CN105960779A - 具有基于机器学习的路由模型的数据路由 - Google Patents

Abstract

一种用于通过数据通信网路由数据流的装置，所述装置包含：网络接口、硬件处理器、非暂时性存储器、路径选择模块、分析模块和学习模块。所述网络接口接收用于在所述数据通信网内路由数据包的流的请求。路径选择模块基于将路由规则应用于网络结构和网络参数的模型的路由模型通过所述网络路由数据流。所述分析模块确定路径何时不符合规定用于所述流的至少一个所需性能量度的对应的所需服务级别(level of service，LOS)。流路径和其遵守LOS的对应的失败或成功存储于所述路由日志中。所述学习模块通过任选地使用ML分析方法处理所述路由日志更新所述路由模型。任选地，当更新所述模型时，所述路径选择模块基于所述更新的模型重新路由一个或多个失败的流。

Description

具有基于机器学习的路由模型的数据路由

技术领域

本发明在其一些实施例中涉及用于数据路由的装置和方法，并且更确切地说，但非排他地，涉及用于基于动态路由模型的数据路由的装置和方法。

背景技术

用于通过数据通信网路由数据的当前方法使用基于约束的路由以选择用于通过网络的数据流的路径。基于约束的路由算法选择路由路径，所述路由路径满足通常通过路由策略导引的或在面向服务基础上(例如，服务质量(Quality of Service，QoS)路由)的约束。然而，为了有效地路由数据流而不会超过所分配的网络资源，需要通信网络的精确模型。否则的话，路径可能基于过时或固定因素选择，这减少了数据路由过程的有效性。

发明内容

在本文中的实施例中，数据流基于路由模型通过通信网络路由，所述路由模型将用于路径选择的规则应用于通信网络的模型。路由模型和网络模型这两者的精确性直接影响路径选择的质量，这是因为不精确的模型可能导致选定路径无法满足所需标准。

如本文所使用，术语“网络模型”意指网络结构和网络参数的表示。

如本文所使用，术语“路由模型”意指用于基于所提供的流请求的数据和网络模型作出路由决策的算法集及其参数。

本文中的实施例使用机器学习以动态更新配置通过网络的数据流的路由模型。对所路由的数据流实现对应的所需服务级别(level of service，LOS)的失败或成功进行评估并且根据评估更新路由模型。在一些实施例中，通过将机器学习分析方法应用于数据集来连续地更新路由模型，所述数据集指示遵守LOS的流路由的失败或成功。路由模型自动适应于通信网络和网络内的数据流的改变，由此使得能够根据实际网络条件执行数据流路由。

如本文所使用，术语“应用机器学习分析方法”意指通过具有本领域中已知的任何机器学习技术的路由模型处理数据集。

任选地，动态地调整路由模型以追踪出现在网络内的改变。

任选地，网络模型是连接的曲线，其中边缘表示链路(或物理或逻辑)并且顶点表示交换节点。不同路由参数权重与每个边缘相关联。所述权重可表示静态参数，例如，链路容量、链路成本等，和/或动态参数，例如，可供使用的链路容量、链路延迟等。可能存在与每个边缘相关联的单个或多个权重。

在本文中的实施例中，机器学习训练过程应用于数据集(在本文中表示路由日志)以便维护动态路由模型。路由日志包含数据流路由连同指示路由符合服务级别需求的成功或失败的对应的标记。通过比较流的实现的服务级别与所需服务级别来对流路由决策进行连续地重新评估。因此，路由模型可基于从自动和连续标记得到的训练集动态地更新。

任选地，通过监测/探测通信网络内的机制监测数据流和/或收集网络参数(例如，BW、延迟、抖动等)。所收集的信息还可以用于确定通过当前(或记录的)路由实际上实现的服务级别，以用于与所需级别或服务进行比较。

根据本发明的第一方面，提供一种用于通过数据通信网路由数据流的装置。所述装置可以包含：网络接口、硬件处理器、非暂时性存储器、路径选择模块、分析模块和/或学习模块。网络接口接收用于在数据通信网内路由数据包的流的请求。非暂时性存储器存储网络结构和网络参数的网络模型以及文档记录路由多个流的多个路径的对应的成功或失败的路由日志。路径选择模块通过网络路由所述流。路径是基于包含用于路径选择的规则的可更新路由模型选择的，其中所述规则应用于网络模型。分析模块确定路径符合对应的所需服务级别的失败。所需服务级别规定用于所述流的至少一个所需性能量度，并且在路由日志中存储所述失败。学习模块通过处理路由日志更新路由模型。在路由模型更新之后，路径选择模块基于更新的路由模型重新路由所述流。

因此根据本发明的第一方面的第一可能的实施形式，学习模块通过分析所收集的网络数据以识别所述网络结构和网络参数中的改变来调整网络模型。

因此根据第一方面的第二可能的实施形式或根据第一方面的第一实施形式，更新涉及获得选择遵守对应的所需服务级别的路径的路由模型。

因此根据第一方面的第三可能的实施形式或根据第一方面的任何前述实施形式，更新包含在路由日志上应用机器学习分析方法。

因此根据第一方面的第四可能的实施形式或根据第一方面的任何前述实施形式，路由日志包含多个流条目，每个条目规定路径和路径符合对应的所需服务级别的对应的成功或失败。

因此根据第一方面的第五可能的实施形式或根据第一方面的任何前述实施形式，更新包含在路由日志上应用监督机器学习分析方法，并且对应的成功或失败充当用于通过监督机器学习分析方法处理的流条目的训练标记。

因此根据第一方面的第六可能的实施形式或根据第一方面的任何前述实施形式，分析模块基于获得的数据流性能量度在路由日志中重新标记路由的成功或失败，并且更新包含在重新标记路由日志上应用监督机器学习分析方法。

因此根据第一方面的第七可能的实施形式或根据第一方面的任何前述实施形式，学习模块基于具有修正的成功或失败的路径递增地更新路由模型。

因此根据第一方面的第八可能的实施形式或根据第一方面的任何前述实施形式，与数据流路由异步地执行重新标记。

因此根据第一方面的第九可能的实施形式或根据第一方面的任何前述实施形式，网络模型包含通过链路互连的多个节点，以及两个网络节点之间的每个链路的至少一个网络参数，并且路径选择模块将基于约束的路由应用于网络参数。

因此根据第一方面的第十可能的实施形式或根据第一方面的任何前述实施形式，分析模块通过网络接口接收通过监测通过数据通信网路由的数据流的性能量度的监测元件收集的数据，并且从其中识别所述流遵守对应的所需服务级别的失败。

因此根据第一方面的第十一可能的实施形式或根据第一方面的任何前述实施形式，学习模块通过在训练集上执行所述机器学习分析方法来产生初始路由模型，所述训练集包含规定的路由日志和以下各项中的至少一个：网络参数数据、网络结构数据、当前数据流数据和所需的服务级别。

因此根据第一方面的第十二可能的实施形式或根据第一方面的任何前述实施形式，所需服务级别是通过服务级别协议(service levelagreement，SLA)规定的。

根据本发明的第二方面，提供一种通过数据通信网路由数据流的方法。所述方法可以包含：

i)接收用于在数据通信网内路由数据包的流的路由请求；

ii)基于包含用于路径选择的规则的可更新路由模型选择用于路由请求的路径，所述规则应用于网络结构和网络参数的网络模型；

iii)在所述网络内通过所选定路径路由数据流；

iv)分析所路由的数据流以确定不符合对应的所需服务级别，所需服务级别规定用于所述流的至少一个所需性能量度；

v)在将路由多个流的多个路径的对应的失败文档记录在数据通信网内的路由日志中存储失败；

vi)通过处理路由日志更新路由模型；和/或

vii)通过基于所更新的路由模型选择的新路径重新路由数据流。

根据第二方面的第一可能的实施形式，所述方法进一步包含根据网络结构和网络参数的改变修正网络模型。所述改变通过处理数据收集的网络数据识别。

因此根据第二方面的第二可能的实施形式或根据第二方面的任何前述实施形式，修正包含计算网络模型的规定参数的当前值并且将所计算的值输入到网络模型中。

因此根据第二方面的第三可能的实施形式或根据第二方面的任何前述实施形式，更新包含在路由日志上应用机器学习分析方法。

因此根据第二方面的第四可能的实施形式或根据第二方面的任何前述实施形式，路由日志包含多个流条目，每个条目规定路径和路径符合对应的所需服务级别的对应的成功或失败。

因此根据第二方面的第五可能的实施形式或根据第二方面的任何前述实施形式，更新包含在路由日志上应用监督机器学习分析方法，并且对应的成功或失败充当用于通过监督机器学习分析方法处理的流条目的训练标记。

因此根据第二方面的第六可能的实施形式或根据第二方面的任何前述实施形式，递增地执行更新。

因此根据第二方面的第七可能的实施形式或根据第二方面的任何前述实施形式，所述方法进一步包含：监测通过数据通信网的流的路由以确定所述流符合对应的服务级别的成功或失败；相应地在路由日志中重新标记路由的成功或失败；并且通过处理所述重新标记的路由日志更新路由模型。

因此根据第二方面的第八可能的实施形式或根据第二方面的任何前述实施形式，与路径选择异步地执行重新标记。

因此根据第二方面的第九可能的实施形式或根据第二方面的任何前述实施形式，选择路径包含将基于约束的路由应用到网络模型。

因此根据第二方面的第十可能的实施形式或根据第二方面的任何前述实施形式，网络模型包含通过链路互连的多个节点以及两个网络节点之间的每个链路的至少一个网络参数，并且选择路径包含通过将基于约束的路由应用到网络模型来在路径中选择每个可能的链路。

因此根据第二方面的第十一可能的实施形式或根据第二方面的任何前述实施形式，所述方法进一步包含从数据通信网中的监测元件收集网络流数据，并且分析包含比较确定用于流的实现的性能量度以及比较实现的性能量度与所需服务级别。

因此根据第二方面的第十二可能的实施形式或根据第二方面的任何前述实施形式，所述方法进一步包含通过在训练集上应用所述机器学习分析方法来产生初始路由模型，所述训练集包含规定的路由日志和以下各项中的至少一个：网络参数数据、网络结构数据和所需的服务级别。

因此根据第二方面的第十三可能的实施形式或根据第二方面的任何前述实施形式，所需服务级别是通过服务级别协议(service levelagreement，SLA)规定的。

除非另外规定，否则本文中所用的所有技术和/或科学术语具有与本发明所属领域的一般技术人员通常所理解相同的含义。尽管与本文所述的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例的实践或测试，但下文描述示例性的方法和/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并不意图为必定限制性的。

附图说明

此处仅作为示例，结合附图描述了本发明的一些实施例。现在具体结合附图，需要强调的是所示的项目作为示例，为了说明性地讨论本发明的实施例。这样，根据附图说明，如何实践本发明实施例对本领域技术人员而言是显而易见的。

在附图中：

图1A是根据本发明的实施例的用于通过数据通信网路由数据流的装置的简化的框图；

图1B说明根据本发明的示例性实施例的简化路由日志；

图2是根据本发明的实施例的通过数据通信网路由数据流的方法的简化流程图；

图3是根据本发明的示例性实施例的在数据通信网内工作的路由装置的简化系统图；以及

图4是根据本发明的示例性实施例的通过网络路由数据的方法的简化流程图。

具体实施方式

本发明在其一些实施例中涉及用于数据路由的装置和方法，并且更确切地说，但非排他地，涉及用于基于动态路由模型的数据路由的装置和方法。

本文中描述的实施例使用机器学习(machine learning，ML)分析方法来动态地研发和维护网络模型。网络模型用于路由当前和新近请求的数据流。网络模型是可更新的并且在某种意义上可“演变”为通过数据通信网的数据流。

在本文的实施例中，将监督ML应用于标记的流路由。一般来说，监督机器学习处理包含标记实例的训练集，以便研发检测新(未标记)数据是否符合通过训练集教示的模式的模型。在本文的实施例中，存储和标记当前和/或先前流路由，其中所述标记指示数据流遵守对应的所需服务级别(level of service，LOS)的失败或成功。监督ML分析方法可随后应用于标记数据集以训练和/或“自动调节”网络模型。

任选地，为了处理由网络结构和网络流量利用率的持续改变形成的困难，重新评估过去的路由决策以确定它们是否仍然遵守它们的服务级别。根据当前网络模型(以及任选地从网络接收的其它数据)重新分析路径并且视需要在路由表中重新标记路由。在另外的实施例中，随后采取训练动作以通过将监督ML分析方法应用于重新标记的路由表来更新路由模型。

在一些实施例中，仅使用修正标记递增地修正路由模型。因此，路由模型可连续地更新而无需经历复杂的训练过程。任选地，可调节的ML算法(例如，惰性学习或增量决策树)用于基于流路由的成功或失败微调网络模型。

在详细解释本发明的至少一个实施例之前，应理解，本发明在其应用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/或方法的结构以及布置的细节。本发明能够具有其它实施例或以各种方式实践或进行。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包含计算机可读存储媒介(或媒体)，其上具有用于使处理器执行本发明的方面的计算机可读程序指令。

本文参考根据本发明的实施例的方法、装置(系统)和计算机程序产品的流程图说明和/或框图来描述本发明的方面。应理解，可以通过计算机可读程序指令实施流程图说明和/或框图中的每一个框，以及流程图说明和/或框图中的框的组合。

用于路由数据流的装置

现在参考图1A，图1A是根据本发明的实施例的用于通过数据通信网路由数据流的装置的简化的框图。路由装置100根据网络模型通过数据通信配置数据流，确定路由何时不遵守对应的所需服务级别(level of service，LOS)并且相应地更新路由模型。LOS规定用于对应的流的至少一个所需性能量度。

如本文所使用，术语“路由”意指沿着所选择的路径通过数据通信网引导数据流。

网络接口110是用于与其它网络元件通信的接口。网络接口110接收用于在数据通信网内路由数据包的流的请求。任选地，网络接口110进一步从通信网络内的监测元件接收信息。在另外或替代实施例中，网络接口110将路由信息输出到通信网络中的其它元件以便有助于沿着所选择路径的数据流。

处理器120执行处理操作并且与网络接口110、存储器140和路由装置100中的其它模块电通信。

路径选择模块130选择用于所请求数据流的路径并且通过所述网络路由所述流。所述路径通过从可更新路由模型将路径选择规则应用到网络模型而选择。网络模型任选地表示为网络状态图。

任选地，路径选择模块130选择期望符合规定LOS的路径。

任选地，LOS规定于在服务提供商(例如，因特网服务提供商)与客户/用户之间的服务级别协议(service level agreement，SLA)中。

路径选择可通过本领域中已知的任何方法执行。任选地，针对网络节点之间的每个链路存储至少一个路由参数，并且路径选择模块130通过将基于约束的路由应用到所存储的路由参数来选择路径。任选地，网络参数在存储器140中存储为路由表146。

流路由可以通过本领域中已知的任何方法执行。任选地，路径选择模块130通过网络接口110发送路由信息到其它网络元件。

分析模块150确定数据路由是否符合所需LOS。任选地，分析模块150通过网络接口110接收通过监测元件收集的数据。监测元件监测通过数据通信网的数据流，并且提供使得分析模块150能够确定通过数据流实现的性能量度的数据。任选地，分析模块150比较所实现的性能与所需性能量度并且确定所实现的性能是否落入LOS所需的范围内。应注意，所述范围可以任何方式界定(例如，在规定的较高和较低水平内，高于规定水平、低于规定水平等)。性能量度的实例包含以毫秒为单位的最大延迟、最大允许误码率等。

存储器140存储包含网络模型141和路由日志145的数据。路由日志145文档记录如通过分析模块150所确定的数据流路由的失败或成功。任选地，路由日志145包含多个流条目，每个条目规定路由和数据流路由符合所需LOS的对应的成功或失败。任选地，在路由日志145中未标记为失败路径的路径默认地标记为成功的。路由日志145可因此充当用于监督ML分析方法的训练集(所述监督ML分析方法处理标记数据集)。

根据本发明的示例性实施例的路由日志在图1B中示出。每个数据路由(条目1…N)被标记为成功或失败。任选地，路由表还存储对应服务级别。路由可通过本领域中已知的任何方法规定。

学习模块160通过处理路由日志145更新路由模型。更新任选地针对获得路由模型，所述路由模型选择符合对应服务级别的路径。路由模型可因此适应于数据流LOS需求中的改变，从而增加遵守所需性能量度的可能性。

任选地，学习模块160通过本领域中已知的任何类型的机器学习分析方法处理路由日志145。在其它可选实施例中，所述机器学习分析方法是使用标记路由作为训练数据集的监督机器学习分析方法。路由的对应的成功或失败充当用于监督机器学习分析方法的训练标记。

在一些实施例中，当更新路由模型时，路径选择模块130基于所更新的模型重新路由一个或多个数据流。重新路由可通过本领域中已知的任何方法执行，并且通过与用于选择用于给定数据流的初始路径相同或不同的路径选择过程执行。

任选地，分析模块150通过比较所实现的性能量度与对应的LOS所需的那些性能量度来根据路由数据流的当前性能重新检查路径标记。分析模块150确定路径的对应的成功/失败标记是否仍然是正确的并且视需要重新标记路由日志条目。因此，路由模型可能连续地和/或自动适用于流量利用率的改变的模式。这与并不考虑改变的网络动态的标准的基于约束的路由形成对照。

分析模块150任选地与路径选择过程异步地重新标记路由日志。另外地或替代地，分析模块150周期性地或在接收外部指令之后重新标记路由日志。

任选地，学习模块160通过处理重新标记的路由日志(例如，使用监督ML分析方法)更新网络模型141。在其它可选实施例中，学习模块160基于具有修正成功或失败标记的路径递增地更新路由模型。这可相对于处理具有修正的和未修正的成功/失败标记的整个路由日志减少计算负担。任选地，使用可调节的ML算法(例如，惰性学习或增量决策树)，以便基于路由的成功或失败中的增量改变微调网络模型141。

任选地，学习模块160通过分析所收集的网络数据以识别所述网络结构和网络参数中的改变来动态地调整网络模型，以确保网络模型表示当前网络结构和参数。

任选地，学习模块160通过在训练数据集上应用ML分析方法来产生初始路由模型。训练数据可以包含以下各项中的一个或多个：

1)初始路由日志(例如，通过网络管理员提供)；

2)从网络收集的数据(例如，当前数据流、网络资源、网络结构等)；以及

3)用于规定类型的数据流的对应的LOS参数。

数据通信网中的路由装置

在一些实施例中，路由装置被集成到数据通信网中。路由装置可被集中(例如，在通信中心处)或在整个网络上分布到多个网络元件中。收集和分析网络和流数据以便连续地更新路由模型，所述路由模型继而视需要修正网络模型以作出符合性能量度需求的路径选择。因此，用于路径选择的网络模型适用于流量利用率的改变模式，这与标准固定的基于约束的路由相反。

路由装置与其它网络元件通信，以便获得维护路由和网络模型这两者所必需的数据，并且配置通过网络的数据流。路由装置可与以下各项中的一个或多个通信：

1)通信网络内的探测元件(例如，用于接收网络参数和流数据)；

2)网络数据库(例如，用于确定数据流的对应的LOS需求)；

3)路由器和转发元件(例如，用于提供用于路由表的流条目)；以及

4)流端点元件(例如，用于接收针对数据流的请求)。

下文针对图3描述了集成到通信网络中的路由装置的示例性实施例。

用于路由数据流的方法

现在参考图2，图2是根据本发明的实施例的通过数据通信网路由数据流的方法的简化流程图。

在200中，接收用于在数据通信网内路由数据包的流的路由请求。

在210中，基于可更新路由模型针对路由请求选择路径。路由模型规定用于路由数据流的规则，其中这些规则应用于网络模型(以及任选地其它数据)。任选地，路径通过如路由模型所规定的基于约束的路由选择。可以使用替代的路径选择规则。

在220中，沿着选定路径通过网络路由数据流。

在230中，分析路由数据流以确定它是否不符合对应的所需服务级别。

在240中，当检测到不符合LOS时，路径在路由日志中被标记为失败。任选地，路径默认地标记为成功。

在250中，路由模型通过处理路由日志而更新。路由模型更新可递增地和/或周期性地执行。

任选地，路由模型通过在路由日志上应用机器学习分析方法而更新。任选地，路由日志包含多个流条目，其中每个条目规定路由和指示路由符合对应的所需服务级别的成功或失败的标签。在另一实施例中，所述机器学习分析方法是监督ML，所述监督ML应用于包含多个对应地标记的路径的路由日志。

任选地，在260中，基于更新模型重新路由失败的数据流。

任选地，在270中，修正网络模型以反映当前网络结构和参数。在一些实施例中，计算存储于网络模型中的一个或多个规定参数的当前值，并且所存储参数被对应的重新计算的参数值代替。网络模型修正可在一个或多个阶段处执行，任选地包括但不限于：

i)在路由模型更新之后；

ii)在分析数据路由失败/成功之后；以及

iii)周期性地。

任选地，网络模型修正通过分析从通信网络中收集的数据和/或通过外部源(例如，通过管理员)提供的数据执行。

任选地，路由日志中的路由的成功/失败标记基于网络流和/或其它数据得到重新评估。路由模型基于路径标记的改变而更新。

任选地，从数据通信网中的监测元件中收集网络流数据。所收集的数据可用于确定通过数据流实现的性能量度。任选地，将通过数据流实现的性能量度与LOS的需求相比，以便确定路由的成功或失败。

在下文中呈现的示例性实施例中，服务级别表示为SLA。术语“SLA”并未意图是限制性的。可以使用建立用于数据流的所需性能量度的其它方式。

数据通信网中的示例性路由装置

现在参考图3，图3是根据本发明的示例性实施例的在数据通信网内工作的路由装置的简化系统图。

图3的示例性路由装置包含：

I)标记流表310：格式为流表的路由日志，具有指示路径遵守流的LOS的成功或失败的每个流的标签。流分析表列出每个流所需的一个或多个性能量度(表示为“Param”)。

II)分析模块320从通信网络350中的计量点收集网络流量参数并且构建网络状态图(即，网络模型)。分析模块320比较所测量的网络参数与流的LOS，并且根据所更新的网络参数在流表310中标记(或重新标记)流条目。举例来说，将所测量的沿着流径的实际延迟与LOS所允许的最大延迟进行比较，并且当超过最大延迟时将流条目标记为失败。

在示例性实施例中，状态图是点到点的、每个流/隧道计量端点的，具有基于每端口计量的每条链路。为了动态地测量KPI(即，网络参数)，例如Y.1731等可操作运营、管理和性能(Operational Administration，Management and Performance，OAMP)协议用于不断地且连续地收集和记录此类数据。

III)路径选择模块330：使用路由模型和路由表340选择用于所请求数据流的路径。路由表340规定通信网络350中的每链路的一个或多个成本。成本是与对应的所测量参数相关联的权重。举例来说，链路上的较大的延迟增加了与其相关联的成本，具有成本最小化路由规则的路由模型将尽可能地避免此类链路(禁止其它约束)。

IV)可调节分析方法引擎360充当学习模块，所述学习模块使用ML分析方法更新路由模型。所述路由模型是通过以下各项中的一个或两个而任选地更新的：

i.通过将ML分析方法应用到可供使用的数据而周期性地重新计算路由模型；以及

ii.使用在线ML算法在运行中递增地更新。

任选地，可调节分析方法引擎360动态地维护网络模型使得它反映当前网络结构和网络参数。

V)网络KPI和指标DB 370存储网络参数。所述网络KPI和指标DB可通过分析模块320和可调节分析方法引擎360这两者访问；以及

VI)用户信息数据库380存储用户信息(例如，SLA)，所述用户信息是通过用户和/或管理员任选地配置的。

路由数据的方法

现在参考图4，图4是根据本发明的示例性实施例的通过网络路由数据的方法的简化流程图。

在410中，输入SLA和网络数据。

在420中，构建初始路由模型。举例来说，路由模型可初始地用默认路由模型定义，所述默认路由模型由从通信网络中收集的统计数据提供。

在430中，接收流请求并且选择每个请求的路径。对于每个新的流，使用当前路由模型和网络模型执行基于约束的路由。新路径默认地标记为成功。连续地执行网络计量。

在440中，更新网络QoS图。QoS图是网络模型的属性，所述QoS图示出了根据网络的实际负荷和/或物理能力由网络提供的服务级别。举例来说，在高负载下，网络可仅能够提供50毫秒的最小延迟。

在450中，对流进行检查以确定它们是否遵守它们的对应的SLA。对于指标更新的每个速率，相比于当前网络指标异步地重新评估路由决策。根据当前网络状态视需要重新标记路径。当所有流都遵守对应的SLA时，流处理在430处继续。

在460中，当流并不遵守它们的对应的SLA时，受影响的流被重新标记为失败。

在470中，确定是否执行在线路由模型更新。当执行在线路由模型更新时，在480中，通过将ML应用于重新标记的流(如在460中所确定的)，路由模型递增地更新。当并未执行在线ML更新时，在490中，数据累积并且路由模型周期性地更新。

如上文所描述的方法用于制造集成电路芯片。

图中的流程图和框图阐述了根据本发明各个实施例的系统、方法以及计算机程序产品的可能实现方式的结构、功能以及操作。此时，流程图或框图中的每个框都可以表示一个模块、片段或一部分代码，包括一个或多个用于实现特定逻辑功能的可执行指令。也应注意的是，在一些可替代的实现方式中，方框中指出的功能可以不按照图中的顺序实现。例如，事实上，连续示出的两个方框可以几乎同时执行，或者有时候，方框可以按照相反的顺序执行，这取决于所涉及的功能。也应注意的是，框图和/或流程图中的每个框以及框图和/或流程图中的框组合可以由基于专用硬件的系统执行，该系统执行特定的功能或动作，或者执行专用硬件和计算机指令的组合。

对本发明各个实施例的描述只是以说明为目的，而不局限于此或此处公开的实施例。在不偏离此处所述的实施例的范围和精神的前提下，多种修正和变形对本领域技术人员而言是显而易见的。相比于市场上可找到的技术，选择此处使用的术语可最好地解释本实施例的原则、实际应用或技术进步，或使本领域其他技术人员理解此处公开的实施例。

期望的是在由此应用充分发展的专利的有效期期间，将研发出许多相关机器学习分析方法、监督机器学习分析方法、数据流路由、路由模型、服务级别规范和网络模型表示，并且术语“机器学习分析方法”、“监督机器学习分析方法”、“数据流路由”、“路由模型”、“服务级别”和“网络模型”的范围意图先验地包含所有此类新技术。

术语“包括”以及“有”表示“包括但不限于”。这个术语包括了术语“由……组成”以及“本质上由……组成”。

除非上下文中另有明确说明，此处使用的单数形式“一个”和“所述”包括复数含义。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。

此处使用的词“示例性的”表示“作为一个例子、示例或说明”。任何“示例性的”实施例并不一定理解为优先于或优越于其他实施例，和/或并不排除其他实施例特点的结合。

此处使用的词语“可选地”表示“在一些实施例中提供且在其他实施例中没有提供”。本发明的任意特定的实施例可以包括多个“可选的”特征，除非这些特征相互矛盾。

当此处指出一个数字范围时，表示包括了在指出的这个范围内的任意所列举的数字(分数或整数)。短语在第一个所指示的数和第二个所指示的数“范围内”以及“从”第一个所指示的数到“第二个所指示的数范围内”和在这里互换使用，表示包括第一个和第二个所指示的数以及二者之间所有的分数和整数。

单个实施例也可以提供某些特征的组合，这些特征在各个实施例正文中有简短的描述。相反地，本发明的各个特征在单个实施例的正文中有简短的描述，也可以分别提供这些特征或任何适合的子组合或者作为本发明所述的任何合适的其他实施例。不可认为各个实施例的正文中描述的某些特征是这些实施例的必要特征，除非没有这些元素，该实施例无效。

尽管已结合本发明的特定实施例描述本发明，但显而易见的是，对于所属领域的技术人员来说，许多替代方案、修正以及变化将是清楚的。因此，期望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、修正以及变化。

Claims (15)

1.一种用于通过数据通信网路由数据流的装置，其特征在于，所述装置包括：

网络接口(110)，用于接收用于在所述数据通信网内路由数据包的流的请求；

与所述网络接口(110)电通信的硬件处理器(120)；

与所述硬件处理器(120)电通信的非暂时性存储器(140)，所述存储器(140)具有存储在其上的：网络结构和网络参数的网络模型(141)以及文档记录路由多个流的多个路径的对应的成功或失败的路由日志(145)；

与所述硬件处理器(120)、所述网络接口(110)和所述存储器(140)电通信的路径选择模块(130)，用于通过所述网络路由所述流，其中所述路径是基于包括用于路径选择的规则的可更新路由模型选择的，所述规则应用于所述网络模型(141)；

与所述硬件处理器(120)和所述存储器(140)电通信的分析模块(150)，用于确定所述路径符合对应的所需服务级别的失败，所述所需服务级别规定用于所述流的至少一个所需性能量度，并且用于在所述路由日志(145)中存储所述失败；以及

与所述硬件处理器(120)和所述存储器(140)电通信的学习模块(160)，用于通过处理所述路由日志(145)更新所述路由模型，

其中，一旦所述路由模型更新，那么所述路径选择模块(130)用于基于所述更新的路由模型重新路由所述流。

2.根据权利要求1所述的装置，其特征在于，所述学习模块(160)进一步用于通过分析所收集的网络数据以识别所述网络结构和网络参数中的改变来调整所述网络模型(141)。

3.根据权利要求1或2所述的装置，其特征在于，所述更新涉及获得选择符合对应的所需服务级别的路径的路由模型。

4.根据权利要求1到3中任一权利要求所述的装置，其特征在于，所述更新包括在所述路由日志(145)上应用机器学习分析方法。

5.根据权利要求1到4中任一权利要求所述的装置，其特征在于，所述路由日志(145)包括多个流条目，每个条目规定路径和所述路径符合所述对应的所需服务级别的对应的成功或失败。

6.根据权利要求5所述的装置，其特征在于，所述更新包括在所述路由日志(145)上应用监督机器学习分析方法，其中所述对应的成功或失败充当用于通过所述监督机器学习分析方法处理的流条目的训练标记。

7.根据权利要求6所述的装置，其特征在于，所述分析模块(150)进一步用于基于获得的数据流性能量度在所述路由日志(145)中重新标记路由的成功或失败，其中所述更新包括在所述重新标记的路由日志(145)上应用所述监督机器学习分析方法。

8.根据权利要求7所述的装置，其特征在于，所述学习模块(160)用于基于具有修正的成功或失败的路径递增地更新所述路由模型。

9.根据权利要求7或8所述的装置，其特征在于，所述重新标记与数据流路由异步地执行。

10.根据权利要求1到9中任一权利要求所述的装置，其特征在于，所述网络模型(141)包括通过链路互连的多个节点，以及两个网络节点之间的每个链路的至少一个网络参数，并且其中所述路径选择模块(130)用于将基于约束的路由应用于所述网络参数。

11.根据权利要求1到10中任一权利要求所述的装置，其特征在于，所述分析模块(150)进一步用于通过所述网络接口(110)接收通过监测通过所述数据通信网路由的所述数据流的性能量度的监测元件收集的数据以及从其中识别所述流遵守所述对应的所需服务级别的失败。

12.一种通过数据通信网路由数据流的方法，其特征在于，包括：

接收用于在所述数据通信网内路由数据包的流的路由请求；

基于包括用于路径选择的规则的可更新路由模型选择用于所述路由请求的路径，所述规则应用于网络结构和网络参数的网络模型(141)；

在所述网络内通过所述所选定路径路由所述数据流；

分析所述所路由的数据流以确定不符合对应的所需服务级别，所述所需服务级别规定用于所述流的至少一个所需性能量度；

在将路由多个流的多个路径的对应的失败文档记录在所述数据通信网内的路由日志(145)中存储所述失败；

通过处理所述路由日志(145)更新所述路由模型；以及

通过基于所述所更新的路由模型选择的新路径重新路由所述数据流。

13.根据权利要求12所述的方法，其特征在于，所述路由日志(145)包括多个流条目，每个条目规定路径和所述路径符合所述对应的所需服务级别的对应的成功或失败，其中所述更新包括在所述路由日志(145)上应用监督机器学习分析方法，其中所述对应的成功或失败充当用于通过所述监督机器学习分析方法处理的流条目的训练标记。

14.根据权利要求12或13所述的方法，其特征在于，进一步包括：监测通过所述数据通信网的所述流的路由以确定所述流符合所述对应的服务级别的成功或失败；相应地在所述路由日志(145)中重新标记所述路由的成功或失败；通过处理所述重新标记的路由日志(145)更新所述路由模型。

15.根据权利要求12到14中任一权利要求所述的方法，其特征在于，进一步包括从所述数据通信网中的监测元件收集网络流数据，其中所述分析包括比较确定用于所述流的所实现的性能量度以及比较所述所实现的性能量度与所述所需服务级别。