CN109672622A - Sdn数据中心基于隐马尔可夫模型的多径路由选径方法 - Google Patents
Sdn数据中心基于隐马尔可夫模型的多径路由选径方法 Download PDFInfo
- Publication number
- CN109672622A CN109672622A CN201910077585.XA CN201910077585A CN109672622A CN 109672622 A CN109672622 A CN 109672622A CN 201910077585 A CN201910077585 A CN 201910077585A CN 109672622 A CN109672622 A CN 109672622A
- Authority
- CN
- China
- Prior art keywords
- hidden markov
- markov model
- port
- sdn
- data
- 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
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/38—Flow based routing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
-
- 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
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种SDN数据中心基于隐马尔可夫模型的多径路由选径方法。该方法分为隐马尔可夫模型训练和部署两部分;在训练部分,在SDN数据中心部署任意一种传统多径路由选径方法(例如:Hedera),利用SDN控制器对数据中心拓扑中的特定端口进行流量监控,将监控数据和选径结果利用隐马尔可夫模型训练算法进行训练;在部署部分,利用SDN控制器对数据中心拓扑中的特定端口进行流量监控,将监控数据输入隐马尔可夫模型,利用隐马尔可夫模型应用算法,得出选径结果。
Description
技术领域
本发明为涉及数据中心网络中(DCN,Data Center Network)基于隐马尔可夫模型的多径路由选径方法,具体涉及一种SDN数据中心基于隐马尔可夫模型的多径路由选径方法。
背景技术
随着互联网的发展和普及,人们的生活越来越离不开互联网,大量的生产和生活数据从原始的纸质材料迁移进数字网络。要对大量的数据进行存储和处理就离不开数据中心。为了应对数据中心的性能特性要求,研究人员提出一系列对称数据中心架构,比如:Fat-Tree、VL2等,它们提供了端到端的多条并行路径,以增加数据中心的对分带宽。同时随着软件定义网络(Software Defined Network,SDN)的出现,数据中心的网络灵活性进一步增加。为了能够合理高效地利用这些并行路径进行数据传输,需要有多径路由的选径方法为数据流选择路径传输。
现有的Hedera算法,通过SDN控制器监控目标数据流可用的所有并行路径上的所有链路,计算出并行路径带宽剩余量,再通过特定选径策略(例如:First Fit)为数据流进行选径。这种方法需要监控数据流的所有可用路径上的所有可用链路,才可以做出最佳选径。显然,这种方式消耗了大量的控制器资源、增加了大量的时间开销。为了减少资源消耗和时间开销,我们提出一种基于隐马尔可夫模型的多径路由方法,只需监测少部分链路,就可以做出与Hedera一样优秀的选径决策。
发明内容
本发明的目的在于提供一种SDN数据中心基于隐马尔可夫模型的多径路由选径方法,能够有效减少选径处理时延,做出合理选径。
为实现上述目的,本发明的技术方案是:一种SDN数据中心基于隐马尔可夫模型的多径路由选径方法,分为隐马尔可夫模型训练和部署两个阶段;隐马尔可夫模型训练阶段,在SDN数据中心部署任意一种多径路由选径方法,利用SDN控制器对数据中心拓扑中的所需监控端口进行流量监控,将监控数据和选径结果利用隐马尔可夫模型训练算法进行训练;隐马尔可夫模型部署阶段,利用SDN控制器对数据中心拓扑中的所需监控端口进行流量监控,将监控数据输入隐马尔可夫模型,利用隐马尔可夫模型应用算法,得出选径结果;该方法具体包括如下步骤:
步骤S1、通过端口选择方法得到数据中心拓扑中所需监控端口;
步骤S2、在SDN数据中心部署任意一种多径路由选径方法,使用SDN北向API对所需监控端口进行流量监控并记录选径结果;
步骤S3、将数据量化并利用隐马尔可夫模型训练算法进行训练;
步骤S4、使用SDN北向API对所需监控端口进行流量监控;
步骤S5、将数据量化使用隐马尔可夫模型应用算法得出选径结果;
步骤S6、使用SDN北向API下发流表对选径结果进行部署。
在本发明一实施例中,步骤S1中,所述通过端口选择方法得到数据中心拓扑中所需监控端口的具体方式为:在端到端传输的等价并行路径中,在每一组位于同一传输位置的交换机中选择其中一交换机的数据入端口为监控端口,即得到一组端到端传输的所需监控端口。
在本发明一实施例中,所述数据量化的具体方式为:当端口负载小于20%,数据量化为1;当端口负载大于20%小于50%,数据量化为2;当端口负载大于50%数据量化为3;标准数据训练格式为一个N元组,首个元素为选定路径,作为隐马尔可夫模型隐状态序列,后续N-1个元素为监控端口量化数据,作为隐马尔可夫模型显状态序列。
在本发明一实施例中,所述使用SDN北向API对所需监控端口进行流量监控的具体方式为:使用RYU控制器的端口流量监控RESTAPI,采用两次监测取平均值的方法获得端口负载,即第一次使用REST方法向SDN控制器请求端口流量数据,等待1秒后,第二次请求端口流量数据,从而计算出端口带宽占用率。
在本发明一实施例中,所述隐马尔可夫模型训练算法的具体实现方式为:
使用监督式学习方法解决训练问题,给定S个长度相同的观测序列、状态序列作为训练集((O1,I1),...,(OS,IS)),使用极大似然估计法估计模型参数;转移矩阵A=[aij]N*N,观测矩阵B=[bij]N*M,初始状态概率向量分别用公式(1)、公式(2)、公式(3)计算得出;
其中,Aij为t时刻状态qi在t+1时刻转化为状态qj的频数,Bij为在样本中状态qi生成观测vj的频数,ηi为在样本中初始状态为qi的频数。
在本发明一实施例中,所述隐马尔可夫模型应用算法的具体实现方式为:
使用改进的Viterbi对隐马尔可夫模型进行应用,即隐马尔可夫模型应用算法解决的问题为给定模型给定模型和观测序列O=(o1,o2...oT),推断能够最大概率产生此观测序列的状态序列I=(i1,i2…iT),即能使得P=(I|O)最大的I,δt(i)表示在t时刻状态为i的所有路径中的概率最大值,表现为公式(4):
δt(i)=max P(it=i,it-1,...i1,ot,...o1|λ) (4)
另,定义ψt(i)为时刻t状态为i时的前一个最大概率状态,则计算最佳路基需要4个步骤:
首先,初始化,可由公式(5)、公式(6)表示:
δ1(i)=πibi(o1),i=1,2,...,N (5)
ψ1(i)=0,i=1,2,...,N (6)
其次,递推,对t=2,3...,T有公式(7)、公式(8):
再次,终止,可表示为公式(9),公式(10):
最后,进行路径概率进行随机路径回溯对t=T-1,T-2,...,1有公式(11)
求得传输路径
在本发明一实施例中,步骤S6中,所述使用SDN北向API下发流表对选径结果进行部署的具体方式为:使用Ryu的流表下发RESTAPI下发相关流表到选定路径的相关交换机。
相较于现有技术,本发明具有以下有益效果:发明提出了一种SDN数据中心基于隐马尔可夫模型的多径路由选径方法,该方法对传统多径路由选径方法进行改进,能够有效减少SDN数据中心的多径路由选径处理时延,做出合理选径,除此之外,对大部分数据中心架构适用性良好、性能表现良好。
附图说明
图1为本发明SDN数据中心中基于隐马尔可夫模型的多径路由选径方法流程图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
如图1所示,本发明提供了一种SDN数据中心中基于隐马尔可夫模型的多径路由选径方法,该方法分为隐马尔可夫模型训练和部署两部分;在训练部分,在SDN数据中心部署任意一种传统多径路由选径方法(例如:Hedera),利用SDN控制器对数据中心拓扑中的特定端口进行流量监控,将监控数据和选径结果利用隐马尔可夫模型训练算法进行训练。在部署部分,利用SDN控制器对数据中心拓扑中的特定端口进行流量监控,将监控数据输入隐马尔可夫模型,利用隐马尔可夫模型应用算法,得出选径结果。具体如下:
1、通过端口选择方法得到数据中心拓扑中端到端传输所需监控端口:端口选择方法为在端到端传输的等价并行路径中,在每一组位于同一传输位置的交换机中选择其中一台的数据入端口为监控端口,遂得到一组端到端传输的特定监控端口。
2、若要训练模型,则在数据中心部署一种传统多径路由选径方法(例如Hedera),并使用RYU控制器的端口流量监控RESTAPI,采用两次监测取平均值的方法获得端口负载,即第一次使用REST方法向控制器请求端口流量数据,等待1秒后,第二次请求端口流量数据,从而计算出端口带宽占用率。另外,记录相应的传统多径路由选径方法的选径结果。
3、在模型训练过程中,需要将数据量化:当端口负载小于20%,数据量化为1;端口负载大于20%小于50%,数据量化为2;端口负载大于50%数据量化为3;标准数据训练格式为一个N元组,首个元素为选定路径(作为隐马尔可夫模型隐状态序列),后续N-1个元素为监控端口量化数据(作为隐马尔可夫模型显状态序列)。将量化后的数据使用隐马尔可夫模型训练算法进行训练:使用监督式学习方法解决训练问题,给定S个长度相同的(观测序列、状态序列)作为训练集((O1,I1),...,(OS,IS)),使用极大似然估计法估计模型参数。转移矩阵A=[aij]N*N,观测矩阵B=[bij]N*M,初始状态概率向量分别可以用公式(1)、公式(2)、公式(3)计算得出。其中,Aij为t时刻状态qi在t+1时刻转化为状态qj的频数,Bij为在样本中状态值qi生成观测vj的频数,ηi为在样本中初始状态为qi的频数。
4、若要应用隐马尔可夫模型对数据流进行选径,则使用2中的方法对特定端口进行流量监控。
5、若要应用隐马尔可夫模型对数据流进行选径,将端口监控数据通过3中的方法量化,并使用隐马尔可夫应用算法得出选径结果。隐马尔可夫模型应用算法为:使用改进的Viterbi对隐马尔可夫模型进行应用。即该应用算法解决的问题为给定模型给定模型和观测序列O=(o1,o2...oT),推断能够最大概率产生此观测序列的状态序列I=(i1,i2...iT),即能使得P=(I|O)最大的I。δt(i)表示在t时刻状态为i的所有路径中的概率最大值,表现为公式(4):
δt(i)=max P(it=i,it-1,...i1,ot,...o1|λ) (4)
另外再定义ψt(i)为时刻t状态为i时的前一个最大概率状态,则计算最佳路基需要4个步骤:
首先,初始化,可由公式(5)、公式(6)表示:
δ1(i)=πibi(o1),i=1,2,...,N (5)
ψ1(i)=0,i=1,2,...,N (6)
其次,递推,对t=2,3...,T有公式(7)、公式(8):
再次,终止,可表示为公式(9),公式(10):
最后,进行路径概率进行随机路径回溯对t=T-1,T-2,...,1有公式(11)
求得传输路径
6、若要应用隐马尔可夫模型对数据流进行选径,将隐马尔可夫模型得出的选径结果,使用Ryu的流表下发RESTAPI下发相关流表到选定路径的相关交换机。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (8)
1.一种SDN数据中心基于隐马尔可夫模型的多径路由选径方法,其特征在于,分为隐马尔可夫模型训练和部署两个阶段;隐马尔可夫模型训练阶段,在SDN数据中心部署任意一种多径路由选径方法,利用SDN控制器对数据中心拓扑中的所需监控端口进行流量监控,将监控数据和选径结果利用隐马尔可夫模型训练算法进行训练;隐马尔可夫模型部署阶段,利用SDN控制器对数据中心拓扑中的所需监控端口进行流量监控,将监控数据输入隐马尔可夫模型,利用隐马尔可夫模型应用算法,得出选径结果。
2.根据权利要求1所述的SDN数据中心基于隐马尔可夫模型的多径路由选径方法,其特征在于,该方法具体包括如下步骤:
步骤S1、通过端口选择方法得到数据中心拓扑中所需监控端口;
步骤S2、在SDN数据中心部署任意一种多径路由选径方法,使用SDN北向API对所需监控端口进行流量监控并记录选径结果;
步骤S3、将数据量化并利用隐马尔可夫模型训练算法进行训练;
步骤S4、使用SDN北向API对所需监控端口进行流量监控;
步骤S5、将数据量化使用隐马尔可夫模型应用算法得出选径结果;
步骤S6、使用SDN北向API下发流表对选径结果进行部署。
3.根据权利要求2所述的SDN数据中心基于隐马尔可夫模型的多径路由选径方法,其特征在于,步骤S1中,所述通过端口选择方法得到数据中心拓扑中所需监控端口的具体方式为:在端到端传输的等价并行路径中,在每一组位于同一传输位置的交换机中选择其中一交换机的数据入端口为监控端口,即得到一组端到端传输的所需监控端口。
4.根据权利要求2所述的SDN数据中心基于隐马尔可夫模型的多径路由选径方法,其特征在于,所述数据量化的具体方式为:当端口负载小于20%,数据量化为1;当端口负载大于20%小于50%,数据量化为2;当端口负载大于50%数据量化为3;标准数据训练格式为一个N元组,首个元素为选定路径,作为隐马尔可夫模型隐状态序列,后续N-1个元素为监控端口量化数据,作为隐马尔可夫模型显状态序列。
5.根据权利要求2所述的SDN数据中心基于隐马尔可夫模型的多径路由选径方法,其特征在于,所述使用SDN北向API对所需监控端口进行流量监控的具体方式为:使用RYU控制器的端口流量监控RESTAPI,采用两次监测取平均值的方法获得端口负载,即第一次使用REST方法向SDN控制器请求端口流量数据,等待1秒后,第二次请求端口流量数据,从而计算出端口带宽占用率。
6.根据权利要求2所述的SDN数据中心基于隐马尔可夫模型的多径路由选径方法,其特征在于,所述隐马尔可夫模型训练算法的具体实现方式为:
使用监督式学习方法解决训练问题,给定S个长度相同的观测序列、状态序列作为训练集((O1,I1),...,(OS,IS)),使用极大似然估计法估计模型参数;转移矩阵A=[aij]N*N,观测矩阵B=[bij]N*M,初始状态概率向量分别用公式(1)、公式(2)、公式(3)计算得出;
其中,Aij为t时刻状态qi在t+1时刻转化为状态qj的频数,Bij为在样本中状态qi生成观测vj的频数,ηi为在样本中初始状态为qi的频数。
7.根据权利要求2所述的SDN数据中心基于隐马尔可夫模型的多径路由选径方法,其特征在于,所述隐马尔可夫模型应用算法的具体实现方式为:
使用改进的Viterbi对隐马尔可夫模型进行应用,即隐马尔可夫模型应用算法解决的问题为给定模型给定模型和观测序列O=(o1,o2...oT),推断能够最大概率产生此观测序列的状态序列I=(i1,i2...iT),即能使得P=(I|O)最大的I,δt(i)表示在t时刻状态为i的所有路径中的概率最大值,表现为公式(4):
δt(i)=maxP(it=i,it-1,...i1,ot,...o1|λ) (4)
另,定义ψt(i)为时刻t状态为i时的前一个最大概率状态,则计算最佳路基需要4个步骤:
首先,初始化,可由公式(5)、公式(6)表示:
δ1(i)=πibi(o1),i=1,2,...,N (5)
ψ1(i)=0,i=1,2,...,N (6)
其次,递推,对t=2,3...,T有公式(7)、公式(8):
再次,终止,可表示为公式(9),公式(10):
最后,进行路径概率进行随机路径回溯对t=T-1,T-2,...,1有公式(11)
求得传输路径
8.根据权利要求2所述的SDN数据中心基于隐马尔可夫模型的多径路由选径方法,其特征在于,步骤S6中,所述使用SDN北向API下发流表对选径结果进行部署的具体方式为:使用Ryu的流表下发RESTAPI下发相关流表到选定路径的相关交换机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910077585.XA CN109672622B (zh) | 2019-01-26 | 2019-01-26 | Sdn数据中心基于隐马尔可夫模型的多径路由选径方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910077585.XA CN109672622B (zh) | 2019-01-26 | 2019-01-26 | Sdn数据中心基于隐马尔可夫模型的多径路由选径方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109672622A true CN109672622A (zh) | 2019-04-23 |
CN109672622B CN109672622B (zh) | 2021-01-29 |
Family
ID=66149933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910077585.XA Expired - Fee Related CN109672622B (zh) | 2019-01-26 | 2019-01-26 | Sdn数据中心基于隐马尔可夫模型的多径路由选径方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109672622B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090074038A1 (en) * | 2007-09-18 | 2009-03-19 | Michael Lentmaier | Method for estimating hidden channel parameters of a received GNNS navigation signal |
US20110038543A1 (en) * | 2009-08-17 | 2011-02-17 | Indian Institute Of Science | System and method for searching handwritten texts |
CN105553749A (zh) * | 2016-02-26 | 2016-05-04 | 广东技术师范学院 | 一种基于sdn的icn逻辑拓扑构建方法 |
CN106533940A (zh) * | 2016-10-25 | 2017-03-22 | 上海斐讯数据通信技术有限公司 | 一种基于sdn的等价路由哈希选路方法、装置和系统 |
CN106533785A (zh) * | 2016-12-01 | 2017-03-22 | 广东技术师范学院 | 一种sdn应用层流量的建模方法 |
CN107580773A (zh) * | 2015-05-13 | 2018-01-12 | 阿姆Ip有限公司 | 进行跨节点网络的负载平衡的装置和方法 |
CN108449269A (zh) * | 2018-04-12 | 2018-08-24 | 重庆邮电大学 | 基于sdn的数据中心网络负载均衡方法 |
-
2019
- 2019-01-26 CN CN201910077585.XA patent/CN109672622B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090074038A1 (en) * | 2007-09-18 | 2009-03-19 | Michael Lentmaier | Method for estimating hidden channel parameters of a received GNNS navigation signal |
US20110038543A1 (en) * | 2009-08-17 | 2011-02-17 | Indian Institute Of Science | System and method for searching handwritten texts |
CN107580773A (zh) * | 2015-05-13 | 2018-01-12 | 阿姆Ip有限公司 | 进行跨节点网络的负载平衡的装置和方法 |
CN105553749A (zh) * | 2016-02-26 | 2016-05-04 | 广东技术师范学院 | 一种基于sdn的icn逻辑拓扑构建方法 |
CN106533940A (zh) * | 2016-10-25 | 2017-03-22 | 上海斐讯数据通信技术有限公司 | 一种基于sdn的等价路由哈希选路方法、装置和系统 |
CN106533785A (zh) * | 2016-12-01 | 2017-03-22 | 广东技术师范学院 | 一种sdn应用层流量的建模方法 |
CN108449269A (zh) * | 2018-04-12 | 2018-08-24 | 重庆邮电大学 | 基于sdn的数据中心网络负载均衡方法 |
Non-Patent Citations (2)
Title |
---|
TRAE HURLEY等: ""HMM-Based Intrusion Detection System for Software Defined Networking"", 《IEEE》 * |
任万里: ""基于软件定义网络的无线传感网关关键技术研究"", 《中国优秀硕士学位论文全文数据库》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109672622B (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Experience-driven networking: A deep reinforcement learning based approach | |
CN110986979B (zh) | 一种基于强化学习的sdn多路径路由规划方法 | |
CN109818865B (zh) | 一种sdn增强路径装箱装置及方法 | |
CN108540384B (zh) | 软件定义网络中基于拥塞感知的智能重路由方法和装置 | |
WO2017219890A1 (zh) | 软件定义网络中生成路由控制动作的方法和相关设备 | |
Brun et al. | Big data for autonomic intercontinental overlays | |
Yao et al. | Machine learning aided load balance routing scheme considering queue utilization | |
CN109413707B (zh) | 无线网络环境下基于深度强化学习技术的智能路由方法 | |
CN108667734A (zh) | 一种基于q学习和lstm神经网络的快速路由决策算法 | |
CN114143264B (zh) | 一种SRv6网络下基于强化学习的流量调度方法 | |
CN111010341B (zh) | 一种基于深度学习的覆盖网络路由决策方法 | |
CN110995619B (zh) | 一种服务质量感知的虚拟网络映射方法和装置 | |
Lu et al. | Adaptive ant-based dynamic routing algorithm | |
CN107135041A (zh) | 一种基于相空间重构的rbf神经网络信道预测方法 | |
CN110955463A (zh) | 支持边缘计算的物联网多用户计算卸载方法 | |
CN109951391B (zh) | 一种基于多QoS约束的网络路径快速计算方法 | |
CN114827021B (zh) | 一种基于sdn和机器学习的多媒体业务流量加速系统 | |
CN115396366B (zh) | 基于图注意力网络的分布式智能路由方法 | |
CN116390164A (zh) | 一种低轨卫星网络可信负载均衡路由方法、系统、设备及介质 | |
Houidi et al. | Constrained deep reinforcement learning for smart load balancing | |
CN111917642A (zh) | 分布式深度强化学习的sdn网络智慧路由数据传输方法 | |
Sivakumar et al. | Prediction of traffic load in wireless network using time series model | |
CN117395188B (zh) | 一种基于深度强化学习的天地一体化负载均衡路由方法 | |
Chang et al. | CPS-oriented modeling and control of traffic signals using adaptive back pressure | |
CN109672622A (zh) | Sdn数据中心基于隐马尔可夫模型的多径路由选径方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210129 Termination date: 20220126 |