CN109688056B - 智能网络控制系统及方法 - Google Patents
智能网络控制系统及方法 Download PDFInfo
- Publication number
- CN109688056B CN109688056B CN201811494176.1A CN201811494176A CN109688056B CN 109688056 B CN109688056 B CN 109688056B CN 201811494176 A CN201811494176 A CN 201811494176A CN 109688056 B CN109688056 B CN 109688056B
- Authority
- CN
- China
- Prior art keywords
- network
- path
- algorithm
- model
- module
- 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.)
- Active
Links
Images
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
- H04L45/50—Routing or path finding of packets in data switching networks using label swapping, e.g. multi-protocol label switch [MPLS]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/12—Avoiding congestion; Recovering from congestion
- H04L47/125—Avoiding congestion; Recovering from congestion by balancing the load, e.g. traffic engineering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种智能网络控制系统及方法,系统包括寻路模块、装箱模块、约束度量学习模块、网络监控评价模块和拥塞控制模块,其中寻路模块利用多种搜索技术的KSP优化算法寻找业务流量可行路径;装箱模块将启发式算法与有监督的深度学习网络进行结合,用来规划最优路径;约束度量学习模块是对一些网络资源进行限制,网络监控评价模块是对系统网络进行一个侦测,建立数据库,对网络进行实时监控并反馈;拥塞控制模块是通过网络监控评价模块所触发的,从而采取一些解决网络拥塞的措施。通过几个模块相互作用,根据当前网络实时状况选择转发路径,实现动态的多路径负载均衡,从而降低硬件设备需求,提高网络性能,满足用户网络需求。
Description
技术领域
本发明涉及智能网络控制技术,具体涉及一种智能网络控制系统及方法。
背景技术
一直以来,传统网络的工作方式是网络设备之间通过不同的协议各自独立地学习整个网络拓扑,根据不同的交互机制自行做出决策并转发数据,当设备感知到网络中节点发生变化时,将会各自重新建立邻居关系,学习全局拓扑,并计算路由路径。传统网络设备这种分散决策的方式被沿用至今,但随着网络规模越来越大,传统网络架构本身存在着的某些局限性问题逐渐暴露出来,以下这些问题难以得到根本上的解决:
1)随着数据中心规模的逐渐增大,运行维护的压力也不断增加。
2)为了保障网络流量负载能够满足业务需求,各数据中心对设备的性能要求也不断提高。低级的设备承载高负荷的流量或者任务时,往往会造成丢包、是延大、CPU负载高等问题,从而影响网络的性能。
3)传统网络设备所具备的功能都由厂商定义,管理员只能根据已有功能进行配置应用。传统网络中通常使用ACL及QoS等策略来进行流量管控,这些策略都是通过预先对流量运行进行假设,从而提前配置设备来达到既定效果。而实际网络中业务流量瞬息万变,预先设置的策略与现实复杂的网络状况常常不符,从而无法达到预期效果。
现阶段的负载均衡技术主要有以下三种:
1)基于DNS的负载均衡:DNS负载均衡技术是最早的负载均衡解决方案,它是通过DNS服务中的随机名字解析来实现的,在DNS服务器中,可以为多个不同的地址配置同一个名字,而最终查询这个名字的客户机将在解析这个名字时得到其中的一个地址。因此,对于同一个名字,不同的客户机会得到不同的地址,它们也就访问不同地址上的Web服务器,从而达到负载均衡的目的。
2)交换负载:基于四层交换技术的负载均衡。这种技术是在第四层交换机上设置Web服务的虚拟IP地址,这个虚拟IP地址是DNS服务器中解析到的Web服务器的IP地址,对客户端是可见的。当客户访问此Web应用时,客户端的Http请求会先被第四层交换机接收到,它将基于第四层交换技术实时检测后台Web服务器的负载,根据设定的算法进行快速交换。常见的算法有轮询、加权、最少连接、随机和响应时间等。
3)七层负载:基于七层交换技术的负载均衡。基于第七层交换的负载均衡技术主要用于实现Web应用的负载平衡和服务质量保证。它与第四层交换机比较起来有许多优势:第七层交换机不仅能检查TCP/IP数据包的TCP和UDP端口号,从而转发给后台的某台服务器来处理,而且能从会话层以上来分析Http请求的URL,根据URL的不同将不同的Http请求交给不同的服务器来处理(可以具体到某一类文件,直至某一个文件),甚至同一个URL请求可以让多个服务器来响应以分担负载。
使用基于DNS的负载均衡,优点是经济简单易行,并且服务器可以位于Internet上任意的位置。但它也存在不少缺点:a)为了使本DNS服务器和其它DNS服务器及时交互,保证DNS数据及时更新,使地址能随机分配,一般都要将DNS的刷新时间设置的较小,但太小将会使DNS流量大增造成额外的网络问题;b)一旦某个服务器出现故障,即使及时修改了DNS设置,还是要等待足够的时间(刷新时间)才能发挥作用,在此期间,保存了故障服务器地址的客户计算机将不能正常访问服务器;c)DNS负载均衡采用的是简单的轮循负载算法,不能区分服务器的差异,不能反映服务器的当前运行状态,不能做到为性能较好的服务器多分配请求,甚至会出现客户请求集中在某一台服务器上的情况;d)要给每台服务器分配一个Internet上的IP地址,这势必会占用过多的IP地址。
采用交换负载(第四层负载均衡)和第七层负载均衡受到其所支持的协议限制(一般只有HTTP),这样就限制了它应用的广泛性,并且检查HTTP报头会占用大量的系统资源,势必会影响到系统的性能,在大量连接请求的情况下,负载均衡设备自身容易成为网络整体性能的瓶颈。
发明内容
本发明的目的在于提供一种智能网络控制方法,根据当前网络实时状况选择转发路径,实现动态的多路径负载均衡。
实现本发明目的的技术解决方案为:一种智能网络控制系统,包括寻路模块、装箱模块、约束度量学习模块、网络监控评价模块和拥塞控制模块;
寻路模块利用KSP优化算法进行寻路启发,对业务进行初步的K条最优路径选择;
装箱模块构建节点对模型,每一个节点对模型包含一个监督式的学习模型和一个相应的路径数据库;采用欧式距离为相似性度量方法对网络流量业务进行聚类,使用降序最佳适应算法进行装箱,并采集训练数据添加标签,训练含有多隐层的机器学习架构的深度学习网络模型,通过训练得到特征信息,构建路径数据库,实现动态路由决策,从而规划出最优路径;
约束度量学习模块,提出条件分类玻尔兹曼机,在原有模型的基础上,额外增加一个条件层,用于表示相应的约束条件和优化目标;
网络监控评价模块用于对系统网络进行侦测,建立一个单纯的网络环境模型,该网络使用一个有向图表示拓扑信息,建立数据库,对网络进行实时监控并反馈;
拥塞控制模块通过网络监控评价模块触发,使用流量分割技术将业务疏导到多条路径上。
一种智能网络控制方法,包括以下步骤:
第一步,使用KSP优化算法进行寻路启发,对业务进行初步的K条最优路径选择;
第二步,进行装箱,构建节点对模型,采用欧式距离为相似性度量方法对网络流量业务进行聚类,使用降序最佳适应算法进行装箱,并采集训练数据添加标签,训练含有多隐层的机器学习架构的深度学习网络模型,通过训练得到特征信息,构建路径数据库,实现动态路由决策,从而规划出最优路径;
第三步,使用条件分类玻尔兹曼机,设定多组约束变量和条件;
第四步,对系统网络进行一个侦测,建立一个单纯的网络环境模型,该网络可用一个有向图表示拓扑信息,建立数据库,对网络进行实时监控并反馈;
第五步,流量分割,当发生流量拥塞,使用流量分割技术将业务疏导到多条路径上。
本发明与现有技术相比,其显著优点:本发明为网络提供一个统一的“大脑”,通过启发式方法和深度学习网络相结合的方式,提出一个智能的网络控制方法,解决了现有技术存在的问题;根据当前网络实时状况选择转发路径,实现动态的多路径负载均衡,从而降低硬件设备需求,提高网络性能,满足用户网络需求。
附图说明
图1是智能网络控制系统总体框架图。
图2是HARF算法流程图。
图3是简单路由样例图。
图4是路由决策元层中的节点对模型图。
图5是装箱模块示意图。
图6是训练数据采集以及路径数据库构建过程示意图。
图7是模型训练过程图。
图8动态路由决策过程图。
图9是条件分类玻尔兹曼机示意图。
图10多径流量转发机制示意图。
具体实施方法
结合图1,一种智能网络控制系统,包括寻路模块、装箱模块、约束度量学习模块、网络监控评价模块和拥塞控制模块;
寻路模块利用结合多种搜索技术的KSP优化算法HRAF来进行寻路启发,对业务进行初步的K条最优路径选择;
装箱模块构建节点对模型,每一个节点对模型包含一个监督式的学习模型和一个相应的路径数据库;采用欧式距离为相似性度量方法对网络流量业务进行聚类,使用降序最佳适应算法进行装箱,并采集训练数据添加标签,训练含有多隐层的机器学习架构的深度学习网络模型,通过大规模数据进行训练,得到大量更具代表性的特征信息,构建路径数据库,实现动态路由决策,从而规划出最优路径;
约束度量学习模块是基于玻尔兹曼机的实现方法,提出条件分类玻尔兹曼机,在原有模型的基础上,额外增加一个条件层,用于表示相应的约束条件和优化目标;
网络监控评价模块是对系统网络进行一个侦测,建立一个单纯的网络环境模型,该网络使用一个有向图表示拓扑信息,建立数据库,对网络进行实时监控并反馈;
拥塞控制模块是通过网络监控评价模块所触发的,使用流量分割技术将业务疏导到多条路径上。
进一步的,寻路模块利用基于启发式的KSP优化算法即HRAF算法对业务进行初步的K条最优路径选择;
HRAF算法找出从起始点s到目标点t的前K条最短路径,利用代价评估函数和遗传算法来最后选择最佳的满足约束的路径,并且在寻路过程中解决路径带宽问题,每次所寻的路径需跟业务需求资源比较,不满足条件则抛弃该链路。HRAF算法的目标是能够在当K比较小的时候快速求解KSP问题。在HRAF中,首先应用A*算法直到找到目标结点t,然后暂停A*,此时第一条s-t路径已经找出来了,接着使用迭代的策略来求解后面的k-1条最短路径。
进一步的,装箱模块可分为五步:
(1)构建节点对模型:选择为每一个接入节点对(s,d),s≠d,构建一个专属的节点对模型。每一个节点对模型负责其相对应的源节点与目的节点之间的路由计算,每一个节点对模型包含一个监督式的学习模型和一个相应的路径数据库。并采用欧式距离为相似性度量将具有相同源节点的网络流量业务进行聚类,其中包括数据(或称之为样本或模式)准备、特征选择和特征提取、相似度计算、聚类(或分组)、对聚类结果进行有效性评估等步骤;
(2)采用降序最佳适应算法(Best Fit Descending)来求解装箱问题:由寻路模块的输出,我们已得知端到端的每条可行路径,在这里我们将端到端的每条路径抽象为容量可变的箱子,定义箱子的容量为每条可行路径的带宽最小承载链路边,采用降序最佳适应算法来求解装箱问题,先对物品按降序排序,再按照最佳适应算法进行装箱。
(3)构建训练数据采集和路径数据库。为每一个节点对模型收集足够多的训练数据并且为其建立一个可达路径数据库;
(4)训练模型。为了能够获取所有可以代表网络状态的有用参数,并且产生出与启发式算法近似的计算结果,深度学习模型将所有的当前网络状态参数,以及所有的约束条件作为其样本的特征,进行模型训练。
(5)动态路由决策。训练过程结束之后,所有节点对的学习模型将会收敛。在动态路由决策阶段,它们便可以完全替代耗时的启发式算法,在收到相关连接请求时,其可以结合当前网络状态以及约束条件,独立自主地给出与启发式算法类似的结果,而该过程的处理时间将会大大缩短。
进一步的,约束度量学习模块利用了深度学习的思路和模型,基于玻尔兹曼机的实现方法,提出了条件分类玻尔兹曼机,在原有模型的基础上,额外增加了一个条件层r,用于表示相应的约束条件和优化目标;而其通过单向的连接矩阵与隐藏层相连,从直观上理解,在构建隐藏层节点过程中,其值也会受到条件层r中各节点取值的影响。具体来说,当输入样本并试图去提取样本特征时,样本特征即隐藏层h的构建,就将由可见层的状态v,约束条件状态r以及标签层的状态e共同决定。而在系统重建可见层和标签层时,它们的状态将只会被抽取的特h所决定。此外由于r层与h层之间是单向连接,所以系统不会对r层进行反向重构。
进一步的,网络监控评价模块构建一个网络环境模型。对于动态路由决策问题,选择合适的网络花销度量参数和路由约束条件显得尤为重要,因为这些度量标准必须能够准确而全面地表征网络状态,而约束条件也必须能够精准地反映网络应用的服务质量请求或者是网络管理者的优化目标。所以对模型中所存在的概念进行以下量化。首先选择cij和dij作为链路(i,j)实时状态的度量参数,其中cij代表了当前链路上的花销度量,而dij则代表链路的延迟度量。对于链路的花销度量cij,做如下定义:
其中,为了能最大限度地避免网络拥塞,特别用gij表示了对链路(i,j)的网络流量拥塞的度量。因此在网络描述中,每一条链路都被分为两种状态,拥塞和非拥塞。对于拥塞度量参数gij,使用该链路上当前流量统计参数tij和其固有网络带宽参数Bij去评估计算。如果链路的利用率达到或者超过了某一个固定的阈值,则声称此条链路拥塞,否则为非拥塞。
对于一个流量业务请求,当需求带宽大于链路带宽的情况下,如果无法实现在单条路径上为其建立连接,则尝试使用流量分割技术将业务疏导到多条路径上,以实现其接入,亦可利用流量业务聚合的方式,来解决网络中的拥塞情况,实现负载均衡。当链路出现拥塞的情况时,系统调用装箱算法进行重路由,将流量业务部署到其他路径,使得该业务可以进行处理。
一种智能网络控制控制方法,其特征在于,包括以下步骤:
第一步,使用一种混合多种搜索技术的KSP优化算法HRAF来进行寻路启发式算法对业务进行初步的K条最优路径选择;
第二步,进行装箱,构建节点对模型,采用欧式距离为相似性度量方法对网络流量业务进行聚类,使用降序最佳适应算法进行装箱,并采集训练数据添加标签,训练含有多隐层的机器学习架构的深度学习网络模型,通过大规模数据进行训练,得到大量更具代表性的特征信息,构建路径数据库,实现动态路由决策,从而规划出最优路径;
第三步,使用条件分类玻尔兹曼机,设定多组约束变量和条件;。
第四步,对系统网络进行一个侦测,建立一个单纯的网络环境模型,该网络可用一个有向图表示拓扑信息,建立数据库,对网络进行实时监控并反馈;
第五步,流量分割,当发生流量拥塞,使用流量分割技术将业务疏导到多条路径上
下面结合具体实施例对本发明进行详细说明。
实施例
本系统初步的设计流程如图1所示,具体设计流程如下:
第一步,使用一种混合多种搜索技术的KSP优化算法HRAF(Heuristic andRecursive Algorithm by using on-the-Fly search)来进行寻路启发式算法对业务进行初步的K条最优路径选择。
第二步,进行装箱,构建节点对模型,采用欧式距离为相似性度量方法对网络流量业务进行聚类,使用降序最佳适应算法进行装箱,并采集训练数据添加标签,训练含有多隐层的机器学习架构的深度学习网络模型,通过大规模数据进行训练,得到大量更具代表性的特征信息,构建路径数据库,实现动态路由决策,从而规划出最优路径
第三步,使用条件分类玻尔兹曼机,设定多组约束变量和条件,能够灵活应对约束条件和优化目标的不断变化,保证满足网络管理者的控制需求。
第四步,对系统网络进行一个侦测,建立一个单纯的网络环境模型,该网络可用一个有向图表示拓扑信息,建立数据库,对网络进行实时监控并反馈
第五步,流量分割,当发生流量拥塞,使用流量分割技术将业务疏导到多条路径上
智能网络控制系统主要包括寻路模块、装箱模块、约束度量学习模块、网络监控评价模块、拥塞控制模块。
1、寻路模块
利用启发式算法对业务进行初步的K条最优路径选择。针对本项目中的实际需求,由于需要基于约束的最短路径算法中,对于需要支持多个约束,以及约束的不同优先级,需要选择合适的算法使得结果{P}能满足关系式指定的多目标路径计算要求。所以在计算路径时需要保留前K条最短路径,这样在需要满足新的约束条件下,可以不用重新执行一遍选路算法,而是从之前执行过的选路算法中的前K条最短路径进行选择最优解。采用基于启发式的KSP优化算法:
由于需要满足多个约束以及求最佳代价,每个链路(i,j)可能具有K个相互独立的约束(w1,w2…wk)表示为w(i,j),和花费cost(i,j)。从源节点s到目的节点t的路径,路径花费为
路径约束为
本算法中利用H—MCOP算法选择的综合度量函数为:
来进行约束的评价,其中c1,c2等表示为K个约束的路径约束对应的路径花费。λ表示启发式算法中的迭代次数,在λ从1趋近正无穷的过程当中,H算法的成功率逐渐上升,λ为无穷大时,算法有最好的性能。
本算法先通过启发式的KSP优化算法即HRAF算法找出从起始点s到目标点t的前K条最短路径(即最小代价cost),利用代价评估函数和遗传算法来最后选择最佳的满足约束的路径。利用结合多种搜索技术的KSP优化算法(HRAF)来进行寻路。并且在寻路过程中解决路径带宽问题,每次所寻的路径需跟业务需求资源比较,不满足条件则抛弃该链路。HRAF算法的目标是能够在当k比较小的时候快速求解KSP问题。在HRAF中,首先应用A*算法直到找到目标结点t,然后暂停A*,此时第一条s-t路径已经找出来了,接着使用下面的迭代的策略来求解后面的k-1条最短路径。遍历第i条最短路径上的所有的顶点,得到候选路径。在候选路径集合中选择一条最短的路径作为第i+1条最短路径。
递归以上过程直到k条最短路径都找到。HRAF被设计为可以具有on-the-flysearch(在解决问题的时候不需要处理所有的数据)的特性以及能够被启发函数引导,递归求解k条最短路径的时候,A*算法会根据需要而被重新启动或者被暂停,而启发式搜索的特性主要体现在A*的实现上。算法流程如图2所示。
遍历第i条最短路径上的所有的顶点,得到候选路径。在候选路径集合中选择一条最短的路径作为第i+1条最短路径。
递归以上过程直到k条最短路径都找到。HRAF被设计为可以具有on-the-flysearch(在解决问题的时候不需要处理所有的数据)的特性以及能够被启发函数引导,递归求解k条最短路径的时候,A*算法会根据需要而被重新启动或者被暂停,而启发式搜索的特性主要体现在A*的实现上。图3描述了一个简单路由样例图。
HRAF首先应用A*算法对图3进行搜索以计算最短路径树T,注意到当A*将目标节点t加入到T中的时候,第一条最短s-t路径已经产生了。T是以节点中的T(v)函数给链接起来形成的,每一条被A*算法搜索过的边都会被标记为Tree edge或者sidetrack edge,Treeedge是位于T上的边而sidetrack edge位于T上的边。我们结合给定需求中的简单样例如图3所示,只考虑A业务,即满足从A-E的最短路径,那么图中的实线表示的是tree edge,虚线表示的是sidetrack edge。
在HRAF中,A*的具体实现跟传统的A*算法是不一样的,主要体现在,HRAF中的A*算法是以边为基本的单位,而传统的A*算法以点为主。
最短路径树T求出来之后我们就得到了第一条最短s-t路径πl=ξ(P1),我们遍历第一条路径P1上的所有点(除了其实结点s)求得候选的最短路径,方法是:对于每个P1上的点ν(除了s),对于顶点ν的所有入边e,若e为sidetrack edge,则将{e}作为一条候选路径加入到候选路径集合C中。待整个遍历完成之后,集合C中最短的路径就是所求的第二条最短路径。类似的,我们使用下面的方法来从πi构造πi+1,遍历所有Pi上的从next(πi)到πi的最后一条sidetrack edge边的头顶点的每个顶点ν,对于顶点ν的所有指向ν的边e,若e为sidetrack edge,则将πi+{e}作为一条候选路径πc加入到候选路径集合C中,该候选路径的长度为l(πc)-d(v)+w(e)+d(tail(e))。其中l(πc)表示最短路径πc经过的所有的边的长度之和,w(e)表示边e到正实数的映射关系,d(v)表示节点s到节点ν的最短路径长度,taile(e)表示有向边e。待整个遍历完成之后,集合C中最短的路径就是πi+1。如此迭代下去直到k条路径都找出来。
在找到K条最佳的代价最小路径后,根据约束评价函数,从K条路径中选取满足约束的最佳路径。
2、装箱模块
1)节点对模型构建过程
选择为每一个接入节点对(s,d),s≠d,构建一个专属的节点对模型。这就意味着,如果一个网络中包含n个接入节点,那么将需要构建n2个节点对模型。每一个节点对模型负责其相对应的源节点与目的节点之间的路由计算。例如,当控制器收到一个需要从si发到di的数据流请求时,这个请求将会被送到路由决策元层中(si,di)节点对模型,并最终由该模型给出最优路径。每一个节点对模型包含一个监督式的学习模型和一个相应从si到di的路径数据库,其中的每一条路径都是由启发式算法计算得到,具体的结构如图4所示。
所以在路由元层中,逻辑上把网络分成了多个独立的节点对模型。尽管它们分别为各自对应的输入输出节点计算路径,但是在路由决策元层中它们却共享相同的全局网络状态,这样确保了深度学习模型的决策所依赖的当前网络状态与之前的启发式算法是完全一样,从而得到的结果,也将会是最为接近的。
将具有相同源节点的网络业务流量进行聚类。典型的聚类过程主要包括数据(或称之为样本或模式)准备、特征选择和特征提取、相似度计算、聚类(或分组)、对聚类结果进行有效性评估等步骤。
本方法中采用层次聚类算法,算法具体描述如下:
层次聚类算法又称为树聚类算法,它使用数据的联接规则,通过一种层次架构方式,反复将数据进行分裂或聚合,以形成一个层次序列的聚类问题解。层次聚类算法由树状结构的底部开始逐层向上进行聚合,假定样本集S={F1,F2,...,Fn}共有n个样本。算法表述为:
层次聚类算法
输入:样本集S
输出:满足条件的类
Step1:初始化,将每个样本Fi作为一类;/*共生成n个类*/
Step3:合并这两个类,即将类Fr,Fk合并一个新类Frk;/*将现有类数减1*/
Step4:若所有的样本都属于同一个类,则终止本算法;否则,返回Step2。
算法中dist()代表两个类中的距离,两个类之间距离的度量方法是传统层次聚合算法的重要组成部分,它主要包括两个重要参数相似性度量方法和联接规则。这里采用欧式距离(Euclidean distance)作为相似性度量方法,联接规则主要包括单联接规则、完全联接规则、类(簇)间平均联接规则、类(簇)内平均联接规则和沃德法。这几种联接规则可以定义如下:
其中||x-y||是欧几里德范数,ni和nk分别指类Fr和Fk中的样本个数,C(ni+nk,2)表示从ni+nk个元素中抽出两个元素的不同组合方法总数。
2)启发式算法构建过程
在这一节中,启发式算法用来求解装箱问题,本项目的装箱问题可抽象为具有多约束条件的可变装箱问题,具体数学抽象表达如下:
通常给定两组正整数集合,T={Ti|1≤i≤m}和B={Bj|1≤j≤n},它们分别表示物体集合和箱子集合,集合TP是T的子集,集合TP为TP={TPi|1≤i≤k≤m},匹配集合M为评价函数为C=Cost(TP,M)。
利用前述的寻路算法给出的可行路径作为启发式算法计算参数的一部分,这里将节点对的可行路径集合抽象为可变装箱问题的箱子集合,而节点对的业务流量抽象为要装入箱子的物体,可行路径上的链路条件也就是求解问题中的约束条件,其目标函数可表达如下:
p*=arg min{fC(p)|p∈Psd,fD(p)≤Dmax}
其中,fC(p)表示装箱的价值适应度函数,Psd代表物体所属的定义域,fD(p)表示选中的箱子的容量,Dmax代表箱子的最大容量。
装箱问题的数学模型:
xij∈{0,1},i∈I,j∈J,
yi∈{0,1},i∈I
二进制变量xij表示物品j是否被装入箱子i中,二进制变量yi表示箱子i是否被使用,目标函数表示了所有物品装入箱子的最小花费。fi表示箱子i对应的花费,wj表示物品j的重量,bi表示箱子i的最大容量,I和J分别代表箱子和物品的集合。第一个约束条件表示确保每一个物品j都会被装入箱子,第二个约束条件表示确保每个箱子i的所装入物品的体积不超过其本身的容积,第三个和第四个约束条件是选择域的控制范围。
本方法将采用降序最佳适应算法来求解装箱问题。由寻路模块的输出,我们已得知端到端的每条可行路径,在这里我们将端到端的每条路径抽象为容量可变的箱子,定义箱子的容量为每条可行路径的带宽最小承载链路边,当有业务流量通过此路径时,此路径上所有承载链路边的可利用带宽等于原带宽减去此业务流量所占用的带宽,然后进行箱子的大小的全网更新,将不满足端到端可行路径的箱子排除,以此类推,直到业务流量被排满,达到网络负载均衡的效果,此方案中,我们将链路带宽使用上下线设为原先链路带宽的70%,并且此装箱算法将采用降序最佳适应算法来求解装箱问题,先对物品按降序排序,再按照最佳适应算法进行装箱。装箱问题的求解步骤如下:
步骤1:先将物品按体积大小进行非递增的顺序进行排序;
步骤2:利用最佳适应算法进行装箱;
步骤3:当物品装入箱子后,对应箱子的容积发生变化,并且箱子所对应的链路负载带宽值也随之发生变化;
步骤4:由于链路负载带宽值发生变化,导致全网箱子的容积发生变化,将对涉及链路变化的箱子的容积进行更新;
步骤5:检查物品是否全部装入箱子,如果全部装入箱子则算法程序结束,如果没有全部装入箱子则进行判断,如果还存在足够大的箱子满足物品的装入就跳转步骤2,否则跳转步骤6;
步骤6:对剩余未装箱物品进行体积大小分割,将分割后的物品片段跳转步骤2;
步骤7:检查是否还存在未装箱物品,若存在转步骤6,否则算法结束。
3)训练数据采集和路径数据库构建过程
在系统构建的第一步,将为每一个节点对模型收集足够多的训练数据并且为其建立一个可达路径数据库,这个过程如图5所示。
正如之前所提到的,启发式算法可以在给定网络拓扑信息和Qos链路请求时,根据当前的网络状态,通过计算为该数据流选择一条优化的路由路径,使其充分利用网络资源,同时不考虑启发式算法可能带来较高的时间复杂度。由于表征当前网络状态的参数会随着时间的推移,网络中业务流的传输而发生实时的更新变化,所以即使收到了相同的Qos请求,启发式算法计算出的结果也有可能大不相同。
所以在训练数据的采集过程中,根据连接请求的发生时刻,从时间序列连续变化的网络状态中离散采样了n组不相同时刻的网络状态参数。然后将这些状态信息,Qos请求以及固定不变的拓扑信息作为启发式算法的输入,经过其复杂运算,便可得出从源节点到目的节点的最优路径。
4)模型训练过程
在路由决策元层中,使用了监督式的学习模型,针对其的训练样本需要包含两部分,样本特征以及样本标签。基于之前网络环境可靠性的假设,网络拓扑信息将保持不变,所以对于启发式算法来说,真正影响其计算结果的网络参数是当前网络状态以及Qos中携带的信息或者网络管理者设定的约束条件。理论上,这两类参数中如果任何一个值发生变化,都将会使启发式算法的结果产生改变。
所以,为了能够获取所有可以代表网络状态的有用参数,并且产生出与启发式算法近似的计算结果,深度学习模型将所有的当前网络状态参数,以及所有的约束条件作为其样本的特征。至于样本的标签,由于每一个节点对模型都有最优路径到路径标号的完全映射,即已经将抽象的可达路径与数字标号一一对应,所以这里将这些路径的数字标号作为深度学习模型的样本标签。至此,系统已经完成了训练样本的构建,只要采集到足够的训练样本,便可以开始对模型进行训练了。训练过程的示意图如图6所示,需要将所有的节点对模型训练到其收敛为止。
5)动态路由决策过程
训练过程结束之后,所有节点对的学习模型将会收敛。在动态路由决策阶段,它们便可以完全替代耗时的启发式算法,在收到相关连接请求时,其可以结合当前网络状态以及约束条件,独立自主地给出与启发式算法类似的结果,而该过程的处理时间将会大大缩短。具体的决策过程,图7进行进一步的阐述说明。
举例来说,在图8中,第一个和第二个连接请求将会被送往节点对模型(s1,d1),第三个请求则会被送往节点对模型(s1,d2)。随后相应的学习模型会采集实时网络状态信息,Qos请求以及相关的约束条件作为其模型的输入。由于监督式学习算法已经建立了一个完整的输入数据与路径标签的分布关系,所以在预测阶段,当把这些数据输入模型之后,分类器将会迅速地完成路由标号的匹配。之后,系统以输出的路由标号为索引,从该节点对模型的路径数据库中选出相应的优化路径。图8显示了动态路由决策过程。
上述的路由标号预测过程并不需要花费太多时间,但是却可以得出近似启发式算法的优化结果。换句话说,对比这两种不同的解决方法可以发现,如果深度学习算法的分类准确率越高,那么其计算得出的结果就与启发式算法的优化结果越接近。也就是说,如果深度学习算法的准确率能达到100%,则这两种解决方案在给出最优路径,分配网络资源方面的能力相同。然而,这两种方法在运行时间方面则差异巨大。启发式算法需要大量的迭代运行,从某种意义上讲,足够的运行时间才能确保其产生的结果具有最优型。然而这么长的运算时间,是实际网络运行所不能接受。但是反观深度学习的处理办法,其在预测阶段,只需要进行简单的数值运算,运行时间极为短暂,使得在实际网络部署成为可能。
3、约束度量学习模块
为了能够更加有效地提取网络特征,提升模型预测准确率,本项目利用了深度学习的思路和模型。但其也存在着相当大的局限性,特别是无法实现对多约束问题中自变量、约束条件和优化目标的区分处理。因为在启发式算法中,这些参数和约束条件所起到的作用存在着明显差异。本项目基于玻尔兹曼机的实现方法,提出了条件分类玻尔兹曼机,在原有模型的基础上,额外增加了一个条件层,用于表示相应的约束条件和优化目标。从而在模型提取深度特征过程中,充分考虑自变量和约束条件的差异。
对于每一种类型的数据,不管是实时的网络参数还是约束条件,通过数据预处理等方式均可以使其独立地作为深度学习模型的输入。但是,无论是从理论还是实践的角度来看,这两种不同类型的数据都是无法直接放在一起,被深度学习模型平等对待的,因为在具有约束条件问题中,它们分别代表了自变量和约束条件。也就是说,如果这些参数作为一个整体,一起被当成了一个深度学习模型输入的话,将无法区分自变量和约束条件,自然无法体现它们之间的潜在关系。
其次,路由决策的约束条件不仅会随着网络应用和服务的不同而随之改变,而且其也会跟随网络管理者或者网络服务供应商自己所考虑的优化目标而改变。换句话说,即使是处理相同类型的网络业务,约束条件也会因为不同的路由策略而发生改变。例如,为了能够充分利用网络资源,给尽可能多的用户提供网络服务,网络运营商便会在满足业务对带宽或者延迟的基本需求的前提条件下,尽可能地在负载较轻的网络链路上安排业务流,以期增加全网的吞吐量,即便此路由策略可能使得部分连接请求的建立或者通信过程延时增大。所以为了能够灵活应对约束条件和优化目标的不断变化,保证满足网络管理者的控制需求,在动态路由决策框架中,设定多组约束变量和条件则是必不可少的。基于以上的问题,本方法使用条件分类玻尔兹曼机(conditional Class RBM),其可以有效地解决动态路由决策问题。条件分类玻尔兹曼机模型的结构如图9所示。
与原始的Class RBM模型相比,其额外增加了一个条件层r,用于表示约束问题中的约束条件。而其通过单向的连接矩阵与隐藏层相连,从直观上理解,在构建隐藏层节点过程中,其值也会受到条件层r中各节点取值的影响。具体来说,当输入样本并试图去提取样本特征时,样本特征即隐藏层h的构建,就将由可见层的状态v,约束条件状态r以及标签层的状态e共同决定。而在系统重建可见层和标签层时,它们的状态将只会被抽取的特h所决定,这一点也与标准的Class RBM相同。此外由于r层与h层之间是单向连接,所以系统不会对r层进行反向重构。
将当前网络状态参数作为模型的可见层节点输入,Qos请求参数、路由约束参数和优化目标参数作为条件层节点的输入。至于模型标签层节点的输入,则为由启发式算法计算得到的相应最优路径的标号。于是,基于当前网络状态、约束条件和最优路径,模型便可以完成抽取有用网络特征的任务。一旦模型的参数完全收敛,其便可以在预测阶段,根据实时的网络状态信息和约束条件,得到可能的最优路径,并进行动态路由决策。
4、网络健康评估模块
在本方法中,可建立一个单纯的网络环境模型,该网络可用一个有向图G=(V,E)来表示,其中V是网络中交换设备的集合,E是链路的集合,在链路集合中某条链路(i,j)∈E的固有网络带宽用Bij来表示。由于研究的网络环境是稳定可靠的,所以有向图G和链路的固有带宽Bij均固定不变,在这里我们统称为拓扑信息。对于动态路由决策问题,选择合适的网络花销度量参数和路由约束条件显得尤为重要,因为这些度量标准必须能够准确而全面地表征网络状态,而约束条件也必须能够精准地反映网络应用的服务质量请求或者是网络管理者的优化目标。所以本发明对项目模型中所存在的概念进行以下量化。
首先选择cij和dij作为链路(i,j)实时状态的度量参数,其中cij代表了当前链路上的花销度量,而dij则代表链路的延迟度量。对于链路的花销度量cij,做如下定义:
其中,为了能最大限度地避免网络拥塞,特别用gij表示了对链路(i,j)的网络流量拥塞的度量。因此在网络描述中,每一条链路都被分为两种状态,拥塞和非拥塞。对于拥塞度量参数gij,使用该链路上当前流量统计参数tij和其固有网络带宽参数Bij去评估计算。如果链路的利用率达到或者超过了某一个固定的阈值,则声称此条链路拥塞,否则为非拥塞。
然后用Psd表示从源节点s出发到目的节点d的所有可能路径的集合。对于该集合中的任意一条路径p∈Psd,参考链路的度量参数定义了如下路径的度量参数,其中花销度量参数为fC,延迟度量参数为fD。
事实上,对于链路和路由路径的参数度量,除了上述所列举的那些之外,同样可以考虑并设置更多的网络状态参数作为路由选择优化问题的变量和约束条件,例如,链路的利用率,节点跳数,丢包率等。对于在数据传输过程中,随着时间变化的网络参数统称为当前网络状态,因为其代表了这一时刻全网的网络特征。而通过定义和测量这些实时变化的网络参数,可以使网络管理者更加有针对性时效性地优化网络,合理利用全局网络资源,满足自身或者应用程序的实际需要。
在本项目中,为了能够平衡网络负载并且降低端到端时延,动态路由问题将被定义如下,即在满足路径延迟参数小于或者等于某个确定阀值Dmax的条件下,计算并寻找能够使路径花销参数最小化的有效路径。据此,目标函数可用以下数学表达式表示:
p*=arg min{fC(p)|p∈Psd,fD(p)≤Dmax}
根据之前关于当前网络状态的定义,在以上对动态路由问题简化的数学描述中,链路当前花销以及链路延迟将被设定为当前网络状态参数,因为其表征了对于该约束条件和目标函数有用的网络状态。
除此之外,利用三元组(s,d,b)表征一个带有服务质量要求的网络连接请求Qos,即有应用数据流需要从源节点s发往目的节点d,且其对传输的链路有一个最低的网络带宽需求。通常情况下,如果部署了某种启发式算法,当收到一个连接请求(s,d,b),该算法将会计算出从s到d的一条最优路径,而且该路径满足Qos请求中的带宽需求。事实上,网络管理者可以根据自己的优化目标随时设定并更改上述问题的约束条件。所以此处的带宽需求b仅仅是一个约束条件的简化表示,其可以由多组不相关的网络参数共同构成。
5、拥塞控制模块
在现实流量负载均衡环境中,发现流量业务中具有大容量特征的请求,会给链路带来很高的阻塞概率,这一点在网络高负载的情况下尤为明显,这主要是因为对于大容量流量业务,某个单一路径上的带宽资源难以满足其容量要求。因此,对于一个流量业务请求(s,d,b),在需求带宽大于链路带宽的情况下,如果无法实现在单条路径上为其建立连接,则尝试使用流量分割技术将业务疏导到多条路径上,以实现其接入,如图10所示。
Claims (8)
1.一种智能网络控制系统,其特征在于,包括寻路模块、装箱模块、约束度量学习模块、网络监控评价模块和拥塞控制模块;
寻路模块利用KSP优化算法进行寻路启发,对业务进行初步的K条最优路径选择;
装箱模块构建节点对模型,每一个节点对模型包含一个监督式的学习模型和一个相应的路径数据库;采用欧式距离为相似性度量方法对网络流量业务进行聚类,使用降序最佳适应算法进行装箱,并采集训练数据添加标签,训练含有多隐层的机器学习架构的深度学习网络模型,通过训练得到特征信息,构建路径数据库,实现动态路由决策,从而规划出最优路径;装箱模块的工作原理分为五步:
(1)构建节点对模型:为每一个接入节点对(s,d),s≠d,构建一个专属的节点对模型;每一个节点对模型负责其相对应的源节点与目的节点之间的路由计算,每一个节点对模型包含一个监督式的学习模型和一个相应的路径数据库;并采用欧式距离为相似性度量将具有相同源节点的网络流量业务进行聚类,包括数据准备、特征选择和特征提取、相似度计算、聚类、对聚类结果进行有效性评估;
(2)采用降序最佳适应算法来求解装箱问题:由寻路模块的输出,得到端到端的每条可行路径,将端到端的每条路径抽象为容量可变的箱子,定义箱子的容量为每条可行路径的带宽最小承载链路边,采用降序最佳适应算法来求解装箱问题,先对物品按降序排序,再按照最佳适应算法进行装箱;
(3)构建训练数据采集和路径数据库:为每一个节点对模型收集训练数据并且为其建立一个可达路径数据库;
(4)训练模型:将所有的当前网络状态参数,以及所有的约束条件作为样本的特征,进行模型训练;
(5)动态路由决策:训练过程结束之后,所有节点对的学习模型将会收敛;在动态路由决策阶段,替代启发式算法,在收到相关连接请求时,结合当前网络状态以及约束条件,给出与启发式算法类似的结果;
约束度量学习模块,提出条件分类玻尔兹曼机,在原有模型的基础上,额外增加一个条件层,用于表示相应的约束条件和优化目标;
网络监控评价模块用于对系统网络进行侦测,建立一个单纯的网络环境模型,该网络使用一个有向图表示拓扑信息,建立数据库,对网络进行实时监控并反馈;
拥塞控制模块通过网络监控评价模块触发,使用流量分割技术将业务疏导到多条路径上。
2.根据权利要求1所述的智能网络控制系统,其特征在于,寻路模块利用基于启发式的KSP优化算法即HRAF算法对业务进行初步的K条最优路径选择;
HRAF算法找出从起始点s到目标点t的前K条最短路径,利用代价评估函数和遗传算法来最后选择最佳的满足约束的路径,并且在寻路过程中解决路径带宽问题,每次所寻的路径需跟业务需求资源比较,不满足条件则抛弃该路径;
在HRAF算法中,首先应用A*算法直到找到目标结点t,然后暂停A*,此时第一条s-t路径已经找出来了,接着使用迭代的策略来求解后面的k-1条最短路径。
3.根据权利要求1所述的智能网络控制系统,其特征在于,约束度量学习模块基于玻尔兹曼机的实现方法,提出条件分类玻尔兹曼机,在原有模型的基础上,额外增加了一个条件层r,用于表示相应的约束条件和优化目标;而其通过单向的连接矩阵与隐藏层相连;当输入样本并试图去提取样本特征时,样本特征即隐藏层h的构建,将由可见层的状态v,约束条件状态r以及标签层的状态e共同决定;而在系统重建可见层和标签层时,它们的状态将只会被抽取的特h所决定;此外由于r层与h层之间是单向连接,所以系统不会对r层进行反向重构。
4.根据权利要求1所述的智能网络控制系统,其特征在于,网络监控评价模块构建一个网络环境模型;对于动态路由决策问题,对模型中所存在的概念进行以下量化:首先选择cij和dij作为链路(i,j)实时状态的度量参数,其中cij代表当前链路上的花销度量,dij代表链路的延迟度量;对于链路的花销度量cij,做如下定义:
其中,gij表示链路(i,j)的网络流量拥塞的度量;在网络描述中,每一条链路都被分为两种状态,拥塞和非拥塞;对于拥塞度量参数gij,使用该链路上当前流量统计参数tij和其固有网络带宽参数Bij去评估计算;如果链路的利用率超过设定的阈值,则声称此条链路拥塞,否则为非拥塞。
5.一种智能网络控制方法,其特征在于,包括以下步骤:
第一步,使用KSP优化算法进行寻路启发,对业务进行初步的K条最优路径选择;
第二步,进行装箱,构建节点对模型,采用欧式距离为相似性度量方法对网络流量业务进行聚类,使用降序最佳适应算法进行装箱,并采集训练数据添加标签,训练含有多隐层的机器学习架构的深度学习网络模型,通过训练得到特征信息,构建路径数据库,实现动态路由决策,从而规划出最优路径;具体为:
(1)构建节点对模型:为每一个接入节点对(s,d),s≠d,构建一个专属的节点对模型;每一个节点对模型负责其相对应的源节点与目的节点之间的路由计算,每一个节点对模型包含一个监督式的学习模型和一个相应的路径数据库;并采用欧式距离为相似性度量将具有相同源节点的网络流量业务进行聚类,包括数据准备、特征选择和特征提取、相似度计算、聚类、对聚类结果进行有效性评估;
(2)采用降序最佳适应算法来求解装箱问题:由寻路模块的输出,已得知端到端的每条可行路径,将端到端的每条路径抽象为容量可变的箱子,定义箱子的容量为每条可行路径的带宽最小承载链路边,采用降序最佳适应算法来求解装箱问题,先对物品按降序排序,再按照最佳适应算法进行装箱;
(3)构建训练数据采集和路径数据库:为每一个节点对模型收集训练数据并且为其建立一个可达路径数据库;
(4)训练模型:将所有的当前网络状态参数,以及所有的约束条件作为样本的特征,进行模型训练;
(5)动态路由决策:训练过程结束之后,所有节点对的学习模型将会收敛;在动态路由决策阶段,它们可以完全替代启发式算法,在收到相关连接请求时,结合当前网络状态以及约束条件,独立自主地给出与启发式算法类似的结果;
第三步,使用条件分类玻尔兹曼机,设定多组约束变量和条件;
第四步,对系统网络进行一个侦测,建立一个单纯的网络环境模型,该网络可用一个有向图表示拓扑信息,建立数据库,对网络进行实时监控并反馈;
第五步,流量分割,当发生流量拥塞,使用流量分割技术将业务疏导到多条路径上。
6.根据权利要求5所述的智能网络控制方法,其特征在于,包括以下步骤:第一步具体为:利用基于启发式的KSP优化算法即HRAF算法对业务进行初步的K条最优路径选择;
HRAF算法找出从起始点s到目标点t的前K条最短路径,利用代价评估函数和遗传算法来最后选择最佳的满足约束的路径,并且在寻路过程中解决路径带宽问题,每次所寻的路径需跟业务需求资源比较,不满足条件则抛弃该路径;
在HRAF算法中,首先应用A*算法直到找到目标结点t,然后暂停A*,此时第一条s-t路径已经找出来了,接着使用迭代的策略来求解后面的k-1条最短路径。
7.根据权利要求5所述的智能网络控制方法,其特征在于,包括以下步骤:第三步具体为:
基于玻尔兹曼机的实现方法,提出条件分类玻尔兹曼机,在原有模型的基础上,额外增加了一个条件层r,用于表示相应的约束条件和优化目标;而其通过单向的连接矩阵与隐藏层相连;当输入样本并试图去提取样本特征时,样本特征即隐藏层h的构建,就将由可见层的状态v,约束条件状态r以及标签层的状态e共同决定;而在系统重建可见层和标签层时,它们的状态将只会被抽取的特h所决定;此外由于r层与h层之间是单向连接,所以系统不会对r层进行反向重构。
8.根据权利要求5所述的智能网络控制方法,其特征在于,包括以下步骤:第四步具体为:
构建网络环境模型;对于动态路由决策问题,对模型中所存在的概念进行以下量化:首先选择cij和dij作为链路(i,j)实时状态的度量参数,其中cij代表当前链路上的花销度量,dij代表链路的延迟度量;对于链路的花销度量cij,做如下定义:
其中,gij表示链路(i,j)的网络流量拥塞的度量;在网络描述中,每一条链路都被分为两种状态,拥塞和非拥塞;对于拥塞度量参数gij,使用该链路上当前流量统计参数tij和其固有网络带宽参数Bij去评估计算;如果链路的利用率超过设定的阈值,则声称此条链路拥塞,否则为非拥塞。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811494176.1A CN109688056B (zh) | 2018-12-07 | 2018-12-07 | 智能网络控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811494176.1A CN109688056B (zh) | 2018-12-07 | 2018-12-07 | 智能网络控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109688056A CN109688056A (zh) | 2019-04-26 |
CN109688056B true CN109688056B (zh) | 2021-01-15 |
Family
ID=66187242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811494176.1A Active CN109688056B (zh) | 2018-12-07 | 2018-12-07 | 智能网络控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109688056B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110336754B (zh) * | 2019-05-09 | 2020-04-21 | 北京邮电大学 | 一种网络流量配置方法及装置 |
CN110119399B (zh) * | 2019-05-21 | 2023-04-18 | 成都派沃特科技股份有限公司 | 基于机器学习的业务流程优化方法 |
CN112399483B (zh) * | 2020-11-03 | 2022-07-15 | 嘉环科技股份有限公司 | 基于GNs图预测器的约束路由控制系统 |
CN112364220B (zh) * | 2020-11-23 | 2023-07-11 | 中国电子科技集团公司第十五研究所 | 一种业务流程引导自学习优化方法 |
CN113765691B (zh) * | 2021-01-14 | 2023-06-27 | 北京京东振世信息技术有限公司 | 一种网络规划方法和装置 |
CN113364619B (zh) * | 2021-06-03 | 2022-06-03 | 湖北工业大学 | 一种分组传送网建立方法及系统 |
CN114629543B (zh) * | 2022-01-28 | 2024-03-29 | 航天东方红卫星有限公司 | 一种基于深度监督学习的卫星网络自适应流量调度方法 |
CN117614888A (zh) * | 2023-12-06 | 2024-02-27 | 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) | 一种用于车载tsn网络的动态调度与路由方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101494590A (zh) * | 2008-01-23 | 2009-07-29 | 中兴通讯股份有限公司 | 一种通信网络中基于负载平衡的最优路径选择方法 |
CN106201356A (zh) * | 2016-07-14 | 2016-12-07 | 北京理工大学 | 一种基于链路可用带宽状态的动态数据调度方法 |
CN106411733A (zh) * | 2016-09-08 | 2017-02-15 | 重庆邮电大学 | 一种基于链路实时负载的sdn动态负载均衡调度方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102065000B (zh) * | 2009-11-17 | 2013-02-13 | 中国移动通信集团公司 | 网络拥塞控制方法、装置及系统 |
CN105847151B (zh) * | 2016-05-25 | 2019-03-29 | 安徽大学 | 一种面向软件定义网络的多约束QoS路由策略设计方法 |
US10027571B2 (en) * | 2016-07-28 | 2018-07-17 | Hewlett Packard Enterprise Development Lp | Load balancing |
CN107360100B (zh) * | 2017-07-31 | 2019-11-15 | 中通服咨询设计研究院有限公司 | 一种基于sdn技术的网络流量编排系统和方法 |
CN107959633B (zh) * | 2017-11-18 | 2021-04-23 | 浙江工商大学 | 一种工业实时网络中基于价格机制的多路径负载均衡方法 |
CN108667734B (zh) * | 2018-05-18 | 2020-12-08 | 南京邮电大学 | 一种基于q学习和lstm神经网络的快速路由决策方法 |
-
2018
- 2018-12-07 CN CN201811494176.1A patent/CN109688056B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101494590A (zh) * | 2008-01-23 | 2009-07-29 | 中兴通讯股份有限公司 | 一种通信网络中基于负载平衡的最优路径选择方法 |
CN106201356A (zh) * | 2016-07-14 | 2016-12-07 | 北京理工大学 | 一种基于链路可用带宽状态的动态数据调度方法 |
CN106411733A (zh) * | 2016-09-08 | 2017-02-15 | 重庆邮电大学 | 一种基于链路实时负载的sdn动态负载均衡调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109688056A (zh) | 2019-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109688056B (zh) | 智能网络控制系统及方法 | |
Mohammed et al. | Machine learning and deep learning based traffic classification and prediction in software defined networking | |
Chao et al. | Flow classification for software-defined data centers using stream mining | |
CN106470168B (zh) | 一种数据传输方法、使用该方法的交换机以及网络控制系统 | |
Sun et al. | A QoS-guaranteed intelligent routing mechanism in software-defined networks | |
CN104717304B (zh) | 一种cdn‑p2p内容优化选择系统 | |
Yan et al. | A survey of traffic classification in software defined networks | |
CN101321134B (zh) | 动态网络条件下的服务质量路由选择方法 | |
Sacco et al. | A federated learning approach to routing in challenged sdn-enabled edge networks | |
CN105791151B (zh) | 一种动态流量控制方法,及装置 | |
Tajiki et al. | CECT: computationally efficient congestion-avoidance and traffic engineering in software-defined cloud data centers | |
Lei et al. | Mdpf: An ndn probabilistic forwarding strategy based on maximizing deviation method | |
Shirmarz et al. | Automatic software defined network (SDN) performance management using TOPSIS decision-making algorithm | |
Kumar et al. | A machine learning approach for traffic flow provisioning in software defined networks | |
CN105681438A (zh) | 内容中心网络中一种集中式的缓存决策策略 | |
CN115277574B (zh) | 一种sdn架构下数据中心网络负载均衡方法 | |
Kim et al. | Graph neural network-based virtual network function deployment prediction | |
Jin et al. | Towards joint resource allocation and routing to optimize video distribution over future internet | |
Amiri et al. | Game-aware and sdn-assisted bandwidth allocation for data center networks | |
Li et al. | An optimal and dynamic elephant flow scheduling for SDN-based data center networks | |
Liu et al. | Sketching the data center network traffic | |
Babayigit et al. | Deep learning for load balancing of SDN‐based data center networks | |
CN114401516A (zh) | 一种基于虚拟网络流量分析的5g切片网络异常检测方法 | |
Takyi et al. | Clustering techniques for traffic classification: A comprehensive review | |
Farhoudi et al. | Server load balancing in software-defined networks |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190426 Assignee: NANJING SINOVATIO TECHNOLOGY Co.,Ltd. Assignor: NANJING University OF SCIENCE AND TECHNOLOGY Contract record no.: X2022980008506 Denomination of invention: Intelligent network control system and method Granted publication date: 20210115 License type: Common License Record date: 20220622 |
|
EE01 | Entry into force of recordation of patent licensing contract |