CN110198280A - 一种基于bp神经网络的sdn链路分配方法 - Google Patents
一种基于bp神经网络的sdn链路分配方法 Download PDFInfo
- Publication number
- CN110198280A CN110198280A CN201910449213.5A CN201910449213A CN110198280A CN 110198280 A CN110198280 A CN 110198280A CN 201910449213 A CN201910449213 A CN 201910449213A CN 110198280 A CN110198280 A CN 110198280A
- Authority
- CN
- China
- Prior art keywords
- task
- neural network
- qos
- link
- layer
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims description 2
- 230000007423 decrease Effects 0.000 abstract 1
- 238000013468 resource allocation Methods 0.000 description 17
- 238000013507 mapping Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/83—Admission control; Resource allocation based on usage prediction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
-
- 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
- H04L41/5003—Managing SLA; Interaction between SLA and QoS
- H04L41/5019—Ensuring fulfilment of SLA
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/80—Actions related to the user profile or the type of traffic
- H04L47/805—QOS or priority aware
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于BP神经网络的SDN链路分配方法,该方法可以动态地为交换机中每个测量任务分配相应的链路资源。包括以下步骤:在SDN控制器中构建BP神经网络;QoS监控模块收集每个任务的QoS值;神经网络根据任务的重要性对其占用的链路资源进行动态调整;BP神经网络的输入为各个任务的QoS值,输出为逻辑链路与任务权重的比值,当输出小于均值时,增加该任务的逻辑链路;随着训练次数的增加,每一次的输出都更接近期望均值。本发明解决了SDN中链路分配自适应性差导致服务质量下降的问题,提高了网络的自适应性、服务质量和网络资源利用率。
Description
技术领域
本发明涉及软件定义网络中的链路分配技术领域,特别涉及一种基于BP(BackPropagation,反向传播)神经网络的软件定义网络逻辑链路分配方法。
背景技术
互联网经过几十年的迅猛发展,已经成为全球性的基础设施。随着互联网规模的扩大以及用户的剧增,其封闭和僵化的缺点日渐明显。随着物联网、云计算等新兴科技的发展,传统的网络架构已经无法满足新业务的发展要求,传统互联网的架构严重阻碍了其发展,新业务和协议难以部署。为了解决这个问题,Nick McKeown教授团队提出了一个新的网络架构:软件定义网络(Software Defined Network,SDN)。在SDN架构中,网络的控制平面和数据平面相互分离,实现了网络可编程化。网络可编程化能够提高资源利用率,提高网络的灵活性,加快服务部署时间。这样,SDN可以使网络从复杂变的简单,满足网络用户对易用性的需求,更加自动化和智能化。
SDN中的链路分配问题是其中一个重要的研究方向。虚拟网络的分配主要是链路分配,在链路映射中,一条虚拟链路可被映射到一条或多条物理链路上。将链路分配给虚拟网络存在着巨大的挑战。很多链路资源分配算法都是静态的,虚拟网络的链路资源分配是建立在长期资源需求预测上的,在虚拟网络的周期内,资源一旦分配便不会发生改变,这种分配方式缺乏自适应性,要么造成资源浪费,要么当前资源的规模不能满足发展的需要,导致服务的满意度降低。而动态资源分配算法既能满足设备提供商的资源需求,也能提高物理资源的利用率。
现有的SDN资源分配技术主要包括:静态资源分配算法和动态资源分配算法两种。现有技术一:“二分步”映射算法是静态资源分配算法的一种,指虚拟网络映射中将节点和链路映射分离。先对虚拟节点优化映射,然后寻找优化的虚拟链路映射。主要根据优化目标采用贪婪的策略进行优化求解;这种算法的优点是简化了资源分配的过程,但是节点和链路分离使得资源分配过程协调性差、速度慢、效率低,而且难以得到虚拟网络分配的全局最优。现有技术二:一种没有重映射的启发式资源分配算法,也是静态资源分配算法的一种,将最小化物理资源负载作为目标函数,采用启发式算法进行虚拟化网络资源分配;这种算法将大型网络拓扑分成很多小的拓扑,对每个小拓扑进行资源映射,从而提升资源映射率,加快资源分配速率。但缺点是没有考虑联合映射,导致映射结果不准确。现有技术三:动态自适应虚拟架构,在该架构中,底层链路监测各虚拟网络的流量状况,根据其承载能力和拥塞情况,周期性地为虚拟网络分配链路资源,每个虚拟网络可以运行个性化的流量管理协议,来对虚拟网络的服务性能进行优化;这种方法的优点是可以动态自适应的为虚拟网络的资源分配进行调整,但缺点在于系统不够稳定。现有技术四:自适应资源分配算法,在该算法中,物理节点是开放灵活的,能够支持虚拟网络的映射、配置和管理等,并且具有自由感知功能;该算法将虚拟链路映射到物理网络中,满足负载均衡自适应;资源分配算法提高了资源利用率,而且有良好的适应性与稳定性;但是算法过于冗余,运算量大,会影响网络的正常运行。
综上所述,现有的SDN链路分配方式要么速率慢、效率低,要么结果不准确,导致系统不稳定。
发明内容
本发明的目的是针对现有技术的不足,提供了一种基于BP神经网络的软件定义网络链路分配方法,把BP神经网络应用到SDN链路分配中去,解决了传统链路资源分配方式的低效、慢速、不稳定等问题,利用神经网络的自学习能力,使得SDN链路分配具有良好的自适应性,提高了网络资源利用率。
本发明的目的可以通过如下技术方案实现:
一种基于BP神经网络的SDN链路分配方法,所述方法包括以下步骤:
S1、在SDN控制器中构建BP神经网络模型;
S2、QoS监控模块收集每个测量任务带宽的使用情况,采用实时调度算法对监控作业实际完成时刻与作业截止期的调度偏差进行量化,得到每个任务的服务质量水平QoS;
S3、BP神经网络根据多个任务的实时重要程度,对相关任务占用的带宽资源进行动态调整,保证各任务分配到的逻辑链路和任务重要性成正比,当系统的链路资源一定时,动态链路分配问题就转化为求解该比值问题;
S4、将各个任务的QoS值作为BP神经网络模型的N个输入,N个输出分别是各任务所分配的链路与任务权重的比值,当某任务的比值小于这N个比值的均值时,则反向调整输入,即增加该任务的逻辑链路分配;
S5、重复步骤S4的训练方式,随着训练次数的增加,神经网络每一次的输出都更接近期望均值,3秒之短时内即能够完成动态调整;
S6、任务管理器从资源管理器中获取逻辑链路资源,保证各个任务对链路资源的使用。
进一步地,步骤S1的具体过程为:在多任务的SDN控制器中,建立多输入多输出的BP神经网络模型,若交换机中有N个测量任务,BP神经网络应由N个子神经网络组成,共有N个输入,N个输出;每个子神经网络由三层神经网络构成,分别是输入层、隐藏层和输出层;每个子神经网络有输入层节点2个(分别为当前QoS和预设误差),隐藏层节点3个,输出层节点1个。
进一步地,步骤S2中,QoS监控模块收集和评估交换机中各个任务带宽的使用情况,采用实时调度算法EDF(Earliest Deadline First,最早截止时间优先)进行作业调度;对监控作业实际完成时刻与作业截止期的调度偏差进行量化,作业的完成时刻越早,对应的QoS值就越高,通过记录任务作业获取的资源与其完成时产生的调度偏差,确定QoS值。
进一步地,步骤S3中,给每个任务赋予权重系数ω来表示任务的重要程度,任务越重要,权重系数ω越大,权重系数能够通过任务的优先级、用户在系统中的偏好设置多种方法确定;
要保证各任务分配到的逻辑链路和任务重要性成正比,即每个任务的QoS值与其权重系数成正比,使得公式(1)成立,其中QoS1、QoS2、QoSN分别表示任务1的QoS、任务2的QoS、任务N的QoS;ω1、ω2、ωN分别表示任务1的权重系数、任务2的权重系数、任务3的权重系数;表示每个任务的QoS值与其权重系数的比例;
这时,动态链路分配问题就转化为求解问题,使得N个任务的QoS值与各自任务权重的比例相等,此时达到期望的公平链路分配。
进一步地,步骤S4中,BP神经网络的N个输出分别为: Q1、Q2、QN分别表示第一个、第二个、第N个任务QoS值与权重系数的比例;
用公式(2)求出这N个输出的均值,其中Qi表示第i个任务QoS值与权重系数的比例;
BP神经网络中,若某个输出Qi小于均值则反向调整第i个输入的QoS值,即要增加第i个任务的逻辑链路分配;
若某个输出Qi大于均值同样反向调整第i个输入的QoS值,即减少第i个任务的逻辑链路分配。
进一步地,步骤S5中,神经网络学习的过程会不断改变网络的权值,使输出不断地接近期望结果,神经网络中神经元的权值则按照以下规则进行计算:
1)计算最后一层神经网络产生的错误,如公式(3)所示:
δL=C·σ'(zL) (3)
2)由后往前,计算隐藏层产生的错误,如公式(4)所示:
δl=((wl+1)Tδl+1)·σ'(zl) (4)
3)计算权重的梯度,如公式(5)所示:
4)计算偏置的梯度,如公式(6)所示:
其中,表示第(l-1)层的k个神经元连接到第l层的第j个神经元的权重;表示第l层的第j个神经元的偏置;表示第l层的第j个神经元的输出;σ表示激活函数;C表示损失函数;δL表示第L层产生的错误;符号表示求偏导;
BP神经网络训练完成时,满足资源管理器根据每个任务各自的QoSN,分配相应的链路给各个任务;
整个训练过程中,每次迭代耗时2-3ms,迭代1000次可获得较高的精度值,因此完成一次训练不超过三秒钟。
本发明与现有技术相比,具有如下优点和有益效果:
本发明提供的一种基于BP神经网络的SDN链路分配方法,在SDN控制器中构建了一个BP神经网络模型;将各个任务的QoS值放入BP神经网络进行训练,动态调整每个任务的QoS值,当神经网络输出的各任务所分配的链路与任务权重的比值相等的时候,完成训练,达到期望的公平链路分配;资源管理器按照每个任务最终的QoS值给各个任务划分链路资源;任务管理器从资源管理器中获取链路资源,保证各个任务对链路资源的使用。从而使得SDN链路分配具有良好的自适应性,提高了网络资源的利用率,解决了现有资源分配方式的效率低、速度慢、不稳定等问题。
附图说明
图1为本发明实施例基于BP神经网络的软件定义网络链路分配方法结构示意图。
图2为本发明实施例利用BP神经网络进行训练的示意图。
图3为本发明实施例基于BP神经网络的SDN链路分配的流程图。
其中,101-QoS监控模块,102-BP神经网络,103-资源管理器,104-任务管理器,201-BP神经网络的输入层,202-BP神经网络的隐藏层,203-BP神经网络的输出层。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例:
本实施例提供了一种基于BP神经网络的SDN链路分配方法,把BP神经网络和SDN链路分配结合起来,在SDN控制器中构建反向传播神经网络模型;QoS监控模块收集每个测量任务带宽的使用情况,采用现有的实时调度算法,对监控作业实际完成时刻与作业截止期的调度偏差进行量化,得到每个任务的服务质量水平QoS;神经网络根据多个任务的实时重要程度,对相关任务占用的带宽资源动态调整,保证各任务分配到的逻辑链路和任务重要性成正比,当系统的链路资源一定时,动态链路分配问题就转化为求解该比值问题;将各个任务的QoS值作为BP神经网络模型的N个输入,N个输出分别是各任务所分配的链路与任务权重的比值,当某任务的比值小于这N个比例的均值时,则反向调整输入,即要增加该任务的逻辑链路分配;重复上一训练步骤,随着训练次数的增加,神经网络每一次的输出都更接近期望均值,3秒之内即可完成动态调整;任务管理器从资源管理器中获取逻辑链路资源,保证各个任务对链路资源的使用。
所述方法基于图1所示的结构完成,QoS监控模块(101)收集每个测量任务带宽的使用情况,采用现有的实时调度算法,对监控作业实际完成时刻与作业截止期的调度偏差进行量化,得到每个任务的服务质量水平QoS给BP神经网络(102)进行训练;
BP神经网络(102),用于训练QoS值,输出的各任务所分配的逻辑链路与任务权重的比值相等的时候,完成训练,将最终的QoS值结果反馈给资源管理器(103);
资源管理器(103),负责给各个任务划分实际链路资源;
任务管理器(104),从资源管理器(103)中获取链路资源,保证各个任务对资源的使用;
任务1、任务2、任务3到任务n负责使用从资源管理器(103)获得的链路资源。
由QoS监控模块(101)收集的数据放入BP神经网络(102)进行训练,当输出的各任务所分配的链路与任务权重的比值相等的时候,完成训练,并将训练得到的结果反馈给资源管理器(103),任务管理器(104)从资源管理器(103)中获取链路资源,保证各个任务对资源的使用,从而使得SDN链路分配更加高效,提高网络资源利用率。
所述方法利用BP神经网络进行训练的过程如图2所示,其中:
BP神经网络的输入层(201),每个子神经网络有两个输入节点,分别为预设误差以及QoS值;
BP神经网络的隐藏层(202),每个子神经网络有三个隐藏节点,可以自动调整控制参数;
BP神经网络的输出层(203),每个子神经网络有一个输出节点,输出为新的QoS值;
先计算Q1、Q2、……、QN,再算QoS均值随着每次训练不断更新输入,直到直到每个输出都等于QoS均值,结束训练;
首先,当前QoS值作为BP神经网络的输入层(201),再经过BP神经网络的隐藏层(202),调整控制参数,最后到BP神经网络的输出层(203),再经过系统QoS均值,把N个子神经网络的输出求均值,不断更新QoS均值,直到每个当前输出都约等于系统QoS均值,结束训练,达到期望的公平链路分配。
所述方法基于BP神经网络的SDN链路分配流程如图3所示,
S301:从QoS监控模块获取数据;
S302:将收集到的数据放入BP神经网络进行训练;
S303:输出训练得到的各任务当前QoS与任务权重的比值Qi;
S304:计算均值
S305:输出的Qi是否和均值相等?如果不相等,则转到S302再次进行训练;如果相等,结束训练;
S306:将训练得到的QoS反馈到资源管理器给各个任务划分资源;
S307:任务管理器保证各个任务对资源的使用,并结束整个训练分配过程。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (6)
1.一种基于BP神经网络的SDN链路分配方法,其特征在于,所述方法包括以下步骤:
S1、在SDN控制器中构建BP神经网络模型;
S2、QoS监控模块收集每个测量任务带宽的使用情况,采用实时调度算法对监控作业实际完成时刻与作业截止期的调度偏差进行量化,得到每个任务的服务质量水平QoS;
S3、BP神经网络根据多个任务的实时重要程度,对相关任务占用的带宽资源进行动态调整,保证各任务分配到的逻辑链路和任务重要性成正比,当系统的链路资源一定时,动态链路分配问题就转化为求解该比值问题;
S4、将各个任务的QoS值作为BP神经网络模型的N个输入,N个输出分别是各任务所分配的链路与任务权重的比值,当某任务的比值小于这N个比值的均值时,则反向调整输入,即增加该任务的逻辑链路分配;
S5、重复步骤S4的训练方式,随着训练次数的增加,神经网络每一次的输出都更接近期望均值,短时内即能够完成动态调整;
S6、任务管理器从资源管理器中获取逻辑链路资源,保证各个任务对链路资源的使用。
2.根据权利要求1所述的一种基于BP神经网络的SDN链路分配方法,其特征在于,步骤S1的具体过程为:在多任务的SDN控制器中,建立多输入多输出的BP神经网络模型,若交换机中有N个测量任务,BP神经网络应由N个子神经网络组成,共有N个输入,N个输出;每个子神经网络由三层神经网络构成,分别是输入层、隐藏层和输出层;每个子神经网络有输入层节点2个,隐藏层节点3个,输出层节点1个。
3.根据权利要求1所述的一种基于BP神经网络的SDN链路分配方法,其特征在于:步骤S2中,QoS监控模块收集和评估交换机中各个任务带宽的使用情况,采用实时调度算法EDF进行作业调度;对监控作业实际完成时刻与作业截止期的调度偏差进行量化,作业的完成时刻越早,对应的QoS值就越高,通过记录任务作业获取的资源与其完成时产生的调度偏差,确定QoS值。
4.根据权利要求1所述的一种基于BP神经网络的SDN链路分配方法,其特征在于:步骤S3中,给每个任务赋予权重系数ω来表示任务的重要程度,任务越重要,权重系数ω越大,权重系数能够通过任务的优先级、用户在系统中的偏好设置多种方法确定;
要保证各任务分配到的逻辑链路和任务重要性成正比,即每个任务的QoS值与其权重系数成正比,使得公式(1)成立,其中QoS1、QoS2、QoSN分别表示任务1的QoS、任务2的QoS、任务N的QoS;ω1、ω2、ωN分别表示任务1的权重系数、任务2的权重系数、任务3的权重系数;表示每个任务的QoS值与其权重系数的比例;
这时,动态链路分配问题就转化为求解问题,使得N个任务的QoS值与各自任务权重的比例相等,此时达到期望的公平链路分配。
5.根据权利要求4所述的一种基于BP神经网络的SDN链路分配方法,其特征在于,步骤S4中,BP神经网络的N个输出分别为:Q1、Q2、QN分别表示第一个、第二个、第N个任务QoS值与权重系数的比例;
用公式(2)求出这N个输出的均值,其中Qi表示第i个任务QoS值与权重系数的比例;
BP神经网络中,若某个输出Qi小于均值则反向调整第i个输入的QoS值,即要增加第i个任务的逻辑链路分配;
若某个输出Qi大于均值同样反向调整第i个输入的QoS值,即减少第i个任务的逻辑链路分配。
6.根据权利要求4所述的一种基于BP神经网络的SDN链路分配方法,其特征在于:步骤S5中,神经网络学习的过程会不断改变网络的权值,使输出不断地接近期望结果,神经网络中神经元的权值则按照以下规则进行计算:
1)计算最后一层神经网络产生的错误,如公式(3)所示:
δL=C·σ'(zL) (3)
2)由后往前,计算隐藏层产生的错误,如公式(4)所示:
δl=((wl+1)Tδl+1)·σ'(zl) (4)
3)计算权重的梯度,如公式(5)所示:
4)计算偏置的梯度,如公式(6)所示:
其中,表示第(l-1)层的k个神经元连接到第l层的第j个神经元的权重;表示第l层的第j个神经元的偏置;表示第l层的第j个神经元的输出;σ表示激活函数;C表示损失函数;δL表示第L层产生的错误;符号表示求偏导;
BP神经网络训练完成时,满足资源管理器根据每个任务各自的QoSN,分配相应的链路给各个任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910449213.5A CN110198280A (zh) | 2019-05-28 | 2019-05-28 | 一种基于bp神经网络的sdn链路分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910449213.5A CN110198280A (zh) | 2019-05-28 | 2019-05-28 | 一种基于bp神经网络的sdn链路分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110198280A true CN110198280A (zh) | 2019-09-03 |
Family
ID=67753229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910449213.5A Pending CN110198280A (zh) | 2019-05-28 | 2019-05-28 | 一种基于bp神经网络的sdn链路分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110198280A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111782359A (zh) * | 2020-06-23 | 2020-10-16 | 平安科技(深圳)有限公司 | 分布式计算系统任务分配方法及相关设备 |
CN112491619A (zh) * | 2020-11-25 | 2021-03-12 | 东北大学 | 一种基于sdn的服务定制网络资源自适应分配技术 |
CN114565064A (zh) * | 2022-04-26 | 2022-05-31 | 心鉴智控(深圳)科技有限公司 | 多任务学习深度网络的识别方法、系统及设备 |
CN115358389A (zh) * | 2022-09-01 | 2022-11-18 | 清华大学 | 神经网络的训练误差降低方法、装置、电子设备及介质 |
CN117130790A (zh) * | 2023-10-23 | 2023-11-28 | 云南蓝队云计算有限公司 | 一种云计算资源池动态调度方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080319933A1 (en) * | 2006-12-08 | 2008-12-25 | Medhat Moussa | Architecture, system and method for artificial neural network implementation |
CN107547379A (zh) * | 2016-06-23 | 2018-01-05 | 华为技术有限公司 | 软件定义网络中生成路由控制动作的方法和相关设备 |
CN108449286A (zh) * | 2018-03-01 | 2018-08-24 | 北京邮电大学 | 网络带宽资源分配方法及装置 |
-
2019
- 2019-05-28 CN CN201910449213.5A patent/CN110198280A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080319933A1 (en) * | 2006-12-08 | 2008-12-25 | Medhat Moussa | Architecture, system and method for artificial neural network implementation |
CN107547379A (zh) * | 2016-06-23 | 2018-01-05 | 华为技术有限公司 | 软件定义网络中生成路由控制动作的方法和相关设备 |
CN108449286A (zh) * | 2018-03-01 | 2018-08-24 | 北京邮电大学 | 网络带宽资源分配方法及装置 |
Non-Patent Citations (2)
Title |
---|
林军 等: "一种采用神经网络PID控制的自适应资源分配方法", 《西安交通大学学报》 * |
满丽欣: "SDN网络下基于BP神经网络算法的负载均衡研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111782359A (zh) * | 2020-06-23 | 2020-10-16 | 平安科技(深圳)有限公司 | 分布式计算系统任务分配方法及相关设备 |
CN111782359B (zh) * | 2020-06-23 | 2022-03-11 | 平安科技(深圳)有限公司 | 分布式计算系统任务分配方法及相关设备 |
CN112491619A (zh) * | 2020-11-25 | 2021-03-12 | 东北大学 | 一种基于sdn的服务定制网络资源自适应分配技术 |
CN112491619B (zh) * | 2020-11-25 | 2022-04-05 | 东北大学 | 一种基于sdn的服务定制网络资源自适应分配方法 |
CN114565064A (zh) * | 2022-04-26 | 2022-05-31 | 心鉴智控(深圳)科技有限公司 | 多任务学习深度网络的识别方法、系统及设备 |
CN115358389A (zh) * | 2022-09-01 | 2022-11-18 | 清华大学 | 神经网络的训练误差降低方法、装置、电子设备及介质 |
CN115358389B (zh) * | 2022-09-01 | 2024-08-20 | 清华大学 | 神经网络的训练误差降低方法、装置、电子设备及介质 |
CN117130790A (zh) * | 2023-10-23 | 2023-11-28 | 云南蓝队云计算有限公司 | 一种云计算资源池动态调度方法 |
CN117130790B (zh) * | 2023-10-23 | 2023-12-29 | 云南蓝队云计算有限公司 | 一种云计算资源池动态调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110198280A (zh) | 一种基于bp神经网络的sdn链路分配方法 | |
CN111953758B (zh) | 一种边缘网络计算卸载和任务迁移方法及装置 | |
CN108092791B (zh) | 网络控制方法、装置及系统 | |
Sun et al. | Autonomous resource slicing for virtualized vehicular networks with D2D communications based on deep reinforcement learning | |
CN111131421B (zh) | 一种工业互联网现场大数据与云端信息互联互通的方法 | |
CN102546379B (zh) | 一种虚拟化资源调度的方法及虚拟化资源调度系统 | |
CN111538587B (zh) | 一种基于负载均衡的服务功能链重配置方法 | |
CN112486690B (zh) | 一种适用于工业物联网的边缘计算资源分配方法 | |
CN102664814B (zh) | 一种虚拟网络中基于灰色预测的自适应动态资源分配方法 | |
CN111722910B (zh) | 一种云作业调度及资源配置的方法 | |
CN108965014B (zh) | QoS感知的服务链备份方法及系统 | |
Kim et al. | Multi-agent reinforcement learning-based resource management for end-to-end network slicing | |
CN109981438A (zh) | 一种面向sdn和nfv协同部署框架的卫星网络负载均衡方法 | |
WO2023040022A1 (zh) | 一种在随机网络中基于算网协同的分布式计算卸载方法 | |
CN114050961B (zh) | 一种大规模网络仿真系统及资源动态调度分配方法 | |
CN116700993B (zh) | 一种负载均衡方法、装置、设备及可读存储介质 | |
CN114726743B (zh) | 一种基于联邦强化学习的服务功能链部署方法 | |
CN114374605A (zh) | 一种网络切片场景下服务功能链动态调整和迁移方法 | |
CN113596868A (zh) | 基于sdn和nfv的5g网络切片资源管理机制 | |
CN111131447A (zh) | 一种基于中介节点任务分配的负载均衡方法 | |
CN115473901A (zh) | 一种分布式算力集群智慧调度方法、装置及计算机设备 | |
CN115033359A (zh) | 一种基于时延控制的物联代理多任务调度方法和系统 | |
CN113490279A (zh) | 一种网络切片配置方法及装置 | |
CN113778691A (zh) | 一种任务迁移决策的方法、装置及系统 | |
CN113179175A (zh) | 一种电力通信网业务的实时带宽预测方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190903 |
|
RJ01 | Rejection of invention patent application after publication |