CN107425997A - 类人网的网络架构及实现方法 - Google Patents
类人网的网络架构及实现方法 Download PDFInfo
- Publication number
- CN107425997A CN107425997A CN201710188751.4A CN201710188751A CN107425997A CN 107425997 A CN107425997 A CN 107425997A CN 201710188751 A CN201710188751 A CN 201710188751A CN 107425997 A CN107425997 A CN 107425997A
- Authority
- CN
- China
- Prior art keywords
- network
- key
- course
- information
- decision
- 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
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/46—Interconnection of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Computer And Data Communications (AREA)
Abstract
类人网的网络架构及实现方法,涉及网络架构领域,包括用户层、网络层、控制层和应用层;用户层用于提供信息给控制层;网络层用于数据的传送、接受并执行控制层的指令以及感知网络状态、环境信息和其它网络的知识,提交到控制层;控制层用于获取并加工来自应用层、用户层和网络层的信息,存储加工后的信息和其它网络的知识;还用于生成关联网络状态和决策的知识,并加入数据库;以及控制实体还用于针对当前网络状态得到决策、通过仿真进行决策演习、评估决策实施最佳时机、实施决策、对结果评估并反馈;应用层用于接收控制层提供的信息以及为控制层提供所需信息。本发明提高网络本身的健壮度,提高对网络攻击的防御,提供更优质的功能和性能。
Description
技术领域
本发明涉及网络架构领域,具体来讲涉及类人网的网络架构及实现方法。
背景技术
互联网的飞速发展,使得当前网络为了满足日益增长的需求,网络功能需要不断增强,网络本身也正变得越来越复杂,网络面临的挑战也越来越强,当然这也进一步推动了网络技术相关研究的开展,促进了网络的演化。当前,网络正在快速向智能化、软件化、虚拟化、绿色等方向发展,发展过程中也提出了一系列研究课题。一方面,网络本身的健壮性、如何防御网络攻击、如何持续更好的提供更优质的功能性能等方面的要求也越来越受业界重视;另一方面,网络本身也有自我保护、自我协调、自我优化等方面完善的需要。这两方面的需求都要求新的网络技术和方法来满足。
“认知网”的概念的提出,标志着人工智能技术与网络技术结合的开始,也提供了满足上述两方面的需求的一种思路。但“认知网”的概念从2011年提出以来,并未有实质性的研究进展,网络体系架构也未清晰或定型,并没有获得真正意义上的应用。同时,在过去的几年中,诸如软件定义网络、网络功能虚拟化、云计算等等的网络技术,诸如人工神经网络、深度学习、基因算法等人工智能技术,诸如大容量联机分析和数据挖掘等等的大数据处理技术都获得了深入研究,取得了长足的进步。同时网络本身无论是规模、容量、复杂度、用户数都有飞跃式的变化。但是并没有一种新的网络架构将上述技术结合起来。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种类人网的网络架构及实现方法,将人工智能技术和网络技术相结合,提高网络本身的健壮度,提高对网络攻击的防御,提供更优质的功能和性能,完善各方面优化。
为达到以上目的,本发明采取一种类人网的网络架构,包括用户层、网络层、控制层和应用层,用户层包括用户终端设备,用于和用户交互信息,并提供信息给控制层;网络层包括数据子网和感知子网,数据子网用于数据的传送,以及接受并执行控制层的指令;感知子网用于感知网络状态和环境信息,并提交到控制层;控制层包括知识库和多个控制实体,控制实体用于获取并加工来自应用层、用户层和网络层的信息,知识库用于存储加工后的信息和从控制层其它网络学习到的知识;控制实体还用于通过自我学习、自我训练生成关联网络状态和决策的知识,并加入知识库;以及控制实体还用于针对当前网络状态得到决策、通过仿真进行决策演习、评估决策实施最佳时机、实施决策、对结果评估并反馈;应用层是控制层的扩展,用于接收控制层提供的信息和使用控制层提供的服务,还用于为控制层提供所需信息。
在上述技术方案的基础上,所述用户层通过控制层的接口直接向控制层传输信息,或者通过应用层配置的应用间接向控制层传输信息。
在上述技术方案的基础上,所述控制层获取的信息包括应用层传来的用户需求和用户感受信息、网络层中感知子网传来的网络状态和环境信息,用户层传来的用户信息,以及来自其他网络的知识。
在上述技术方案的基础上,所述其它网络知识直接利用于控制层,此外控制层获取的其他信息均要经过加工处理后,成为控制层直接利用的知识。
在上述技术方案的基础上,所述控制层基于当前知识库以及对网络状态的分析,结合人工智能和数据分析技术,生成关联网络状态和决策的知识。
在上述技术方案的基础上,所述网络层物理上由一组设备组成,所述设备为单纯的网络设备、支持感知功能的网络设备或者为单纯的感知设备。
在上述技术方案的基础上,所述控制层物理上由一组离散的服务器或者云实现。
在上述技术方案的基础上,所述用户终端设备包括手机、PC机或ipad,所述应用层包括运行于终端设备或服务器上的程序模块。
本发明还提供一种类人网的实现方法,包括:
S1.控制层获取当前物理网络的信息,包括当前物理网络的资源、拓扑、状态、流量和环境,得到描述当前网络的特征信息集;
S2.根据获取的信息,基于现有知识库进行分析,预测网络资源和流量的未来变迁情况,评估网络的健壮度、外部攻击的可能性和网络的性能表现;
S3.根据所述特征信息集,利用知识库和步骤S2中得到的健壮度、外部攻击的可能性和网络的性能表现,通过大数据分析技术或人工智能技术得到针对当前网络的决策;
S4.通过仿真技术模拟所控制网络的运行,将所述策略用于模拟网络,评估模拟网络的运行情况;
S5.评估当前是否为决策实施的最佳时机,需同时具备两个条件,一个是对网络的健壮度、抵御外侵能力或网络性能有改善,另一个是对网络当前业务的影响降到最小且在可接受范围内;
S6.将决策在当前网络上实施;
S7.对决策在当前网络的实施结过进行分析,将分析结果加入知识库中。
在上述技术方案的基础上,所述S1中,控制层获取来自应用层的需求信息、网络层的网络状态和环境信息、用户层的用户信息以及来自其它网络的可供利用的知识;其中直接利用来自其它网络的可供利用的知识,其余信息根据需求通过大数据分析技术以及各种算法进一步处理后,变为直接利用的知识存入知识库。
本发明的有益效果在于:在该网络架构下,整个网络或者网络的一部分功能和行为类似于一个自然人,网络层相当于类人网的“四肢”,数据子网相当于类人网的“骨骼和肌肉”,感知子网是类人网的“神经系统”,控制层是类人网的“大脑”;网络本身具有类似人的学习、训练、思维、决策和行动能力,控制层通过对来自于网络内外部数据和信息的获取和组织加工,基于加工后知识的决策以及对网络的配置重构,将将人工智能技术和网络技术相结合,使网络本身具有最佳的健壮度,能最佳的主动防护网络外部攻击,并为网络使用者提供最佳的功能和性能,完善各方面优化。
附图说明
图1为本发明实施例类人网的网络架构的逻辑结构示意图;
图2为本发明实施例类人网的网络架构的物理结构示意图;
图3为本发明实施例网络层的拓扑图;
图4为本发明实施例网络层作出决策后的拓扑图;
图5为本发明实施例采用深度学习由网络络特征生成网络决策的示意图;
图6为本发明实施例类人网的网络架构的实施方法流程图。
具体实施方式
以下结合附图及实施例对本发明作进一步详细说明。
如图1所示,本发明类人网的网络架构,包括用户层、网络层、控制层和应用层。用户层包括用户终端设备,直接面对类人网的用户,用于和用户交互信息,并将用户输入的信息传送至控制层,这些信息包括用户的基本信息、业务订购情况和业务使用感受度等等。网络层是网络的行为主体,可以视为类人网的“四肢”,通过用户终端设备为用户提供所需服务。
网络层包括数据子网和感知子网,数据子网相当于类人网的“骨骼和肌肉”,网络的实际功能由它的数据子网直接实现,用于数据的传送,以及接受并执行控制层的指令;感知子网是类人网的“神经系统”,感知子网用于感知网络状态和网络的环境信息,并将得到的这些信息和指示提交到控制层。
控制层是类人网的“大脑”,网络层的表现依赖于本层的指令,控制层可以自动控制和协调所控网络的运行,以及学习其它网络的知识。控制层包括知识库和多个控制实体,控制实体用于获取并加工来自应用层、用户层和网络层的信息,知识库用于存储加工后的信息和控制层学习到的其它网络的知识;控制实体还用于生成关联网络状态和决策的知识,并加入知识库;以及控制实体还用于针对当前网络状态进行自我学习、自我训练,得到决策、通过仿真进行决策演习、评估决策实施最佳时机、实施决策、对结果评估并反馈。具体的,知识库可以设置为多个控制实体共用的一个;知识库也可以设置为多个,此种情况下,每个控制实体设置一个知识库,知识库内只存储其所在控制实体的信息和知识,但是所有知识库内部信息共享。控制层也可根据需要接受应用层的指令,配置某些网络状态下的网络动作不自动进行,由外部(比如人工)来处理,以增加网络的可控性。这样,类人网既可以在良好的状态下独立运行,同时,也能够根据需要由外部很好的管控。
应用层是控制层的扩展,用于接收并使用控制层提供的信息和使用控制层提供的服务,如控制层向应用层提供网络资源配置和网络状态;还用于为控制层提供所需要信息,如网络运维的需求信息等。
优选的,控制层的功能包括:
1、信息的获取,包括从应用层传来的用户需求信息和用户感受信息、网络层中感知子网传来的网络状态和环境信息,用户层传来的用户信息,以及来自其它网络的知识等等。其中,从其它网络获取相应的知识非常重要,这些知识就是从其它运行良好的网络获取“成功的经验”,在一定程度上,可以直接为本网络所用。例如,从其它网络获取的一种网络状态A和网络决策B的知识,已被其它网络证明为最佳的方案,那么在本网络中,如果遇到网络状态是A的情况,则可以直接使用网络决策B。信息的获取也是一个自我学习的过程,网络的自我学习包括网络外知识获取、网络内信息获取、自我演练三种途径。
2、信息的加工,除了来自其它网络的知识是可供直接利用的知识外,控制层获取到的信息都是不能直接利用的,需要及进一步处加工理成可直接利用的知识,并加入知识库中,以便于之后直接运用。在数据和信息加工为知识的过程中,控制层的控制实体可以根据需要,使用联机分析和数据挖掘等大数据分析技术,以及遗传算法、人工神经网络、深度学习、模糊逻辑、朴素贝叶斯等人工智能算法。
3、自我训练,就是基于目前的知识库,以及对网络状态的分析和综合,结合人工智能和数据分析等技术和方法,生成关联网络状态和决策的知识,并加入知识库。这些自我训练得到的知识,在形成网络决策中,同样可以直接运用。
4、知识的利用,根据目前的网络状况,利用当前知识库,并借助于大数据分析、人工智能等技术和方法,得到针对当前网络状态的决策。在基于知识得到决策的过程中,控制层的功能实体也可以根据需要使用相应的大数据分析技术和人工智能技术。
5、决策的演习,对上述决策的模拟评价。具体来说,就是借助于模拟仿真技术,模拟所控制网络的运行,并将上述决策作用于模拟的网络,评估模拟网络在上述决策情况下的运行情况,以避免上述决策直接作用在实际网络产生负面影响。
6、决策实施时机的评估,也就是需要寻找最佳实施时机。
7、决策的实施,将上述决策实施在当前网络上。
8、评估和反馈,对实施结果进行评估分析,并将评估结果存储至知识库,以便于下次使用。
如图2所示,用户层的用户终端设备包括手机、PC机或ipad,所述应用层由一组应用组成,作为运行于终端设备的程序模块,可以运行于任何终端设备或服务器上,例如网络管理系统。用户信息和需求信息等等,可以通过控制层的接口直接向控制层传输信息,在这种情况下,控制层提供配置接口;用户的需求信息和用户感受信息还可以通过应用层配置的应用间接向控制层传输信息,这种情况下,用户层的信息先配置到应用层的某一应用中,再下达到控制层。网络层的数据组网和感知子网可以由相同的一组网络设备组成,在这种情况下,感知是网络设备实现的主要功能之一。数据子网和感知子网也可以部分或全部由不同的设备组成,在这种情况下,感知功能和数据传送两类功能由不同的设备承担,例如网络传感器是感知子网的主要组成部分,交换机、服务器、路由器等网络设备是数据组网的主要组成设备。所述控制层物理上由一组离散的服务器或者是云实现。
如图3所示,是网络层的一个简单的物理示例,由4台交换机(交换机1、2、3、4)、4台路由器(路由器1、2、3、4)、三台服务器(服务器A、B、C)、三个主机群(主机群1、2、3)以及一台攻击计算机(攻击源1)组成,有两个正常用户流(用户流1、用户流2)和一个攻击流(攻击流1)在网络中通过。在网络状态未变化并且控制层未作出调整决策的情况下,网络中的用户流1的路径经过:主机群1、交换机1、路由器1、路由器4和服务器C;用户流2的路径经过:主机群3、交换机4、路由器1、路由器3和服务器B;攻击流1的路径经过:攻击源1、交换机2、路由器2、交换机3和服务器A;用户流1和用户流2可以正常传送,而攻击流1也能到达攻击对象。
如图4所示,为路由器1失效,附控制层作出决策并实施后的网络的物理拓扑示意图。图4与图3比较后可知:路由器1失效后,路由器1逻辑上与网络隔离,其负责的业务改由其它路由器实现,正常用户流未受影响。用户流1的路径经由:主机群1、交换机1、路由器3、路由器4和服务器C;用户流2的路径经由:主机群3、交换机4、路由器3、交换机3和服务器B。而攻击流逻辑上被网络隔离,不能到达攻击目标。因此,控制层可以从设备、链路、用户流三个级别改变网络,从而使网络具有最佳健壮度、最佳防御攻击能力和最佳的网络性能。同时控制层也具有自动修复失效的链路(如对链路复位、重连接等)和设备(如重启设备,关闭设备的异常模块等)的功能,以提高物理资源的可用性。如果物理资源的修复超出控制层的能力范围,则通过应用层报告给外部(如人工),以便外部提供修复帮助。
如图5所示,是类人网深度学习由网络特征生成网络决策的示意图;深度学习从神经网络发展而来,其架构包含一个输入层、多个隐层和一个输出层,可看作包含多个隐层的神经网络。在图5中,输入层输入的是网络特征,输出层输出的是针对网络的决策,通过输入层、多个隐层及输出层的联合运算,可以由基于网络状态信息提取的网络特征,得到针对性的最优的网络决策。需要强调的是,本发明不限制具体方法的使用,包括诸如遗传算法、支持向量机等等的算法或技术都可以作为生成网路决策的工具。
本发明类人网的实现方法,包括步骤:
S1.控制层获取当前物理网络的信息,包括当前物理网络的资源、拓扑、状态、流量和环境,得到描述当前网络的特征信息集。其中,控制层获取来自应用层的需求信息、网络层的网络状态和环境信息、用户层的用户信息以及来自其它网络的可供利用的知识;其中直接利用来自其它网络的可供利用的知识直,其余信息根据需求通过大数据分析技术以及各种算法进一步处理后,变为直接利用的只是存入知识库。
S2.根据获取的信息,基于现有知识库进行分析,预测网络资源和流量的未来变迁情况,评估网络的健壮度、外部攻击的可能性和网络的性能表现。
S3.根据所述特征信息集,利用知识库和步骤S2中得到的健壮度、外部攻击的可能性和网络的性能表现,通过大数据分析技术或人工智能技术得到针对当前网络的决策。
S4.通过仿真技术模拟所控制网络的运行,将所述策略用于模拟网络,评估模拟网络的运行情况。
S5.评估当前是否为决策实施的最佳时机,需同时具备两个条件,一个是对网络的健壮度、抵御外侵能力或网络性能有改善,另一个是对网络当前业务的影响降到最小且在可接受范围内。
S6.将决策在当前网络上实施。
S7.对决策在当前网络的实施结过进行分析,将分析结果加入知识库中。
如图6所示,是类人网的实现方法的一个具体实施方案,包括如下步骤:
A1.控制层获取当前网络的状态信息。
A2.根据获取的信息,基于现有知识库进行分析,预测网络资源和流量的未来变迁情况,评估网络的健壮度、外部攻击的可能性和网络的性能表现。
A3.根据A2中各项评估,组合分析,生成网络决策。
A4.通过仿真技术,针对该决策在网络上进行模拟演习。
A5.判断演习结果是否支持网络决策执行,若是,进入A6;若否,转入A1;具体的,如果演习结果对网络有改善,就视为演习结果支持网络决策的执行。
A6.判断目前是否决策实施的最佳时机,若是,进入A7;若否,转入A1。具体的,目前作为最佳时机需要具备两个条件,一个是对网络的健壮度、抵御外侵能力或网络性能有改善,另一个是对网络当前业务的影响降到最小且在可接受范围内。
A7.在当前网络中执行网络决策。
A8.对决策在当前网络的实施结过进行分析,将分析结果加入知识库中。
本发明不局限于上述实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种类人网的网络架构,其特征在于,包括用户层、网络层、控制层和应用层,
用户层包括用户终端设备,用于和用户交互信息,并提供信息给控制层;
网络层包括数据子网和感知子网,数据子网用于数据的传送,以及接受并执行控制层的指令;感知子网用于感知网络状态和环境信息,并提交到控制层;
控制层包括知识库和多个控制实体,控制实体用于获取并加工来自应用层、用户层和网络层的信息,知识库用于存储加工后的信息和从控制层其它网络学习到的知识;控制实体还用于通过自我学习、自我训练生成关联网络状态和决策的知识,并加入知识库;以及控制实体还用于针对当前网络状态得到决策、通过仿真进行决策演习、评估决策实施最佳时机、实施决策、对结果评估并反馈;
应用层是控制层的扩展,用于接收控制层提供的信息和使用控制层提供的服务,还用于为控制层提供所需信息。
2.如权利要求1所述类人网的网络架构,其特征在于:所述用户层通过控制层的接口直接向控制层传输信息,或者通过应用层配置的应用间接向控制层传输信息。
3.如权利要求1所述类人网的网络架构,其特征在于:所述控制层获取的信息包括应用层传来的用户需求和用户感受信息、网络层中感知子网传来的网络状态和环境信息,用户层传来的用户信息,以及来自其他网络的知识。
4.如权利要求3所述类人网的网络架构,其特征在于:所述其它网络知识直接利用于控制层,此外控制层获取的其他信息均要经过加工处理后,成为控制层直接利用的知识。
5.如权利要求1所述类人网的网络架构,其特征在于:所述控制层基于当前知识库以及对网络状态的分析,结合人工智能和数据分析技术,生成关联网络状态和决策的知识。
6.如权利要求1-5任一所述类人网的网络架构,其特征在于:所述网络层物理上由一组设备组成,所述设备为单纯的网络设备、支持感知功能的网络设备或者为单纯的感知设备。
7.如权利要求1-5任一所述类人网的网络架构,其特征在于:所述控制层物理上由一组离散的服务器或者云实现。
8.如权利要求1-5任一所述类人网的网络架构,其特征在于:所述用户终端设备包括手机、PC机或ipad,所述应用层包括运行于终端设备或服务器上的程序模块。
9.一种基于权利要求1所述网络架构的类人网的实现方法,其特征在于,包括:
S1.控制层获取当前物理网络的信息,包括当前物理网络的资源、拓扑、状态、流量和环境,得到描述当前网络的特征信息集;
S2.根据获取的信息,基于现有知识库进行分析,预测网络资源和流量的未来变迁情况,评估网络的健壮度、外部攻击的可能性和网络的性能表现;
S3.根据所述特征信息集,利用知识库和步骤S2中得到的健壮度、外部攻击的可能性和网络的性能表现,通过大数据分析技术或人工智能技术得到针对当前网络的决策;
S4.通过仿真技术模拟所控制网络的运行,将所述策略用于模拟网络,评估模拟网络的运行情况;
S5.评估当前是否为决策实施的最佳时机,需同时具备两个条件,一个是对网络的健壮度、抵御外侵能力或网络性能有改善,另一个是对网络当前业务的影响降到最小且在可接受范围内;
S6.将决策在当前网络上实施;
S7.对决策在当前网络的实施结过进行分析,将分析结果加入知识库中。
10.如权利要求9所述类人网的实现方法,其特征在于:所述S1中,控制层获取来自应用层的需求信息、网络层的网络状态和环境信息、用户层的用户信息以及来自其它网络的可供利用的知识;其中直接利用来自其它网络的可供利用的知识,其余信息根据需求通过大数据分析技术以及各种算法进一步处理后,变为直接利用的知识存入知识库。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710188751.4A CN107425997B (zh) | 2017-03-27 | 2017-03-27 | 类人网的网络架构及实现方法 |
PCT/CN2017/103576 WO2018176768A1 (zh) | 2017-03-27 | 2017-09-27 | 类人网的网络架构及实现方法 |
RU2019107978A RU2704538C1 (ru) | 2017-03-27 | 2017-09-27 | Сетевая архитектура человекоподобной сети и способ реализации |
BR112019005315A BR112019005315A2 (pt) | 2017-03-27 | 2017-09-27 | arquitetura de rede de uma rede de aspecto humano, e, método de implementação de uma rede de aspecto humano. |
MA44944A MA44944B1 (fr) | 2017-03-27 | 2017-09-27 | Architecture de réseau de réseau humanoïde et procédé de mise en œuvre |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710188751.4A CN107425997B (zh) | 2017-03-27 | 2017-03-27 | 类人网的网络架构及实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107425997A true CN107425997A (zh) | 2017-12-01 |
CN107425997B CN107425997B (zh) | 2019-08-06 |
Family
ID=60424129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710188751.4A Active CN107425997B (zh) | 2017-03-27 | 2017-03-27 | 类人网的网络架构及实现方法 |
Country Status (5)
Country | Link |
---|---|
CN (1) | CN107425997B (zh) |
BR (1) | BR112019005315A2 (zh) |
MA (1) | MA44944B1 (zh) |
RU (1) | RU2704538C1 (zh) |
WO (1) | WO2018176768A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111292523A (zh) * | 2018-12-06 | 2020-06-16 | 中国信息通信科技集团有限公司 | 网络智能体系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11706101B2 (en) | 2020-12-04 | 2023-07-18 | A5G Networks, Inc. | Distributed, self-adjusting and optimizing core network with machine learning |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102098799A (zh) * | 2011-01-26 | 2011-06-15 | 北京邮电大学 | 一种实现异构网络融合的智能认知无线网络系统 |
CN103138960A (zh) * | 2011-11-24 | 2013-06-05 | 百度在线网络技术(北京)有限公司 | 网络故障处理方法及装置 |
CN103548375A (zh) * | 2010-12-03 | 2014-01-29 | 华为技术有限公司 | 通信方法及装置 |
CN105515822A (zh) * | 2015-11-24 | 2016-04-20 | 武汉邮电科学研究院 | 大数据驱动的互联网架构和实现方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6317438B1 (en) * | 1998-04-14 | 2001-11-13 | Harold Herman Trebes, Jr. | System and method for providing peer-oriented control of telecommunications services |
US20030217125A1 (en) * | 2002-05-15 | 2003-11-20 | Lucent Technologies, Inc. | Intelligent end user gateway device |
US7966654B2 (en) * | 2005-11-22 | 2011-06-21 | Fortinet, Inc. | Computerized system and method for policy-based content filtering |
US8396083B2 (en) * | 2008-03-31 | 2013-03-12 | Qualcomm Incorporated | Determinative segmentation resegmentation and padding in radio link control (RLC) service data units (SDU) |
US10492102B2 (en) * | 2009-01-28 | 2019-11-26 | Headwater Research Llc | Intermediate networking devices |
CN102025781A (zh) * | 2010-12-07 | 2011-04-20 | 南京邮电大学 | 基于分布式监测管理架构的业务感知方法 |
CN102592171A (zh) * | 2011-12-30 | 2012-07-18 | 南京邮电大学 | 基于bp神经网络的认知网络性能预测方法及装置 |
CN103888285A (zh) * | 2013-12-02 | 2014-06-25 | 江苏达科信息科技有限公司 | 一种认知网络资源智能管理方法 |
-
2017
- 2017-03-27 CN CN201710188751.4A patent/CN107425997B/zh active Active
- 2017-09-27 MA MA44944A patent/MA44944B1/fr unknown
- 2017-09-27 WO PCT/CN2017/103576 patent/WO2018176768A1/zh active Application Filing
- 2017-09-27 BR BR112019005315A patent/BR112019005315A2/pt unknown
- 2017-09-27 RU RU2019107978A patent/RU2704538C1/ru active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103548375A (zh) * | 2010-12-03 | 2014-01-29 | 华为技术有限公司 | 通信方法及装置 |
CN102098799A (zh) * | 2011-01-26 | 2011-06-15 | 北京邮电大学 | 一种实现异构网络融合的智能认知无线网络系统 |
CN103138960A (zh) * | 2011-11-24 | 2013-06-05 | 百度在线网络技术(北京)有限公司 | 网络故障处理方法及装置 |
CN105515822A (zh) * | 2015-11-24 | 2016-04-20 | 武汉邮电科学研究院 | 大数据驱动的互联网架构和实现方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111292523A (zh) * | 2018-12-06 | 2020-06-16 | 中国信息通信科技集团有限公司 | 网络智能体系统 |
Also Published As
Publication number | Publication date |
---|---|
BR112019005315A2 (pt) | 2019-10-08 |
CN107425997B (zh) | 2019-08-06 |
MA44944B1 (fr) | 2020-05-29 |
RU2704538C1 (ru) | 2019-10-29 |
WO2018176768A1 (zh) | 2018-10-04 |
MA44944A1 (fr) | 2019-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3992857A1 (en) | Method and device for generating neural network model, and computer-readable storage medium | |
CN108490893B (zh) | 一种工业控制方法、装置及设备 | |
CN104981782B (zh) | 用于控制资源的系统、控制模式生成装置 | |
CN103001823B (zh) | 一种基于多粒度抽象理论的虚拟网络构建方法和系统 | |
Song et al. | Networking systems of AI: On the convergence of computing and communications | |
Badotra et al. | A review on software-defined networking enabled iot cloud computing | |
CN104852823B (zh) | 进程的监测方法、装置和系统 | |
CN107425997B (zh) | 类人网的网络架构及实现方法 | |
CN115099124A (zh) | 一种多智能体分布协同训练仿真方法 | |
Dawood | Graph theory and cyber security | |
CN106817256A (zh) | 一种分布式系统网络资源运维管理可靠性提升方法 | |
CN111814333A (zh) | 奇异Lur’e网络聚类同步的牵制节点选择方法 | |
CN108400940A (zh) | 一种基于分布估计算法的组播虚拟网络功能部署方法 | |
Rao et al. | Optimal power flow using cuckoo optimization algorithm | |
CN105391490A (zh) | 一种基于认知的卫星通信网络选择算法 | |
CN101399708A (zh) | 一种建立网络性能模型的方法和设备 | |
CN107169561A (zh) | 面向功耗的混合粒子群脉冲神经网络映射方法 | |
CN109977998A (zh) | 信息处理方法及装置、存储介质和电子装置 | |
Gigliotta et al. | Neuromodelling based on evolutionary robotics: on the importance of motor control for spatial attention | |
CN109324505A (zh) | 一种基于机器学习的协同探测控制方法 | |
Hijjawi et al. | A Novel Hybrid Prairie Dog Algorithm and Harris Hawks Algorithm for Resource Allocation of Wireless Networks | |
CN109635942A (zh) | 一种仿脑兴奋态和抑制态工作状态神经网络电路结构及方法 | |
CN103905548B (zh) | 一种信息服务的替换对象选择方法 | |
Fukushima et al. | Evaluation‐function modeling with neural networks for RoboCup soccer | |
Xiang et al. | Stabilizing weighted complex networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |