CN109039884A - 使用机器学习的网络路径预测和选择 - Google Patents

使用机器学习的网络路径预测和选择 Download PDF

Info

Publication number
CN109039884A
CN109039884A CN201810542843.2A CN201810542843A CN109039884A CN 109039884 A CN109039884 A CN 109039884A CN 201810542843 A CN201810542843 A CN 201810542843A CN 109039884 A CN109039884 A CN 109039884A
Authority
CN
China
Prior art keywords
network
information
stream
management device
business
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
Application number
CN201810542843.2A
Other languages
English (en)
Other versions
CN109039884B (zh
Inventor
A·亚达夫
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.)
Juniper Networks Inc
Peribit Networks Inc
Original Assignee
Peribit Networks Inc
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 Peribit Networks Inc filed Critical Peribit Networks Inc
Publication of CN109039884A publication Critical patent/CN109039884A/zh
Application granted granted Critical
Publication of CN109039884B publication Critical patent/CN109039884B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • 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
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • 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
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5041—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the time relationship between creation and deployment of a service
    • H04L41/5045—Making service definitions prior to deployment
    • 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
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5041—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the time relationship between creation and deployment of a service
    • H04L41/5051—Service on demand, e.g. definition and deployment of services in real time
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/14—Routing performance; Theoretical aspects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/70—Routing based on monitoring results
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/18—Communication route or path selection, e.g. power-based or shortest path routing based on predicted events
    • 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
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本公开的实施例涉及使用机器学习的网络路径预测和选择。一种网络管理设备可以包括一个或多个处理器，其用以：接收关于多个网络设备的操作信息；接收与至少一个业务流相关的流信息；向模型输入流信息，其中模型是基于机器学习技术而被生成的，并且其中模型被配置为基于操作信息来标识关于至少一个业务流的一个或多个网络设备的预测的性能信息；基于预测的性能信息来确定关于一个或多个网络设备的用于至少一个业务流的路径信息；和/或将一个或多个网络设备配置为实现用于业务流的路径信息。

Description

使用机器学习的网络路径预测和选择
背景技术
网络管理设备可以标识用于网络业务的经由一组网络设备的最短路径(例如，基于距离、吞吐量、时延等)。网络管理设备可以使用可以基于该组网络设备的静态配置(例如，网络拓扑等)而预定义的度量驱动方法。在一些情况下，网络业务可以与服务水平协议(SLA)相关联，SLA可以标识针对网络业务的时延、可靠性和/或吞吐量要求。
发明内容
一种方法可以包括：由网络管理设备接收关于多个网络设备的操作信息；由网络管理设备接收与要经由多个网络设备中的至少一个网络设备提供的业务流相关的流信息；由网络管理设备向模型输入操作信息和流信息，其中模型是基于机器学习技术来生成的，并且其中模型被配置为基于操作信息和流信息来标识关于业务流的多个网络设备的预测的性能；由网络管理设备基于多个网络设备的预测的性能来确定关于多个网络设备的用于业务流的路径信息；和/或由网络管理设备将多个网络设备中的一个或多个网络设备配置为实现用于业务流的路径信息。
一种网络管理设备可以包括一个或多个处理器，其用以：接收关于多个网络设备的操作信息；接收与至少一个业务流相关的流信息；向模型输入流信息，其中模型是基于机器学习技术来生成的，并且其中模型被配置为基于操作信息来标识关于至少一个业务流的一个或多个网络设备的预测的性能信息；基于预测的性能信息来确定关于一个或多个网络设备的用于至少一个业务流的路径信息；和/或将一个或多个网络设备配置为实现用于业务流的路径信息。
一种存储指令的非暂态计算机可读介质，这些指令包括在由网络管理设备的一个或多个处理器执行时引起一个或多个处理器：接收关于第一一组网络设备的第一操作信息；接收与第一组网络设备相关联的关于第一组业务流的第一流信息；基于机器学习技术来生成模型以标识关于第一组业务流的第一组网络设备的预测的性能；接收或获取关于第一组网络设备或第二组网络设备的第二操作信息和/或第二流信息；使用模型并且基于第二操作信息和/或第二流信息来确定用于第一组业务流或第二组业务流的路径信息；将第一组网络设备或第二组网络设备配置为实现路径信息；和/或基于机器学习技术并且基于路径信息被实现之后的观察来更新模型。
附图说明
图1A至图1D是本文中描述的示例实现的概览的示图；
图2是其中可以实现本文中描述的系统和/或方法的示例环境的示图；
图3是图2的一个或多个设备的示例组件的示图；
图4是图2的一个或多个设备的示例组件的另一示图；
图5是用于使用机器学习算法生成用于路径确定的模型并且使用该模型确定用于业务的路径的示例过程的流程图；以及
图6是诸如本文中描述的实现的预测路径计算函数的输入和输出的示例的示图。
具体实施方式
示例实现的以下详细描述参考附图。不同附图中的相同附图标记可以标识相同或相似的元素。
路由协议可以标识用于在网络中路由业务的规则和/或状况。例如，路由协议可以基于与网络的网络设备相关联的度量来标识要关于特定网络业务来使用的特定跳或路径。在一些情况下，路由协议可以基于预定义的信息，诸如预定义的网络拓扑等。例如，当网络设备或网络的链路发生故障时，路由协议可以指示经由发生故障的网络设备或链路流动的用于业务的替代路径。
然而，预定义的路由协议在实践中可能具有缺点。例如，在某些情况下，特定的网络设备或链路可能不会向网络管理员设备或对等路由器报告故障。缺少路由更新可能表示网络拓扑未更新以解决这样的故障，并且业务可能因此而丢失。由于未报告的硬件故障或配置故障而导致的业务丢失可以被称为黑洞。作为另一示例，网络拓扑可能随时间改变(例如，基于网络设备的激活或去激活、网络设备的配置的改变等)，这可能导致过时或欠优的路由协议。此外，归因于低时延应用，业务时延已经成为关键质量标准，并且基于静态配置的当前的基于路由协议的方案可能不适应由于不可预知的业务拥塞而导致的变化的延迟。不可预知的业务拥塞与用于不同优先级的业务的SLA相结合可能导致低优先级业务的丢弃率增加。此外，网络业务是动态的，并且本质上可能是突发性的，这可能导致网络中的拥塞点。拥塞可能会导致意外的队列积累，并且导致针对较低优先级业务的较高延迟、抖动甚至分组丢弃。
本文中描述的一些实现使用基于机器学习的解决方案来标识关于一组网络设备的用于业务流的路径。例如，本文中描述的一些实现可以使用机器学习技术来训练模型。可以基于针对一组网络设备的观察到的操作信息(例如，遥测数据等)并且基于与该组网络设备相关联的用于业务流的流信息来训练该模型。该模型可以基于标识业务流和/或操作信息的输入信息来输出该组网络设备的预测的性能信息。本文中描述的一些实现可以使用该模型来确定网络的路径信息，并且可以在网络中实现路径信息(例如，可以引起网络中的特定路径被形成、使用等)。
此外，本文中描述的一些实现可以使用机器学习技术并且基于关于路径信息的配置的功效的观察来更新模型。以这种方式，该模型可以适应于改变的网络状况和拓扑(例如，随着网络状况和/或拓扑改变实时地)，这可能需要人工干预以用于预定义的路由策略。因此，网络吞吐量、可靠性以及与SLA的一致性得到了改进。此外，本文中描述的一些实现可以使用严格的、明确定义的路径选择方法，其可以减少可能由试图基于关于网络性能的观察来定义路由策略的人类参与者引入的不确定性、主观性和低效性。
而且，本文中描述的一些实现可以标识与不同SLA相关联的用于业务的最佳路径。由于这些最佳路径可以基于业务负载和节点行为/故障而迭代地改变，因此本文中描述的实现的机器学习组件可以有规律地重新编程穿过网络域的用于特定业务流的路径。这种重新编程可以基于业务流的动态预测、业务丢弃和延迟。因此，与严格定义的路由协议相比，本文中描述的实现可以改进网络域的路径计算的适应性和多样性。
此外，通过使用机器学习，本文中描述的实现可以预测业务延迟或业务丢弃或者网络设备上的容量减小，并且可以执行先占式(pre-emptive)路由更新以避免由于节点劣化而导致的业务丢弃。因此，提供了前瞻性维护和路由，这进一步提高了网络的可靠性和性能。
图1A至图1D是本文中描述的示例实现100的概览的示图。如图1A和附图标记102所示，网络管理设备(示出为NAD)可以接收关于网络的多个网络设备的流信息、网络拓扑信息和操作信息的训练集合。网络管理设备可以接收流信息、网络拓扑信息和操作信息以生成用于确定网络或另一网络中的业务流路径的模型。
如附图标记104所示，多个网络设备可以与一组业务流相关联。例如，业务流可以包括流1(由附图标记106-1示出)、流2(由附图标记106-2示出)和流3(由附图标记106-3示出)。在一些实现中，一个或多个业务流可以与服务水平协议相关联，服务水平协议可以标识时延要求、吞吐量要求、可靠性要求等。这里，流1和2与最短路径相关联，流3与比最短路径长的路径相关联，并且(经由图1A的底部所示的网络设备的)最长路径未被使用。
如附图标记108所示，在一些实现中，操作信息可以包括标识丢弃(例如，与网络相关联的丢弃的业务)、延迟(例如，延迟的业务或不符合时延SLA的业务)、吞吐量统计(例如，与网络的网络设备的吞吐量相关的信息)、队列长度(例如，在网络设备处排队的分组或业务的量)、资源分配(例如，网络设备的硬件、软件或其他资源的分配)、一个或多个网络设备的输入速率和/或输出速率等的信息。
如附图标记110所示，在一些实现中，网络拓扑信息可以标识网络设备经由链路在网络内连接的模式。例如，网络拓扑信息可以指示拓扑的类型(例如，总线、环形、星形、网格等)、网络设备和/或链路的能力、网络设备和/或链路的配置等。
如附图标记112所示，流信息可以标识与业务流相关联的SLA、流标识符(例如，基于业务流的类别、业务流的源和/或目的地、业务流的业务类型等)、一个或多个流属性(例如，吞吐量、承载业务所需要的链路类型、与业务流相关联的模式、流持续时间等)等。
如图1B和附图标记114所示，网络管理设备可以执行机器学习技术以生成路径选择模型。在一些实现中，网络管理设备可以执行监督式学习技术等来生成路径选择模型。本文中在其他地方更详细地描述路径选择模型的生成。
如附图标记116所示，路径选择模型可以接收流信息和操作信息作为输入。例如，网络管理设备可以接收或获取流信息和操作信息，并且可以将流信息和操作信息输入到路径选择模型。
如附图标记118所示，路径选择模型可以输出预测的性能信息和/或标识与网络相关联的一个或多个业务流的一个或多个路径的信息。例如，路径选择模型可以标识业务流的一组链路和/或跳。附加地或备选地，路径选择模型可以输出标识一个或多个业务流的预测的吞吐量、时延和/或可靠性的预测的性能信息。附加地或备选地，路径选择模型可以输出附加的或不同的信息，如本文中在其他地方更详细地描述的。
如图1C和附图标记120所示，网络管理设备可以接收或获取关于网络的观察到的操作信息。例如，并且如图所示，观察到的操作信息可以指示网络设备劣化，诸如网络设备之一的部分节点劣化。部分节点劣化可以包括例如网络设备的容量减小、网络设备处的意外或异常队列、网络设备处的黑洞事件、与网络设备相关联的中断等。在劣化与中断或黑洞事件相关联的情况下，网络管理设备可以尝试通过检测作为黑洞业务的任何路由器或交换机并且绕开它们来避免或限制由于网络节点或设备行为不当而引起的业务丢弃，如下面更详细描述的。如附图标记122所示，网络设备劣化可以跟与流1和流2相关联的中央网络设备相关联。
如附图标记124所示，网络管理设备可以基于观察到的操作信息来标识网络设备劣化。在一些实现中，观察到的操作信息可以标识网络设备劣化(例如，中央网络设备或与中央网络设备通信的网络设备可以报告网络设备劣化)。附加地或备选地，网络管理设备可以基于与除了中央网络设备之外的设备相关联的信息来标识网络设备劣化。例如，网络管理设备可以基于标识中央网络设备上游的网络设备处的增加的队列大小，或者基于标识中央网络设备下游的没有从中央网络设备接收到网络业务的设备来标识网络设备劣化。
在一些实现中，基于接收到的或观察到的操作信息，网络管理设备可以预测一个或多个网络设备上的业务延迟或业务丢弃或减小的容量。例如，网络管理设备的机器学习方面可以实现这样的前瞻性分析。在一些实现中，网络管理设备可以基于预测的业务延迟、业务丢弃或减小的容量来执行先占式路由更新以避免由于节点劣化而引起的业务丢弃。这可以实现基于诸如队列长度或业务延迟等先行标记的前瞻性路由调节。
如附图标记126所示，网络管理设备可以使用路径选择模型并且基于预测的性能信息来标识流1、2和/或3的已更新路径。已更新路径可以标识针对流1、2和/或3的不包括与网络设备劣化相关联的中央网络设备的一个或多个路由。在一些实现中，网络管理设备可以基于与流1、2和/或3相关联的SLA并且基于路径选择模型来标识已更新路径。例如，网络管理设备可以基于由路径选择模型输出的预测的性能信息来标识使SLA满意度最大化的业务和/或业务流的分布。
如附图标记128所示，网络管理设备可以实现已更新路径。例如，如图所示，网络管理设备可以向网络的网络设备提供路径计算信息以引起网络的网络设备实现已更新路径。在一些实现中，网络管理设备可以使用诸如路径计算元件协议(PCEP)等特定协议来实现已更新路径。
如图1D和附图标记130所示，在已更新路径被实现之后，流1可以继续经由与劣化相关联的网络设备被路由。例如，网络管理设备可以确定与劣化相关联的网络设备仍然具有足够的容量来承载流1，并且可以相应地经由该网络设备来路由流1。以这种方式，使用基于机器学习的方法降低了劣化的影响，并且在劣化、黑洞和类似事件的情况下的路由效率得到改进。
如附图标记132所示，流2可以经由图1D的顶部所示的最初用于提供流3的一组网络设备来路由。如进一步所示，流3可以经由图1D的底部所示的先前未使用的一组网络设备来路由。例如，流2和流3可以基于关于与流2和流3将被重新路由到的路径相关联的业务和/或性能的预测以及基于关于与流1在其上被路由的路径相关联的业务和/或性能的预测来重新路由。因此，网络管理设备可以训练预测模型(例如，路径选择模型)并且可以使用预测模型来标识网络中的业务流的最佳路径。
如附图标记136所示，网络管理设备可以接收网络的已更新的操作信息和/或已更新的流信息。例如，已更新的操作信息和/或已更新的流信息可以与已更新路径被实现之后的网络相关。作为更具体的示例，已更新的操作信息和/或已更新的流信息可以标识使用已更新路径信息时的网络的性能。
如附图标记138所示，网络管理设备可以将已更新的操作信息和/或已更新的流信息与由路径选择模型输出的预测的性能信息相比较。如附图标记140所示，网络管理设备可以使用机器学习并且基于已更新的操作信息和/或已更新的流信息与预测的性能信息的比较来更新路径选择模型。例如，考虑到使用路径选择模型的结果，机器学习可以提供用于动态地或迭代地改进路径选择模型的机制。当观察结果偏离预测结果时，网络管理设备可以使用机器学习算法来调节路径选择模型，以提高预测结果的准确度以更好地匹配观察结果。
这样，网络管理设备使用机器学习生成预测模型，以确定网络设备的网络的已更新路径信息，其允许预测模型的动态改进和更新，并且其可以比复杂的和/或静态的路由协议更加容易实现。此外，使用机器学习技术可以生成比使用基于人的技术更高效的路由协议。此外，网络管理设备可以避免或限制由于网络设备的错误配置或故障而导致的业务黑洞而造成的业务丢弃。这对于诸如网络设备劣化、黑洞等传统路由协议检测不到的故障模式可能是特别有利的。而且，网络管理设备可以随时间不断收集有用的遥测和/或性能信息，这可以允许随着时间对网络信息进行分析。
以这种方式，通过使用时延敏感业务的最低时延路径来改进业务工程。此外，基于动态负载平衡，网络效率和业务分布得到改进。更进一步，网络管理设备可以动态地或自动地适应网络变化，并且可以通过记录连续的测量和拥塞来提供对动态网络行为的更好的可视性。这些收集或记录的数据可以用于离线数据分析，以设计和改进网络本身。
如上所述，图1A至1D仅作为示例提供。其他示例是可能的并且可能不同于关于图1A至图1D所描述的示例。
图2是其中可以实现本文中描述的系统和/或方法的示例环境200的示图。如图2所示，环境200可以包括网络管理设备210、一个或多个网络设备220-1至220-N(N≥1)(下文中统称为“网络设备220”，并且单独称为“网络设备220”)和网络230。环境200的设备可以经由有线连接、无线连接或有线和无线连接的组合来互连。
网络管理设备210包括能够监管或管理网络设备220对网络业务的路由的一个或多个设备。例如，网络管理设备210可以包括网络控制器(例如，集中式外部控制器、软件定义的网络控制器等)、自组织网络或自优化网络、网络操作中心的一个或多个设备、用户设备、路径计算元件、服务器设备、用户设备、集线器、负载平衡器或类似设备。在一些实现中，网络管理设备210可以是集中式设备(例如，可以与单个设备或设备集群相关联)。在一些实现中，网络管理设备210可以在两个或更多个分布式设备上实现。例如，网络管理设备210可以被部署为云环境、软件定义网络等的一部分。在一些实现中，网络管理设备210可以在一个或多个网络设备220上实现。
网络设备220包括能够在端点设备(未示出)之间处理和/或传送业务的一个或多个设备(例如，一个或多个业务传送设备)。例如，网络设备220可以包括防火墙、路由器、网关、交换机、集线器、网桥、反向代理、服务器(例如，代理服务器)、安全设备、入侵检测设备、负载平衡器或类似的设备。在一些实现中，网络设备220可以在诸如机箱等物理壳体内实现。在一些实现中，网络设备220可以是由云计算环境或数据中心的一个或多个计算机设备实现的虚拟设备。
网络230包括一个或多个有线和/或无线网络。例如，网络230可以包括蜂窝网络(例如，长期演进(LTE)网络、码分多址(CDMA)网络、3G网络、4G网络、5G网络、另一类型的下一代网络等)、公共陆地移动网络(PLMN)、局域网(LAN)、广域网(WAN)、城域网(MAN)、电话网络(例如，公共交换电话网(PSTN))、专用网络、自组织网络、内联网、因特网、基于光纤的网络、云计算网络等、和/或这些或其他类型的网络的组合。
图2所示的设备和网络的数目和布置作为示例提供。实际上，可以存在与图2所示的那些相比附加的设备和/或网络、更少的设备和/或网络、不同的设备和/或网络、或者不同布置的设备和/或网络。此外，图2所示的两个或更多设备可以在单个设备内实现，或者图2所示的单个设备可以实现为多个分布式设备。附加地或备选地，环境200的一组设备(例如，一个或多个设备)可以执行被描述为由环境200的另一组设备执行的一个或多个功能。
图3是设备300的示例组件的示图。设备300可以对应于网络设备220。在一些实现中，网络设备220可以包括一个或多个设备300和/或设备300的一个或多个组件。如图3所示，设备300可以包括一个或多个输入组件305-1至305-B(B≥1)(下文中统称为输入组件305，并且单独称为输入组件305)、切换组件310、一个或多个输出组件315-1至315-C(C≥1)(下文中统称为输出组件315，并且单独称为输出组件315)和控制器320。
输入组件305可以是用于物理链路的附接点，并且可以是诸如分组等传入业务的入口点。输入组件305可以诸如通过执行数据链路层封装或解封装来处理输入业务。在一些实现中，输入组件305可以发送和/或接收分组。在一些实现中，输入组件305可以包括输入线路卡，输入线路卡包括一个或多个分组处理组件(例如，以集成电路的形式)，诸如一个或多个接口卡(IFC)、分组转发组件、线路卡控制器组件、输入端口、处理器、存储器和/或输入队列。在一些实现中，设备300可以包括一个或多个输入组件305。
切换组件310可以将输入组件305与输出组件315互连。在一些实现中，切换组件310可以经由一个或多个交叉开关，经由总线，和/或通过共享存储器来实现。共享存储器可以用作临时缓冲器以在分组被最终调度以递送到输出组件315之前存储来自输入组件305的分组。在一些实现中，切换组件310可以使得输入组件305、输出组件315和/或控制器320能够通信。
输出组件315可以存储分组并且可以调度分组用于在输出物理链路上传输。输出组件315可以支持数据链路层封装或解封装、和/或各种更高级别的协议。在一些实现中，输出组件315可以发送分组和/或接收分组。在一些实现中，输出组件315可以包括输出线路卡，输出线路卡包括一个或多个分组处理组件(例如，以集成电路的形式)，诸如一个或多个IFC、分组转发组件、线路卡控制器组件、输出端口、处理器、存储器和/或输出队列。在一些实现中，设备300可以包括一个或多个输出组件315。在一些实现中，输入组件305和输出组件315可以由相同的一组组件来实现(例如，并且输入/输出组件可以是输入组件305和输出组件315的组合)。
控制器320包括为例如以下形式的处理器：中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)、微处理器、微控制器、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)和/或可以解释和/或执行指令的另一类型的处理器。处理器以硬件、固件或硬件和软件的组合来实现。在一些实现中，控制器320可以包括可以被编程为执行功能的一个或多个处理器。
在一些实现中，控制器320可以包括随机存取存储器(RAM)、只读存储器(ROM)和/或另一类型的动态或静态存储设备(例如，闪存、磁存储器、光存储器等)，其存储用于由控制器320使用的信息和/或指令。
在一些实现中，控制器320可以与连接到设备300的其他设备、网络和/或系统通信以交换关于网络拓扑的信息。控制器320可以基于网络拓扑信息来创建路由表，基于路由表来创建转发表，并且将转发表转发给输入组件305和/或输出组件315。输入组件305和/或输出组件315可以使用转发表以执行传入和/或传出分组的路由查找。
控制器320可以执行本文中描述的一个或多个过程。控制器320可以响应于执行由非暂态计算机可读介质存储的软件指令来执行这些处理。计算机可读介质在本文中被定义为非暂态存储器设备。存储器设备包括单个物理存储设备内的存储器空间或分布在多个物理存储设备上的存储器空间。
软件指令可以经由通信接口从另一计算机可读介质或从另一设备读取到与控制器320相关联的存储器和/或存储组件中。当被执行时，存储在与控制器320相关联的存储器和/或存储组件中的软件指令可以引起控制器320执行本文中描述的一个或多个过程。附加地或备选地，可以使用硬连线电路来代替软件指令或与软件指令相结合来执行本文中描述的一个或多个过程。因此，本文中描述的实现不限于硬件电路和软件的任何特定组合。
图3所示的组件的数目和布置作为示例提供。实际上，设备300可以包括与图3所示的那些相比附加的组件、更少的组件、不同的组件或者不同布置的组件。附加地或备选地，设备300的一组组件(例如，一个或多个组件)可以执行被描述为由设备300的另一组组件执行的一个或多个功能。
图4是设备400的示例组件的图。设备400可以对应于网络管理设备210。在一些实现中，网络管理设备210可以包括一个或多个设备400和/或设备400的一个或多个组件。如图4所示，设备400可以包括总线410、处理器420、存储器430、存储组件440、输入组件450、输出组件460和通信接口470。
总线410包括允许设备400的组件之间的通信的组件。处理器420以硬件、固件或硬件和软件的组合来实现。处理器420采取以下的形式：中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)、微处理器、微控制器、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)或另一类型的处理组件。在一些实现中，处理器420包括能够被编程为执行功能的一个或多个处理器。存储器430包括随机存取存储器(RAM)、只读存储器(ROM)和/或另一类型的动态或静态存储设备(例如，闪存、磁存储器和/或光存储器)，其存储用于由处理器420使用的信息和/或指令。
存储组件440存储与设备400的操作和使用相关的信息和/或软件。例如，存储组件440可以包括硬盘(例如，磁盘、光盘、磁光盘、和/或固态盘)、光盘(CD)、数字多功能盘(DVD)、软盘、盒式磁带、磁带和/或另一类型的非暂态计算机可读介质以及相应的驱动器。
输入组件450包括允许设备400接收信息的组件，诸如经由用户输入(例如，触摸屏显示器、键盘、小键盘、鼠标、按钮、开关和/或麦克风)。附加地或备选地，输入组件450可以包括用于感测信息的传感器(例如，全球定位系统(GPS)组件、加速度计、陀螺仪和/或致动器)。输出组件460包括提供来自设备400的输出信息的组件(例如，显示器、扬声器和/或一个或多个发光二极管(LED))。
通信接口470包括使得设备400能够诸如经由有线连接、无线连接或有线和无线连接的组合与其他设备通信的类似收发器的组件(例如，收发器和/或单独的接收器和发射器)。通信接口470可以允许设备400从另一设备接收信息和/或向另一设备提供信息。例如，通信接口470可以包括以太网接口、光学接口、同轴接口、红外接口、射频(RF)接口、通用串行总线(USB)接口、Wi-Fi接口、蜂窝网络接口等。
设备400可以执行本文中描述的一个或多个过程。设备400可以响应于处理器420执行由诸如存储器430和/或存储组件440等非暂态计算机可读介质存储的软件指令来执行这些处理。计算机可读介质在本文中被定义为非暂态存储器设备。存储器设备包括在单个物理存储设备内的存储器空间或分布在多个物理存储设备上的存储器空间。
软件指令可以经由通信接口470从另一计算机可读介质或从另一设备读取到存储器430和/或存储组件440中。当被执行时，存储在存储器430和/或存储组件440中的软件指令可以引起处理器420执行本文中描述的一个或多个过程。附加地或备选地，可以使用硬连线电路来代替软件指令或与软件指令相结合来执行本文中描述的一个或多个过程。因此，本文中描述的实现不限于硬件电路和软件的任何特定组合。
图4所示的组件的数目和布置作为示例提供。实际上，设备400可以包括与图4所示的那些相比附加的组件、更少的组件、不同的组件或不同的布置的组件。附加地或备选地，设备400的一组组件(例如，一个或多个组件)可以执行被描述为由设备400的另一组组件执行的一个或多个功能。
图5是用于使用机器学习算法生成用于路径确定的模型并且使用该模型确定业务的路径的示例过程500的流程图。在一些实现中，过程500可以由网络管理设备210执行。在一些实现中，过程500可以由与网络管理设备210分离或包括网络管理设备210的环境200的另一设备(诸如网络设备220等)执行。
如图5所示，过程500可以包括接收关于第一组网络设备的第一操作信息(框510)。例如，网络管理设备210可以接收关于第一组网络设备220的第一操作信息。在一些实现中，第一组网络设备220可以与特定网络相关联。例如，第一组网络设备220可以与要由网络管理设备210管理的网络相关联。网络管理设备210可以接收第一操作信息以训练或生成用于预测网络性能或确定用于与第一组网络设备220或第二组网络设备220相关联的用于网络业务的路径的模型，如下面更详细描述的。
在一些实现中，第一操作信息可以包括第一组网络设备220的拓扑或静态特性。例如，第一操作信息可以标识第一组网络设备220的容量、第一组网络设备220之间的链路、第一组网络设备220的时延能力、第一组网络设备220的可靠性信息、第一组网络设备220的物理位置、第一组网络设备220的冗余信息、第一组网络设备220的分组(例如，冗余组、基于物理位置的组等)、第一组网络设备220的操作限制(例如，温度、容量、吞吐量、数据类型等)和/或可以用于生成用于预测该组网络设备220的性能的模型的任何其他信息。
在一些实现中，网络管理设备210可以从网络设备220接收第一操作信息。例如，网络设备220可以提供关于网络设备220的性能的遥测数据(例如，业务丢弃的数目、业务延迟、吞吐量统计量、队列长度、资源利用率、每秒入口和/或出口分组速率等)。附加地或备选地，网络设备220可以基于用于网络和/或网络设备220的配置的协议来提供标识网络设备220的配置的信息。附加地或备选地，网络设备220可以提供标识网络设备220的操作状态的信息(例如，以全容量操作，以减小的容量操作，不可操作等)。附加地或备选地，网络设备220可以提供标识与网络设备220相关联的故障状况的信息。
在一些实现中，网络管理设备210可以从与网络设备220相关联的实体接收第一操作信息。例如，实体可以提供第一操作信息作为用于第一组网络设备220的操作信息和/或流程信息的训练集合的一部分。在这样的情况下，实体可以与监督式学习技术相关联。例如，实体可以是与第一组网络设备220相关联的管理员或网络技术人员，并且第一操作信息可以是第一组网络设备220的历史操作信息。
如图5进一步所示，过程500可以包括接收跟与第一组网络设备相关联的第一组业务流相关的第一流信息(框520)。例如，网络管理设备210可以接收与第一组网络设备220相关联的第一流信息。第一流信息可以包括与经由第一组网络设备220发送或接收的一个或多个业务流相关的信息。网络管理设备210可以使用第一操作信息和第一流信息来训练预测模型以基于操作信息和流信息来标识预测的性能信息。例如，预测模型可以接收操作信息和流信息，并且可以基于操作信息、流信息和预测模型输出与一个或多个性能指示符相关的信息。
在一些实现中，流信息可以包括标识业务流的信息。例如，流信息可以包括标识与业务流相关联的服务等级(CoS)、业务流的源和/或目的地、与业务流相关联的一个或多个实体、业务流的数据类型、与业务流相关联的服务等。附加地或备选地，流信息可以包括标识与业务流相关联的SLA的信息。例如，流信息可以标识SLA，可以标识时延需求，可以标识吞吐量需求，可以标识可靠性需求，等等。
在一些实现中，网络管理设备210可以从网络设备220接收第一流信息。例如，网络设备220可以提供标识经由网络设备220路由的业务流的信息。在一些实现中，网络管理设备210可以从与网络设备220相关联的实体接收第一流信息。例如，实体可以提供第一流信息作为第一组网络设备220的操作信息和/或流信息的训练集的一部分。在这种情况下，实体可以与监督式学习技术相关联。例如，实体可以是与第一组网络设备220相关联的管理员或网络技术人员，并且第一流信息可以是第一组网络设备220的历史流信息。
在一些实现中，网络管理设备210可以接收与第一操作信息和/或第一流信息相关联的性能信息。例如，性能信息可以标识与第一组网络设备220相关联的性能指示符，诸如队列长度、资源利用率测量、每流分组速率(例如，每秒的分组等)等。在一些实现中，并且如图1A至图1D所示，性能信息可以被包括在第一操作信息中。附加地或备选地，网络管理设备210可以与第一操作信息分开地接收性能信息。例如，网络管理设备210可以在知道第一组网络设备220的配置的情况下从网络管理员或另一实体获取第一操作信息，并且网络管理设备210可以从第一组网络设备220接收性能信息。
如图5进一步所示，过程500可以包括基于机器学习技术生成模型，以标识关于第一组业务流的第一组网络设备的预测的性能信息(框530)。例如，网络管理设备210可以基于第一操作信息、第一流信息和/或与第一组网络设备220相关联的性能信息来生成模型。在一些实现中，网络管理设备210可以使用机器学习技术生成模型。在一些实现中，模型可以基于输入的操作信息和/或流信息来输出预测的性能信息。附加地或备选地，模型可以基于输入的操作信息和/或流信息来提供标识用于一个或多个业务流的已更新路径的信息。附加地或备选地，网络管理设备210可以使用用于多个不同的潜在路径的预测的性能信息来标识用于一个或多个业务流的选定路径，如下面更详细描述的。
在一些实现中，网络管理设备210可以使用机器学习技术来生成模型。机器学习是一种用于生成用以基于输入训练集并且基于标识输入训练集的元素之间的关系来预测输出的算法的技术。例如，机器学习技术可以标识历史输入信息和与历史输入信息相对应的历史结果之间的关系，并且模型可以基于该关系来生成。在这种情况下，模型可以与新的输入信息一起使用，以标识与新的输入信息相对应的预测结果。机器学习技术的示例包括决策树学习、关联规则学习、人工神经网络、深度学习、支持向量机、遗传算法和基于规则的机器学习。在一些实现中，机器学习也可以用于更新现有模型，如下面更详细描述的。
使用机器学习的一个优点在于，机器学习的很多替代方案可能需要使用试探法和阈值来实现本文中描述的过程的复杂的软件。尽管其复杂性，但是这样的替代方案的效率和准确性可能无法与使用多元多项式函数、导数和/或其他数学函数来确定最佳预测函数的机器学习函数相比。
在一些实现中，网络管理设备210可以执行监督式学习技术。监督式学习技术可以使用输入数据集(例如，操作信息、流信息和/或性能信息的数据集)来生成模型，并且可以基于来自管理人员的反馈来细化或更新模型。例如，管理人员可以配置或者微调模型的特定规则或关系，可以提供指示模型的输出是否准确的信息，等等。监督式学习可以允许监督人员贡献关于第一组网络设备220的背景知识或系统知识，这可以提高模型的准确性。在一些实现中，网络管理设备210可以执行无监督机器学习技术，其可以不使用监督人员的输入来训练或改进模型。以这种方式，可以避免由监督人员引入的固有偏差或低效性，并且可以在不涉及监督人员的情况下对模型进行训练或改进。
在一些实现中，模型可以接收操作信息和/或流信息作为输入。模型可以基于操作信息和/或流信息输出预测的性能信息。例如，模型可以输出标识用于特定的一组网络设备220的性能指示符的一个或多个预测值、特定业务流和/或经由该组网络设备220的特定路径的信息，如下面结合框540和550更详细描述的。
在一些实现中，模型可以与预测函数相关联。预测函数可以接收操作信息和/或流信息，并且可以输出预测的性能信息。在一些实现中，模型可以与误差函数或成本函数相关联，误差函数或成本函数可以标识要指派给预测的性能信息与观察到的性能信息之间的偏差的成本或权重。在一些实现中，模型可以与用于确定预测的性能信息与观察到的性能信息之间的差异的函数相关联，诸如平方误差函数等。在一些实现中，模型可以与基于成本或权重以及预测的性能信息与观察到的性能信息之间的差异来估计和调节预测函数的参数的方法相关联。例如，估计和调节参数的方法可以包括梯度下降函数等。网络管理设备210可以使用上述功能和方法来训练和更新模型，如下面更详细描述的。
如图5进一步所示，过程500可以包括接收关于第一组网络设备或第二组网络设备的第二操作信息和/或第二流信息(框540)。例如，网络管理设备210可以在使用第一操作信息和第一流信息训练模型之后接收第二操作信息和/或第二流信息。在一些实现中，第二操作信息和/或第二流信息可以涉及第一组网络设备220。例如，第二操作信息和/或第二流信息可以标识第一组网络设备220的已更新的状况、与第一组网络设备220相关的已更新信息等。附加地或备选地，第二操作信息和/或第二流信息可以涉及除了第一组网络设备220之外的第二组网络设备220。例如，第二操作信息和/或第二流信息可以与第一组网络设备220涉及不同的网络的网络设备220。换言之，本文中描述的建模技术可以用于关于第一组网络设备220而训练模型，并且模型可以用于确定第二组网络设备220的路径信息和/或预测的性能信息。
在一些实现中，第二操作信息可以涉及一个或多个网络设备220的已改变的配置或操作状态。例如，网络设备220可能遇到故障，并且第二操作信息可以标识与故障相关联的网络设备220。附加地或备选地，当网络设备220的容量改变时，第二操作信息可以标识已改变的容量。附加地或备选地，第二操作信息可以涉及本文中描述的任何操作信息参数的任何其他修改。
在一些实现中，第二流信息可以涉及与第一流信息相关联的一个或多个业务流。例如，如果与业务流相关联的流速率、CoS需求或SLA已经改变，则网络管理设备210可以接收或获取标识已改变的参数的第二流信息。附加地或备选地，如果一个或多个丢弃的流不再被网络管理设备210处理，或者如果一个或多个添加的流要被添加到由网络管理设备210管理的一组流，则第二流信息可以标识一个或多个丢弃的流和/或一个或多个添加的流。
在一些实现中，第二操作信息和/或流信息可以涉及预测的网络状况，诸如预测的中断或预测的故障。例如，模型可以指示操作信息和/或流信息的特定状况通常在与特定网络设备220相关联的故障之前。当网络管理设备210检测到特定状况时，网络管理设备210可以确定故障很可能会发生。在这样的情况下，网络管理设备210可以确定标识故障的第二操作信息和/或第二流信息，并且可以使用第二操作信息和/或第二流信息来标识已更新的(例如，优化的，改进的等)路径以避免与特定网络设备220相关联的故障。
如图5进一步所示，过程500可以包括使用该模型并且基于第二操作信息和/或第二流信息来确定用于第一组业务流或第二组业务流的路径信息(框550)。例如，网络管理设备210可以使用该模型并且基于第二操作信息和/或第二流信息来确定路径信息。路径信息可以标识用于一个或多个业务流的已更新路径(例如，改进的路径、优化的路径等)。例如，路径信息可以标识与第一流信息和/或第二流信息相关联的用于第一组业务流的一个或多个已更新路径。附加地或备选地，当第二流信息涉及除了第一组业务流之外的第二组业务流时，路径信息可以标识用于第二组业务流的一个或多个已更新路径。
在一些实现中，路径信息可以标识用于多个不同业务流的路径。例如，网络管理设备210(或一组网络设备220)可能需要满足多个不同业务流的SLA，并且因此可能需要确定满足用于多个不同业务流的SLA的路径。由于网络设备220和/或网络设备220之间的链路的性质不断变化，这可能是一个特别具有挑战性的问题。通过使用机器学习技术来生成和更新模型，网络管理设备210可以实现对变化的网络状况的适应。此外，使用数据驱动的和严格的方法来标识用于一组网络设备220的路由协议可以提高网络吞吐量、可靠性以及对业务流的SLA满意度。
如图5进一步所示，过程500可以包括将第一组网络设备或第二组网络设备配置为实现路径信息(框560)。例如，网络管理设备210可以将第一组网络设备220或第二组网络设备220(例如，无论哪一组网络设备220与第二操作信息和/或第二流信息相关联)配置为实现路径信息。在一些实现中，网络管理设备210可以向网络设备220发送实现路径信息的指令。例如，网络管理设备210可以使用PCEP或类似的协议来更新由网络设备220存储的路由信息。附加地或备选地，网络管理设备210可以更新与业务流相关联的标签(例如，多协议标签交换(MPLS)标签等)，以引起路径信息被更新。
在一些实现中，网络管理设备210可以执行另一动作。例如，网络管理设备210可以激活或去激活一个或多个网络设备220和/或一个或多个链路。附加地或备选地，网络管理设备210可以向与业务流相关联的实体通知可能违反SLA。附加地或备选地，网络管理设备210可以引起一个或多个业务流被丢弃(例如，以保留与另一业务流相关联的更严格的SLA)。附加地或备选地，网络管理设备210可以重新配置一个或多个网络设备220。附加地或备选地，网络管理设备210可以派遣技术人员来解决与网络设备220相关联的故障或黑洞事件。
如图5进一步所示，过程500可以包括基于机器学习技术并且基于在路径信息被实现之后的观察来更新模型(框570)。例如，网络管理设备210可以基于机器学习技术(例如，使用监督式学习技术或无监督式学习技术)来更新模型。网络管理设备210可以使用在路径信息被实现之后获取的信息来更新模型。例如，网络管理设备210可以确定观察到的性能信息(例如，基于来自网络设备220的反馈等)，并且可以将观察到的性能信息与由该模型输出的期望的性能信息相比较。基于比较观察到的性能信息和期望的性能信息，网络管理设备210可以更新或改善模型。因此，网络管理设备210可以提高模型的准确性。
通过基于变化的网络状况来更新模型，网络管理设备210可以使得模型能够随时间进行适应，以提高模型的准确性并且考虑网络拓扑的变化。这可以提供优于静态定义的路由协议的优点，静态定义的路由协议可能需要手动干预来更新，并且与使用机器学习技术而生成的模型相比，其可能提供较低的准确度和效率。此外，本文中描述的实现在业务黑洞的情况下可以提供特别的益处，而业务黑洞可能不被静态定义的路由协议充分地解决。通过动态地更新模型，黑洞事件的影响可以得到降低或消除。
尽管图5示出了过程500的示例框，但是在一些实现中，过程500可以包括与图5所描绘的那些相比较的附加的框、较少的框、不同的框或不同布置的框。附加地或备选地，过程500的两个或更多框可以并行执行。
图6是诸如本文中描述的实现的预测性路径计算函数610的输入和输出的示例600的示图。例如，预测路径计算函数610可以包括或被包括在本文中描述的一个或多个模型或算法中。
预测路径计算函数610可以接收输入620。作为一个示例，输入620可以包括预测的业务分布或预测的流分布。例如，预测的业务分布或预测的流分布可以基于诸如每流输入速率、每流输出速率、每秒分组流速等指示符和/或基于诸如吞吐量、流统计等测量来确定。作为另一示例，输入620可以标识预测的业务丢弃。例如，预测的业务丢弃可以基于诸如队列长度、资源利用率、每流输入或输出速率(例如，每秒的分组数)等指示符和/或基于诸如业务丢弃数目、延迟测量(例如，基于时间戳的延迟测量)、吞吐量和流统计等测量来确定。作为另一示例，输入620可以标识预测的延迟。例如，预测的延迟可以基于诸如队列长度等指示符、诸如基于时间戳的延迟测量等测量等来确定。
预测路径计算函数610可以确定并且提供输出620。例如，输出620可以标识要为与网络相关联的业务而编程的新路径。附加地或备选地，输出620可以包括协议信息以引起新路径被编程或实现。对于这样的过程的示例的更详细描述，参考上面的图1A至图1D。
如上所述，图6作为示例提供。其他示例是可能的，并且可以不同于关于图6描述的示例。
前面的公开内容提供了说明和描述，但是并非旨在穷尽或将实现限于所公开的精确形式。鉴于上述公开内容，修改和变化是可能的，或者可以从实现的实践中获得。
如本文中使用的，术语组件旨在被广义地解释为硬件、固件和/或硬件和软件的组合。
显而易见的是，本文中描述的系统和/或方法可以以不同形式的硬件、固件或硬件和软件的组合来实现。用于实现这些系统和/或方法的实际的专用控制硬件或软件代码不是对实现的限制。因此，本文中描述了系统和/或方法的操作和行为，而没有参考具体的软件代码，应当理解，软件和硬件可以被设计为基于本文中的描述来实现这些系统和/或方法。
尽管特征的特定组合在权利要求中列举和/或在说明书中公开，但是这些组合不意图限制可能实现的公开内容。实际上，这些特征中的很多特征可以以未在权利要求中具体记载和/或在说明书中公开的方式组合。尽管下面列出的每个从属权利要求可以仅直接从属于仅一项权利要求，但是可能的实现的公开内容包括每个从属权利要求与权利要求集合中的每个其他权利要求的组合。
除非明确地如此描述，否则本文中使用的任何元素、动作或指令都不应当被解释为是关键或必要的。而且，如本文中使用的，冠词“一个”和“一”旨在包括一个或多个项目，并且可以与“一个或多个”可互换地使用。此外，如本文中使用的，术语“集合”旨在包括一个或多个项目(例如，相关项目、不相关项目、相关项目和不相关项目的组合等)，并且可以与“一个或多个”可互换地使用。在意图只有一个项目的情况下，使用术语“一个”或类似的语言。而且，如本文中使用的，术语“具有”、“有”、“带具”等意图是开放式术语。此外，除非另有明确说明，否则短语“基于”旨在表示“至少部分基于”。
除了或代替上述内容，描述以下示例。任何以下示例中描述的特征可以与本文中描述的任何示例一起使用。
示例1.一种方法，包括：由网络管理设备接收关于多个网络设备的操作信息；由所述网络管理设备接收与要经由所述多个网络设备中的至少一个网络设备提供的业务流相关的流信息；由所述网络管理设备向模型输入所述操作信息和所述流信息，其中所述模型是基于机器学习技术而被生成的，并且其中所述模型被配置为基于所述操作信息和所述流信息来标识关于所述业务流的所述多个网络设备的预测的性能；由所述网络管理设备基于所述多个网络设备的所述预测的性能来确定关于所述多个网络设备的用于所述业务流的路径信息；以及由所述网络管理设备将所述多个网络设备中的一个或多个网络设备配置为实现用于所述业务流的所述路径信息。
示例2.根据示例1所述的方法，还包括：基于将所述预测的性能与所述路径信息被实现之后的观察到的性能相比较，使用所述机器学习技术来更新所述模型。
示例3.根据示例1所述的方法，其中所述多个网络设备的所述预测的性能还基于所述多个网络设备的网络拓扑。
示例4.根据示例1所述的方法，其中所述操作信息是第一操作信息，并且所述流信息是第一流信息；以及所述方法还包括：基于与所述多个网络设备相关的改变来接收用于所述多个网络设备的第二操作信息和/或第二流信息；以及使用所述模型并且基于所述第二操作信息和/或所述第二流信息来确定针对所述多个网络设备的经修改的路径信息。
示例5.根据示例1所述的方法，其中所述流信息包括以下中的至少一项：与所述业务流相关联的服务水平协议，标识所述业务流的信息，或者所述业务流的至少一个属性。
示例6.根据示例1所述的方法，其中所述路径信息与多个业务流相关联。
示例7.根据示例1所述的方法，其中所述路径信息标识经由所述多个网络设备中的所述至少一个网络设备的用于所述业务流的一个或多个路径。
示例8.一种网络管理设备，包括：一个或多个处理器，用以：接收关于多个网络设备的操作信息；接收与至少一个业务流相关的流信息；向模型输入所述流信息，其中所述模型是基于机器学习技术而被生成的，并且其中所述模型被配置为基于所述操作信息来标识关于所述至少一个业务流的一个或多个网络设备的预测的性能信息；基于所述预测的性能信息来确定关于所述一个或多个网络设备的用于所述至少一个业务流的路径信息；以及将所述一个或多个网络设备配置为实现用于所述业务流的所述路径信息。
示例9.根据示例8所述的网络管理设备，其中所述一个或多个网络设备被包括在所述多个网络设备中。
示例10.根据示例8所述的网络管理设备，其中所述一个或多个处理器还用以：基于将所述预测的性能信息与所述路径信息被实现之后的观察到的性能信息相比较，使用所述机器学习技术来更新所述模型。
示例11.根据示例8所述的网络管理设备，其中所述路径信息是基于关于所述一个或多个网络设备检测到的状况而被确定的。
示例12.根据示例11所述的网络管理设备，其中所述状况涉及以下中的至少一项：硬件故障，配置故障，丢弃的业务，所述一个或多个网络设备的网络拓扑的变化，或者业务黑洞状况。
示例13.根据示例8所述的网络管理设备，其中所述路径信息是基于与所述至少一个业务流相关联的一个或多个服务水平协议而被确定的。
示例14.根据示例8所述的网络管理设备，其中所述操作信息包括或标识以下中的至少一项：与所述一个或多个网络设备相关联的丢弃的业务，与所述一个或多个网络设备相关联的延迟的业务，所述一个或多个网络设备的吞吐量统计，所述一个或多个网络设备的队列长度，所述一个或多个网络设备的资源利用率，所述一个或多个网络设备的输入速率，或者所述一个或多个网络设备的输出速率。
示例15.一种存储指令的非暂态计算机可读介质，所述指令包括：一个或多个指令，所述一个或多个指令在由网络管理设备的一个或多个处理器执行时引起所述一个或多个处理器：接收关于第一组网络设备的第一操作信息；接收与所述第一组网络设备相关联的与第一组业务流相关的第一流信息；基于机器学习技术来生成模型以标识关于所述第一组业务流的所述第一组网络设备的预测的性能；接收或获取关于所述第一组网络设备或第二组网络设备的第二操作信息和/或第二流信息；使用所述模型并且基于所述第二操作信息和/或所述第二流信息来确定用于所述第一组业务流或第二组业务流的路径信息；将所述第一组网络设备或所述第二组网络设备配置为实现所述路径信息；以及基于机器学习技术并且基于所述路径信息被实现之后的观察来更新所述模型。
示例16.根据示例15所述的非暂态计算机可读介质，其中所述第一组网络设备与所述第二组网络设备跟不同的网络部署相关联。
示例17.根据示例15所述的非暂态计算机可读介质，其中所述第二操作信息和/或所述第二流信息基于与所述第一组网络设备相关联的状况而被接收或获取。
示例18.根据示例15所述的非暂态计算机可读介质，其中所述第二操作信息是使用所述模型而被生成的。
示例19.根据示例18所述的非暂态计算机可读介质，其中所述第二操作信息标识与所述第一组网络设备或所述第二组网络设备相关联的预测的中断或故障。
示例20.根据示例15所述的非暂态计算机可读介质，其中所述路径信息标识关于所述第一组网络设备和/或所述第二组网络设备的所述第一组业务流或所述第二组业务流的一个或多个路径。

Claims (19)

1.一种方法，包括：
由网络管理设备接收关于多个网络设备的操作信息；
由所述网络管理设备接收与要经由所述多个网络设备中的至少一个网络设备提供的业务流相关的流信息；
由所述网络管理设备向模型输入所述操作信息和所述流信息，
其中所述模型是基于机器学习技术而被生成的，并且
其中所述模型被配置为基于所述操作信息和所述流信息来标识关于所述业务流的所述多个网络设备的预测的性能；
由所述网络管理设备基于所述多个网络设备的所述预测的性能来确定关于所述多个网络设备的用于所述业务流的路径信息；以及
由所述网络管理设备将所述多个网络设备中的一个或多个网络设备配置为实现用于所述业务流的所述路径信息。
2.根据权利要求1所述的方法，还包括：
基于将所述预测的性能与所述路径信息被实现之后的观察到的性能相比较，使用所述机器学习技术来更新所述模型。
3.根据权利要求1所述的方法，其中所述多个网络设备的所述预测的性能还基于所述多个网络设备的网络拓扑。
4.根据权利要求1所述的方法，其中所述操作信息是第一操作信息，并且所述流信息是第一流信息；并且
其中所述方法还包括：
基于与所述多个网络设备相关的改变来接收用于所述多个网络设备的第二操作信息和/或第二流信息；以及
使用所述模型并且基于所述第二操作信息和/或所述第二流信息来确定针对所述多个网络设备的经修改的路径信息。
5.根据权利要求1所述的方法，其中所述流信息包括以下中的至少一项：
与所述业务流相关联的服务水平协议，
标识所述业务流的信息，或者
所述业务流的至少一个属性。
6.根据权利要求1所述的方法，其中所述路径信息与多个业务流相关联。
7.根据权利要求1所述的方法，其中所述路径信息标识经由所述多个网络设备中的所述至少一个网络设备的用于所述业务流的一个或多个路径。
8.一种网络管理设备，包括：
用于接收关于多个网络设备的操作信息的部件；
用于接收与至少一个业务流相关的流信息的部件；
用于向模型输入所述流信息的部件，
其中所述模型是基于机器学习技术而被生成的，并且
其中所述模型被配置为基于所述操作信息来标识关于所述至少一个业务流的一个或多个网络设备的预测的性能信息；
用于基于所述预测的性能信息来确定关于所述一个或多个网络设备的用于所述至少一个业务流的路径信息的部件；以及
用于将所述一个或多个网络设备配置为实现用于所述业务流的所述路径信息的部件。
9.根据权利要求8所述的网络管理设备，其中所述一个或多个网络设备被包括在所述多个网络设备中。
10.根据权利要求8所述的网络管理设备，还包括：
用于基于将所述预测的性能信息与所述路径信息被实现之后的观察到的性能信息相比较来使用所述机器学习技术更新所述模型的部件。
11.根据权利要求8所述的网络管理设备，其中所述路径信息是基于关于所述一个或多个网络设备检测到的状况而被确定的。
12.根据权利要求11所述的网络管理设备，其中所述状况涉及以下中的至少一项：
硬件故障，
配置故障，
丢弃的业务，
所述一个或多个网络设备的网络拓扑的变化，或者
业务黑洞状况。
13.根据权利要求8所述的网络管理设备，其中所述路径信息是基于与所述至少一个业务流相关联的一个或多个服务水平协议而被确定的。
14.根据权利要求8所述的网络管理设备，其中所述操作信息包括或标识以下中的至少一项：
与所述一个或多个网络设备相关联的丢弃的业务，
与所述一个或多个网络设备相关联的延迟的业务，
所述一个或多个网络设备的吞吐量统计，
所述一个或多个网络设备的队列长度，
所述一个或多个网络设备的资源利用率，
所述一个或多个网络设备的输入速率，或者
所述一个或多个网络设备的输出速率。
15.一种存储指令的非暂态计算机可读介质，所述指令包括：
一个或多个指令，所述一个或多个指令在由网络管理设备的一个或多个处理器执行时使所述一个或多个处理器：
接收关于第一组网络设备的第一操作信息；
接收与所述第一组网络设备相关联的与第一组业务流相关的第一流信息；
基于机器学习技术来生成模型以标识关于所述第一组业务流的所述第一组网络设备的预测的性能；
接收或获取关于所述第一组网络设备或第二组网络设备的第二操作信息和/或第二流信息；
使用所述模型并且基于所述第二操作信息和/或所述第二流信息来确定用于所述第一组业务流或第二组业务流的路径信息；
将所述第一组网络设备或所述第二组网络设备配置为实现所述路径信息；以及
基于机器学习技术并且基于所述路径信息被实现之后的观察来更新所述模型。
16.根据权利要求15所述的非暂态计算机可读介质，其中所述第二操作信息和/或所述第二流信息基于与所述第一组网络设备相关联的状况而被接收或获取。
17.根据权利要求15所述的非暂态计算机可读介质，其中所述第二操作信息是使用所述模型而被生成的。
18.根据权利要求17所述的非暂态计算机可读介质，其中所述第二操作信息标识与所述第一组网络设备或所述第二组网络设备相关联的预测的中断或故障。
19.根据权利要求15所述的非暂态计算机可读介质，其中所述路径信息标识关于所述第一组网络设备和/或所述第二组网络设备的所述第一组业务流或所述第二组业务流的一个或多个路径。
CN201810542843.2A 2017-06-12 2018-05-30 网络路径预测和选择的方法、设备和介质 Active CN109039884B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/620,247 2017-06-12
US15/620,247 US20180359172A1 (en) 2017-06-12 2017-06-12 Network path prediction and selection using machine learning

Publications (2)

Publication Number Publication Date
CN109039884A true CN109039884A (zh) 2018-12-18
CN109039884B CN109039884B (zh) 2021-12-07

Family

ID=62495593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810542843.2A Active CN109039884B (zh) 2017-06-12 2018-05-30 网络路径预测和选择的方法、设备和介质

Country Status (3)

Country Link
US (2) US20180359172A1 (zh)
EP (1) EP3416336B1 (zh)
CN (1) CN109039884B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109618283A (zh) * 2019-01-23 2019-04-12 湖南大学 一种基于sdn的车载自组织网移动切换系统及方法
CN110138674A (zh) * 2019-04-29 2019-08-16 广州大学 可编程数据平面流调度方法、系统、介质及网络设备
CN111049747A (zh) * 2019-12-18 2020-04-21 北京计算机技术及应用研究所 一种面向大规模容器集群的智能虚拟网络路径规划方法
CN111682954A (zh) * 2019-03-11 2020-09-18 国际商业机器公司 管理微服务的网络
CN111740853A (zh) * 2019-03-25 2020-10-02 瞻博网络公司 利用出口对等工程来确定优化的业务计划并且实施优化的业务计划
CN111752180A (zh) * 2019-03-29 2020-10-09 瞻博网络公司 经由集中式控制器或网络设备控制网络中的路径
CN112653570A (zh) * 2019-10-11 2021-04-13 瞻博网络公司 采用机器学习以预测和动态调整静态配置参数
CN112702383A (zh) * 2019-10-23 2021-04-23 瞻博网络公司 收集误差分组信息以进行网络策略实施
CN113225198A (zh) * 2020-02-05 2021-08-06 瞻博网络公司 检测vlan错误配置
CN114189434A (zh) * 2020-09-11 2022-03-15 慧与发展有限责任合伙企业 广域网中的智能数据业务路由
CN115002215A (zh) * 2022-04-11 2022-09-02 北京邮电大学 面向云上政企的资源分配模型训练方法以及资源分配方法
CN115174424A (zh) * 2019-05-31 2022-10-11 瞻博网络公司 用于网络管理的方法和设备
CN115996168A (zh) * 2021-10-20 2023-04-21 慧与发展有限责任合伙企业 有监督的服务质量改变推导
CN117640380A (zh) * 2024-01-25 2024-03-01 深圳市创凌智联科技有限公司 无线路由器传输速率切换方法及系统

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019026684A1 (ja) * 2017-08-04 2019-02-07 日本電信電話株式会社 経路制御方法及び経路設定装置
US11138509B2 (en) * 2017-09-08 2021-10-05 Microsoft Technology Licensing, Llc Reducing electronic resource consumption using data inference
US11108678B2 (en) * 2017-12-18 2021-08-31 Cisco Technology, Inc. Inspired path computation in a network
US11329862B2 (en) * 2018-01-04 2022-05-10 Sedonasys Systems Ltd Method and system for assigning resource failure severity in communication networks
US11252046B2 (en) * 2018-12-14 2022-02-15 Juniper Networks, Inc. System for identifying and assisting in the creation and implementation of a network service configuration using Hidden Markov Models (HMMs)
US20220240157A1 (en) * 2019-06-11 2022-07-28 Telefonaktiebolaget Lm Ericsson (Publ) Methods and Apparatus for Data Traffic Routing
US11032150B2 (en) * 2019-06-17 2021-06-08 International Business Machines Corporation Automatic prediction of behavior and topology of a network using limited information
CN110247854B (zh) * 2019-06-21 2023-01-20 广西电网有限责任公司 一种多等级业务调度方法和调度系统以及调度控制器
US11240730B2 (en) * 2020-02-28 2022-02-01 At&T Intellectual Property I, L.P. Selectively sending routing information to routing devices in a fifth generation (5G) or other next generation network
US11775819B2 (en) * 2020-05-06 2023-10-03 Dell Products L.P. Automated configuration determinations for data center devices using artificial intelligence techniques
US11398959B2 (en) * 2020-08-12 2022-07-26 Cisco Technology, Inc. Proactive routing using predicted path seasonality and trends for enhanced application experience
US20220150143A1 (en) * 2020-11-12 2022-05-12 At&T Intellectual Property I, L.P. Classification of encrypted internet traffic with binary traffic vectors
WO2022150513A1 (en) * 2021-01-06 2022-07-14 ARETE SECURITY INC. dba DRUVSTAR Systems, devices, and methods for observing and/or securing data access to a computer network
US20230035450A1 (en) 2021-01-06 2023-02-02 ARETE SECURITY INC. dba DRUVSTAR Systems, devices, and methods for observing a computer network and/or securing data access to a computer network
US20220231939A1 (en) * 2021-01-20 2022-07-21 Cisco Technology, Inc. Model counterfactual scenarios of sla violations along network paths
US11729071B1 (en) * 2021-03-03 2023-08-15 Cisco Technology, Inc. Selection of SaaS endpoint instances based on local service provider connectivity statistics
US11552886B2 (en) * 2021-03-09 2023-01-10 Cisco Technology, Inc. Topology optimization in SD-WANs with path downgrading
US11632327B2 (en) 2021-05-27 2023-04-18 Cisco Technology, Inc. Estimating the efficacy of predictive routing for prospective deployments
WO2023064091A1 (en) * 2021-10-14 2023-04-20 Microsoft Technology Licensing, Llc. Natural language interface for virtual environment generation
US12026382B2 (en) * 2021-10-29 2024-07-02 Pure Storage, Inc. Storage path routing in a container system
WO2023153778A1 (en) * 2022-02-08 2023-08-17 Samsung Electronics Co., Ltd. An on-device training method to train an artificial intelligent model and a system therefor
CN114827272B (zh) * 2022-03-22 2024-06-07 深圳智芯微电子科技有限公司 电力业务管理方法及其装置、变电站设备和存储介质
US20230318936A1 (en) * 2022-03-30 2023-10-05 Cisco Technology, Inc. Detecting application performance breaking points based on uncertainty and active learning
US11582099B1 (en) * 2022-03-31 2023-02-14 Juniper Networks, Inc. Predictive pipeline analytics for a network management system
US20240022514A1 (en) * 2022-07-18 2024-01-18 Microsoft Technology Licensing, Llc Dynamic load balancing based on flow characteristics
US11848840B1 (en) * 2023-01-24 2023-12-19 Aviz Networks, Inc. Systems and methods for accurate monitoring and reporting of flows impacted due to link failures in data centers

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1268006A (zh) * 1999-03-19 2000-09-27 上海贝尔电话设备制造有限公司 通信网智能路由选择方法
CN103490948A (zh) * 2013-09-06 2014-01-01 华为技术有限公司 网络性能的预测方法及装置
CN103840988A (zh) * 2014-03-17 2014-06-04 湖州师范学院 一种基于rbf神经网络的网络流量测量方法
CN104486810A (zh) * 2015-01-06 2015-04-01 无锡儒安科技有限公司 基于多维状态的无线传感器网络路由环路预测方法
US20150195216A1 (en) * 2014-01-06 2015-07-09 Cisco Technology, Inc. Using learning machine-based prediction in multi-hopping networks
CN105075179A (zh) * 2013-02-05 2015-11-18 思科技术公司 基于学习机器对异常网络性能的检测
WO2015175260A1 (en) * 2014-05-13 2015-11-19 Cisco Technology, Inc. Predictive networking architecture for next-generation multiservice, multicarrier wans
US20150332145A1 (en) * 2014-05-13 2015-11-19 Cisco Technology, Inc. Traffic shaping based on predicted network resources
US20170054605A1 (en) * 2015-08-20 2017-02-23 Accenture Global Services Limited Network service incident prediction

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2469757A1 (en) * 2010-12-24 2012-06-27 British Telecommunications Public Limited Company Communications network management
WO2013144550A1 (en) * 2012-03-30 2013-10-03 British Telecommunications Public Limited Company Method for selecting a communication link
US9729401B2 (en) * 2014-08-22 2017-08-08 Vmware, Inc. Automatic remediation of poor-performing virtual machines for scalable applications

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1268006A (zh) * 1999-03-19 2000-09-27 上海贝尔电话设备制造有限公司 通信网智能路由选择方法
CN105075179A (zh) * 2013-02-05 2015-11-18 思科技术公司 基于学习机器对异常网络性能的检测
CN103490948A (zh) * 2013-09-06 2014-01-01 华为技术有限公司 网络性能的预测方法及装置
US20150195216A1 (en) * 2014-01-06 2015-07-09 Cisco Technology, Inc. Using learning machine-based prediction in multi-hopping networks
CN103840988A (zh) * 2014-03-17 2014-06-04 湖州师范学院 一种基于rbf神经网络的网络流量测量方法
WO2015175260A1 (en) * 2014-05-13 2015-11-19 Cisco Technology, Inc. Predictive networking architecture for next-generation multiservice, multicarrier wans
US20150332145A1 (en) * 2014-05-13 2015-11-19 Cisco Technology, Inc. Traffic shaping based on predicted network resources
US20150333969A1 (en) * 2014-05-13 2015-11-19 Cisco Technology, Inc. Predictive networking architecture for next-generation multiservice, multicarrier wans
CN104486810A (zh) * 2015-01-06 2015-04-01 无锡儒安科技有限公司 基于多维状态的无线传感器网络路由环路预测方法
US20170054605A1 (en) * 2015-08-20 2017-02-23 Accenture Global Services Limited Network service incident prediction

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109618283B (zh) * 2019-01-23 2020-10-13 湖南大学 一种基于sdn的车载自组织网移动切换系统及方法
CN109618283A (zh) * 2019-01-23 2019-04-12 湖南大学 一种基于sdn的车载自组织网移动切换系统及方法
CN111682954B (zh) * 2019-03-11 2023-04-18 国际商业机器公司 管理微服务的网络的方法、系统和计算机可读介质
CN111682954A (zh) * 2019-03-11 2020-09-18 国际商业机器公司 管理微服务的网络
CN111740853A (zh) * 2019-03-25 2020-10-02 瞻博网络公司 利用出口对等工程来确定优化的业务计划并且实施优化的业务计划
CN111740853B (zh) * 2019-03-25 2022-03-08 瞻博网络公司 利用出口对等工程来确定优化的业务计划并且实施优化的业务计划
US11496389B2 (en) 2019-03-25 2022-11-08 Juniper Networks, Inc. Utilizing egress peer engineering to determine optimized traffic plans and to implement an optimized traffic plan
CN111752180A (zh) * 2019-03-29 2020-10-09 瞻博网络公司 经由集中式控制器或网络设备控制网络中的路径
CN110138674A (zh) * 2019-04-29 2019-08-16 广州大学 可编程数据平面流调度方法、系统、介质及网络设备
CN115174424A (zh) * 2019-05-31 2022-10-11 瞻博网络公司 用于网络管理的方法和设备
US11831520B2 (en) 2019-05-31 2023-11-28 Juniper Networks, Inc. Dynamic application SLA metric generation, distribution, and intent-based SD-WAN link selection
CN112653570A (zh) * 2019-10-11 2021-04-13 瞻博网络公司 采用机器学习以预测和动态调整静态配置参数
CN112653570B (zh) * 2019-10-11 2023-12-22 瞻博网络公司 采用机器学习以预测和动态调整静态配置参数
CN112702383A (zh) * 2019-10-23 2021-04-23 瞻博网络公司 收集误差分组信息以进行网络策略实施
US11902096B2 (en) 2019-10-23 2024-02-13 Juniper Networks, Inc. Collection of error packet information for network policy enforcement
CN111049747B (zh) * 2019-12-18 2022-01-04 北京计算机技术及应用研究所 一种面向大规模容器集群的智能虚拟网络路径规划方法
CN111049747A (zh) * 2019-12-18 2020-04-21 北京计算机技术及应用研究所 一种面向大规模容器集群的智能虚拟网络路径规划方法
CN113225198A (zh) * 2020-02-05 2021-08-06 瞻博网络公司 检测vlan错误配置
CN113225198B (zh) * 2020-02-05 2024-04-19 瞻博网络公司 检测vlan错误配置
CN114189434A (zh) * 2020-09-11 2022-03-15 慧与发展有限责任合伙企业 广域网中的智能数据业务路由
CN114189434B (zh) * 2020-09-11 2023-03-10 慧与发展有限责任合伙企业 广域网中的智能数据业务路由方法及设备
CN115996168A (zh) * 2021-10-20 2023-04-21 慧与发展有限责任合伙企业 有监督的服务质量改变推导
CN115996168B (zh) * 2021-10-20 2024-04-05 慧与发展有限责任合伙企业 有监督的服务质量改变推导
CN115002215B (zh) * 2022-04-11 2023-12-05 北京邮电大学 面向云上政企的资源分配模型训练方法以及资源分配方法
CN115002215A (zh) * 2022-04-11 2022-09-02 北京邮电大学 面向云上政企的资源分配模型训练方法以及资源分配方法
CN117640380A (zh) * 2024-01-25 2024-03-01 深圳市创凌智联科技有限公司 无线路由器传输速率切换方法及系统
CN117640380B (zh) * 2024-01-25 2024-04-02 深圳市创凌智联科技有限公司 无线路由器传输速率切换方法及系统

Also Published As

Publication number Publication date
EP3416336B1 (en) 2024-01-03
US20220414500A1 (en) 2022-12-29
EP3416336A1 (en) 2018-12-19
US20180359172A1 (en) 2018-12-13
CN109039884B (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN109039884A (zh) 使用机器学习的网络路径预测和选择
Casas-Velasco et al. Intelligent routing based on reinforcement learning for software-defined networking
KR102104047B1 (ko) 패킷 데이터 네트워킹에서의 혼잡 제어
US20200382402A1 (en) Active probe construction using machine learning for measuring sd-wan tunnel metrics
CN103346922A (zh) 基于sdn的确定网络状态的控制器及其确定方法
US11044191B2 (en) Coupling reactive routing with predictive routing in a network
US9385939B2 (en) Method and a controller system for configuring a software-defined network
WO2015103297A1 (en) Network communication methods and apparatus
US20210231447A1 (en) Method and vehicle manager for managing remote-controlled vehicle
Alhilali et al. Artificial intelligence based load balancing in SDN: A comprehensive survey
Etengu et al. AI-assisted framework for green-routing and load balancing in hybrid software-defined networking: Proposal, challenges and future perspective
WO2018204295A1 (en) Weight setting using inverse optimization
EP3267635A1 (en) Network control device, network control method, and recording medium for program
US12010013B2 (en) Devices and method for controlling network routing configurations
Isravel et al. Centrality based congestion detection using reinforcement learning approach for traffic engineering in hybrid SDN
CN109873762A (zh) 路径调度方法、装置和计算机可读存储介质
EP3468122A1 (en) Packet admission
KR101873110B1 (ko) 애플리케이션의 경로 제어 장치 및 방법
Elgaroui et al. New routing protocol for reliability to intelligent transportation communication
Gunavathie et al. Traffic-aware optimal routing in software defined networks by predicting traffic using neural network
CN108259385A (zh) 由于交换结构退化而分配并广告可用带宽
US9432291B2 (en) Method and a device for defining a look-up system for a network element of a software-defined network
WO2019210948A1 (en) Controller and switch for traffic engineering in a software defined network
Chandramohan Restructured Ant Colony Optimization routing protocol for next generation network
Almakdi et al. An Intelligent Load Balancing Technique for Software Defined Networking based 5G using Macine Learning models

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