CN107634911A - 一种信息中心网络中基于深度学习的自适应拥塞控制方法 - Google Patents
一种信息中心网络中基于深度学习的自适应拥塞控制方法 Download PDFInfo
- Publication number
- CN107634911A CN107634911A CN201711042453.0A CN201711042453A CN107634911A CN 107634911 A CN107634911 A CN 107634911A CN 201711042453 A CN201711042453 A CN 201711042453A CN 107634911 A CN107634911 A CN 107634911A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- network
- congestion
- msubsup
- 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
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种信息中心网络中基于深度学习的自适应拥塞控制方法，该方法先进行适应性训练，再进行拥塞避免：在自适应阶段将时序数据输入到深网结构中进行训练，时序数据先学习低维特征，低维特征再作为GCRBM模型的输入训练时序数据，深度信念网络DBN积累学习时序数据的特征，并更新网络参数；在拥塞避免阶段，通过自适应训练阶段收集增加量Rt+1的预测信息，通过预测信息计算在t+1时刻队列的加权平均兴趣队列长度Qavg，并与当前队列进行比较从而确定网络的拥塞级，再将拥塞级封装到NACK包中反馈给接收端，接收端根据此信息调整兴趣包的发送速率；本发明可实现提前了解网络状况，动态选择转发路径，从而提高网络传输性能的功效。
Description
技术领域
本发明涉及信息中心网络技术领域，具体涉及一种信息中心网络中基于深度学习的自适应拥塞控制方法。
背景技术
随着流媒体及用户自产生等业务的快速发展，网络应用模式逐渐转变为海量内容的分发与获取，而当前互联网基于主机的端到端通信模式缺乏对内容分发的原生支持，这种传统网络通信模式与当前应用需求的不匹配在带宽开销、内容获取时延及用户体验质量方面严重影响了网络性能。
近年来，将内容与主机分离的改进方法引起了广泛关注，以内容为中心的网络成为未来网络的一种重要模式和发展趋势，信息中心网络 (Information-centricNetworks，ICN)采用面向信息的通信模型取代传统面向主机的通信模型，通过在网络中内置缓存并采用基于内容名的路由，使网络通信模式从以主机为中心转变为以内容为中心，试图从根本上解决用户对互联网海量、异质信息的高效访问需求。
ICN网络采用信息缓存机制，这种新型网络可以缓解业务量激增出现的拥塞问题，但是拥塞依然是不可避免，当ICN网络发生拥塞时，到达的数据包数量高于容量导致路由器的缓冲区溢出，这种情况下，端到端延迟的增加会对网络的性能、稳定性和健壮性产生负面影响，也会导致无法利用现有资源、吞吐量以及服务质量的退化，如果拥塞问题能够预先得知，改变网络参数就可以防止这种代价高昂的网络故障，因此，网络流量预测在保证计算机网络服务质量方面发挥着重要作用，将预测算法嵌入到网络通信中，通过异常检测、主动拥塞检测(或避免)来提高网络的整体性能，并通过资源的均衡利用可以提供更好的服务质量，由于ICN网络中网内缓存的存在，数据是多源的，TCP基于单一源的RTO(重传计时器)超时机制在ICN网络中不再可靠，其次AIMD算法会引发RTT(往返时延)公平性问题，因此，传统TCP的隐式(Implicit)拥塞检测机制在ICN网络中不再适用。
发明内容
为解决上述技术问题，根据流量预测以及ICN网络的多源特征，本发明提供了一种信息中心网络中基于深度学习的自适应拥塞控制方法，该方法通过预测能力较强的深度学习方法预测NDN路由器中PIT表(待定兴趣表)添加的条目数，并且对预测数据进行分析、判断，提前了解网络状况，动态选择转发路径，从而提高网络的传输性能。
一种信息中心网络中基于深度学习的自适应拥塞控制方法，其特征在于：包括如下步骤：
步骤(一)：
(1)、自适应阶段：
n个时序数据在深度信念网络(DBN)中的受限玻尔兹曼机(RBM)进行s 次预训练：
时序数据先通过DBN编码阶段学习低维特征，低维特征再作为高斯过程的条件受限玻尔兹曼机GCRBM(GCRBM)模型的输入数据训练时序模型；DBN会积累学习每个时序数据特征，并分别更新网络参数wij、ai、bj，wij为可视层第i个单元和隐层第j个单元之间权重，ai为可视层第i个单元值，bj为隐层第j个单元值)：
符号“←”代表“＝”，是等于的意思,符号Δ表示的是变化量；
式中：是偏导符号，ε为模型学习率，p(v)为RBM模型通过整体能量函数 E(v,h)为每一个可视层节点状态分配的抽样概率；其中，s≤n，s为正整数，s＝1， 2，3……；
(2)将步骤(1)中预训练的时序数据，通过DBN的前馈神经网络(BackPropagation，BP)算法进行微调；将RBM模型预训练好的权值信息wij作为BP 算法的输入值，执行p次BP算法并对参数wij进行微调得到wij *；在执行BP处理方法调整过程中不断降低原始数据和网络重构数据之间的重构误差；通过向整个网络反向传播重构误差，利用梯度下降处理方法调整网络权值和节点阈值，直至满足最小误差要求；其中，p≤n，p为正整数，p＝1，2，3……；
(3)将步骤(2)中微调后的网络参数wij *作为GCRBM模型的输入值，在 GCRBM模型中的高斯受限玻尔兹曼机GRBM(Gaussian RBM，GRBM)执行h次来处理实型数据问题,得到参数wij ·；其中，h≤n，h为正整数，h＝1，2，3……；
(4)将步骤(3)中处理过的数据wij ·作为GCRBM模型的加条件受限玻尔兹曼机CRBM(Conditional RBM，CRBM)的输入值，在CRBM模型中进行预测，执行m次得到预测值Rt+1；在CRBM中添加了两种直接连接时序信息的参数A、B，参数A是从过去N个时间的可视单元到当前时刻可视单元的配置参数，参数B 是从过去M个时间的可视单元到当前时刻隐层单元的配置参数，使得CRBM模型能够高效的预测时序数据；CRBM训练过程中，结合先前k个时刻的可视层数据作为动态变量，实现直连的时间序列依赖性；所以在训练过程中某一时刻的可视层v和隐层h会加上之前k个时刻的可视层时序信息，使得CRBM两层网络的阈值成为一种新的动态阈值ai,t和bj,t，如下：
式中：和分别是在t-q时的可见单位k到当前可视层单元i和隐层单元j的直连权重；ai,t和bj,t分别是在t时的可视层单元i和隐层单元j的动态偏差；是在t-q时的可视层单元k；
CRBM在更新各层权值和阈值的同时，还要更新两种直连因子A和B；以下为更新规则：
式中，和为t时刻的网络节点值；和表示t时刻的网络节点重构值；表示在t-q时刻可视层的第k个节点值；
步骤(二)：
(5)拥塞检测，通过步骤(一)自适应训练阶段预测每个路由器在t+1时刻PIT的增加量Rt+1，计算加权平均长度的兴趣队列来判断网络的拥塞程度，采用One-Interest-One-Data传输模型，处理方法使用线性增长方法，将一个周期 T等分为n个时间段，设Qt是一个周期内检测出的瞬时队列的长度，则Qt的权重值Wt小于Qt+1的权重值Wt+1；Wt的计算公式如下：
Wt+1＝αWt+β (9)
其中，α和β为常数，α＞1，β→0(箭头“→”的意思是趋于0)；假设队列在每个时间段发送兴趣包的能力为Pt，那么在周期T期间的最终加权平均兴趣队列长度为：
其中，Qt为在t时刻队列的长度，Rt+1为t+1时刻预测的队列增加数；
自适应拥塞控制协议ACCP协议以加权平均兴趣队列长度Qavg作为衡量网络拥塞状态的指标，将网络按照不同的拥塞程度划分成四个互相独立的区域，分别是链路空闲区域，链路轻度繁忙区域，链路重度繁忙区域和链路拥塞区域；这四个区域的拥塞程度是单调递增的，其约束条件如下：
阈值：0≤Qidle＜Qbusy≤Qmax (11)
空闲链路：Qavg＜Qidle (12)
轻度繁忙链路：Qidle≤Qavg＜Qbusy (13)
重度繁忙链路：Qbusy≤Qavg＜Qmax (14)
拥塞链路：Qavg≥Qmax (15)
其中，Qidle是空闲队列，Qbusy是繁忙队列，Qmax是队列的最大容量；当Qavg＜Qidle时，链路处于空闲状态；当Qidle≤Qavg＜Qbusy时，链路处于轻度繁忙工作状态；当 Qbusy≤Qavg＜Qmax时，链路处于重度繁忙工作状态；当Qavg≥Qbusy时，链路处于拥塞状态；
(6)显示拥塞通知；根据步骤(5)的拥塞检测信息通过NACK(NegativeACKnowledgment，NACK)包反馈给接收者；在步骤(5)中检测的信息分别通过以下四个拥塞状态字段进行标识：
①“00”:表示空闲链路；
②“01”:表示轻度繁忙的链路；
③“01”:表示重度繁忙的链路；
④“11”:表示拥塞的链路；
NACK包将拥塞级信息封装到兴趣分组中，并定义一个字段区分来自兴趣包的NACK数据包；
ACCP采用基于窗口的速率控制方式；接收端通过一个拥塞窗口变量(W)，以表示允许输出的最大数量，使用指数增加加法增加乘法递减EIAIMD (Exponential IncreaseAddition Increase Multiplication Decline，EIAIMD) 处理方法；如果接收到“00”，使用EI处理方法充分利用空闲带宽；如果收到“01”，使用AI处理方法平滑地增加拥塞窗口；如果收到“10”，就保持当前窗口的大小；如果收到“11”，将使用MD处理方法快速减少拥塞窗口；详细的 EI、AI、MD处理方法分别如下:
EI:Wt+RTT←Wt×(1+ξ) (16)
AI:Wt+RTT←Wt+η (17)
MD:Wt+RTT←Wt×γ (18)
其中，RTT表示往返时间，Wt表示t时刻窗口的大小，ξ,η,γ分别是EI、AI、MD的算法因子，且ξ＞0,η＞0,0＜γ＜1。
本发明提供的一种信息中心网络中基于深度学习的自适应拥塞控制方法，第一阶段是适应性训练，通过自适应训练从过去的数据中学习如何预先检测问题；第二阶段是拥塞避免，目的是在拥塞发生之前进行拥塞避免；本发明在自适应阶段提出了基于深度学习的时间序列预测方法，将时序数据输入到深网结构中进行训练，深网结构由一个深可信网(Deep Belief Networks，DBN)和一个时序模型(Gaussian conditional RBM，GCRBM)组成，训练模型时，时序数据先通过DBN编码阶段学习低维特征，低维特征再作为GCRBM模型的输入训练时序数据，深度信念网络DBN会积累学习时序数据的特征，并更新网络参数；在拥塞避免阶段，通过自适应训练阶段收集路由器中待定兴趣表(PIT)在 t+1时刻队列的增加量Rt+1的预测信息，通过预测信息计算在t+1时刻队列的加权平均兴趣队列长度Qavg，并根据返NACK包头的拥塞字段判断网络拥塞情况，并将拥塞信息反馈给接收端，接收端根据此信息调整兴趣包的发送速率，综上可见，本发明技术方案可实现提前了解网络状况，动态选择转发路径，从而提高网络传输性能的功效。
附图说明
图1所示为本发明信息中心网络中基于深度学习的自适应拥塞控制方法的整体架构；
图2所示为基于深度学习的时间序列预测模型；
图3所示为DBM训练结构图；
图4所示为GCRBM的工作结构图；
图5所示为自适应流程图；
图6所示为拥塞避免流程图。
具体实施方式
本发明提供了一种信息中心网络中基于深度学习的自适应拥塞控制方法，如图1所示为本发明方法的整体架构，本发明具体包括以下步骤：
步骤(一)：
(1)、自适应阶段：
n个时序数据(时序数据是统一的特定的格式)在深度信念网络(Deep BeliefNetwork，DBN)(公知常识)中的受限玻尔兹曼机(Restricted Boltzmann Machines，RBM)(公知常识)进行s次预训练：
时序数据先通过DBN编码阶段学习低维特征，低维特征再作为高斯过程的条件受限玻尔兹曼机GCRBM(Conditional Restricted Boltzmann Machine time series modelbased on the Gaussian process，GCRBM)模型的输入数据训练时序模型；图2所示为基于深度学习的时间序列预测模型；
DBN会积累学习每个时序数据特征，并分别更新网络参数wij、ai、bj，wij为可视层第i个单元和隐层第j个单元之间权重，ai为可视层第i个单元值，bj为隐层第j个单元值)：
符号“←”代表“＝”，是等于的意思,符号Δ表示的是变化量；
式中：是偏导符号，ε为模型学习率，p(v)为RBM模型通过整体能量函数 E(v,h)(该函数为公知常识)为每一个可视层节点状态分配的抽样概率；其中，s ≤n，s为正整数，s＝1，2，3……；
(2)将步骤(1)中预训练的时序数据，通过DBN的前馈神经网络(BackPropagation，BP)算法进行微调(微调是DBN中的公知算法)；将RBM模型预训练好的权值信息wij作为BP算法的输入值，执行p次BP算法并对参数wij进行微调得到wij *；在执行BP算法调整过程中不断降低原始数据和网络重构数据之间的重构误差(通过BP处理方法来降低重构误差)；通过向整个网络反向传播重构误差，利用梯度下降处理方法调整网络权值和节点阈值，直至满足最小误差要求；其中，p≤n，p为正整数，p＝1，2，3……；
时序数据在DBN中的工作结构图，如图3所示；
(3)将步骤(2)中微调后的网络参数wij *作为GCRBM模型的输入值，在 GCRBM模型中的高斯受限玻尔兹曼机GRBM(Gaussian RBM，GRBM)执行h次来处理实型数据问题,(传统的RBM可见层节点和隐层节点均为二值数据(即0,1)，而在工业过程中数据多为连续分布的实值数(即1,2,3…))得到参数wij ·；其中，h≤n，h为正整数，h＝1，2，3……；
(4)将步骤(3)中处理过的数据wij ·作为GCRBM模型的加条件受限玻尔兹曼机CRBM(Conditional RBM，CRBM)的输入值，在CRBM模型中进行预测，执行m次得到预测值Rt+1；在CRBM中添加了两种直接连接时序信息的参数A、B，参数A是从过去N个时间的可视单元到当前时刻可视单元的配置参数，参数B 是从过去M个时间的可视单元到当前时刻隐层单元的配置参数，使得CRBM模型能够高效的预测时序数据；CRBM训练(是通过训练数据来进行预测的)过程中，结合先前k个时刻的可视层数据作为动态变量，实现直连的时间序列依赖性；所以在训练过程中某一时刻的可视层v和隐层h会加上之前k个时刻的可视层时序信息，使得CRBM两层网络的阈值成为一种新的动态阈值ai,t和bj,t，如下：
式中：和分别是在t-q时的可见单位k到当前可视层单元i和隐层单元j的直连权重；ai,t和bj,t分别是在t时的可视层单元i和隐层单元j的动态偏差；是在t-q时的可视层单元k；
CRBM在更新各层权值和阈值的同时，还要更新两种直连因子A和B；以下为更新规则：
式中，和为t时刻的网络节点值；和表示t时刻的网络节点重构值；表示在t-q时刻可视层的第k个节点值。
在DBM中输入的低维特征作为GCRBM的输入值，GCRBM的工作结构图，如图4所示；自适应阶段的整体流程图如图5所示；
步骤(二)：
第二阶段为拥塞避免阶段，流程图如图6所示，具体步骤如下：
(5)拥塞检测，通过步骤(一)自适应训练阶段预测每个路由器在t+1时刻PIT的增加量Rt+1，计算加权平均长度的兴趣队列来判断网络的拥塞程度，采用One-Interest-One-Data传输模型，处理方法使用线性增长方法，将一个周期 T等分为n个时间段，设Qt是一个周期内检测出的瞬时队列的长度，则Qt的权重值Wt小于Qt+1的权重值Wt+1；Wt的计算公式如下：
Wt+1＝αWt+β (9)
其中，其中α和β为常数，α＞1，β→0(箭头“→”的意思是趋于0)；假设队列在每个时间段发送兴趣包的能力为Pt，那么在周期T期间的最终加权平均兴趣队列长度为：
其中，Qt为在t时刻队列的长度，Rt+1为t+1时刻预测的队列增加数；
自适应拥塞控制协议ACCP协议以加权平均兴趣队列长度Qavg作为衡量网络拥塞状态的指标，将网络按照不同的拥塞程度划分成四个互相独立的区域，分别是链路空闲区域，链路轻度繁忙区域，链路重度繁忙区域和链路拥塞区域；这四个区域的拥塞程度是单调递增的，其约束条件如下：
阈值：0≤Qidle＜Qbusy≤Qmax (11)
空闲链路：Qavg＜Qidle (12)
轻度繁忙链路：Qidle≤Qavg＜Qbusy (13)
重度繁忙链路：Qbusy≤Qavg＜Qmax (14)
拥塞链路：Qavg≥Qmax (15)
其中，Qidle是空闲队列，Qbusy是繁忙队列，Qmax是队列的最大容量；当Qavg＜Qidle时，链路处于空闲状态；当Qidle≤Qavg＜Qbusy时，链路处于轻度繁忙工作状态；当 Qbusy≤Qavg＜Qmax时，链路处于重度繁忙工作状态；当Qavg≥Qmax时，链路处于拥塞状态；
(6)显示拥塞通知；根据步骤(5)的拥塞检测信息通过NACK(NegativeACKnowledgment，NACK)包反馈给接收者；在步骤(5)中检测的信息分别通过以下四个拥塞状态字段进行标识：
①“00”:表示空闲链路；
②“01”:表示轻度繁忙的链路；
③“01”:表示重度繁忙的链路；
④“11”:表示拥塞的链路；
NACK包将拥塞级信息封装到兴趣分组中，并定义一个字段区分来自兴趣包的NACK数据包；
ACCP采用基于窗口的速率控制方式；接收端通过一个拥塞窗口变量(W)，以表示允许输出的最大数量，使用指数增加加法增加乘法递减EIAIMD (Exponential IncreaseAddition Increase Multiplication Decline，EIAIMD) 方法；如果接收到“00”，使用EI处理方法充分利用空闲带宽；如果收到“01”，使用AI处理方法平滑地增加拥塞窗口；如果收到“10”，就保持当前窗口的大小；如果收到“11”，将使用MD处理方法快速减少拥塞窗口；详细的EI、AI、 MD处理方法分别如下:
EI:Wt+RTT←Wt×(1+ξ) (16)
AI:Wt+RTT←Wt+η (17)
MD:Wt+RTT←Wt×γ (18)
其中，RTT表示往返时间，Wt表示t时刻窗口的大小，ξ,η,γ分别是EI、 AI、MD的算法因子(比如这里的ξ取0.5，那么EI处理方法会以指数增长，增长因子为：)，且ξ＞0,η＞0,0＜γ＜1。
显式拥塞机制在多源环境中比单个RTT估计更准确地预测网络拥塞,本发明技术方案的实施可实现在网络拥塞发生之前主动通知接收端，避免网络发生拥塞，从而保持网络良好的性能。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内，因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (1)
1.一种信息中心网络中基于深度学习的自适应拥塞控制方法，其特征在于：包括如下步骤：
步骤(一)：
(1)、自适应阶段：
n个时序数据在深度信念网络(DBN)中的受限玻尔兹曼机(RBM)进行s次预训练：
时序数据先通过DBN编码阶段学习低维特征，低维特征再作为高斯过程的条件受限玻尔兹曼机GCRBM(GCRBM)模型的输入数据训练时序模型；DBN会积累学习每个时序数据特征，并分别更新网络参数wij、ai、bj，wij为可视层第i个单元和隐层第j个单元之间权重，ai为可视层第i个单元值，bj为隐层第j个单元值)：
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&LeftArrow;</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&Delta;w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>&Delta;w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>&epsiv;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mi> </mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
符号“←”代表“＝”，是等于的意思,符号Δ表示的是变化量；
<mrow>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>&LeftArrow;</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&Delta;a</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&Delta;a</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>&epsiv;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mi> </mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>&LeftArrow;</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&Delta;b</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&Delta;b</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mi>&epsiv;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>log</mi>
<mi> </mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式中：是偏导符号，ε为模型学习率，p(v)为RBM模型通过整体能量函数E(v,h)为每一个可视层节点状态分配的抽样概率；其中，s≤n，s为正整数，s＝1，2，3……；
(2)将步骤(1)中预训练的时序数据，通过DBN的前馈神经网络(Back Propagation，BP)算法进行微调；将RBM模型预训练好的权值信息wij作为BP算法的输入值，执行p次BP算法并对参数wij进行微调得到wij *；在执行BP处理方法调整过程中不断降低原始数据和网络重构数据之间的重构误差；通过向整个网络反向传播重构误差，利用梯度下降处理方法调整网络权值和节点阈值，直至满足最小误差要求；其中，p≤n，p为正整数，p＝1，2，3……；
(3)将步骤(2)中微调后的网络参数wij *作为GCRBM模型的输入值，在GCRBM模型中的高斯受限玻尔兹曼机GRBM(Gaussian RBM，GRBM)执行h次来处理实型数据问题,得到参数wij ·；其中，h≤n，h为正整数，h＝1，2，3……；
(4)将步骤(3)中处理过的数据wij ·作为GCRBM模型的加条件受限玻尔兹曼机CRBM(Conditional RBM，CRBM)的输入值，在CRBM模型中进行预测，执行m次得到预测值Rt+1；在CRBM中添加了两种直接连接时序信息的参数A、B，参数A是从过去N个时间的可视单元到当前时刻可视单元的配置参数，参数B是从过去M个时间的可视单元到当前时刻隐层单元的配置参数，使得CRBM模型能够高效的预测时序数据；CRBM训练过程中，结合先前k个时刻的可视层数据作为动态变量，实现直连的时间序列依赖性；所以在训练过程中某一时刻的可视层v和隐层h会加上之前k个时刻的可视层时序信息，使得CRBM两层网络的阈值成为一种新的动态阈值ai,t和bj,t，如下：
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>A</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>q</mi>
</mrow>
</msubsup>
<msubsup>
<mi>v</mi>
<mi>k</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>q</mi>
</mrow>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>b</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msubsup>
<mi>B</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>q</mi>
</mrow>
</msubsup>
<msubsup>
<mi>v</mi>
<mi>k</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>q</mi>
</mrow>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式中：和分别是在t-q时的可见单位k到当前可视层单元i和隐层单元j的直连权重；ai,t和bj,t分别是在t时的可视层单元i和隐层单元j的动态偏差；是在t-q时的可视层单元k；
CRBM在更新各层权值和阈值的同时，还要更新两种直连因子A和B；以下为更新规则：
<mrow>
<msubsup>
<mi>&Delta;A</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>q</mi>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>v</mi>
<mi>k</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>q</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mo><</mo>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mo>></mo>
<mo>-</mo>
<mo><</mo>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<msup>
<mo>></mo>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&Delta;B</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>q</mi>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>v</mi>
<mi>k</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>q</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mo><</mo>
<msubsup>
<mi>h</mi>
<mi>j</mi>
<mi>t</mi>
</msubsup>
<mo>></mo>
<mo>-</mo>
<mo><</mo>
<msubsup>
<mi>h</mi>
<mi>j</mi>
<mi>t</mi>
</msubsup>
<msup>
<mo>></mo>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，和为t时刻的网络节点值；和表示t时刻的网络节点重构值；表示在t-q时刻可视层的第k个节点值；
步骤(二)：
(5)拥塞检测，通过步骤(一)自适应训练阶段预测每个路由器在t+1时刻PIT的增加量Rt+1，计算加权平均长度的兴趣队列来判断网络的拥塞程度，采用One-Interest-One-Data传输模型，处理方法使用线性增长方法，将一个周期T等分为n个时间段，设Qt是一个周期内检测出的瞬时队列的长度，则Qt的权重值Wt小于Qt+1的权重值Wt+1；Wt的计算公式如下：
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>W</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
Wt+1＝αWt+β (9)
其中，α和β为常数，α＞1，β→0(箭头“→”的意思是趋于0)；假设队列在每个时间段发送兴趣包的能力为Pt，那么在周期T期间的最终加权平均兴趣队列长度为：
<mrow>
<msub>
<mi>Q</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>Q</mi>
<mi>t</mi>
</msub>
<mo>+</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，Qt为在t时刻队列的长度，Rt+1为t+1时刻预测的队列增加数；
自适应拥塞控制协议ACCP协议以加权平均兴趣队列长度Qavg作为衡量网络拥塞状态的指标，将网络按照不同的拥塞程度划分成四个互相独立的区域，分别是链路空闲区域，链路轻度繁忙区域，链路重度繁忙区域和链路拥塞区域；这四个区域的拥塞程度是单调递增的，其约束条件如下：
阈值：0≤Qidle＜Qbusy≤Qmax (11)
空闲链路：Qavg＜Qidle (12)
轻度繁忙链路：Qidle≤Qavg＜Qbusy (13)
重度繁忙链路：Qbusy≤Qavg＜Qmax (14)
拥塞链路：Qavg≥Qmax (15)
其中，Qidle是空闲队列，Qbusy是繁忙队列，Qmax是队列的最大容量；当Qavg＜Qidle时，链路处于空闲状态；当Qidle≤Qavg＜Qbusy时，链路处于轻度繁忙工作状态；当Qbusy≤Qavg＜Qmax时，链路处于重度繁忙工作状态；当Qavg≥Qmax时，链路处于拥塞状态；
(6)显示拥塞通知；根据步骤(5)的拥塞检测信息通过NACK(NegativeACKnowledgment，NACK)包反馈给接收者；在步骤(5)中检测的信息分别通过以下四个拥塞状态字段进行标识：
①“00”:表示空闲链路；
②“01”:表示轻度繁忙的链路；
③“01”:表示重度繁忙的链路；
④“11”:表示拥塞的链路；
NACK包将拥塞级信息封装到兴趣分组中，并定义一个字段区分来自兴趣包的NACK数据包；
ACCP采用基于窗口的速率控制方式；接收端通过一个拥塞窗口变量(W)，以表示允许输出的最大数量，使用指数增加加法增加乘法递减EIAIMD(Exponential Increase AdditionIncrease Multiplication Decline，EIAIMD)处理方法；如果接收到“00”，使用EI处理方法充分利用空闲带宽；如果收到“01”，使用AI处理方法平滑地增加拥塞窗口；如果收到“10”，就保持当前窗口的大小；如果收到“11”，将使用MD处理方法快速减少拥塞窗口；详细的EI、AI、MD处理方法分别如下:
EI:Wt+RTT←Wt×(1+ξ) (16)
AI:Wt+RTT←Wt+η (17)
MD:Wt+RTT←Wt×γ (18)
其中，RTT表示往返时间，Wt表示t时刻窗口的大小，ξ,η,γ分别是EI、AI、MD的算法因子，且ξ＞0,η＞0,0＜γ＜1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711042453.0A CN107634911B (zh) | 2017-10-31 | 2017-10-31 | 一种信息中心网络中基于深度学习的自适应拥塞控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711042453.0A CN107634911B (zh) | 2017-10-31 | 2017-10-31 | 一种信息中心网络中基于深度学习的自适应拥塞控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107634911A true CN107634911A (zh) | 2018-01-26 |
| CN107634911B CN107634911B (zh) | 2020-03-10 |
Family
ID=61106575
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711042453.0A Active CN107634911B (zh) | 2017-10-31 | 2017-10-31 | 一种信息中心网络中基于深度学习的自适应拥塞控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107634911B (zh) |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108718226A (zh) * | 2018-05-08 | 2018-10-30 | 天津大学 | 一种水下长延时传感器网络传输层数据传输方法 |
| CN108768781A (zh) * | 2018-06-06 | 2018-11-06 | 清华大学 | 避免死锁的无丢失流量控制方法及装置 |
| CN109034391A (zh) * | 2018-08-17 | 2018-12-18 | 王玲 | 自动驾驶的多源异构信息rbm网络融合架构及融合方法 |
| CN109460874A (zh) * | 2018-11-19 | 2019-03-12 | 厦门大学 | 一种基于深度学习的有义波高预测方法 |
| CN109831320A (zh) * | 2018-12-29 | 2019-05-31 | 国家电网有限公司 | 一种辅助流量预测控制方法、存储介质和电子设备 |
| CN110166370A (zh) * | 2019-05-15 | 2019-08-23 | 浙江启程电子科技股份有限公司 | 一种基于拥塞因子预判的传输方法 |
| CN110285976A (zh) * | 2019-07-09 | 2019-09-27 | 哈尔滨工业大学（威海） | 基于dbn的多维时序信息驱动航空发动机故障诊断方法 |
| CN110324260A (zh) * | 2019-06-21 | 2019-10-11 | 北京邮电大学 | 一种基于流量识别的网络功能虚拟化智能调度方法 |
| CN110972120A (zh) * | 2018-09-29 | 2020-04-07 | 安凯(广州)微电子技术有限公司 | 一种低功耗蓝牙设备多链路管理方法、系统及装置 |
| US20200117987A1 (en) * | 2018-10-11 | 2020-04-16 | International Business Machines Corporation | Online learning for dynamic boltzmann machines with hidden units |
| CN111371689A (zh) * | 2018-12-25 | 2020-07-03 | 上海大学 | 基于深度学习的tcp拥塞控制版本识别方法和装置 |
| CN112469079A (zh) * | 2020-11-05 | 2021-03-09 | 南京大学 | 结合深度强化学习与传统拥塞控制的新型拥塞控制方法 |
| CN112532530A (zh) * | 2019-09-18 | 2021-03-19 | 华为技术有限公司 | 一种拥塞通知信息调整的方法及设备 |
| CN112770353A (zh) * | 2020-12-30 | 2021-05-07 | 武汉大学 | 拥塞控制模型的训练方法和装置及拥塞控制方法和装置 |
| CN112804125A (zh) * | 2021-02-09 | 2021-05-14 | 河南科技大学 | 一种基于模糊综合评判算法的命名数据网络拥塞控制方法 |
| CN112887217A (zh) * | 2019-11-30 | 2021-06-01 | 华为技术有限公司 | 控制数据包发送方法、模型训练方法、装置及系统 |
| CN113783788A (zh) * | 2021-09-16 | 2021-12-10 | 航天新通科技有限公司 | 一种基于流量预测的网络优化系统及方法 |
| CN113872873A (zh) * | 2021-09-29 | 2021-12-31 | 西安交通大学 | 一种适合5g新应用的多场景跨层拥塞控制方法 |
| CN114047701A (zh) * | 2021-11-22 | 2022-02-15 | 广西电网有限责任公司电力科学研究院 | 一种智能传感器网络拥塞自适应模型预测控制方法 |
| CN114553783A (zh) * | 2022-02-23 | 2022-05-27 | 湖南工学院 | 数据中心网络自适应调整流胞粒度的负载均衡方法 |
| CN114827036A (zh) * | 2022-04-18 | 2022-07-29 | 天津大学 | 基于sdn的具有缓存感知的ndn逐跳拥塞控制方法 |
| WO2022188440A1 (zh) * | 2021-03-11 | 2022-09-15 | 中国电信股份有限公司 | 调整数据转发队列的方法、装置及计算机可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101056259A (zh) * | 2007-05-21 | 2007-10-17 | 中南大学 | 一种用于高速网络中的协同工作式拥塞控制方法 |
| CN104517284A (zh) * | 2014-09-29 | 2015-04-15 | 西安电子科技大学 | 基于深度置信网的极化sar图像分割 |
| CN105260429A (zh) * | 2015-09-30 | 2016-01-20 | 河南科技大学 | 一种基于多重布隆过滤器的icn网络信息名字查找方法 |
| US20170104774A1 (en) * | 2015-10-08 | 2017-04-13 | Cisco Technology, Inc. | Anomaly detection in a network coupling state information with machine learning outputs |
| CN107256393A (zh) * | 2017-06-05 | 2017-10-17 | 四川大学 | 基于深度学习的一维生理信号的特征提取与状态识别 |
-
2017
- 2017-10-31 CN CN201711042453.0A patent/CN107634911B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101056259A (zh) * | 2007-05-21 | 2007-10-17 | 中南大学 | 一种用于高速网络中的协同工作式拥塞控制方法 |
| CN104517284A (zh) * | 2014-09-29 | 2015-04-15 | 西安电子科技大学 | 基于深度置信网的极化sar图像分割 |
| CN105260429A (zh) * | 2015-09-30 | 2016-01-20 | 河南科技大学 | 一种基于多重布隆过滤器的icn网络信息名字查找方法 |
| US20170104774A1 (en) * | 2015-10-08 | 2017-04-13 | Cisco Technology, Inc. | Anomaly detection in a network coupling state information with machine learning outputs |
| CN107256393A (zh) * | 2017-06-05 | 2017-10-17 | 四川大学 | 基于深度学习的一维生理信号的特征提取与状态识别 |
Non-Patent Citations (1)
| Title |
|---|
| 张艳霞: "基于受限玻尔兹曼机的深度学习模型及其应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (35)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108718226B (zh) * | 2018-05-08 | 2020-12-11 | 天津大学 | 一种水下长延时传感器网络传输层数据传输方法 |
| CN108718226A (zh) * | 2018-05-08 | 2018-10-30 | 天津大学 | 一种水下长延时传感器网络传输层数据传输方法 |
| CN108768781A (zh) * | 2018-06-06 | 2018-11-06 | 清华大学 | 避免死锁的无丢失流量控制方法及装置 |
| CN109034391A (zh) * | 2018-08-17 | 2018-12-18 | 王玲 | 自动驾驶的多源异构信息rbm网络融合架构及融合方法 |
| CN110972120B (zh) * | 2018-09-29 | 2023-05-16 | 安凯(广州)微电子技术有限公司 | 一种低功耗蓝牙设备多链路管理方法、系统及装置 |
| CN110972120A (zh) * | 2018-09-29 | 2020-04-07 | 安凯(广州)微电子技术有限公司 | 一种低功耗蓝牙设备多链路管理方法、系统及装置 |
| US11995540B2 (en) * | 2018-10-11 | 2024-05-28 | International Business Machines Corporation | Online learning for dynamic Boltzmann machines with hidden units |
| US20200117987A1 (en) * | 2018-10-11 | 2020-04-16 | International Business Machines Corporation | Online learning for dynamic boltzmann machines with hidden units |
| CN109460874A (zh) * | 2018-11-19 | 2019-03-12 | 厦门大学 | 一种基于深度学习的有义波高预测方法 |
| CN109460874B (zh) * | 2018-11-19 | 2022-03-08 | 厦门大学 | 一种基于深度学习的有义波高预测方法 |
| CN111371689B (zh) * | 2018-12-25 | 2022-03-18 | 上海大学 | 基于深度学习的tcp拥塞控制版本识别方法和装置 |
| CN111371689A (zh) * | 2018-12-25 | 2020-07-03 | 上海大学 | 基于深度学习的tcp拥塞控制版本识别方法和装置 |
| CN109831320B (zh) * | 2018-12-29 | 2022-03-25 | 国家电网有限公司 | 一种辅助流量预测控制方法、存储介质和电子设备 |
| CN109831320A (zh) * | 2018-12-29 | 2019-05-31 | 国家电网有限公司 | 一种辅助流量预测控制方法、存储介质和电子设备 |
| CN110166370A (zh) * | 2019-05-15 | 2019-08-23 | 浙江启程电子科技股份有限公司 | 一种基于拥塞因子预判的传输方法 |
| CN110324260B (zh) * | 2019-06-21 | 2020-10-09 | 北京邮电大学 | 一种基于流量识别的网络功能虚拟化智能调度方法 |
| CN110324260A (zh) * | 2019-06-21 | 2019-10-11 | 北京邮电大学 | 一种基于流量识别的网络功能虚拟化智能调度方法 |
| CN110285976A (zh) * | 2019-07-09 | 2019-09-27 | 哈尔滨工业大学（威海） | 基于dbn的多维时序信息驱动航空发动机故障诊断方法 |
| CN112532530A (zh) * | 2019-09-18 | 2021-03-19 | 华为技术有限公司 | 一种拥塞通知信息调整的方法及设备 |
| CN112532530B (zh) * | 2019-09-18 | 2022-12-13 | 华为技术有限公司 | 一种拥塞通知信息调整的方法及设备 |
| CN112887217A (zh) * | 2019-11-30 | 2021-06-01 | 华为技术有限公司 | 控制数据包发送方法、模型训练方法、装置及系统 |
| CN112887217B (zh) * | 2019-11-30 | 2022-09-09 | 华为技术有限公司 | 控制数据包发送方法、模型训练方法、装置及系统 |
| CN112469079A (zh) * | 2020-11-05 | 2021-03-09 | 南京大学 | 结合深度强化学习与传统拥塞控制的新型拥塞控制方法 |
| CN112770353A (zh) * | 2020-12-30 | 2021-05-07 | 武汉大学 | 拥塞控制模型的训练方法和装置及拥塞控制方法和装置 |
| CN112804125B (zh) * | 2021-02-09 | 2022-03-18 | 河南科技大学 | 一种基于模糊综合评判算法的命名数据网络拥塞控制方法 |
| CN112804125A (zh) * | 2021-02-09 | 2021-05-14 | 河南科技大学 | 一种基于模糊综合评判算法的命名数据网络拥塞控制方法 |
| WO2022188440A1 (zh) * | 2021-03-11 | 2022-09-15 | 中国电信股份有限公司 | 调整数据转发队列的方法、装置及计算机可读存储介质 |
| CN113783788B (zh) * | 2021-09-16 | 2022-06-17 | 航天新通科技有限公司 | 一种基于流量预测的网络优化系统及方法 |
| CN113783788A (zh) * | 2021-09-16 | 2021-12-10 | 航天新通科技有限公司 | 一种基于流量预测的网络优化系统及方法 |
| CN113872873A (zh) * | 2021-09-29 | 2021-12-31 | 西安交通大学 | 一种适合5g新应用的多场景跨层拥塞控制方法 |
| CN114047701A (zh) * | 2021-11-22 | 2022-02-15 | 广西电网有限责任公司电力科学研究院 | 一种智能传感器网络拥塞自适应模型预测控制方法 |
| CN114047701B (zh) * | 2021-11-22 | 2023-08-11 | 广西电网有限责任公司电力科学研究院 | 一种智能传感器网络拥塞自适应模型预测控制方法 |
| CN114553783A (zh) * | 2022-02-23 | 2022-05-27 | 湖南工学院 | 数据中心网络自适应调整流胞粒度的负载均衡方法 |
| CN114827036A (zh) * | 2022-04-18 | 2022-07-29 | 天津大学 | 基于sdn的具有缓存感知的ndn逐跳拥塞控制方法 |
| CN114827036B (zh) * | 2022-04-18 | 2023-09-29 | 天津大学 | 基于sdn的具有缓存感知的ndn逐跳拥塞控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107634911B (zh) | 2020-03-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107634911A (zh) | 一种信息中心网络中基于深度学习的自适应拥塞控制方法 | |
| Sun et al. | Adaptive federated learning and digital twin for industrial internet of things | |
| CN114697229B (zh) | 一种分布式路由规划模型的构建方法及应用 | |
| CN107493334A (zh) | 一种云雾计算网络架构及增强云雾网络架构可靠性的方法 | |
| CN101808244A (zh) | 一种视频传输控制方法及系统 | |
| Liu et al. | ACCP: adaptive congestion control protocol in named data networking based on deep learning | |
| CN107070802A (zh) | 基于pid控制器的无线传感器网络拥塞控制技术 | |
| Sun et al. | Accelerating convergence of federated learning in MEC with dynamic community | |
| Chen et al. | ALBLP: Adaptive Load‐Balancing Architecture Based on Link‐State Prediction in Software‐Defined Networking | |
| Zhang et al. | Communication-efficient federated continual learning for distributed learning system with Non-IID data | |
| CN113676357B (zh) | 面向电力物联网中边缘数据处理的决策方法及其应用 | |
| Zhang et al. | DSOQR: Deep Reinforcement Learning for Online QoS Routing in SDN‐Based Networks | |
| Bie et al. | Queue management algorithm for satellite networks based on traffic prediction | |
| Sun et al. | End-to-end tcp congestion control as a classification problem | |
| Wu et al. | Link congestion prediction using machine learning for software-defined-network data plane | |
| Alipio et al. | Deep Reinforcement Learning perspectives on improving reliable transmissions in IoT networks: Problem formulation, parameter choices, challenges, and future directions | |
| Liu et al. | EAGLE: Heterogeneous GNN-based network performance analysis | |
| Xia et al. | Glider: rethinking congestion control with deep reinforcement learning | |
| Nan et al. | An Efficient Data-driven Traffic Prediction Framework for Network Digital Twin | |
| Basheer et al. | Intelligent parameter tuning using deep Q-network for RED algorithm in adaptive queue management systems | |
| Qi et al. | Edge-edge Collaboration Based Micro-service Deployment in Edge Computing Networks | |
| Mehta et al. | Adaptive Cross-Layer Optimization Using Mimo Fuzzy Control System in Ad-hoc Networks. | |
| Tang | Automatic Control of Electronic Information Transmission Integrity Considering Gabp Neural Algorithm | |
| Cui et al. | A Review of Research on Intelligent Command and Control Network Traffic Theory | |
| Hong et al. | Spatial-Temporal Feature Fusion Network for Network Traffic Prediction |
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 |