CN107294658A - 一种网控编码中的编码节点选取方法 - Google Patents
一种网控编码中的编码节点选取方法 Download PDFInfo
- Publication number
- CN107294658A CN107294658A CN201710532523.4A CN201710532523A CN107294658A CN 107294658 A CN107294658 A CN 107294658A CN 201710532523 A CN201710532523 A CN 201710532523A CN 107294658 A CN107294658 A CN 107294658A
- Authority
- CN
- China
- Prior art keywords
- chromosome
- coding
- node
- mrow
- fitness
- 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
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0076—Distributed coding, e.g. network coding, involving channel coding
- H04L1/0077—Cooperative coding
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开一种网控编码中的编码节点选取方法,应用于网络信息传输领域;首先确定染色体的编码方案,其次根据遗传算法的基本步骤迭代计算得到最终可行解方案集,最后在可行解方案集中选择最优染色体进行优化;为了避免遗传算法陷入局部性,通过交叉和变异环节补充一部分新的成员作为下一迭代种群的一部分;并通过优化算法,降低了因为交叉方式、变异概率等不一样,对最后结果产生的影响。
Description
技术领域
本发明属于网络信息传输领域,特别涉及网控编码中编码节点的选取技术。
背景技术
随着移动社交、云计算、大数据等网络业务的不断丰富,网络通信需求越来越大,这给现有网络带来了巨大的容量压力。虽然升级网络硬件、提高网络带宽能够解决部分压力,但通常伴随着高昂的升级成本,因此现有的网络信息传输技术已经很难适应当下快速、实时传输信息的需求。
网控编码技术将整体网络视为统一的信息转移空间,把SDN/NFV技术对全网的整体掌握、灵活控制与网络编码的“存储-编码-转发”思想相结合,实施根据网络拓扑和流量特征而灵活设计、动态调整的、流量-拓扑-编码联合优化编排的网络协作编码,实现流量间的协同、压缩甚至合并传输,进一步提升网络的传输效率及网络的可控可定义性。因此,网控编码具有广阔的应用前景。
然而,当前网控编码技术尚未解决网络中由哪些节点充当编码节点、以及如何进行编码的问题;这将严重限制网控编码技术的实用效果。
发明内容
本发明为解决上述技术问题,提出了一种网控编码中的编码节点选取方法,首先确定染色体的编码方案,其次根据遗传算法的基本步骤迭代计算得到最终可行解方案集,最后在可行解方案集中选择最优染色体进行优化。
本发明采用的技术方案是:一种网控编码中的编码节点选取方法,包括:
建立SDN网络拓扑的网络编码节点选取问题与遗传算法之间的映射,得到该SDN网络拓扑对应的若干染色体;
确定初始染色体种群,根据遗传算法,对初始染色体种群进行迭代,获得可行解方案集;
对可行解方案集进行优化,得到编码节点。
进一步地,所述建立网络拓扑的网络编码节点选取问题与遗传算法之间的映射,得到该网络拓扑对应的若干染色体;具体为:
将给定的SDN网络拓扑进行预处理,对存在两个节点之间有多条边的情况,通过在边中间添加虚拟节点,使得两节点之间只存在一条边,得到处理之后的SDN网络拓扑;
确定经处理之后的SDN网络拓扑中节点的各输出边的信息向量,将该节点的所有输出边的信息向量组合,得到该节点的信息向量;该节点的所有输出边的信息向量包括若干组合方式;每一种组合方式对应节点的信息向量的一种取值;根据确定的各个节点的信息向量取值进行组合得到一条染色体;则该SDN网络拓扑对应若干条染色体。
更进一步地,所述节点的各输出边的信息向量的确定过程为:当节点的输出边j的信息受输入边i的信息的影响,则aij=1,否则aij=0;当节点的输出边j受至少两个输入边的影响时,输出边j为编码边;则节点的第j条输出边的信息向量表示为:aj=(aij),且i∈{1,...,k},j∈{1,...,l};
其中,aij表示第i条输入边对第j条输出边的影响;k表示节点输入边的条数;l表示节点输出边的条数。
更进一步地,所述染色体的长度为:
其中,din(v)为节点v的入度,dout(v)为节点v的出度。
进一步地,所述确定初始种群,根据遗传算法,对初始种群进行迭代,获得可行解方案集;具体为:
将各染色体中汇点的输出边向量中1的个数设置为大于或等于2,非汇点的输出边向量随机设为0或1;并将处理后的所有染色体作为初始染色体种群;
确定初始染色体种群中各染色体的适应度;具体为:根据染色体是否可行,确定各个染色体的适应度,当染色体可行时,适应度为该染色体编码边的条数;否则为无穷大;
将适应度为无穷大的染色体去除,然后在剩余的染色体中根据轮盘赌法选择一部分染色体作为下一次迭代的染色体种群的一部分;再通过交叉、变异补充得到新的染色体加入到下一次迭代的染色体种群中;
迭代结束后,得到可行解方案集。
更进一步地,所述染色体是否可行的判断过程为:若该染色体中每个目的节点处的全局转移矩阵均满秩,则该染色体可行;否则染色体不可行。
进一步地,所述对可行解方案集进行优化,得到编码节点;具体为:
首先,对可行解方案集进行优化,在可行解方案集中选出适应度最小的染色体,然后执行以下过程:
遍历该染色体的编码边,依次删除,求得删除对应编码边后的然提提适应度;若删除该编码边后,该染色体的适应度无穷大,则恢复成删除该编码边之前的染色体;否则删除该编码边,并输出删除该编码边后的染色体;
继续删除下一编码边,若删除该编码边后,该染色体的适应度无穷大,则恢复成删除该编码边之前的染色体;否则删除该编码边,并输出删除该编码边后的染色体;一直到遍历完染色体中所有编码边,优化结束;
最后,根据优化后得到的该适应度最小的染色体获得网络中的编码节点。
本发明的有益效果:本发明的一种网控编码中的编码节点选取方法,以遗传算法为基础,通过代数编码理论将网络编码节点选取问题进行映射;并根据遗传算法迭代计算得到映射后的染色体的可行解方案集;本发明中为了避免遗传算法陷入局部性,通过交叉和变异环节补充一部分新的成员作为下一迭代种群的一部分;并通过优化算法,降低了因为交叉方式、变异概率等不一样,对最后结果产生的影响;从而填补了网控编码当前技术上的空白,解决了SDN网络中预约多播式流量传输效率低下的问题。
附图说明
图1为本发明的方案流程图;
图2为本发明实施例提供的染色体编码示意图;
图3为本发明实施例提供的节点信息向量的一种取法的示意图;
图4为本发明实施例提供的节点信息向量的另一种取法的示意图;
图5为本发明实施例提供的方案验证示意图。
具体实施方式
为便于本领域技术人员理解本发明的技术内容,下面结合附图对本发明内容进一步阐释。
首先介绍以下两个概念:
汇点:输入边大于等于2的点。
组合包:一个组合包网络N(V,E,S,T,A)包括如下几个性质:
1)有限有向无环多重图G(V,E),其中V表示图G(V,E)的顶点集合,E表示图G(V,E)的有向边的多重集合。
2)无重复源节点集合
3)无重复目的节点集合
4)有限的数据包符号集A。
图G(V,E)中的顶点代表包交换网络中的通信节点,有向边代表通信节点之间的无差错传输信道。有向边(u,v)具有单位容量,即每条边每次只能将一个数据包从点u传到点v,如果要进行更大容量的传输,可以在u与v之间连接若干条平行边,因此图G(V,E)是一个多重图。
本发明的技术方案基于以下模型:
给定SDN网络图G(V,E),满足组合包图的条件,|S|=1,S表示源节点的集合,单源点s∈V,|T|=d,T表示目的节点的集合,d个目的节点,期望多播速率R,当存在一种方式使得所有目的节点都能够收到源节点发送的信息时,则称速率R可达。
其中,V表示图G(V,E)的顶点集合,E表示图G(V,E)的有向边的多重集合。
基于上述模型,本申请采用CNS算法使得网络编码节点数目最少,并最终得到具体的编码节点。如图1所示为本申请的方案流程图,本申请的技术方案为:一种网控编码中的编码节点选取方法,包括:
建立SDN网络拓扑的网络编码节点选取问题与遗传算法之间的映射,得到该SDN网络拓扑对应的若干染色体;
确定初始染色体种群,根据遗传算法,对初始染色体种群进行迭代,获得可行解方案集;
对可行解方案集进行优化,得到编码节点。
1、建立网络编码节点选取问题与遗传算法之间的映射,得到各节点对应的染色体;
具体为:将给定的SDN网络拓扑进行预处理,对存在两个节点之间有多条边的情况,通过在边中间添加虚拟节点,使得两节点之间只存在一条边,得到处理之后的SDN网络拓扑;
确定经处理之后的SDN网络拓扑中节点的各输出边的信息向量,将该节点的所有输出边的信息向量组合,得到该节点的信息向量;该节点的所有输出边的信息向量包括若干组合方式;每一种组合方式对应节点的信息向量的一种取值;根据确定的各个节点的信息向量取值进行组合得到一条染色体;则该SDN网络拓扑对应若干条染色体。具体如下:
对于汇点v,存在k(k≥2)条输入边,l(l≥1)条输出边,如图2所示。对于i∈{1,...,k},j∈{1,...,l},当输出边j的信息受输入边i的信息的影响(即如图2中所示的影响染色体输出边y1的输入边x1、x3,以及影响输出边y2的输入边x2),则设置aij=1,否则aij=0,当j受两个及以上输入边的影响(如图2中的输出边y1),则j为编码边;因此第j条输出边可用向量aj=(aij)表示,把aj称为一个块(block)。那么点v的信息向量由l个block组成。对于非汇点,也采用这种方式进行编码,只不过此时该点的aj的长度为1。
如图3所示,点1为源点,即发送信息的一方,点6点7为目的节点,即接收信息的一方。假设此时点1要发送两个包a和b使得点6,7都能正确接收到信息。
汇点为输入边至少为2的点,非汇点为输入边小于2的点。那么在图3中,4、6、7为汇点,1、2、3、5为非汇点。
以点2为例,左边输出边的信息向量为1,右边输出边的信息向量也为1,点2的信息向量为两者的组合即:11。其他点的信息向量确定方法同点2,此处不再赘述;对于点1,没有输入边,对于点6、7,没有输出边,所以这3个点的信息向量长度为0;例如点4,它只有一条输出边,且受两条输入边影响,该输出边的信息向量为11,所以这条输出边为编码边。
综上,该染色体为:11111111。
但是并非每个点的信息向量只有一种取法,如图4所示的节点信息向量取法,对应的染色体为:10111011;所以,若每个节点的信息向量唯一确定,那么该拓扑的染色体就唯一确定;但每个节点的信息向量有多种取法,所以一个拓扑可以对应多个染色体。
每个染色体的长度为:din(v)为点v的入度,dout(v)为点v的出度。一旦网络拓扑确定,则每个节点对应的出度与入度也就确定了。
2、确定初始染色体种群,根据遗传算法,对初始染色体种群进行迭代,获得可行解方案集;
具体为:将各染色体中输出边的向量中1的个数设置为大于或等于2;并将处理后的所有染色体作为初始染色体种群;
确定初始染色体种群中各染色体的适应度;具体为:根据染色体是否可行,确定各个染色体的适应度,当染色体可行时,适应度为该染色体编码边的条数;否则为无穷大;
染色体的适应度按照下式计算:
其中,y代表一条染色体。
y的可行性计算判断过程为:若该染色体中每个目的节点处的全局转移矩阵均满秩,则该染色体可行;否则染色体不可行;各个目的节点处的全局转移矩阵计算式如下:
Mi=Ci(I-A)-1B;i∈{1,...,d}
其中,Mi表示源点s到第i个目的节点的全局转移矩阵,Ci表示第i个目的节点关注的要接收的数据包的分量,I是单位矩阵,A为网络图中所有边之间的相互耦合关系矩阵,B为网络中各边与进入网络的数据包之间的耦合关系矩阵。这些矩阵都可以在染色体确定后通过代数编码理论求得。
将适应度为无穷大的染色体去除,然后在剩余的染色体中根据轮盘赌法选择一部分染色体作为下一次迭代的染色体种群的一部分;为了避免遗传算法陷入局部性,需要在下一下次迭代的种群最后中补充一部分新的成员,本申请通过交叉和变异环节来实现;在交叉时,可以采取单点交叉法或者多点交叉法,变异环节以很小的概率改变染色体中的某些位。迭代结束后,得到可行解方案集。具体迭代次数在实验时确定;一般将迭代次数设的较大,以保证解的质量,但也受实际情况影响;如拓扑大小,拓扑大,迭代次数较大。
3、由于遗传算法的可变因素很多,选择的交叉方式、变异概率等不一样,将导致最后的结果也不一样。因此本申请通过对得到的可行解方案集进行优化,得到编码节点;具体为:
首先,对可行解方案集进行优化,在可行解方案集中选出适应度最小的染色体,即最优的染色体,然后执行以下过程:
当染色体确定之后,对应的编码边也就相应确定,本实施例中采取顺序遍历编码边的方法,从前到后依次删除;若删除该编码边后,该染色体的适应度无穷大,则恢复成删除该编码边之前的染色体;否则执行删除该编码边,输出删除该编码边后的染色体;
继续删除下一编码边,若删除该编码边后,该染色体的适应度无穷大,则恢复成删除该编码边之前的染色体;否则执行删除该编码边,输出删除该编码边后的染色体;当染色体中所有编码边都被遍历后,优化结束。
最后,根据优化后得到的该适应度最小的染色体获得网络中的编码节点。
本申请方法的验证如下:
如图5所示,在前面给出的图3、图4中;只有图3所示的染色体编码方法才能让目的节点正确接收到a和b两个信息,且得到编码节点为点4,具体为:
图5中,点1的两条输出边,一条传信息a,一条传信息b。由于点2的两条输出边都受输入边的影响,所以两条输出边都传送信息a,对于点3也一样,在点4处,其输出边受两条输出边的影响,所以传送的信息为a+b,依此类推,最终点6接收到的信息为a,a+b,点7收到的信息为b,a+b。相当于对于点6处的全局转移矩阵而对于点7处的全局转移矩阵为,两个矩阵都是满秩的,说明两个接收点都可以正确接收a,b两个信息。
其中,a+b的加号表示异或。并且此处M1、M2的计算进行了简化,但其通用的计算方式为Mi=Ci(I-A)-1B;i∈{1,...,d}。
本申请采用的CNS算法伪代码如下:
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (7)
1.一种网控编码中的编码节点选取方法,其特征在于,包括:
建立SDN网络拓扑的网络编码节点选取问题与遗传算法之间的映射,得到该SDN网络拓扑对应的若干染色体;
确定初始染色体种群,根据遗传算法,对初始染色体种群进行迭代,获得可行解方案集;
对可行解方案集进行优化,得到编码节点。
2.根据权利要求1所述的一种网控编码中的编码节点选取方法,其特征在于,所述建立网络拓扑的网络编码节点选取问题与遗传算法之间的映射,得到该网络拓扑对应的若干染色体;具体为:
将给定的SDN网络拓扑进行预处理,对存在两个节点之间有多条边的情况,通过在边中间添加虚拟节点,使得两节点之间只存在一条边,得到处理之后的SDN网络拓扑;
确定经处理之后的SDN网络拓扑中节点的各输出边的信息向量,将该节点的所有输出边的信息向量组合,得到该节点的信息向量;该节点的所有输出边的信息向量包括若干组合方式;每一种组合方式对应节点的信息向量的一种取值;根据确定的各个节点的信息向量取值进行组合得到一条染色体;则该SDN网络拓扑对应若干条染色体。
3.根据权利要求2所述的一种网控编码中的编码节点选取方法,其特征在于,所述节点的各输出边的信息向量的确定过程为:当节点的输出边j的信息受输入边i的信息的影响,则aij=1,否则aij=0;当节点的输出边j受至少两个输入边的影响时,输出边j为编码边;则节点的第j条输出边的信息向量表示为:aj=(aij),且i∈{1,...,k},j∈{1,...,l};
其中,aij表示第i条输入边对第j条输出边的影响;k表示节点输入边的条数;l表示节点输出边的条数。
4.根据权利要求/3所述的一种网控编码中的编码节点选取方法,其特征在于,所述染色体的长度为:
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>&Element;</mo>
<mi>V</mi>
</mrow>
</munder>
<msub>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>d</mi>
<mrow>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,din(v)为节点v的入度,dout(v)为节点v的出度。
5.根据权利要求1所述的一种网控编码中的编码节点选取方法,其特征在于,所述确定初始种群,根据遗传算法,对初始种群进行迭代,获得可行解方案集;具体为:
将各染色体中汇点的输出边向量中1的个数设置为大于或等于2,非汇点的输出边向量随机设为0或1;并将处理后的所有染色体作为初始染色体种群;
确定初始染色体种群中各染色体的适应度;具体为:根据染色体是否可行,确定各个染色体的适应度,当染色体可行时,适应度为该染色体编码边的条数;否则为无穷大;
将适应度为无穷大的染色体去除,然后在剩余的染色体中根据轮盘赌法选择一部分染色体作为下一次迭代的染色体种群的一部分;再通过交叉、变异补充得到新的染色体加入到下一次迭代的染色体种群中;
迭代结束后,得到可行解方案集。
6.根据权利要求1所述的一种网控编码中的编码节点选取方法,其特征在于,所述对可行解方案集进行优化,得到编码节点;具体为:
首先,对可行解方案集进行优化,在可行解方案集中选出适应度最小的染色体,然后执行以下过程:
遍历该染色体的编码边,依次删除,求得删除对应编码边后的然提提适应度;若删除该编码边后,该染色体的适应度无穷大,则恢复成删除该编码边之前的染色体;否则删除该编码边,并输出删除该编码边后的染色体;
继续删除下一编码边,若删除该编码边后,该染色体的适应度无穷大,则恢复成删除该编码边之前的染色体;否则删除该编码边,并输出删除该编码边后的染色体;一直到遍历完染色体中所有编码边,优化结束;
最后,根据优化后得到的该适应度最小的染色体获得网络中的编码节点。
7.根据权利要求5或6所述的一种网控编码中的编码节点选取方法,其特征在于,所述染色体是否可行的判断过程为:若该染色体中每个目的节点处的全局转移矩阵均满秩,则该染色体可行;否则染色体不可行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710532523.4A CN107294658B (zh) | 2017-07-03 | 2017-07-03 | 一种网控编码中的编码节点选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710532523.4A CN107294658B (zh) | 2017-07-03 | 2017-07-03 | 一种网控编码中的编码节点选取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107294658A true CN107294658A (zh) | 2017-10-24 |
CN107294658B CN107294658B (zh) | 2020-07-07 |
Family
ID=60098432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710532523.4A Active CN107294658B (zh) | 2017-07-03 | 2017-07-03 | 一种网控编码中的编码节点选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107294658B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109699091A (zh) * | 2019-01-28 | 2019-04-30 | 南京邮电大学 | 一种无线传感器网络系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777990A (zh) * | 2010-01-15 | 2010-07-14 | 西安电子科技大学 | 多目标免疫优化组播路由路径选择方法 |
CN103685020A (zh) * | 2013-11-25 | 2014-03-26 | 重庆邮电大学 | 一种基于遗传算法的光多播树最小代价路由方法 |
CN105071947A (zh) * | 2015-07-06 | 2015-11-18 | 山东超越数控电子有限公司 | 一种sdn网络的链路优化方法 |
CN105594180A (zh) * | 2014-01-29 | 2016-05-18 | 华为技术有限公司 | 节点间通信处理方法及路由确定节点 |
KR101661743B1 (ko) * | 2015-04-07 | 2016-10-11 | 경기대학교 산학협력단 | 대용량 트래픽 방어를 위한 소프트웨어 정의 네트워크 시스템 및 방법 |
-
2017
- 2017-07-03 CN CN201710532523.4A patent/CN107294658B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777990A (zh) * | 2010-01-15 | 2010-07-14 | 西安电子科技大学 | 多目标免疫优化组播路由路径选择方法 |
CN103685020A (zh) * | 2013-11-25 | 2014-03-26 | 重庆邮电大学 | 一种基于遗传算法的光多播树最小代价路由方法 |
CN105594180A (zh) * | 2014-01-29 | 2016-05-18 | 华为技术有限公司 | 节点间通信处理方法及路由确定节点 |
KR101661743B1 (ko) * | 2015-04-07 | 2016-10-11 | 경기대학교 산학협력단 | 대용량 트래픽 방어를 위한 소프트웨어 정의 네트워크 시스템 및 방법 |
CN105071947A (zh) * | 2015-07-06 | 2015-11-18 | 山东超越数控电子有限公司 | 一种sdn网络的链路优化方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109699091A (zh) * | 2019-01-28 | 2019-04-30 | 南京邮电大学 | 一种无线传感器网络系统 |
CN109699091B (zh) * | 2019-01-28 | 2021-09-14 | 南京邮电大学 | 一种无线传感器网络系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107294658B (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114417417B (zh) | 一种基于联邦学习的工业物联网隐私保护系统及方法 | |
CN103036792B (zh) | 一种最大化最小公平多数据流传输调度方法 | |
CN105515987B (zh) | 一种基于sdn架构面向虚拟光网络的映射方法 | |
CN105976020B (zh) | 一种考虑小波跨层关联性的网络流量预测方法 | |
CN103298009B (zh) | 复杂无线网络控制系统的建模及故障传播方法 | |
CN103532889B (zh) | 一种软输出并行堆栈mimo信号检测方法 | |
CN103888391B (zh) | 基于双Sigmoid混沌神经网络的信号盲检测方法 | |
CN103596191A (zh) | 一种无线传感器网络智能配置系统及其方法 | |
CN106685745A (zh) | 一种网络拓扑构建方法及装置 | |
CN111985562A (zh) | 一种保护端侧隐私的端云协同训练系统 | |
CN107480913A (zh) | 一种基于改进灰狼算法的分布式电源选址定容系统及方法 | |
CN113312177A (zh) | 一种基于联邦学习的无线边缘计算系统、优化方法 | |
CN107294658A (zh) | 一种网控编码中的编码节点选取方法 | |
CN106850253A (zh) | 一种基于多状态网络的传输时间可靠性测量的方法 | |
Yu et al. | Distributed soft clustering algorithm for IoT based on finite time average consensus | |
CN103336876A (zh) | 一种基于多智能体的开环配电网潮流仿真方法 | |
Liu et al. | EAGLE: Heterogeneous GNN-based Network Performance Analysis | |
CN115169538A (zh) | 基于增强网络对比约束的多通道社交圈子识别装置及方法 | |
CN115001978A (zh) | 一种基于强化学习模型的云租户虚拟网络智能映射方法 | |
Li et al. | Software-defined gpu-cpu empowered efficient wireless federated learning with embedding communication coding for beyond 5g | |
CN105099466A (zh) | 一种用于128位并行数据的crc校验矩阵生成方法 | |
Skachek et al. | Subspace synchronization: a network-coding approach to object reconciliation | |
CN104661236A (zh) | 一种无线多跳网络建模方法及仿真平台 | |
CN105142198A (zh) | 一种使用微分进化求解无线传感器网络最优路径的方法 | |
CN103701940B (zh) | 一种网络管理系统下的地址解析协议配置方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |