CN110336754A - 一种网络流量配置方法及装置 - Google Patents

一种网络流量配置方法及装置 Download PDF

Info

Publication number
CN110336754A
CN110336754A CN201910386383.3A CN201910386383A CN110336754A CN 110336754 A CN110336754 A CN 110336754A CN 201910386383 A CN201910386383 A CN 201910386383A CN 110336754 A CN110336754 A CN 110336754A
Authority
CN
China
Prior art keywords
network
node
parameter
matrix
link
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
CN201910386383.3A
Other languages
English (en)
Other versions
CN110336754B (zh
Inventor
姚海鹏
张培颖
李晨兮
纪哲
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201910386383.3A priority Critical patent/CN110336754B/zh
Publication of CN110336754A publication Critical patent/CN110336754A/zh
Application granted granted Critical
Publication of CN110336754B publication Critical patent/CN110336754B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请实施例提供了一种网络流量配置方法及装置，通过获取目标自治域的网络参数信息，其中，所述网络参数信息包括网络链路上的链路参数信息以及网络节点上的节点参数信息；基于所述链路参数信息和所述节点参数信息，确定所述目标自治域的第一网络参数矩阵；将所述第一网络参数矩阵输入至预先训练好的卷积神经网络模型中得到第二网络参数矩阵；基于所述第二网络参数矩阵中的边界节点参数信息以及与所述边界节点对应的链路的链路参数信息对与所述目标自治域对应的跨域网络抽象拓扑中的网络链路和网络节点进行网络流量配置，这样，可以简化计算步骤，提高网络配置速度和质量。

Description

一种网络流量配置方法及装置
技术领域
本申请涉及通信技术领域，尤其是涉及一种网络流量配置方法及装置。
背景技术
随着计算机技术的发展，网络通信也随之快速发展，在对网络通信质量要求越来越高的情况下，避免网络拥塞和网络链路优化就显得尤为重要。
随着网络的进一步发展，网络通信的业务流量的传输不仅仅局限于一个自治域，网络流量也越来越多样化，对于链路的属性要求也不尽相同，尤其是在跨域的网络流量交互过程中，现阶段，两个或者多个自治域彼此进行网络流量交互，大多是采用边界网关协议通过相连自治域的边界节点交互信息，然后按照预设的固定规则进行网络流量的分配以完成通信，但是这样容易使分配的网络流量与传输链路不匹配，或者网络流量的传输链路分配不合理，如链路属性和网络流量属性不匹配、链路的流量承载力不足等，易使信息交互不完全或者信息延迟较多，影响信息传输的效率和质量。
发明内容
有鉴于此，本申请提供一种网络流量配置方法及装置，可以基于节点和链路网络参数信息，选择适合的路径对网络流量进行分配，提高网络流量的分配速度和分配质量。
本申请实施例提供了一种网络流量配置方法，所述网络流量配置方法包括：
获取目标自治域的网络参数信息，其中，所述网络参数信息包括网络链路上的链路参数信息以及网络节点上的节点参数信息；
基于所述链路参数信息和所述节点参数信息，确定所述目标自治域的第一网络参数矩阵；
将所述第一网络参数矩阵输入到预先训练好的卷积神经网络模型中，得到所述卷积神经网络模型输出的第二网络参数矩阵，所述第二网络参数矩阵包括所述目标自治域的边界节点参数信息，以及与所述边界节点对应的链路的链路参数信息；
基于所述边界节点参数信息以及与所述边界节点对应的链路的链路参数信息，对与所述目标自治域对应的跨域网络抽象拓扑中的网络链路和网络节点进行网络流量配置，其中，所述跨域网络抽象拓扑为与所述目标自治域连接的相邻自治域和所述目标自治域之间的网络结构拓扑。
进一步的，所述基于所述链路参数信息和所述节点参数信息，确定所述目标自治域的第一网络参数矩阵，包括：
确定目标自治域的节点个数；
基于所述节点个数，确定所述目标自治域的第一网络参数矩阵的阶数信息；
基于所述阶数信息、所述链路参数信息、所述节点参数信息，确定所述第一网络参数矩阵中各元素的值。
进一步的，所述基于所述阶数信息、所述链路参数信息、所述节点参数信息，确定所述第一网络参数矩阵中各元素的值，包括：
获取每个元素在所述第一网络参数矩阵中的行数值和列数值；
检测每个元素的行数值与列数值是否相等；
针对每个元素，若该元素的行数值与列数值相等，确定在所述目标自治域中位于该元素的行数值和列数值表示的节点的节点参数信息为该元素的值；
针对每个元素，若该元素的行数值与列数值不相等，确定在所述目标自治域中位于该元素的行数值表示的第一节点与位于该元素的列数值表示的第二节点之间的链路参数信息为该元素的值。
进一步的，通过以下方式训练所述卷积神经网络模型：
基于获取到的样本自治域的网络参数历史数据，确定样本输入参数矩阵；
确定与所述样本输入参数矩阵对应的最短路径矩阵；
基于所述最短路径矩阵，确定样本输出参数矩阵；
根据所述样本输入参数矩阵和所述样本输出参数矩阵，确定所述卷积神经网络模型的超参数，从而确定所述卷积神经网络模型，其中，所述超参数包括：卷积核、步长、网络深度。
进一步的，所述基于所述最短路径矩阵，确定样本输出参数矩阵，包括：
获取所述最短路径矩阵中样本自治域全部边界节点信息，其中，所述边界节点信息包括表示所述边界节点的行数值和列数值，以及所述行数值和列数值对应的元素值；
基于所述边界节点信息集合形成的矩阵确定样本输出参数矩阵。
进一步的，所述基于所述边界节点参数信息以及与所述边界节点对应的链路的链路参数信息，对与所述目标自治域对应的跨域网络抽象拓扑中的网络链路和网络节点进行网络流量配置，其中，所述跨域网络抽象拓扑为与所述目标自治域连接的相邻自治域和所述目标自治域之间的网络结构拓扑，包括：
获取网络流量类别；
基于所述边界节点参数信息以及与所述边界节点对应的链路的链路参数信息和所述网络流量类别，对网络链路和网络节点进行网路流量配置。
本申请实施例提供了一种网络流量配置装置，所述网络流量配置装置包括：
获取模块，用于获取目标自治域的网络参数信息，其中，所述网络参数信息包括网络链路上的链路参数信息以及网络节点上的节点参数信息；
确定模块，用于基于所述链路参数信息和所述节点参数信息，确定所述目标自治域的第一网络参数矩阵；
获得模块，用于将所述第一网络参数矩阵输入到预先训练好的卷积神经网络模型中，得到所述卷积神经网络模型输出的第二网络参数矩阵，所述第二网络参数矩阵包括所述目标自治域的边界节点参数信息，以及与所述边界节点对应的链路的链路参数信息；
配置模块，用于基于所述边界节点参数信息以及与所述边界节点对应的链路的链路参数信息，对与所述目标自治域对应的跨域网络抽象拓扑中的网络链路和网络节点进行网络流量配置，其中，所述跨域网络抽象拓扑为与所述目标自治域连接的相邻自治域和所述目标自治域之间的网络结构拓扑。
进一步的，所述确定模块包括：
第一确定单元，用于确定目标自治域的节点个数；
第二确定单元，用于基于所述节点个数，确定所述目标自治域的第一网络参数矩阵的阶数信息；
第三确定单元，用于基于所述阶数信息、所述链路参数信息、所述节点参数信息，确定所述第一网络参数矩阵中各元素的值。
进一步的，所述第三确定单元具体用于：
获取每个元素在所述第一网络参数矩阵中的行数值和列数值；
检测每个元素的行数值与列数值是否相等；
针对每个元素，若该元素的行数值与列数值相等，确定在所述目标自治域中位于该元素的行数值和列数值表示的节点的节点参数信息为该元素的值；
针对每个元素，若该元素的行数值与列数值不相等，确定在所述目标自治域中位于该元素的行数值表示的第一节点与位于该元素的列数值表示的第二节点之间的链路参数信息为该元素的值。
进一步的，所述获得模块包括：
第四确定单元，用于基于获取到的样本自治域的网络参数历史数据，确定样本输入参数矩阵；
第五确定单元，用于确定与所述样本输入参数矩阵对应的最短路径矩阵；
第六确定单元，用于基于所述最短路径矩阵，确定样本输出参数矩阵；
第七确定单元，用于根据所述样本输入参数矩阵和所述样本输出参数矩阵，确定所述卷积神经网络模型的超参数，从而确定所述卷积神经网络模型，其中，所述超参数包括：卷积核、步长、网络深度。
进一步的，所述第六确定单元具体用于：
获取所述最短路径矩阵中样本自治域全部边界节点信息，其中，所述边界节点信息包括表示所述边界节点的行数值和列数值，以及所述行数值和列数值对应的元素值；
基于所述边界节点信息集合形成的矩阵确定样本输出参数矩阵。
进一步的，所述配置模块包括：
第一获取单元，用于获取网络流量类别；
第一配置单元，用于基于所述边界节点参数信息以及与所述边界节点对应的链路的链路参数信息和所述网络流量类别，对网络链路和网络节点进行网络流量配置。
本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的网络流量配置方法的步骤。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的网络流量配置方法的步骤。
本申请实施例提供的一种网络流量配置方法及装置，通过获取目标自治域的网络参数信息，其中，所述网络参数信息包括网络链路上的链路参数信息以及网络节点上的节点参数信息；基于所述链路参数信息和所述节点参数信息，确定所述目标自治域的第一网络参数矩阵；将所述第一网络参数矩阵输入至预先训练好的卷积神经网络模型中，得到所述卷积神经网络模型输出的第二网络参数矩阵，其中，所述第二网络参数矩阵包括所述目标自治域的边界节点参数信息，以及与所述边界节点对应的链路的链路参数信息；基于所述边界节点参数信息以及与所述边界节点对应的链路的链路参数信息对与所述目标自治域对应的跨域网络抽象拓扑中的网络链路和网络节点进行网络流量配置。这样，通过训练好的卷积神经网络即可得到边界节点的参数信息，无需多次统计计算网络参数，而且可以根据边界节点的参数信息，对自治域进行网络流量的配置，符合自治域的实时网络流量情况，有利于提高网络流量的分配速度和分配质量。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为一种可能的应用场景下的系统架构图；
图2为本申请一实施例提供的网络流量配置方法的流程图；
图3为本申请另一实施例提供的网络流量配置方法的流程图；
图4为本申请一实施例提供的网络流量配置装置的结构图；
图5为图4中所示的确定模块的结构图；
图6为图4中所示的获得模块的结构图；
图7为图4中所示的配置模块的结构图；
图8为本申请一实施例提供的电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和出示的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围内，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
首先，对本申请可适用的应用场景进行介绍。本申请可以应用于通信技术领域中，通过训练好的卷积神经网络即可得到边界节点的参数信息，根据边界节点的参数信息，对自治域进行网络流量的配置，符合自治域的实时网络流量情况，有利于提高网络流量的分配速度和分配质量，请参阅图1，图1为一种在该应用场景下的系统结构图。如图1中所示，所述系统包括获取参数装置和网络流量配置装置，所述获取参数装置获取目标自治域中的网络参数信息，将所述网络参数信息输入至所述网络流量配置装置，对网络流量进行配置。
现阶段，两个或者多个自治域彼此进行网络流量交互，大多是采用边界网关协议通过相连自治域的边界节点交互信息，然后按照预设的固定规则进行网络流量的分配以完成通信，但是这样容易使分配的网络流量与传输链路不匹配，或者网络流量的传输链路分配不合理，如链路属性和网络流量属性不匹配、链路的流量承载力不足等，易使信息交互不完全或者信息延迟较多，影响信息传输的效率和质量。
基于此，本申请实施例提供一种网络流量配置方法及装置，可以根据边界节点信息以及与所述边界节点对应的链路的链路信息，对跨域网络抽象拓扑中的网络链路和网络节点进行网络流量配置，提高网络流量的分配速度和分配质量。
请参阅图2，图2为本申请一实施例提供的网络流量配置方法的流程图。如图2中所示，本申请实施例提供的网络流量配置方法方法，包括：
步骤201、获取目标自治域的网络参数信息，其中，所述网络参数信息包括网络链路上的链路参数信息以及网络节点上的节点参数信息。
该步骤中，通过SDN(Software Defined Network，软件定义网络)网络架构获取目标自治域中的网络参数信息，所述网络参数包括端到端的时延、丢包率、成本、带宽、资源利用率等网络链路上的链路参数和转发时延、CPU资源利用率等网络节点上的节点参数信息。
其中，所述SDN网络架构将网络设备控制面与数据面分离开来，在控制面进行对SDN控制器所在的自治域的网络参数的获取。在一个自治域中设置至少一个SDN控制器。
其中，所述网络参数是不固定的，会随着时间的变化发生改变，所述SDN控制器要周期更新自己所在自治域的参数信息。
步骤202、基于所述链路参数信息和所述节点参数信息，确定所述目标自治域的第一网络参数矩阵。
该步骤中，可以参考网络的邻接矩阵，利用矩阵来表示网络的属性。具体的，可以是将获取到的所述链路参数信息和所述节点参数信息进行矩阵化计算，通过矩阵计算确定出所述目标自治域的第一网络参数矩阵，所述第一网络参数矩阵包括目标自治域内的所有节点自身的节点参数信息以及节点和与之相连的节点之间的链路参数信息。
步骤203、将所述第一网络参数矩阵输入到预先训练好的卷积神经网络模型中，得到所述卷积神经网络模型输出的第二网络参数矩阵，所述第二网络参数矩阵包括所述目标自治域的边界节点参数信息，以及与所述边界节点对应的链路的链路参数信息。
该步骤中，第一网络参数矩阵包含目标自治域的全部节点参数信息以及与所述节点对应的链路的链路信息，通过训练好的卷积神经网络将第一网络参数中的边界节点参数信息和与所述边界节点对应的链路的链路参数信息提取出来，将所述边界节点参数信息和与所述边界节点对应的链路的链路参数信息进行矩阵化计算，通过矩阵计算确定出所述目标自治域的第二网络参数矩阵。
实际应用中，每个自治域都存在成百上千个节点，在自治域信息交互的过程中，共享每个自治域内的所有节点信息是不必要的，且共享大量的节点信息，会占用大量网络资源，不利于网络流量的传输。基于此，在跨域信息交互的时候，只需知道各自治域处于边界位置的边界节点的节点参数信息和与所述边界节点对应的链路参数信息即可，所述第二网络参数矩阵就为包含各自治域边界节点参数信息以及与所述边界节点信息对应的边界节点的链路参数信息的矩阵。
由于网络参数随时间经常发生变化，变化一次就要求取一次边界节点的矩阵，求解过程十分复杂，计算量大。将所述第一网络参数矩阵通过训练好的卷积神经网络得到所述第二网络参数矩阵过程十分简便，简化了求解过程。
步骤204、基于所述边界节点参数信息以及与所述边界节点对应的链路的链路参数信息，对与所述目标自治域对应的跨域网络抽象拓扑中的网络链路和网络节点进行网络流量配置，其中，所述跨域网络抽象拓扑为与所述目标自治域连接的相邻自治域和所述目标自治域之间的网络结构拓扑。
该步骤中，所述第二网络参数矩阵表征所述自治域的边界节点的节点参数信息和与所述边界节点对应的链路的链路信息，可以明确表明目标自治域和与之相连自治域的之间的连接情况，形成跨域网络抽象拓扑，基于所述边界节点的节点参数信息表征的网络节点特征和与所述边界节点对应的链路的链路参数信息表征的网络链路特征对网络链路和网络节点进行流量配置。
其中，对于网络流量的合理配置，是基于网络流量自身属性和各节点以及链路的网络属性进行配置的，例如，视频会议等实时业务对网络的时延需求较高，要将所述视频会议等实时业务分配到时延较小的节点和节点对应的链路上。选择适合所述网络流量的节点以及链路，可以在保证分配流量的基础上进一步保证传输的质量，提高了网络传输的适用性。
本申请实施例提供的一种网络流量配置方法，获取目标自治域的网络参数信息；基于所述网络参数信息中的链路参数信息和节点参数信息确定所述目标自治域的第一网络参数矩阵；将所述第一网络参数矩阵输入至预先设定好的卷积神经网络中得到对应的第二网络参数矩阵；基于所述第二网络参数矩阵中的所述目标自治域的边界节点信息以及与所述边界节点信息对应的链路的链路信息，对与目标自治域相邻的自治域之间的跨域网络抽象拓扑中的网络链路和网络节点进行流量配置。
这样，通过卷积网络神经模型对目标自治域的全部网络参数进行过滤，得到自治域和与之相连的其他自治域的边界节点的网络参数信息，并基于所述边界节点的网络参数信息对网络流量进行合理的配置，可以简化计算步骤，提高网络配置速度和质量。
请参阅图3，图3为本申请另一实施例提供的网络流量配置方法的流程图。如图3中所示，本申请实施例提供的网络流量配置方法，包括：
步骤301、获取目标自治域的网络参数信息，其中所述网络参数信息包括网络链路上的链路参数信息以及网络节点上的节点参数信息。
步骤302、确定目标自治域的节点个数。
该步骤中，目标自治域的节点个数是可以通过SDN控制器进行获取的。
步骤303、基于所述节点个数，确定所述目标自治域的第一网络参数矩阵的阶数信息。
该步骤中，通过SDN控制器获取目标自治域的节点个数，节点个数和所述第一网络参数矩阵的阶数是相等的。
步骤304、基于所述阶数信息、所述链路参数信息、所述节点参数信息，确定所述第一网络参数矩阵中各元素的值。
该步骤中，类比网络的邻接矩阵，在第一网络参数矩阵中每个行数值或列数值都对应一个目标自治域的节点，在所述节点对应位置的行数值和列数值所确定的矩阵的位置处将所述节点对应的链路参数信息和节点参数信息作为所述位置处的矩阵元素值。
其中，所述行数值为对应的目标自治域的节点所在第一网络参数矩阵的行，所述列数值为对应的目标自治域的节点所在第一网络参数矩阵的列。
步骤305、将所述第一网络参数矩阵输入到预先训练好的卷积神经网络模型中，得到所述卷积神经网络模型输出的第二网络参数矩阵，所述第二网络参数矩阵包括所述目标自治域的边界节点参数信息，以及与所述边界节点对应的链路的链路参数信息。
步骤306、基于所述边界节点参数信息以及与所述边界节点对应的链路的链路参数信息，对与所述目标自治域对应的跨域网络抽象拓扑中的网络链路和网络节点进行网络流量配置，其中，所述跨域网络抽象拓扑为与所述目标自治域连接的相邻自治域和所述目标自治域之间的网络结构拓扑。
其中，步骤301，步骤305和步骤306的描述可以参照步骤201，步骤203和步骤204的描述，对此不做赘述。
进一步的，步骤304包括：
获取每个元素在所述第一网络参数矩阵中的行数值和列数值；检测每个元素的行数值与列数值是否相等；针对每个元素，若该元素的行数值与列数值相等，确定在所述目标自治域中位于该元素的行数值和列数值表示的节点的节点参数信息为该元素的值；针对每个元素，若该元素的行数值与列数值不相等，确定在所述目标自治域中位于该元素的行数值表示的第一节点与位于该元素的列数值表示的第二节点之间的链路参数信息为该元素的值。
该步骤中，在已知阶数信息的第一网络参数矩阵中，遍历所述第一网络参数矩阵，获取每一个元素所对应的行数值和列数值。在获取到的每个元素所在位置的行数值和列数值之后，比较所述元素值所对应的行数值和列数值是否相等。如果所述元素的行数值和列数值相等，即所述元素所在位置的行数值和列数值描述的是目标自治域的同一个节点，所述元素的值为所述元素的行数值和列数值表示的节点的参数信息。
例如，一元素所在的行数值和列数值同为3，则该元素值为3对应的目标自治域中的节点的节点参数信息，以所述第一网络参数矩阵描述的参数为时延为例，则在所述第一网络参数矩阵的第三行第三列所确定的位置处的元素值为对应的目标自治域中的节点的转发时延数值。
如果所述元素的行数值和列数值不相等，所述元素所在位置的描述的是目标自治域内行数值对应的节点和列数值对应的节点之间的链路参数信息。
例如，一元素值的行数值为1，列数值为2，则该元素值为1对应的第一节点和2对应的第二节点之间的链路参数信息，以所述第一网络参数矩阵描述的参数为时延为例，则在所述第一网络参数矩阵的第一行第二列所确定的位置处的元素值为对应的目标自治域中的第一节点和第二节点之间链路的时延数值。其中，若所述第一节点和第二节点之间没有直接链路进行连接，所述元素值为常数0。
进一步的，步骤305还包括：
通过以下方法训练所述卷积神经网络模型：
基于获取到的样本自治域的网络参数历史数据，确定输入参数矩阵；确定与所述样本输入参数矩阵对应的最短路径矩阵；基于所述最短路径矩阵，确定样本输出参数矩阵。
该步骤中，通过SDN控制器获取的样本自治域的历史网络参数信息，对所述历史网络参数信息进行矩阵化运算，通过矩阵计算确定输入参数矩阵，每一个网络参数对应一个参数矩阵。在训练的过程中，不同样本自治域的节点数不同，导致输入的样本矩阵大小不同，经过卷积操作后的输出矩阵大小也不统一，影响模型的训练结果。因此，在将所述参数矩阵输入到所述卷积神经网络模型之前，要对矩阵进行预处理，使所有样本参数矩阵成为统一大小的矩阵。在实际网络中，节点的度一般远小于总节点数，网络参数矩阵一般为一稀疏矩阵。可以采用边界填充的方法，将较小(节点数较少)的网络参数矩阵，通过在矩阵右侧与下方填充常数0，达到与节点数最多的网络相同的矩阵大小。以此得到大小相同(阶数相同)的输入参数矩阵。
基于已经确定好的输入参数矩阵计算其对应的最短路径矩阵，在实际网络中，有的节点之间没有直接链路进行连接，而是通过中间的节点进行连接，在定义输入参数矩阵的时候，将没有直接链路相连的节点作为行列值所确定的元素赋值为0，在最短路径的算法中可以计算出所述两节点之间的参数值，将所述数值赋值给以所述两节点对应的行数值和列数值确定的位置上的元素。其中，可以通过弗洛伊德算法计算最短路径矩阵。
计算出样本输入参数矩阵对应的最短路径矩阵包含所述样本自治域中的所有节点的节点参数信息以及与所述边界节点对应的链路参数信息。而在跨域网络交换信息的过程中，只考虑相连自治域边界节点的节点参数信息以及与所述边界节点对应的链路参数信息，以边界节点参数信息以及与所述边界节点对应的链路参数信息为依据进行跨域的网络信息交互。所以在训练卷积神经网络的过程中，输出的参数矩阵应该只包含边界节点参数信息以及与所述边界节点对应的链路参数信息。
进一步的，所述基于所述最短路径矩阵，确定样本输出参数矩阵，包括：
获取所述最短路径矩阵中样本自治域全部边界节点信息，其中，所述边界节点信息包括表示所述边界节点的行数值和列数值，以及所述行数值和列数值对应的元素值；基于所述边界节点信息集合形成的矩阵确定样本输出参数矩阵；根据所述样本输入参数矩阵和所述样本输出参数矩阵，确定所述卷积神经网络模型的超参数，从而确定所述卷积神经网络模型，其中，所述超参数包括：卷积核、步长、网络深度。
该步骤中，根据SDN控制器获取的样本自治域的节点信息，确定所述样本自治域的全部边界节点，将获取的本自治域的全部边界节点对应的全部行数值和列数值以及所述行数值和列数值对应的元素值进行矩阵化运算，通过矩阵计算确定所述样本输出参数矩阵。
经过之前步骤，已经得到样本自治域内的样本输入参数矩阵和样本输出参数矩阵，将所述样本输入参数矩阵输入卷及神经网络模型中，参照样本输出参数矩阵，调试卷积神经网络中的超参数值，直至输入样本参数矩阵得到所述输出参数矩阵。
其中，所述卷积神经网络中的超参数包括：卷积层的卷积核、步长、网络深度等。
卷积神经网络的卷积层用于对输入的样本输入参数矩阵进行卷积操作，具体的，针对每一个卷积层，定义一个“窗口”，称为卷积核，用于感受样本输入参数矩阵中某一小部分信息，并针对所述一小部分信息，通过加权运算得到一个数值，作为卷积层输出矩阵的一个元素，至于所述加权的权重则是通过样本输入参数矩阵和样本输出参数矩阵共同确定的。针对矩阵的卷积核滑过所述样本输入参数矩阵的距离，用步长来描述，所述步长应该为整数，且步长越短，从输入矩阵获知的信息越多，卷积层的输出矩阵就越大。可以通过公式计算卷积层输出矩阵的大小，其中Si是输入矩阵的大小，Sk是卷积核的大小，Step是步长大小。根据样本输出参数矩阵的大小，逐步调整步长值，使得卷积层的输出参数矩阵大小和样本输出参数矩阵的大小是对应的。在实际训练过程中，可能会出现卷积核无法遍历矩阵中的全部元素的情况，在所述公式中的体现就是Si-Sk不能被Step整除，例如矩阵的大小为6×6，卷积核的大小为3×3，步长是2的情况，此时，需要在输入矩阵周围填充元素，使得卷积核能够遍历输入参数矩阵中的全部元素。其中，所述在矩阵周围填充元素，可以采用填充元素0的方法。在卷积计算后还需通过一个激活函数，基于激活函数协助表达复杂特征，防止由于输入发生很小的变化可能导致输出的截然不同。可以通过不同的激活函数进行协助。比如Sigmoid函数、tanh函数、ReLU函数等。不同的函数存在不同的特征，根据实际的情况进行选择。
卷积神经网络的池化层用于保留矩阵主要特征的同时压缩数据和参数，防止过拟合，还可以在一定程度上增加模型的鲁棒性，主要做法是选取池化层的窗口大小与步长，并定义池化结果的计算方式，然后根据每个步长的窗口中提取的数据进行池化。在本申请实施例中，可以选择最大池化来实现，依据输入矩阵和输出矩阵的大小，确定最大池化的窗口和步长。
在卷积神经网络中，卷积层和池化层交替设置，以此来得到输入输出的最佳值，基于样本输入参数矩阵和样本输出参数矩阵，对卷积神经网络中各层的参数进行调整，以此得到所需的适用于本申请实施例的卷积神经网络。
进一步的，步骤306还包括：
获取网络流量的类别；基于所述边界节点参数信息以及与所述边界节点对应的链路的链路参数信息和所述网络流量类别，对网络链路和网络节点进行网路流量配置。
该步骤中，随着网络技术的发展，网络业务量增加，业务类型的分化趋于多样化，例如语音、视频、图像业务的增加，以及网络视频、VoIP等实时业务和图像文件等传输业务，通过SDN控制器获取网络流量的类别，不同的网络流量对网络参数有不同的敏感度，对链路和节点的特性要求也不同，因此基于网络流量类别和跨域网络抽象拓扑中的网络链路和网络节点的特性，合理配置网络流量，例如，视频会议、网络电话等时延敏感性的业务，其对应的网络流量要配置到时延较短的链路上，而对于文件图像传输等传输型业务，对误码率比较敏感，应将其对应的网络流量分配到丢包率较低、带宽较大的链路上。
本申请实施例提供的网络流量配置方法，获取目标自治域的网络参数信息，其中，所述网络参数信息包括网络链路上的链路参数信息以及网络节点上的节点参数信息；确定所述目标自治域的节点个数；基于所述节点个数，确定所述目标自治域的第一网络参数矩阵的阶数信息；基于所述阶数信息、链路参数信息、节点参数信息，确定所述第一网络参数矩阵中各元素的值；将所述第一网络参数矩阵输入到预先训练好的卷积神经网络模型中，得到所述卷积神经网络模型输出的第二网络参数矩阵，其中，所述第二网络参数矩阵包括所述目标自治域的边界节点参数信息，以及与所述边界节点对应的链路参数信息；基于所述边界节点参数信息以及与所述边界节点对应的链路参数信息，对与所述目标自治域对应的跨域网络抽象拓扑中的网络链路和网络节点进行网络流量配置。
这样，通过获取目标自治域的网络节点信息和网络链路信息，基于所述网络节点信息确认第一网络参数矩阵，将所述第一网络参数矩阵输入至预先训练好的卷积神经网络中对目标自治域的全部网络参数进行过滤，得到自治域和与之相连的其他自治域的边界节点的网络参数信息，并基于所述边界节点的网络参数信息对网络流量进行合理的配置，可以简化计算步骤，提高网络配置速度和质量。
请参阅图4，图4为本申请一实施例提供的网络流量配置装置的结构图；图5为图4中所示的确定模块的结构图；图6为图4中所示的获得模块的结构图；图7为图4中所示的配置模块的结构图。
如图4中所示，所述网络流量配置装置400包括：
获取模块410，用于获取目标自治域的网络参数信息，其中，所述网络参数信息包括网络链路上的链路参数信息以及网络节点上的节点参数信息。
确定模块420，用于基于所述链路参数信息和所述节点参数信息，确定所述目标自治域的第一网络参数矩阵。
获得模块430，用于将所述第一网络参数矩阵输入到预先训练好的卷积神经网络模型中，得到所述卷积神经网络模型输出的第二网络参数矩阵，所述第二网络参数矩阵包括所述目标自治域的边界节点信息，以及与所述边界节点对应的链路的链路参数信息。
配置模块440，用于基于所述边界节点参数信息以及与所述边界节点对应的链路的链路参数信息，对与所述目标自治域对应的跨域网络抽象拓扑中的网络链路和网络节点进行网络流量配置，其中，所述跨域网络抽象拓扑为与所述目标自治域连接的相邻自治域和所述目标自治域之间的网络结构拓扑。
进一步的，如图5中所示，所述确定模块420包括：
第一确定单元421，用于确定目标自治域的节点个数。
第二确定单元422，用于基于所述节点个数确定所述目标自治域的第一网络参数矩阵的阶数信息。
第三确定单元423，用于基于所述阶数信息、所述链路参数信息、所述节点参数信息，确定所述第一网络参数矩阵中各元素的值。
进一步的，所述第三单元423具体用于：
获取每个元素在所述第一网络参数矩阵中的行数值和列数值；
检测每个元素的行数值与列数值是否相等；
针对每个元素，若该元素的行数值与列数值相等，确定在所述目标自治域中位于该元素的行数值和列数值表示的节点的节点参数信息为该元素的值；
针对每个元素，若该元素的行数值与列数值不相等，确定在所述目标自治域中位于该元素的行数值表示的第一节点与位于该元素的列数值表示的第二节点之间的链路参数值为该元素的值。
进一步的，如图6所示，所述获得模块430包括：
第四确定单元431，用于基于获取到的样本自治域的网络参数历史数据，确定样本输入参数矩阵。
第五确定单元432，用于确定与所述样本输入参数矩阵对应的最短路径矩阵。
第六确定单元433，用于基于所述最短路径矩阵，确定样本输出参数矩阵。
第七确定单元434，用于根据所述样本输入参数矩阵和所述样本输出参数矩阵，确定所述卷积神经网络模型的超参数，从而确定所述卷积神经网络模型，其中，所述超参数包括：卷积核、步长、网络深度。
进一步的，所述第六确定单元433具体用于：
获取所述最短路径矩阵中样本自治域全部边界节点信息，其中，所述边界节点信息包括表示所述边界节点的行数值和列数值，以及所述行数值和列数值对应的元素值；
基于所述边界节点信息集合形成的矩阵确定样本输出参数矩阵。
进一步的，如图7所示，所述配置模块440包括：
第一获取单元441，用于获取网络流量类别。
第一配置单元442，用于基于所述边界节点参数信息以及与所述边界节点对应的链路的链路参数信息和所述网络流量类别，对网络链路和网络节点进行网路流量配置。
本实施例中的网络流量配置装置400，可以实现如图2和图3所示实施例中的网络流量配置方法的全部方法步骤，并可以达到相同的效果，在此不做赘述。
本申请实施例提供的一种网络流量配置装置，获取目标自治域的网络参数信息；基于所述网络参数信息中的链路参数信息和节点参数信息确定所述目标自治域的第一网络参数矩阵；将所述第一网络参数矩阵输入至预先设定好的卷积神经网络中得到对应的第二网络参数矩阵，其中，所述第二网络参数矩阵包括所述目标自治域的边界节点参数信息，以及与所述边界节点对应的链路的链路参数信息；基于所述边界节点参数信息以及与所述边界节点对应的链路的链路参数信息，对与目标自治域相邻的自治域之间的跨域网络抽象拓扑中的网络链路和网络节点进行流量配置。
这样，通过卷积网络神经模型对目标自治域的全部网络参数进行过滤，得到自治域和与之相连的其他自治域的边界节点的网络参数信息，并基于所述边界节点的网络参数信息对网络流量进行合理的配置，可以简化计算步骤，提高网络配置速度和质量。
请参阅图8，图8为本申请一实施例提供的电子设备的结构图。如图8中所示，所述电子设备800包括处理器810、存储器820和总线830。
所述存储器820存储有所述处理器810可执行的机器可读指令，当电子设备800运行时，所述处理器810与所述存储器820之间通过总线830通信，所述机器可读指令被所述处理器810执行时，可以执行如上述图2以及图3所示方法实施例中的网络流量配置方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图2以及图3所示方法实施例中的网络流量配置方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (12)

1.一种网络流量配置方法，其特征在于，所述网络流量配置方法包括：
获取目标自治域的网络参数信息，其中，所述网络参数信息包括网络链路上的链路参数信息以及网络节点上的节点参数信息；
基于所述链路参数信息和所述节点参数信息，确定所述目标自治域的第一网络参数矩阵；
将所述第一网络参数矩阵输入到预先训练好的卷积神经网络模型中，得到所述卷积神经网络模型输出的第二网络参数矩阵，所述第二网络参数矩阵包括所述目标自治域的边界节点参数信息，以及与所述边界节点对应的链路的链路参数信息；
基于所述边界节点参数信息以及与所述边界节点对应的链路的链路参数信息，对与所述目标自治域对应的跨域网络抽象拓扑中的网络链路和网络节点进行网络流量配置，其中，所述跨域网络抽象拓扑为与所述目标自治域连接的相邻自治域和所述目标自治域之间的网络结构拓扑。
2.如权利要求1所述的网络流量配置方法，其特征在于，所述基于所述链路参数信息和所述节点参数信息，确定所述目标自治域的第一网络参数矩阵，包括：
确定目标自治域的节点个数；
基于所述节点个数，确定所述目标自治域的第一网络参数矩阵的阶数信息；
基于所述阶数信息、所述链路参数信息、所述节点参数信息，确定所述第一网络参数矩阵中各元素的值。
3.如权利要求2所述的网络流量配置方法，其特征在于，所述基于所述阶数信息、所述链路参数信息、所述节点参数信息，确定所述第一网络参数矩阵中各元素的值，包括：
获取每个元素在所述第一网络参数矩阵中的行数值和列数值；
检测每个元素的行数值与列数值是否相等；
针对每个元素，若该元素的行数值与列数值相等，确定在所述目标自治域中位于该元素的行数值和列数值表示的节点的节点参数信息为该元素的值；
针对每个元素，若该元素的行数值与列数值不相等，确定在所述目标自治域中位于该元素的行数值表示的第一节点与位于该元素的列数值表示的第二节点之间的链路参数信息为该元素的值。
4.如权利要求1所述的网络流量配置方法，其特征在于，通过以下方式训练所述卷积神经网络模型：
基于获取到的样本自治域的网络参数历史数据，确定样本输入参数矩阵；
确定与所述样本输入参数矩阵对应的最短路径矩阵；
基于所述最短路径矩阵，确定样本输出参数矩阵；
根据所述样本输入参数矩阵和所述样本输出参数矩阵，确定所述卷积神经网络模型的超参数，从而确定所述卷积神经网络模型，其中，所述超参数包括：卷积核、步长、网络深度。
5.如权利要求4所述的网络流量配置方法，其特征在于，所述基于所述基于最短路径矩阵，确定样本输出参数矩阵，包括：
获取所述最短路径矩阵中样本自治域全部边界节点信息，其中，所述边界节点信息包括表示所述边界节点的行数值和列数值，以及所述行数值和列数值对应的元素值；
基于所述边界节点信息集合形成的矩阵确定样本输出参数矩阵。
6.如权利要求1所述的网络流量配置方法，其特征在于，所述基于所述边界节点参数信息以及与所述边界节点对应的链路的链路参数信息，对与所述目标自治域对应的跨域网络抽象拓扑中的网络链路和网络节点进行网络流量配置，其中，所述跨域网络抽象拓扑为与所述目标自治域连接的相邻自治域和所述目标自治域之间的网络结构拓扑，包括：
获取网络流量类别；
基于所述边界节点参数信息以及与所述边界节点对应的链路的链路参数信息和所述网络流量类别，对网络链路和网络节点进行网路流量配置。
7.一种网络流量配置装置，其特征在于，所述网络流量配置装置包括：
获取模块，用于获取目标自治域的网络参数信息，其中，所述网络参数信息包括网络链路上的链路参数信息以及网络节点上的节点参数信息；
确定模块，用于基于所述链路参数信息和所述节点参数信息，确定所述目标自治域的第一网络参数矩阵；
获得模块，用于将所述第一网络参数矩阵输入到预先训练好的卷积神经网络模型中，得到所述卷积神经网络模型输出的第二网络参数矩阵，所述第二网络参数矩阵包括所述目标自治域的边界节点参数信息，以及与所述边界节点对应的链路的链路参数信息；
配置模块，用于基于所述边界节点参数信息以及与所述边界节点对应的链路的链路参数信息，对与所述目标自治域对应的跨域网络抽象拓扑中的网络链路和网络节点进行网络流量配置，其中，所述跨域网络抽象拓扑为与所述目标自治域连接的相邻自治域和所述目标自治域之间的网络结构拓扑。
8.如权利要求7所述的网络流量配置装置，其特征在于，所述确定模块包括：
第一确定单元，用于确定目标自治域的节点个数；
第二确定单元，用于基于所述节点个数，确定所述目标自治域的第一网络参数矩阵的阶数信息；
第三确定单元，用于基于所述阶数信息、所述链路参数信息、所述节点参数信息，确定所述第一网络参数矩阵中各元素的值。
9.如权利要求8所述的网络流量配置装置，其特征在于，所述第三确定单元具体用于：
获取每个元素在所述第一网络参数矩阵中的行数值和列数值；
检测每个元素的行数值与列数值是否相等；
针对每个元素，若该元素的行数值与列数值相等，确定在所述目标自治域中位于该元素的行数值和列数值表示的节点的节点参数信息为该元素的值；
针对每个元素，若该元素的行数值与列数值不相等，确定在所述目标自治域中位于该元素的行数值表示的第一节点与位于该元素的列数值表示的第二节点之间的链路参数信息为该元素的值。
10.如权利要求7所述的网络流量配置装置，其特征在于，所述获得模块包括：
第四确定单元，用于基于获取到的样本自治域的网络参数历史数据，确定样本输入参数矩阵；
第五确定单元，用于确定与所述样本输入参数矩阵对应的最短路径矩阵；
第六确定单元，用于基于所述最短路径矩阵，确定样本输出参数矩阵；
第七确定单元，用于根据所述样本输入参数矩阵和所述样本输出参数矩阵，确定所述卷积神经网络模型的超参数，从而确定所述卷积神经网络模型，其中，所述超参数包括：卷积核、步长、网络深度。
11.如权利要求10所述的网络流量配置装置，其特征在于，所述第六确定单元具体用于：
获取所述最短路径矩阵中样本自治域全部边界节点信息，其中，所述边界节点信息包括表示所述边界节点的行数值和列数值，以及所述行数值和列数值对应的元素值；
基于所述边界节点信息集合形成的矩阵确定样本输出参数矩阵。
12.如权利要求7所述的网络流量配置装置，其特征在于，所述配置模块包括：
第一获取单元，用于获取网络流量类别；
第一配置单元，用于基于所述边界节点参数信息以及与所述边界节点对应的链路的链路参数信息和所述网络流量类别，对网络链路和网络节点进行网络流量配置。
CN201910386383.3A 2019-05-09 2019-05-09 一种网络流量配置方法及装置 Active CN110336754B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910386383.3A CN110336754B (zh) 2019-05-09 2019-05-09 一种网络流量配置方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910386383.3A CN110336754B (zh) 2019-05-09 2019-05-09 一种网络流量配置方法及装置

Publications (2)

Publication Number Publication Date
CN110336754A true CN110336754A (zh) 2019-10-15
CN110336754B CN110336754B (zh) 2020-04-21

Family

ID=68140002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910386383.3A Active CN110336754B (zh) 2019-05-09 2019-05-09 一种网络流量配置方法及装置

Country Status (1)

Country Link
CN (1) CN110336754B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340192A (zh) * 2020-02-28 2020-06-26 腾讯科技（深圳）有限公司 网络路径分配模型训练方法、路径分配方法、以及装置
CN111368994A (zh) * 2020-02-12 2020-07-03 平安科技（深圳）有限公司 基于神经网络模型的节点参数更新方法及相关设备
CN114095377A (zh) * 2020-08-06 2022-02-25 中国移动通信有限公司研究院 模型训练、参数配置方法、装置及分析设备
CN116436844A (zh) * 2023-06-13 2023-07-14 苏州浪潮智能科技有限公司 路由震荡的定位方法及装置、存储介质及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570597A (zh) * 2016-11-14 2017-04-19 广州大学 一种sdn架构下基于深度学习的内容流行度预测方法
US20180307983A1 (en) * 2017-04-24 2018-10-25 Intel Corporation Neural network optimization mechanism
CN108712292A (zh) * 2018-05-29 2018-10-26 广州大学 一种基于深度学习的网络流类型预测方法
CN108809839A (zh) * 2018-07-17 2018-11-13 湖南理工学院 无线Mesh骨干网络流量控制方法与装置
CN109543818A (zh) * 2018-10-19 2019-03-29 中国科学院计算技术研究所 一种基于深度学习模型的链路评估方法和系统
CN109688056A (zh) * 2018-12-07 2019-04-26 南京理工大学 智能网络控制系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570597A (zh) * 2016-11-14 2017-04-19 广州大学 一种sdn架构下基于深度学习的内容流行度预测方法
US20180307983A1 (en) * 2017-04-24 2018-10-25 Intel Corporation Neural network optimization mechanism
CN108712292A (zh) * 2018-05-29 2018-10-26 广州大学 一种基于深度学习的网络流类型预测方法
CN108809839A (zh) * 2018-07-17 2018-11-13 湖南理工学院 无线Mesh骨干网络流量控制方法与装置
CN109543818A (zh) * 2018-10-19 2019-03-29 中国科学院计算技术研究所 一种基于深度学习模型的链路评估方法和系统
CN109688056A (zh) * 2018-12-07 2019-04-26 南京理工大学 智能网络控制系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
张艳升等: "基于卷积神经网络的工控网络异常流量检测", 《计算机应用》 *
王文涛等: "基于密集连接卷积神经网络的链路预测模型", 《计算机应用》 *
臧运娟: "无线通信网络流量预测综述", 《电子设计工程》 *
谷上宇等: "一种利用边界测量估计网络内部链路流量的模型", 《第九届全国青年通信学术会议论文集》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368994A (zh) * 2020-02-12 2020-07-03 平安科技（深圳）有限公司 基于神经网络模型的节点参数更新方法及相关设备
CN111368994B (zh) * 2020-02-12 2024-05-28 平安科技（深圳）有限公司 基于神经网络模型的节点参数更新方法及相关设备
CN111340192A (zh) * 2020-02-28 2020-06-26 腾讯科技（深圳）有限公司 网络路径分配模型训练方法、路径分配方法、以及装置
CN114095377A (zh) * 2020-08-06 2022-02-25 中国移动通信有限公司研究院 模型训练、参数配置方法、装置及分析设备
CN116436844A (zh) * 2023-06-13 2023-07-14 苏州浪潮智能科技有限公司 路由震荡的定位方法及装置、存储介质及电子设备
CN116436844B (zh) * 2023-06-13 2023-09-08 苏州浪潮智能科技有限公司 路由震荡的定位方法及装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN110336754B (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
CN110336754A (zh) 一种网络流量配置方法及装置
CN109039942B (zh) 一种基于深度强化学习的网络负载均衡系统及均衡方法
Kar et al. Sensor networks with random links: Topology design for distributed consensus
CN112486690B (zh) 一种适用于工业物联网的边缘计算资源分配方法
CN109768940A (zh) 多业务sdn网络的流量分配方法及装置
Dhamdhere et al. The internet is flat: modeling the transition from a transit hierarchy to a peering mesh
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
CN104993941B (zh) 一种基于Openflow网络高容错性虚拟网络映射算法
CN108667734A (zh) 一种基于q学习和lstm神经网络的快速路由决策算法
US11695682B2 (en) Optimizing Border Gateway Protocol (BGP) traffic using reinforcement learning
CN107332768A (zh) 一种多域控制器的跨域路径计算方法
CN105229973A (zh) 网络的构成以及动作的可视化装置
CN110233798A (zh) 数据处理方法、装置及系统
CN104935476B (zh) 一种基于sdn的网络流量矩阵测量方法
CN108684046A (zh) 一种基于随机学习的接入网服务功能链部署方法
CN107948083A (zh) 一种基于增强学习的sdn数据中心拥塞控制方法
CN109413707A (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
CN108028805A (zh) 一种带内软件定义网络中的控制流量均衡的系统和方法
WO2021243585A1 (en) Method and system for generating network configurations using graph neural network
Zhuang et al. Toward greater intelligence in route planning: A graph-aware deep learning approach
CN109543818A (zh) 一种基于深度学习模型的链路评估方法和系统
CN104683252B (zh) 一种应用于游戏网络的网关连入方法与系统
CN111340192A (zh) 网络路径分配模型训练方法、路径分配方法、以及装置
WO2022232994A1 (en) Devices and methods for autonomous distributed control of computer networks
CN102447625B (zh) 基于节点间链路反馈控制机制的节点状态控制方法

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