CN108833564A - 一种基于深度学习的5g epc网络主动缓存方法 - Google Patents

一种基于深度学习的5g epc网络主动缓存方法 Download PDF

Info

Publication number
CN108833564A
CN108833564A CN201810666172.0A CN201810666172A CN108833564A CN 108833564 A CN108833564 A CN 108833564A CN 201810666172 A CN201810666172 A CN 201810666172A CN 108833564 A CN108833564 A CN 108833564A
Authority
CN
China
Prior art keywords
network
ssaes
deep learning
epc
active cache
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.)
Withdrawn
Application number
CN201810666172.0A
Other languages
English (en)
Inventor
雷方元
蔡君
戴青云
赵慧民
刘燕
罗建桢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Polytechnic Normal University
Original Assignee
Guangdong Polytechnic Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Polytechnic Normal University filed Critical Guangdong Polytechnic Normal University
Priority to CN201810666172.0A priority Critical patent/CN108833564A/zh
Publication of CN108833564A publication Critical patent/CN108833564A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services
    • H04L67/568—Storing data temporarily at an intermediate stage, e.g. caching
    • 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
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • 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
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及一种基于深度学习的5G EPC网络主动缓存方法，其特征在于，包括以下步骤：第一，采用NFV/SDN技术构建虚拟分布式深度学习网络SSAEs；第二，以历史用户数据为基础进行无监督训练SSAEs网络参数；第三，SSAE使用SDN控制器收集的EPC用户请求数据作为SSAEs网络的输入参数；第四，SDN控制器根据SSAE的预测结果生成主动缓存策略，并通过流表将其同步到各缓存节点，进而实现主动缓存。本发明较好的解决了EPC缓存效率不高，控制不灵活等问题。

Description

一种基于深度学习的5G EPC网络主动缓存方法
技术领域
本发明涉及一种基于深度学习的5G EPC网络主动缓存方法。
背景技术
根据Cisco最新发布可视化网络指数（VNI）的预测报告，2021年全球移动数据流量将是2016年的7倍，达到587EB，联网设备数量将增加到263亿台，其中移动视频流量接近移动流量的80%。快速增长的移动网络流量，给当前移动网络带来了极大的压力和挑战，主要表现在：传输内容重复，浪费资源；网络时延大，用户感受差。
目前，4G移动网络架构中，EPC已经不能满足快速增长的网络流量的要求。这就要求在未来的5G网络架构中采用NFV/SDN技术来支持EPC具有柔性和动态适应性的功能来满足用户的各种场景的暴增的流量需求。同时，在将到来的5G移动通信网络应该具有短时延、低功耗、高可靠等特点，因此，降低网络流量是核心问题。为了降低网络流量，传统的被动缓存技术通过将内容缓存到沿路径的设备中来被其他用户重用，但被动缓存技术无法满足用户的需求。在5G网络中需要是以用户为中心，具有动态预测和情境感知的主动缓存技术，而对内容流行度的智能化预测是实现内容主动缓存的关键问题。
发明内容
本发明针对现有技术的不足，为了实现基于内容流行度的全局缓存机制，需要获知网络中所有请求内容的流行度。因此，本发明提供一种基于深度学习的5G EPC网络主动缓存方法，以通过SDN/NFV在网络的EPC不同网元中虚拟内容请求统计服务器，用于收集本地接收的请求消息的内容信息，并将内容请求信息汇总到虚拟的全局内容请求统计服务器。因此，在5G网络通过收集海量的全局内容请求信息后，利用深度学习算法来构建预测内容流行度模型，进而利用预测模型来指导5G核心网进行高效缓存。
为了达到上述目的，本发明一种基于深度学习的5G EPC网络主动缓存方法，主要包括以下步骤：
第一，采用NFV/SDN技术构建虚拟分布式深度学习网络SSAEs；
第二，以历史用户数据为基础进行无监督训练SSAEs网络参数；
第三，SSAEs使用SDN控制器收集的EPC用户请求数据作为SSAEs网络的输入参数；
第四，SDN控制器根据SSAEs的预测结果生成主动缓存策略，包括内容是否进行缓存，缓存的位置，替换缓存内容的信息,并通过流表将其同步到各缓存节点，进而实现主动缓存。
优选地，所述SSAEs网络由一个以上的SSAE构成，所述第一步中当构建由多个SAE堆叠构成的SSAE时，每个SAE由输入层、隐含层和输出层构成，并且每个SAE的输出是SSAE的下一个SAE的输入。
作为上述方案的进一步改进，所述SSAE的输入参数的维度为空间维度与时间维度的乘积。所述空间维度为同一时间间隙的网络内容流行度数据；而时间维度为多个时间间隙。所述SSAE的激活函数采用ReLU，最终的输出采用Softmax来实现分类预测。
优选地，所述第二步网络参数的训练包括自编码器的预训练和网络参数精调两个过程。
本发明通过SDN/NFV在网络的EPC不同网元中虚拟内容请求统计服务器，用于收集本地接收的请求消息的内容信息，并将内容请求信息汇总到虚拟的全局内容请求统计服务器。因此，在5G网络通过收集海量的全局内容请求信息后，利用深度学习算法来构建预测内容流行度模型，进而利用预测模型来指导5G核心网进行高效缓存。本发明较好的解决了EPC缓存效率不高，控制不灵活等问题。
附图说明
图1为本发明的流程图。
具体实施方式
以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。
参照图1，本发明实施例一种基于深度学习的5G EPC网络主动缓存方法，主要包括以下步骤。
首先，采用NFV/SDN技术构建虚拟分布式深度学习网络SSAEs。
在5G网络中，核心网网元由服务器和路由器构成，它们均可认为是具有SDN架构路由器，实现了控制面与转发面的分离。核心网的每个网元均具有计算功能，这些网元之间通过SDN控制器进行相互协同。因此，可利用NFV/SDN技术在核心网网元来虚拟构建分布式深度学习网络架构，将深度学习网络的计算功能分散到核心网网络节点中，在SDN控制器上实现基于深度学习的内容流行度预测输出，并利用SDN控制器来将待缓存内容的指令同步到对应核心网节点，实现主动缓存。
考虑到网络资源的有限性，因此，构建由多个SAE（稀疏自编码器）堆叠构成的SSAE（堆栈式稀疏自编码器）。每个SAE包括输入层、隐含层和输出层构成的三层网络结构。每个SAE的输出是SSAE的下一个SAE的输入。为了实现时空预测，SSAE的输入参数的维度为空间维度与时间维度的乘积。空间维度为同一时间间隙的网络内容流行度数据；时间维度为多个时间间隙。SSAE的激活函数采用ReLU，最终的输出采用Softmax来实现分类预测。
第二，以历史用户数据为基础进行无监督训练SSAEs网络参数。
SAE的网络参数的训练分为自编码器的预训练和网络参数精调两个过程。根据网络内容流行的历史数据生成训练集，验证集和测试集。根据网络架构得到网络的损失函数的表达式包含重构误差项、正则化项、以及KL散度表示的稀疏限制条件，并给定正则化项和稀疏项的权重因子。预训练和精调阶段的学习因子均为随迭代不错增加而逐步下降。训练时，采用随机函数生成初始化权重矩阵w及偏移参数b。在预训练过程中采用贪婪算法逐层训练网络参数，预训练完成之后，采用基于梯度下降的BP算法自顶而下来精调网络参数，完成网络模型训练。
最后，SSAEs使用SDN控制器收集的EPC用户请求数据作为SSAEs网络的输入参数；SDN控制器根据SSAEs的预测结果生成主动缓存策略，包括内容是否进行缓存，缓存的位置，替换缓存内容的信息,并通过流表将其同步到各缓存节点，进而实现主动缓存。
在实施基于SDN/NFV的EPC网元主动缓存策略时，NFV提供网元的虚拟功能。作为上层控制平面，SDN保存EPC网元节点的拓扑路由信息，并动态更新EPC网元缓存节点的缓存节点，以维护每个EPC缓存节点缓存的详细记录。所有缓存策略均由SDN控制器生成，EPC节点只负责执行缓存策略。SDN控制器充分考虑了网络的拓扑结构和每个节点的缓存，从而使整个EPC网络的缓存高效，避免了缓存资源的浪费。
SDN控制器负责正常工作，同时负责深度学习网络的部署和维护。控制器知道EPC拓扑，同时指导EPC核心网元建立自己的路由转发表。当深度学习网络进行预测时，SDN控制器为内容创建一个路由转发表，并在EPC数据包到达之前主动将其插入正常EPC网络的交换路由表中。
根据深度学习网络的内容流行度预测的结果，SDN控制器流表中对未来流行度高的内容进行存储标识，对将要被替换的内容进行标识。SDN控制器将流表同步到核心网络的控制面。核心网元的控制面接收到存储和更换指令后，当预测的内容的数据包到达时，高流行度的内容被缓存，需要被替换的内容被替换。
本发明通过SDN/NFV在网络的EPC不同网元中虚拟内容请求统计服务器，用于收集本地接收的请求消息的内容信息，并将内容请求信息汇总到虚拟的全局内容请求统计服务器。因此，在5G网络通过收集海量的全局内容请求信息后，利用深度学习算法来构建预测内容流行度模型，进而利用预测模型来指导5G核心网进行高效缓存。本发明较好的解决了EPC缓存效率不高，控制不灵活等问题。
以上已将本发明做一详细说明，但显而易见，本领域的技术人员可以进行各种改变和改进，而不背离所附权利要求书所限定的本发明的范围。

Claims (4)

1.一种基于深度学习的5G EPC网络主动缓存方法，其特征在于，主要包括以下步骤：
第一，采用NFV/SDN技术构建虚拟分布式深度学习网络SSAEs；
第二，以历史用户数据为基础进行无监督训练SSAEs网络参数；
第三，SSAEs使用SDN控制器收集的EPC用户请求数据作为SSAEs网络的输入参数；
第四，SDN控制器根据SSAEs的预测结果生成主动缓存策略，并通过流表将其同步到各缓存节点，进而实现主动缓存。
2.根据权利要求1所述的一种基于深度学习的5G EPC网络主动缓存方法，其特征在于，所述SSAEs网络由复数个SSAE构成，所述第一步中当构建由复数个SAE堆叠构成的SSAE时，每个SAE由输入层、隐含层和输出层构成，并且每个SAE的输出是SSAE的下一个SAE的输入。
3.根据权利要求2所述的一种基于深度学习的5G EPC网络主动缓存方法，其特征在于，所述SSAE的输入参数的维度为空间维度与时间维度的乘积。
4.根据权利要求1所述的一种基于深度学习的5G EPC网络主动缓存方法，其特征在于，所述第二步网络参数的训练包括自编码器的预训练和网络参数精调两个过程。
CN201810666172.0A 2018-06-26 2018-06-26 一种基于深度学习的5g epc网络主动缓存方法 Withdrawn CN108833564A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810666172.0A CN108833564A (zh) 2018-06-26 2018-06-26 一种基于深度学习的5g epc网络主动缓存方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810666172.0A CN108833564A (zh) 2018-06-26 2018-06-26 一种基于深度学习的5g epc网络主动缓存方法

Publications (1)

Publication Number Publication Date
CN108833564A true CN108833564A (zh) 2018-11-16

Family

ID=64138714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810666172.0A Withdrawn CN108833564A (zh) 2018-06-26 2018-06-26 一种基于深度学习的5g epc网络主动缓存方法

Country Status (1)

Country Link
CN (1) CN108833564A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109474497A (zh) * 2018-12-19 2019-03-15 四川艾贝斯科技发展有限公司 一种可靠的网络维持终端深度学习算法
CN109542803A (zh) * 2018-11-20 2019-03-29 中国石油大学(华东) 一种基于深度学习的混合多模式热数据缓存策略
CN111162939A (zh) * 2019-12-25 2020-05-15 广东省新一代通信与网络创新研究院 一种网络设备控制方法、装置、计算设备及网络系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109542803A (zh) * 2018-11-20 2019-03-29 中国石油大学(华东) 一种基于深度学习的混合多模式热数据缓存策略
CN109474497A (zh) * 2018-12-19 2019-03-15 四川艾贝斯科技发展有限公司 一种可靠的网络维持终端深度学习算法
CN111162939A (zh) * 2019-12-25 2020-05-15 广东省新一代通信与网络创新研究院 一种网络设备控制方法、装置、计算设备及网络系统
CN111162939B (zh) * 2019-12-25 2023-02-03 广东省新一代通信与网络创新研究院 一种网络设备控制方法、装置、计算设备及网络系统

Similar Documents

Publication Publication Date Title
CN112491714B (zh) SDN环境下基于深度强化学习的智能QoS路由优化方法、系统
CN106161204B (zh) 一种基于群体智能的移动社交网络中的数据传输方法
CN110662231A (zh) 面向5g环境的网络切片资源调整方法及系统
CN108833564A (zh) 一种基于深度学习的5g epc网络主动缓存方法
CN105812462B (zh) 一种基于sdn的icn路由方法
CN108566659A (zh) 一种基于可靠性的5g网络切片在线映射方法
CN104168620A (zh) 无线多跳回传网络中的路由建立方法
CN108880888A (zh) 一种基于深度学习的sdn网络流量预测方法
CN105227645A (zh) 一种云数据迁移方法
CN114050961B (zh) 一种大规模网络仿真系统及资源动态调度分配方法
CN107666448B (zh) 一种时延感知下的5g虚拟接入网映射方法
Liu Intelligent routing based on deep reinforcement learning in software-defined data-center networks
Zhao et al. PLOFR: An online flow route framework for power saving and load balance in SDN
EP4024212B1 (en) Method for scheduling inference workloads on edge network resources
Song et al. Machine learning enabling traffic-aware dynamic slicing for 5G optical transport networks
CN106376041B (zh) 一种应用elm预测的命名数据网络移动性切换方法
CN110213175A (zh) 一种面向知识定义网络的智能管控系统及管控方法
Mi et al. Software-defined green 5G system for big data
Jin et al. A congestion control method of SDN data center based on reinforcement learning
CN105681438A (zh) 内容中心网络中一种集中式的缓存决策策略
CN106681815A (zh) 一种虚拟机并发迁移方法
CN113341712A (zh) 无人机自主控制系统智能分层递阶控制选择方法
CN102917287A (zh) 一种面向内容中心的智能光网络交换装置和边缘缓存方法
Fang et al. Drl-driven joint task offloading and resource allocation for energy-efficient content delivery in cloud-edge cooperation networks
CN105847146A (zh) 一种提高层次分布式sdn控制平面路由效率的机制

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20181116

WW01 Invention patent application withdrawn after publication