination based on user's profile, e.g. premium users
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/82—Miscellaneous aspects
- H04L47/822—Collecting or measuring resource availability data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/83—Admission control; Resource allocation based on usage prediction
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
提供一种对通过数据通信网的数据流进行分类以用于选择路由的方法,所述方法包括:监视数据通信网中的数据流;基于所述所监视的流产生统计分类器;接收对数据通信网中用于数据包流传输的路由的请求;基于所述所产生的统计分类器对所述流进行分类以预测对通过所述网络的所述流的传输的网络资源需求;选择用于所述分类后流的所述路由;以及产生指示所述选定路由的信号,使得通过所述选定路由在所述数据通信网中路由所述流。
Description
技术领域
本申请涉及用于选择通信网络中的数据流的路由的方法和系统并且涉及用于选择对数据通信网内的数据流传输的网络资源需求的方法和系统。
背景技术
通信网络,例如,云和/或数据中心网络需要提供网络中的大量和/或大尺寸流,同时遵从与所述流中的每一个相关联的服务水平协议(Service Level Agreement,SLA)。SLA可以限定针对未能提供服务水平,例如,未能传递数据包的罚款。相反,为了经济地且有效地使用网络资源,例如,以便于从基于模型包的通信网络的统计复用性质中获益而超额订购网络。
超额订购是若干次提供相同资源的动作。例如,各自需要100Mbps(兆比特每秒)的两个流可以通过100Mbps的标称带宽提供于链路上。此提供相当于两次超额订购。
统计复用是基于以下前提的数据传输方法:基于包的流间歇地且独立地传输并且因此可以在相同资源上交错。
在超额订购与SLA相关联的流的情况下,存在不遵从SLA的风险,这可能产生对服务提供商的罚款。一个可能的解决方案是保证数据流的BW(带宽)可用性。不应超额订购保证的BW,以避免针对未能传递数据产生SLA相关的罚款。然而,可能会浪费预留的BW,由于包级流间歇地传输,因此在非传输周期期间使BW闲置。例如,可以在载波网络中实现使链路未充分利用以预留用于流的BW。由于流使用期长(例如,连续的和/或在长周期时间内传输),因此违反SLA的罚款大于未充分利用网络基础设施的成本。
另一可能的解决方案是有意不遵从SLA并且支付SLA违反的罚款。这种解决方案可以在例如数据中心中实施,其中流的使用期相对较短。支付罚款可能比未充分利用网络资源的成本低。
服务提供商尝试均衡这两个对立的解决方案。一方面,如果仅部分使用链路,那么可能会浪费网络资源而不具有适当的投资回报。另一方面,如果违反SLA,那么需要支付罚款,这可能导致服务提供商的财务损失。
发明内容
本发明的目标是提供对通过数据通信网的数据流进行分类以用于选择数据流的路由的系统和/或方法。
前述和其它目标通过独立权利要求的特征实现。其它实施形式通过附属权利要求、描述以及图式清楚可见。
根据第一方面,对通过数据通信网的数据流进行分类以用于选择路由的方法包括:监视数据通信网中的数据流;基于所监视的流产生统计分类器;接收对数据通信网中用于数据包流传输的路由的请求;基于所产生的统计分类器对流进行分类以预测对通过网络的流的传输的网络资源需求;选择用于分类后流的路由;以及产生指示选定路由的信号,使得通过选定路由在数据通信网中路由流。
在根据第一方面的方法的第一可能实施方案中,所述分类进一步包括通过流确定对网络资源的实际使用率的预测。
在根据第一方面本身或根据第一方面的第一实施形式的方法的第二可能实施形式中,所述方法进一步包括:接收对预测用于数据通信网中的数据流传输的网络资源路由需求的请求;以及基于统计分类器预测网络资源需求。
在根据第一方面本身或根据第一方面的前述实施形式中的任一个的方法的第三可能实施形式中,根据流的标称网络资源预留计算所预测的网络资源需求。
在根据第一方面本身或根据第一方面的前述实施形式中的任一个的方法的第四可能实施形式中,分类进一步包括分类以预测不遵从流的服务水平协议的风险和成本中的至少一个。
在根据第一方面本身或根据第一方面的前述实施形式中的任一个的方法的第五可能实施形式中,分类进一步包括考虑到具有归因于不遵从性的相关联罚款的不遵从服务水平协议的选定风险而调整所预测的网络资源需求。
在根据第一方面本身或根据第一方面的前述实施形式中的任一个的方法的第六可能实施形式中,使用大数据分析执行监视和产生统计分类器。
在根据第一方面本身或根据第一方面的前述实施形式中的任一个的方法的第七可能实施形式中,相对于接收、分类、选择和产生信号异步地执行监视和产生统计分类器。
在根据第一方面本身或根据第一方面的前述实施形式中的任一个的方法的第八可能实施形式中,统计分类器基于协同过滤系统。
在根据第一方面本身或根据第一方面的前述实施形式中的任一个的方法的第九可能实施形式中,所述方法进一步包括在流在利用所预测的网络资源需求的选定路由上传输期间,监视对由流的标称资源需求界定的服务水平协议的遵从性。
在根据第一方面本身或根据第一方面的前述实施形式中的任一个的方法的第十可能实施形式中,通过迭代方式连续地执行监视和产生统计分类器。
在根据第一方面本身或根据第一方面的前述实施形式中的任一个的方法的第十一可能实施形式中,所述方法进一步包括将流的标称网络资源预留重新校准至所预测的网络资源需求。
在根据第一方面本身或根据第一方面的前述实施形式中的任一个的方法的第十二可能实施形式中,监视数据流包括识别数据流的用户背景数据,并且产生统计分类器包括基于所识别的用户背景数据产生统计分类器。
在根据第一方面本身或根据第一方面的前述实施形式中的任一个的方法的第十三可能实施形式中,选择路由包括访问每链路存储多个不同路由参数的路由数据集。
在根据第一方面本身或根据第一方面的第十三实施形式的方法的第十四可能实施形式中,所述方法进一步包括从数据通信网收集数据以及使用所收集的数据更新路由数据集,所述更新相对于访问用于路由选择的路由数据集异步地执行。
根据另一方面,根据第一方面的实施形式中的任一个或第一方面本身的方法通过经编程以执行所述方法的步骤的预测分析单元执行。
根据另一方面,提供具有程序代码的计算机程序,所述程序代码用于在计算机程序在计算机上运行时执行根据第一方面的实施形式中的任一个或第一方面本身的方法。
根据另一方面,使用统计分类器对数据流进行分类以预测用于数据通信网内的数据流传输的所需网络资源。统计分类器基于通过网络的当前和/或先前数据流型。可以选择网络中的路由以用于分类后的数据流。
除非另外规定,否则本文中所用的所有技术和/或科学术语都具有与本发明所涉及领域的普通技术人员通常所理解的含义相同的含义。尽管与本文中所描述的那些方法和材料类似或等效的方法和材料可以用于本发明的实施形式的实践或测试,但是下文描述示例性方法和/或材料。倘若有冲突,本专利说明书(包括定义)将为主。另外,材料、方法和实例仅为说明性的且不意欲为必定限制性的。
本发明的方法和/或系统的实施形式可以包括手动地、自动地或以其组合执行或完成选定任务。此外,根据本发明的方法和/或系统的实施形式的实际仪表化和设备,若干选定任务可以通过硬件、通过软件或通过固件或通过其组合使用操作系统实施。
例如,用于执行根据本发明的实施形式的选定任务的硬件可以实施为芯片或电路。作为软件,根据本发明的实施形式的选定任务可以实施为通过计算机使用任何合适的操作系统执行的多个软件指令。在本发明的示例性实施形式中,根据如本文中所描述的方法和/或系统的示例性实施形式的一个或多个任务通过数据处理器执行,所述数据处理器例如,用于执行多个指令的计算平台。可选地,数据处理器包含用于存储指令和/或数据的易失性存储器和/或用于存储指令和/或数据的非易失性存储器,例如,磁性硬盘和/或可移动媒体。可选地,还提供网络连接。还可选地提供显示器和/或用户输入装置,例如键盘或鼠标。
附图说明
本文中仅借助于实例参考附图描述本发明的一些实施例。现具体详细地参考附图,强调细节借助于实例且出于对本发明的实施例的说明性论述的目的示出。就此而言,结合附图进行的描述使可以如何实践本发明的实施例对所属领域的技术人员而言变得显而易见。
图1是根据本发明的一些实施例的对数据流进行分类的方法的流程图;
图2是根据本发明的一些实施例的用于对数据流进行分类的系统的框图;
图3是根据本发明的一些实施例的使用图1的方法基于分类后数据流选择数据流传输的路由的方法的流程图;
图4是根据本发明的一些实施例的用于使用图2的系统基于分类后数据流选择数据流传输的路由的系统的框图;以及
图5是根据图4的系统的用于选择数据流传输的路由的系统的示例性设计的示意图。
具体实施方式
本发明涉及用于选择通信网络中的数据流的路由的方法和系统并且涉及用于选择对数据通信网内的数据流传输的网络资源需求的方法和系统。
本发明的一些实施例的方面涉及用于基于当前和/或先前网络数据流型的多参数监视而对通过数据通信网的数据流(例如,包)进行分类的系统和/或方法。可选地,新数据流的分类通过统计分类器执行。可选地,统计分类器由从用于请求新数据流的同一客户端的当前和/或先前数据流型的多参数监视中收集到的数据构成。可替代地或另外,统计分类器由从其它客户端的当前和/或先前数据流型的多参数监视中收集到的数据构成。
如本文所使用的短语“所预测的网络资源需求”意指预测需要用于使用选定路由传输通过网络的数据流的网络资源。可选地,基于所产生的统计分类器对流进行分类可预测网络资源需求。网络资源需求的实例包含:容纳数据流请求的带宽、时延、误差率、抖动、丢包率和/或其它传输相关的需求。所预测的网络资源需求可以或可以不匹配在数据流传输期间使用的实际网络资源。可选地,选择和/或估计在所预测的网络资源需求与使用的实际网络资源之间的统计确定性和/或统计误差。可以在统计误差内执行预测。可替代地或另外,通过流预测网络资源的实际使用率的确定性。例如,所预测的带宽约为30Mbps,其具有约90%的确定性。
所预测的网络资源需求可以增加网络基础设施资源的利用率,并且可以降低(例如)由于不遵从服务水平协议而支付罚款的风险。可以通过分配和预留仅实际所需的资源来增加网络资源的利用率。可以降低由于未对网络资源的提供进行计算而支付罚款的风险。可选地,考虑到损失SLA和/或对应罚款的风险而预测网络资源需求可以(例如)通过考虑所需资源估计的可信程度来控制罚款支付的风险。所预测的网络用户需求可以提高对服务水平协议的遵从性,这可以改进用户体验。
可选地,参考数据流的标称网络资源预测网络资源需求。例如,用于新流的标称所需带宽可以约为每秒100兆比特每秒(Mbps),并且所预测的带宽约为30Mbps。
可选地,所预测的网络资源需求小于与请求相关联的标称网络资源预留。可选地,预测值与标称值之间的差用于传输其它数据流。
可选地,基于数据通信网内的所监视数据流产生统计分类器。可选地,使用统计分类器执行对网络资源需求的预测。产生统计分类器和/或使用统计分类器的预测是(例如)基于学习分类器系统、基于推荐系统(例如,协同过滤)和/或其它合适的系统。可选地,例如基于预定义速率和/或随着网络条件改变通过迭代方式执行数据集的监视和对应产生。
可选地,使用大数据分析来收集和/或分析与监视数据流相关联的值。如本文所使用的术语“大数据”意指对于在可接受的时间范围内捕获和/或处理而言太大的数据集,例如,监视数据流并且响应于用于预测网络资源使用的接收到的请求而产生统计分类器。可以使用的大数据分析的实例包含:MapReduce方法。
可选地,通过路由策略,例如,服务水平协议(Service Level Agreement,SLA)界定标称网络资源预留请求。可选地,估计在预留所预测的网络资源需求时不遵从SLA的风险。可替代地或另外,估计不遵从SLA的成本,例如,总罚款。
可选地,基于与数据流相关联的用户背景信息而产生统计分类器。如本文所描述的短语“用户背景信息”意指关于与请求用户和/或其它用户相关联的数据流的细节。可选地,接收到的请求与特定用户背景相关联。可选地,鉴于特定用户背景来预测网络资源。例如,将来自一个用户的数据流的行为与来自其它用户的数据流相比较。
可选地,根据所预测的网络资源需求重新校准标称网络资源预留。例如,调整对客户端的标称网络资源的所预测未来请求。在另一实例中,根据预测设计具有相似用户配置文件的客户端的未来所预测SLA。
在详细说明本发明的至少一个实施例之前,应理解,本发明在其申请中不必限于在以下描述中阐述和/或在附图和/或实例中所说明的组件和/或方法的构造以及布置的细节。本发明能够具有其它实施例或以不同方式实践或执行。
现参考附图,图1是根据本发明的一些实施例的对用于路由选择的数据流进行分类的方法。还参考图2,图2是根据本发明的一些实施例的用于对用于路由选择的数据流进行分类的系统200的框图。图1的方法可以通过图2的系统200执行。例如,系统200是经编程以执行所述方法的步骤的预测分析单元。系统200和/或方法通过对数据流进行分类以预测网络资源的使用率来选择用于未来新的流的路由。可选地,选择用于分类后流的路由。通过所预测资源的预留来实施网络资源的所预测使用率可以减少或防止对与新流相关联的SLA的不遵从。可以通过所述方法和/或系统优化网络资源使用。
可选地,使用统计分类器,例如,预测模型、数据挖掘技术或其它方法进行预测。
预测算法可以基于机器学习技术,例如:
·人工神经网络
·层次聚类
·协同过滤
·基于内容的过滤
通过新流所预测的网络资源的使用率可以表示所需的最小网络资源预留。可选地,分析网络内的过去和/或现有流的数据以形成统计分类器,用于预测新流所需的资源。
系统200包括与一个或多个非暂时性存储器210电通信的硬件处理器208,所述非暂时性存储器存储含有通过处理器208执行的指令的一个或多个程序模块和/或数据库。可选地,一个或多个存储器210经设计以适用于大数据分析,例如,直接附加存储装置,例如,使用高容量串行高级技术附件的固态驱动器。
可选地,在102处,预测分析模块228监视数据通信网202。可选地,模块228监视网络202内的数据流。可选地,在网络提供商水平处,例如,通过互联网服务提供商(internetservice provider,ISP)执行监视。模块228监视,例如,包本身内的数据(例如,有效负载、包的类型、包的长度)、网络流的传输数据(例如,传输每个包平均传输时间、跳数、丢包、抖动、时间包的长度)、用户配置文件(例如,发送数据的用户的身份、用户的SLA、应用类型),或其它数据。可选地,数据监视是连续的。可以监视所有数据流,或可以监视选定子集(例如,每次使用)。
可选地,网络202是将一般定义的路由策略呈现给例如互联网的外部网络的自治系统。网络202可以由单一实体(例如,互联网服务提供商、电信公司或其它组织)拥有,或由可以将不同网络连接在一起以形成单一自治系统的多个实体拥有。
可选地,网络202是分组交换网络。
可选地,模块228从网络202(例如,从网络元件(例如,用于通过路由器的流的带宽和/或时延))和/或从数据包本身收集数据(例如,读取标头信息)。可替代地或另外,模块228从用户数据库230收集数据。可选地,在网络202内的每个流中收集数据。每个用户可以具有网络内的多个流。数据可以收集用于数据流的总体传输,例如,从终端到终端的总传输时间。可以在两个节点之间每链路收集数据,例如,使用链路的节点之间的传输时间。
可选地,用户数据库230含有表示用户背景信息的参数。可选地,数据库230存储大数据。用户背景数据可以与网络202内的当前流、网络202内的先前流相关联,可以与当前和/或先前流无关和/或可以与具有相关联流请求和/或相关联预测请求的势流有关。
基于所监视流收集到的数据的实例包含:用户(例如,配置文件、ID)、应用程序(例如,与数据流相关联)、源(例如,IP地址)、目的地(例如,IP地址)、所请求资源(例如,BW、时延)、资源的实际使用率(例如,最小值、最大值、平均值)、使用寿命(例如,流的持续时间)、SLA违反的罚款和/或其它变量。
针对每个流,可以(例如)每链路、每装置和/或每接口收集数据。所收集的数据可以组合,例如,用于传输路由中的所有链路、用于传输路由中遇到的所有装置以及用于传输路由中的所有接口。
可选地,在104处,例如通过模块228分析所收集的数据。可选地,基于所收集的数据构造统计分类器。可选地,通过合适的算法、模块和/或系统执行分析,例如,学习算法、预测建模算法、推荐系统和/或其它合适的算法。推荐算法的实例是协同过滤算法。
可选地,针对一个或多个现有流,例如,网络202中的每个流执行分析。可替代地或另外,在最后4小时、最后24小时、最后一周、类似的星期、类似的日期或其它时间段期间针对一个或多个先前流,例如,网络202中的每个流执行分析。
可选地,将统计分类器和/或所分析的数据存储在数据流数据集226中,例如,数据库、表、散列表、树、有向图、记录、阵列、链表或其它合适的数据结构。可选地,数据集226存储大数据。可选地,将来自其它相关联的数据库的数据存储在数据流数据集226中,例如,与所分析流有关的路由表数据和/或与所分析流有关的其它数据。
在106处,数据流数据集226通过监视(例如,块102)和/或产生统计分类器(例如,块104)的重复进行更新。可以连续地执行重复。可选地,数据集226(例如)根据最大努力和/或资源可用性维持在更新状态下。可选地,即使当数据集226滞后的更新是实际当前网络条件时,数据集226内的数据也用于预测过程。数据集226内的当前数据可以更新至足以允许(例如)误差容限内的准确预测。
可选地,所述更新与预测网络资源需求的过程的其余部分解耦(例如,块108至122)。可选地,请求并不会触发数据集226的对应更新。可替代地或另外,更新并不会触发对未决请求的对应响应。可选地,可以异步地和/或独立地执行从数据集226读取(例如,以预测网络需求)以及写入数据集226(例如,更新)。异步读取和写入过程可以通过单独的实体和/或过程执行。
更新可以预设速率(例如,用户定义的)和/或以目前间隔(例如,通过软件自动地设定)进行。更新可以连续地执行。更新可以动态速率执行,例如,根据网络条件和/或可用资源改变。
更新数据集226和预测网络资源需求的过程的解耦可以允许使用大数据分析。大数据分析可以使用与数据流和/或用户相关联的额外可用信息来提高预测的准确性。
可选地,在108处,接收对预测用于网络202内的数据流传输的网络资源需求的请求。可替代地或另外,对预测的请求通过对用于流的网络202内路由的请求触发。
所述请求可以源自请求实体206,例如,在系统200内的服务器(例如,用于在网络内的两个节点和/或终端之间路由数据)和/或在系统200外部的服务器(例如,用于将数据路由进入网络202和/或路由出网络202,例如,终端位于网络202外部)。
可选地,网络202由网络管理系统集中管理。网络管理系统可以用作请求实体206来发布预测请求。
可选地,请求实体206发布对新数据流的路由的请求。可替代地或另外,所述请求用于现有数据流中的路由的改变。可替代地或另外,所述请求用于先前数据流的恢复,例如,过期数据流和/或偶然数据流。可以(例如)由路由模块234接收对路由的请求,用于选择通过网络202的路由。路由模块234可以是现成的系统,例如,路由器、参考图4描述的路由选择模块412,或用于选择数据路由的其它软件和/或硬件。路由模块234可以发布对预测与新数据流相关联的网络利用资源的请求。可以(例如)由流参数变换模块232接收预测请求。可替代地或另外,由预测分析模块228接收对路由选择和预测的请求中的一个或两个。
可选地,在110处,例如通过访问用户数据库230和/或其它数据源识别对新数据流的标称网络资源需求。可选地,新数据流的路由策略界定网络资源需求。路由策略是例如,在客户端与服务提供商之间的SLA、服务提供商自身内部的策略、基于客户端的配置文件的策略或其它策略。可选地,例如,对于相同客户端但不同数据、对于不同时间周期和/或其它定义变量存在不同水平的路由策略。不同水平的路由策略可以界定标称网络资源需求的不同值。
可选地,流参数变换模块232识别标称网络资源需求并且将所识别的标称值发送到预测分析模块228。可替代地或另外,预测分析模块228识别标称网络资源需求。
或者,不识别标称值。例如,如果不存在客户端的SLA,那么数据被分类为低优先权和/或其它因素。在此情况下,对预测的请求可以基于数据使用可用资源的尽力而为传输,而不干扰具有较高优先级和/或SLA的其它数据流。
在112处,针对数据流预测所需网络资源。可选地,通过预测分析模块228执行预测。可选地,数据流通过统计分类进行分类以预测网络资源需求。
可选地,根据标称值,例如,标称值的百分比来计算预测值。接收到的标称值可以根据功能修改且作为预测值返回。
可选地,将预测值存储在数据流数据集226中。可选地,存储与所存储的识别标称值相关联的预测值。
在一个实例中,数据流数据集226表示为表格,例如,参考图5描述的流分析表514。所述表格含有一行已知的或所识别的标称值以及另一行预测值。所述表格含有一列或多列参数1、参数2、参数3、…参数N,用于存储与不同网络资源需求和/或路由参数相关联的值。所述表格可以是多维的,例如,具有用于请求的新流、相同客户端的当前和/或先前流、其它客户端的当前和/或先前流和/或其它流的流ID的另一维度。标称和/或预测值可以表示对全部数据传送或对部分数据传送的需求,例如,对不同链路和/或其它内部网络分区的不同需求。可替代地或另外,数据流数据集226由其它合适的数据结构表示,例如,记录、树、曲线、对象、链表和/或其它合适的结构。
可选地,考虑到不遵从SLA的选定风险和/或归因于不遵从性的相关罚款而执行资源需求的预测。可选地,根据选定风险水平和/或相关罚款调整所预测的资源需求(例如,使用统计分类器)。可选地,风险分析算法用于使用多个参数计算风险。可选地,所预测的调整后资源需求表示最佳解决方案,例如,考虑到较低风险和较低总罚款支出同时增加收入的较高网络资源利用。例如,与支付罚款的50%预选定风险相比,支付罚款的90%预选定风险可以产生相对较高的资源需求预留(例如,较高BW分配)。在另一实例中,与支付$1000预定罚款的80%预选定风险相比,支付$10000预定罚款的80%预选定风险可以产生相对较高的资源需求预留。可以例如通过软件自动地(例如,根据风险分析算法)、通过网络运营商手动地选择风险和/或通过制造商预设风险。
可选地,在114处,提供所预测的网络资源需求,例如,作为所产生信号、作为一个或多个数据包和/或使用其它信息传送方法提供所预测的网络资源需求。
可选地,通过预测分析模块228将所预测的资源需求提供到流参数变换模块232和/或路由模块234。
可选地,在116处,例如通过流参数变换模块232预留所预测的资源需求,用于请求的数据流。可替代地或另外,标称值已预留用于请求的数据流并且根据所预测的网络资源需求重新校准。
在118处,可选地基于所预测的网络资源需求选择用于分类后数据流的路由。可选地,路由模块234可选地基于所预测的资源需求使用路由表236选择路由。路由表236可以是与用于选择路由的路由器、参考图4描述的多层路由数据集404和/或存储用于选择数据路由的信息的其它数据库相关联的标准路由表。
与基于标称网络资源需求而可用于选择路由的链路相比,额外链路可以基于所预测的网络资源需求而可用于选择路由。例如,对于显著小于标称BW值的所预测BW值,与可用于容纳较高BW(即,标称)的链路相比,更多链路可用于容纳较低BW(即,所预测的)。
可选地,数据包使用选定路由在网络202内传输。
可选地,在120处,在数据包的传输期间通过所预测的网络资源需求的实施方案监视对路由策略的遵从性。可以监视对SLA的遵从性,用于新数据流和/或用于通过网络202的其它数据流。
可选地,在使用预测值实施数据路由期间,监视对SLA内的标称值的遵从性。
可选地,例如,当考虑到增加网络资源的优化利用而增加总利润时,允许并且可以预期不符合SLA的一些情况(例如,统计变化)。
可选地,当使用所预测的网络资源路由数据时,监视总收入和/或利润。可选地,将收入和/或利润与使用标称请求资源路由数据相比。
可选地,在122处,重复对数据流进行分类的过程(例如,块108、110、112、114、116、118和/或120中的一个或多个)。例如,对于每个新的数据流请求重复所述过程。例如,对于通过用于若干不同数据流的相同客户端的请求和/或对于通过不同客户端的请求。
可选地,调整所述过程。可选地,考虑到监视对SLA的遵从性而调整所述过程。例如,如果某一数据流使用当前所预测的需求不遵从SLA,那么可以进行另一分类,使得使用新预测值的路由改进对SLA的遵从性。
返回参考图2,可选地,系统200具有用于在处理器208与请求实体206和/或网络管理系统之间电通信的接口218。
可选地,系统200具有用于在处理器208与网络202之间电通信的接口220。
可选地,系统200作为盒子出售。接口218连接到网络管理系统。接口220连接到通信网络。可替代地或另外,系统200的至少一些部分作为软件出售,例如作为网络管理系统的部分被加载和运行。
可选地,系统200与用于用户将输入值输入到处理器208中的一个或多个输入元件222电通信,所述输入元件例如,触摸屏、键盘、鼠标、语音识别和/或其它元件。用户可以输入例如路由策略。
可选地,系统200与用于用户查看来自处理器208的数据的一个或多个输出元件224电通信,所述输出元件例如,屏幕、移动装置(例如,智能电话)、打印机、膝上型计算机、远程计算机或其它装置。输出元件224可以例如用于查看路由表236,以升级软件、查看配置和/或调试系统。
现在参考图3,图3是根据本发明的一些实施例的选择用于分类后数据流的路由的方法。图3的方法组合如参考图1所描述的对数据流进行分类的方法。还参考图4,图4是根据本发明的一些实施例的用于选择用于分类后流的数据路由的系统400的框图。系统400是来自图2的系统200的元件与路由选择元件的组合。图3的方法可以通过图4的系统400执行。系统400和/或图3的方法可以改进数据路由,例如,改进网络资源的利用、降低支付SLA罚款的风险、减少总罚款支付、选择用于数据流的更好路由。大数据分析方法可以用于改进数据路由。
可选地,所述系统和/或方法基于用户背景信息选择和/或计算数据路由。可选地,基于用户背景信息预测网络资源需求。可以基于所预测的需求选择数据路由。
可选地,所述系统和/或方法鉴于分层路由策略,例如,分层SLA来选择和/或计算数据路由。可选地,鉴于如应用于请求的数据流的分层SLA而预测网络资源需求。可选地,基于需求和/或根据每链路(例如,在两个网络节点之间)存储多个不同路由参数的多层路由数据集404选择路由。路由参数中的一个或多个可以表示分层路由策略,例如,每一路由参数表示不同层的策略。
可选地,在302处,更新多层路由数据集404。可替代地或另外,更新数据流数据集226。相对于路由选择过程的其余部分(块304至312中的一个或多个)以异步方式更新多层路由数据集404和/或数据流数据集226。
可选地,通过来自预期数据流的分类的数据更新多层路由数据集404(例如,块112和/或块306)。例如,数据集404的路由参数表示用于网络中的两个节点之间的每一链路的不同成本。所述成本可以基于分类后数据流结果更新。例如,可以更新成本以反映所预测的网络资源需求,而不是标称网络资源需求。可替代地或另外,基于多层路由数据集404内的数据构造统计分类器,例如,用于不同链路的不同成本可以用于对预期的新流进行分类。
可选地,将从网络202收集的数据存储在网络数据库416中。所述数据可以是,例如,关键性能指标、指标和/或其它值。可以由路由分析模块414、其它模块、其它系统和/或数据库收集数据。所存储的数据可以经处理以将参数填入数据流数据集226和/或多层路由数据集404内。可以使用大数据分析执行数据收集和/或处理。
多层路由数据集404可以对应于具有额外功能性的图2的路由表236。数据集404含有在网络202中的节点之间的链路。每一链路与多个路由参数相关联,例如,链路的实际货币成本、链路的带宽、链路的时延、链路利用率(例如,实时)、用户定义的参数,或其它参数。路由参数可以是,例如,成本相关联的参数,其中每个参数表示不同的成本标准。可选地,多约束路由参数允许多约束路由。
在304处,系统400接收对通过网络202路由一个或多个数据包的请求。所述请求可以通过请求实体206发布。
可选地,识别与接收到的请求相关联的路由策略,例如,SLA。或者,不存在路由策略。可以使用尽力而为方法。
可选地,由路由选择模块412接收用于选择路由的请求。
模块412可以对应于图2的路由模块234,其具有用于根据多个参数的子集选择路由的额外功能性。
在306处,基于统计分类器对流进行分类以预测实际网络资源需求。例如,如参考图1的方法和/或图2的系统200所描述,可以执行预测。
在308处,例如通过模块412选择用于分类后数据流的路由。可选地,模块412基于所预测的网络资源需求选择路由。例如,选择路由以满足修改后的网络需求,而不是标称需求。除了将使用标称需求选择不同路径之外,还可以使用修改后的需求选择不同路径。
可选地,路由选择模块412访问多层路由数据集404。可选地,如通过所识别的路由策略所定义访问数据集404。例如,访问对应于所识别的路由策略的在数据集404内的路由参数的子集。所访问的参数可以用于选择路由,例如,计算最低成本路由。可替代地或另外,路由参数表示用于例如使用函数计算一个或多个指标的原始值。可以根据接收到的路由请求实时地执行指标计算。例如,不同路由策略可以使用作为变量的路由参数的不同子集来界定用于计算指标的不同等式。
可选地,通过基于来自每个可能链路的多个不同路由参数的子集选择路由中的每个可能链路来选择路由,所述子集由路由策略界定。
可选地,在310处,提供选定路由,例如,作为信号、作为一个或多个数据包和/或使用其它信息传送方法提供选定路由。可选地,将选定路由提供到请求实体206。
可选地,在312处,数据包使用选定路由在网络202内传输。可选地,在遵从SLA时执行数据包的传输,可选地,根据预选定的风险等级和/或根据预选定的罚款支付。
现在参考图5,图5是根据本发明的一些实施例的图4的系统的示例性设计。
用于基于分类后预期数据流选择路由的路由系统500与通过网络控制件504在中央管理下的数据通信网502电通信。路由系统500接收对通过控制件504发布的路由选择的请求。系统500选择路由并且将选定路由提供回到控制件504。
系统500含有用于存储与网络202中的数据流相关联的标称和预测值的流分析表514。本文提供表格514的额外细节。
系统500含有具有与每个链路相关联的多个成本列的多层路由表506。每个成本列表示不同的成本标准。例如,每个列可以表示每CoS的成本(例如,在其中将流分类到预定服务级别的系统中)。在另一个实例中,在每流的基础上(例如,在没有预定CoS的系统中)在路径计算时根据成本列值计算指标。
路径计算引擎508访问表格506。可以根据CoS组和/或按每流策略执行访问。路径计算引擎508鉴于所预测的需求,例如,使用流参数变换模块选择数据路由。
大数据分析引擎510和/或大数据数据库512从网络502收集数据。基于所收集的数据(存储在数据库512内),引擎510计算用于表格506的成本列的值(例如,每参数单个指标和/或成本函数)和/或对数据流进行分类以计算用于流分析表514内的所预测参数的值(例如,使用预测路由分析模块)。
用户信息数据库516存储用于计算表格514的预测值的收集到的网络数据和/或用户相关联的细节(例如,SLA、用户预置文件和/或其它数据)。
在操作中,路径请求由控制件504发送到引擎508。引擎508将预测请求发送到大数据分析引擎510。引擎510访问流分析表514并且对数据流进行分类以计算请求的所预测需求值(例如,根据相关联的标称值修改)。引擎510将预测值返回到路径计算引擎508。
引擎508访问表格506。所述访问可以通过两个模式中的一个执行。在第一服务级别模式中,根据预定义规则将路径请求分类到若干级别中的一个中。与级别相对应的成本列用于选择最低成本路由。在第二每流SLA模式中,列表示原始指标。引擎508通过创建临时成本列实时地创建成本函数,所述成本列根据预定义成本函数将若干指标列组合在一起。引擎508鉴于预测值计算最低成本路由并且将路径返回到控制件504。
表格506和/或表格514根据在先前段落中描述的路径选择过程异步地更新。从网络502周期性地收集关键性能指标和/或其它指标并且将其存储在数据库512和/或数据库516中。大数据引擎510查询数据库512,且计算表格506的成本和/或指标列的值(取决于CoS的模型和/或实时模型)。大数据引擎510更新路由表506。大数据引擎510查询数据库512和/或516,并且计算表格514的所预测参数的值。大数据引擎510更新流分析表514。
预期在从此申请成熟的专利使用期限期间,将开发多个相关的数据通信网和/或数据库并且术语“数据通信网和/或数据库”的范围既定先天地包含所有此类新技术。
本文所使用的术语“约”是指±10%。
术语“包括(comprises)”、“包括(comprising)”、“包含(includes)”、“包含(including)”、“具有(having)”和其同源词意指“包含但不限于”。
术语“由…组成”意指“包含且限于”。
术语“主要由…组成”意指组合物、方法或结构可以包含额外成分、步骤和/或部件,但是只要所述额外成分、步骤和/或部件不会实质上更改所要求的组合物、方法或结构的基本和新颖特征即可。
除非上下文另外明确指出,否则本文所用的单数形式“一”、“一个”和“所述”包含复数个参考物。例如,术语“化合物”或“至少一个化合物”可以包含多个化合物,包含其混合物。
贯穿本申请,本发明的各种实施例可以范围格式呈现。应理解,范围格式中的描述仅为了方便和简洁起见,并且不应该被解释为对本发明范围的固定限制。因此,范围的描述应被认为是已经具体地揭示所有可能的子范围以及所述范围内的个别数值。举例来说,例如1到6的范围的描述应被认为是已经具体地揭示子范围,例如1到3、1到4、1到5、2到4、2到6、3到6等,以及所述范围内的个别数字,例如1、2、3、4、5和6。不管范围的宽度如何,这都适用。
当此处指示一个数字范围时,表示包含指示范围内的任何所列举的数字(分数或整数)。短语“在第一指示数字与第二指示数字之间的范围/范围”以及“从第一指示数字到第二指示数字的范围/范围”在本文中互换使用并表示包含第一指示数字和第二指示数字以及其间的所有分数和整数数字。
应了解,为了清楚起见在单独实施例的情形下描述的本发明的某些特征还可以组合方式提供于单一实施例中。相反,为简洁起见在单一实施例的上下文中描述的本发明的各种特征也可以单独地提供或以任何合适的子组合提供或在本发明的任何其它描述的实施例中提供为合适的。在各种实施例的上下文中描述的某些特征并不被认为是那些实施例的基本特征,除非所述实施例在不具有那些元件的情况下不起作用。
尽管已结合本发明的具体实施例描述本发明,但显然,对于所属领域的技术人员来说,许多替代方案、修改以及变化将是显而易见的。因此,预期涵盖落入所附权利要求书的精神和广泛范围内的所有此类替代方案、修改以及变化。
本说明书中所提及的所有公开、专利和专利申请在此以全文引用的方式并入本说明书中,同样,每个单独的公开、专利或专利申请也具体且单独地指示以引用的方式并入本文中。另外,对本申请的任何参考的引用或识别不应解释为承认此参考在现有技术中优先于本发明。就使用章节标题而言,不应该将章节标题解释成必要的限制。
Claims (14)
1.一种对通过数据通信网的数据流进行分类以用于选择路由的方法,其特征在于,包括:
监视所述数据通信网中的数据流(102);
接收对数据通信网中用于数据流传输的路由的请求(108);
基于所监视数据流产生统计分类器(104);
基于所产生的统计分类器对所述流进行分类(112)以预测对通过网络的所述流的传输的网络资源需求;
选择用于所述分类后流的所述路由(118);以及
产生指示选定路由的信号,使得通过选定路由在所述数据通信网中路由(118)所述流。
2.根据权利要求1所述的方法,其特征在于,所述分类进一步包括通过所述流确定对网络资源的实际使用率的所述预测。
3.根据权利要求1或2所述的方法,其特征在于,进一步包括:接收对预测用于所述数据通信网中的所述数据流传输的所述网络资源需求的请求;以及基于所述统计分类器预测所述网络资源需求。
4.根据权利要求1所述的方法,其特征在于,根据所述流的标称网络资源预留计算所预测的网络资源需求。
5.根据权利要求1所述的方法,其特征在于,分类进一步包括分类以预测不遵从所述流的服务水平协议的风险和成本中的至少一个。
6.根据权利要求1或5所述的方法,其特征在于,分类进一步包括考虑到具有归因于不遵从性的相关联罚款的不遵从服务水平协议的选定风险而调整(122)所预测的网络资源需求。
7.根据权利要求1所述的方法,其特征在于,使用大数据分析执行所述监视(102)和产生所述统计分类器(104)。
8.根据权利要求1所述的方法,其特征在于,相对于所述接收(108)、分类(112)、选择(118)和产生所述信号(118)异步地执行所述监视(102)和产生所述统计分类器(104)。
9.根据权利要求1所述的方法,其特征在于,所述统计分类器基于协同过滤系统。
10.根据权利要求1所述的方法,其特征在于,进一步包括在所述流在利用所预测的网络资源需求的所述选定路由上传输期间,监视对由所述流的标称资源需求界定的服务水平协议(120)的遵从性。
11.根据权利要求1所述的方法,其特征在于,通过迭代方式(106)连续地执行所述监视(102)和产生所述统计分类器(104)。
12.根据权利要求1所述的方法,其特征在于,进一步包括将所述流的标称网络资源预留重新校准至所预测的网络资源需求。
13.根据权利要求1所述的方法,其特征在于,监视数据流(102)包括识别所述数据流的用户背景数据,并且产生所述统计分类器(104)包括基于所识别用户背景数据产生所述统计分类器。
14.一种经编程以执行根据权利要求1至13中的一项权利要求所述的方法的步骤的预测分析单元,所述预测分析单元包括网络(202)、请求实体(206)、处理器(208)、一个或多个存储器(210)、第一接口(218)、第二接口(220)、一个或多个输入元件(222)以及一个或多个输出元件(224);
其中,所述存储器(210)与所述处理器(208)电通信,所述存储器(210)中存储有通过所述处理器(208)执行的指令的一个或多个程序模块和/或数据库,以使所述处理器(208)执行如权利要求1至13中任意一项权利要求所述的方法;
所述处理器(208)通过所述第二接口(220)与所述网络(202)电通信;
所述处理器(208)通过所述第一接口(218)与所述请求实体(206)电通信;
所述输入元件(222),用于用户将输入值输入到所述处理器(208);
所述输出元件(224),用于用户查看来自所述处理器(208)的数据。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/EP2014/050565 WO2015106795A1 (en) | 2014-01-14 | 2014-01-14 | Methods and systems for selecting resources for data routing |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105379204A CN105379204A (zh) | 2016-03-02 |
CN105379204B true CN105379204B (zh) | 2019-04-05 |
Family
ID=49956206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480036854.3A Active CN105379204B (zh) | 2014-01-14 | 2014-01-14 | 用于选择数据路由的资源的方法和系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105379204B (zh) |
WO (1) | WO2015106795A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106549782A (zh) * | 2015-09-18 | 2017-03-29 | 中兴通讯股份有限公司 | 一种数据中心内关联流的带宽调度方法及装置 |
CN107395502B (zh) * | 2016-05-17 | 2021-02-09 | 华为技术有限公司 | 确定路由策略的方法和装置 |
CN108259367B (zh) * | 2018-01-11 | 2022-02-22 | 重庆邮电大学 | 一种基于软件定义网络的服务感知的流策略定制方法 |
CN109743200B (zh) * | 2018-12-25 | 2022-01-25 | 人和未来生物科技(长沙)有限公司 | 基于资源特征的云计算平台计算任务成本预测方法及系统 |
US10972364B2 (en) | 2019-05-15 | 2021-04-06 | Cisco Technology, Inc. | Using tiered storage and ISTIO to satisfy SLA in model serving and updates |
CN110471893B (zh) * | 2019-08-20 | 2022-06-03 | 曾亮 | 一种多用户间的分布式存储空间的共享方法、系统和装置 |
CN111768283A (zh) * | 2020-07-01 | 2020-10-13 | 厦门力含信息技术服务有限公司 | 一种改进型协同过滤算法模型的财务大数据分析方法 |
US11240153B1 (en) | 2020-07-31 | 2022-02-01 | Cisco Technology, Inc. | Scoring policies for predictive routing suggestions |
CN111737371B (zh) * | 2020-08-24 | 2020-11-13 | 上海飞旗网络技术股份有限公司 | 可动态预测的数据流量检测分类方法及装置 |
CN114615183B (zh) * | 2022-03-14 | 2023-09-05 | 广东技术师范大学 | 基于资源预测的路由方法、装置、计算机设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6459682B1 (en) * | 1998-04-07 | 2002-10-01 | International Business Machines Corporation | Architecture for supporting service level agreements in an IP network |
EP1069801B1 (en) * | 1999-07-13 | 2004-10-06 | International Business Machines Corporation | Connections bandwidth right sizing based on network resources occupancy monitoring |
CN1801774A (zh) * | 2004-12-20 | 2006-07-12 | 阿尔卡特公司 | 基于流的统计的应用会话管理 |
CN101009595A (zh) * | 2005-09-15 | 2007-08-01 | 阿尔卡特公司 | 基于统计跟踪的用于实时业务量分类的方法 |
CN101610433A (zh) * | 2009-07-10 | 2009-12-23 | 北京邮电大学 | 一种支持策略解析的多约束条件路由选择方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7269157B2 (en) * | 2001-04-10 | 2007-09-11 | Internap Network Services Corporation | System and method to assure network service levels with intelligent routing |
-
2014
- 2014-01-14 CN CN201480036854.3A patent/CN105379204B/zh active Active
- 2014-01-14 WO PCT/EP2014/050565 patent/WO2015106795A1/en active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6459682B1 (en) * | 1998-04-07 | 2002-10-01 | International Business Machines Corporation | Architecture for supporting service level agreements in an IP network |
EP1069801B1 (en) * | 1999-07-13 | 2004-10-06 | International Business Machines Corporation | Connections bandwidth right sizing based on network resources occupancy monitoring |
CN1801774A (zh) * | 2004-12-20 | 2006-07-12 | 阿尔卡特公司 | 基于流的统计的应用会话管理 |
CN101009595A (zh) * | 2005-09-15 | 2007-08-01 | 阿尔卡特公司 | 基于统计跟踪的用于实时业务量分类的方法 |
CN101610433A (zh) * | 2009-07-10 | 2009-12-23 | 北京邮电大学 | 一种支持策略解析的多约束条件路由选择方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2015106795A1 (en) | 2015-07-23 |
CN105379204A (zh) | 2016-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105379204B (zh) | 用于选择数据路由的资源的方法和系统 | |
Bunyakitanon et al. | End-to-end performance-based autonomous VNF placement with adopted reinforcement learning | |
AU2017251757B2 (en) | Customer-directed networking limits in distributed systems | |
US9674042B2 (en) | Centralized resource usage visualization service for large-scale network topologies | |
Ayoubi et al. | An autonomous IoT service placement methodology in fog computing | |
US9185006B2 (en) | Exchange of server health and client information through headers for request management | |
Beshley et al. | Customer-oriented quality of service management method for the future intent-based networking | |
CN102204166B (zh) | 服务质量检测的方法、监控中心、监测探针和系统 | |
Lujic et al. | Efficient edge storage management based on near real-time forecasts | |
Li et al. | Method of resource estimation based on QoS in edge computing | |
CN109478147A (zh) | 分布式计算系统中的自适应资源管理 | |
Wang et al. | A reinforcement learning approach for online service tree placement in edge computing | |
Abosaif et al. | Quality of service-aware service selection algorithms for the internet of things environment: A review paper | |
Taghizadeh et al. | A metaheuristic‐based data replica placement approach for data‐intensive IoT applications in the fog computing environment | |
Tsagkaropoulos et al. | Severity: a QoS-aware approach to cloud application elasticity | |
Tekiyehband et al. | An efficient dynamic service provisioning mechanism in fog computing environment: A learning automata approach | |
Nalepa et al. | Performance analysis of distributed stream processing applications through colored petri nets | |
Irawan et al. | Network slicing algorithms case study: virtual network embedding | |
Mohammadi et al. | Taxonomy of traffic engineering mechanisms in software-defined networks: a survey | |
Zeydan et al. | A multi-criteria decision making approach for scaling and placement of virtual network functions | |
Faraji-Mehmandar et al. | A self-learning approach for proactive resource and service provisioning in fog environment | |
Abdullah et al. | A survey of iot stream query execution latency optimization within edge and cloud | |
CN105917621A (zh) | 用于数据路由的方法和系统 | |
Ghaferi et al. | A clustering method for locating services based on fog computing for the internet of things | |
Yu et al. | Analysis of distributed database access path prediction based on recurrent neural network in internet of things |
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 |