CN110365507A - 用于实现链路权重自动赋值的方法和装置 - Google Patents
用于实现链路权重自动赋值的方法和装置 Download PDFInfo
- Publication number
- CN110365507A CN110365507A CN201810314624.9A CN201810314624A CN110365507A CN 110365507 A CN110365507 A CN 110365507A CN 201810314624 A CN201810314624 A CN 201810314624A CN 110365507 A CN110365507 A CN 110365507A
- Authority
- CN
- China
- Prior art keywords
- path
- link weight
- link
- prediction model
- matrix
- 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
- 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
- H04L41/145—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
- 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
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/02—Topology update or discovery
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开提供了一种用于实现链路权重自动赋值的方法和装置,涉及大数据领域。该方法包括:获取网络拓扑信息和流量规划转发路径信息;根据网络拓扑信息确定对应的链路权重预测模型;将流量规划转发路径转换为路径转发矩阵;将路径转发矩阵输入到训练好的链路权重预测模型,获得网络拓扑中各链路的权重值。本公开充分利用了链路权重预测模型的强大学习能力,无需利用网络仿真工具进行启发式搜索,能够快速为各链路权重赋值。
Description
技术领域
本公开涉及大数据领域,尤其涉及一种用于实现链路权重自动赋值的方法和装置。
背景技术
在一个IGP(Interior Gateway Protocol,内部网关协议)内部,报文从一台路由器到另一台路由器的路径由路由决定,通常路由对应最短路径。在网络规划阶段,当确定好了网络的物理拓扑结构(也就是在什么地方放置路由器,哪些路由器之间用链路连接起来)后,需要对链路权重进行赋值以决定任何两台路由器之间报文的转发路径,也就是所谓的流量路径。
在实际网络中,当需要给链路权重赋值时,往往依靠经验和对称的拓扑结构来设置。或者通过网络仿真来不断的尝试权重直到找到理想的结果。这种方法的主要问题在于需要依赖网络仿真大量的尝试,时间成本很高,而且网络仿真的运营代价也较高。
发明内容
本公开要解决的一个技术问题是提供一种用于实现链路权重自动赋值的方法和装置,能够快速为各链路权重赋值。
根据本公开一方面,提出一种用于实现链路权重自动赋值的方法,包括:获取网络拓扑信息和流量规划转发路径信息;根据网络拓扑信息确定对应的链路权重预测模型;将流量规划转发路径转换为路径转发矩阵;将路径转发矩阵输入到训练好的链路权重预测模型,获得网络拓扑中各链路的权重值。
可选地,路径转发矩阵包括第一元素值和第二元素值;其中,第一元素值表示路由路径经过预定链路;第二元素值表示路由路径未进过预定链路。
可选地,该方法还包括:构造训练样本路径转发矩阵和链路权重标记值;将训练样本路径转发矩阵作为链路权重预测模型的输入参数,将链路权重标记值作为链路权重预测模型的输出参数,训练链路权重预测模型。
可选地,基于最短路径优先SPF算法构造训练样本路径转发矩阵。
可选地,链路权重预测模型的输入维度为网络中的输入端口量、输出端口量和链路数量的积;链路权重预测模型的输出维度为链路数量。
根据本公开的另一方面,还提出一种用于实现链路权重自动赋值的装置,包括:信息获取单元,用于获取网络拓扑信息和流量规划转发路径信息;模型选择单元,用于根据网络拓扑信息确定对应的链路权重预测模型;矩阵转换单元,用于将流量规划转发路径转换为路径转发矩阵;权重赋值单元,用于将路径转发矩阵输入到训练好的链路权重预测模型,获得网络拓扑中各链路的权重值。
可选地,路径转发矩阵包括第一元素值和第二元素值;其中,第一元素值表示路由路径经过预定链路;第二元素值表示路由路径未进过预定链路。
可选地,该装置还包括:样本构造单元,用于构造训练样本路径转发矩阵和链路权重标记值;模型训练单元,用于将训练样本路径转发矩阵作为链路权重预测模型的输入参数,将链路权重标记值作为链路权重预测模型的输出参数,训练链路权重预测模型。
可选地,样本构造单元用于基于最短路径优先SPF算法构造训练样本路径转发矩阵。
可选地,链路权重预测模型的输入维度为网络中的输入端口量、输出端口量和链路数量的积;链路权重预测模型的输出维度为链路数量。
根据本公开的另一方面,还提出一种用于实现链路权重自动赋值的装置,包括:存储器;以及耦接至存储器的处理器,处理器被配置为基于存储在存储器的指令执行如上述的方法。
根据本公开的另一方面,还提出一种计算机可读存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现上述的方法的步骤。
本公开根据网络拓扑信息确定对应的链路权重预测模型,然后将路径转发矩阵输入到训练好的链路权重预测模型,获得网络拓扑中各链路的权重值,充分利用了链路权重预测模型的强大学习能力,能够快速为各链路权重赋值。
通过以下参照附图对本公开的示例性实施例的详细描述,本公开的其它特征及其优点将会变得清楚。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同说明书一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开,其中:
图1为本公开用于实现链路权重自动赋值的方法的一个实施例的流程示意图。
图2为本公开用于实现链路权重自动赋值的方法的另一个实施例的流程示意图。
图3为本公开用于实现链路权重自动赋值的装置的一个实施例的结构示意图。
图4为本公开用于实现链路权重自动赋值的装置的另一个实施例的结构示意图。
图5为本公开一个网络拓扑的具体结构示意图。
图6为本公开用于实现链路权重自动赋值的装置的再一个实施例的结构示意图。
图7为本公开用于实现链路权重自动赋值的装置的又一个实施例的结构示意图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
图1为本公开用于实现链路权重自动赋值的方法的一个实施例的流程示意图。
在步骤110,获取网络拓扑信息和流量规划转发路径信息。
在步骤120,根据网络拓扑信息确定对应的链路权重预测模型。其中,链路权重预测模型为神经网络模型,不同的网络拓扑信息对应不同的神经网络模型。神经网络模型的输入维度由网络中的输入端口量、输出端口量和链路数量确定,输出维度由链路数量确定。
在步骤130,将流量规划转发路径转换为路径转发矩阵。其中,路径转发矩阵包括两个元素值,第一元素值表示路由路径经过预定链路,第二元素值表示路由路径未进过预定链路。例如,路径转发矩阵T(i,j)代表第j个路由路径是否经过第i个链路,若对应的元素值为1,则说明第j个路由路径经过第i个链路,若对应的元素值为0,则说明第j个路由路径未经过第i个链路。
在该实施例中,也可以先执行步骤130,再执行步骤120,也可以同时执行步骤120和130。
在步骤140,将路径转发矩阵输入到训练好的链路权重预测模型,获得网络拓扑中各链路的权重值。对于IGP链路,通过上述方法能够自动为链路进行权重赋值。
在该实施例中,根据网络拓扑信息确定对应的链路权重预测模型,然后将路径转发矩阵输入到训练好的链路权重预测模型,获得网络拓扑中各链路的权重值,充分利用了链路权重预测模型的强大学习能力,能够快速为各链路权重赋值。
图2为本公开用于实现链路权重自动赋值的方法的另一个实施例的流程示意图。
在步骤210,针对预定网络拓扑构造训练样本路径转发矩阵和链路权重标记值。例如,对于某一网络拓扑,首先把所有路由器对之间的路径进行标号,如果有n台路由器,则一共存在n*(n-1)条路由路径,另外,也对所有链路进行标号。这样可以将路径配置为一个路径转发矩阵T(i,j),其中,T(i,j)代表第j个路由路径是否经过第i个链路。在一个实施例中,为了产生训练样本,可以对链路权重进行采样,每次采样代表全网的链路赋值,在一个实施例中,可以基于SPF(Shortest Path First,最短路径优先)算法构造训练样本路径转发矩阵。通过大量链路权重采样,就能够获得大量的链路权重配置与流量转发路径的映射关系。
在步骤220,将训练样本路径转发矩阵作为链路权重预测模型的输入参数,将链路权重标记值作为神经网络模型的输出参数,训练神经网络模型。在训练神经网络模型时,可以将神经网络模型的输出结果与链路权重标记值进行比较,判断比较结果是否满足构建的链路感知损失函数的要求,反复迭代,优化和调整神经网络模型的参数,使得比较结果最终满足构建的神经网络的链路感知损失函数的要求,保存该神经网络模型。
其中,神经网络模型的输入维度为网络中的输入端口量、输出端口量和链路数量的积,输出维度为链路数量。
在训练完神经网络模型后,该实施例还可以包括以下步骤:
在步骤230,获取网络拓扑信息和流量规划转发路径信息。
在步骤240,根据网络拓扑信息确定对应的神经网络模型。
在步骤250,将流量规划转发路径转换为路径转发矩阵。
在步骤260,将路径转发矩阵输入到训练好的神经网络模型,获得网络拓扑中各链路的权重值。
在该实施例中,充分利用神经网络的非线性能力来规划网络链路权重,无需利用网络仿真工具进行启发式搜索;并且,该实施例中训练样本的生成代价低,训练完成后,可以快速获取转发路径对应的链路权重配置。
图3为本公开用于实现链路权重自动赋值的装置的一个实施例的结构示意图。该装置包括信息获取单元310、模型选择单元320、矩阵转换单元330和权重赋值单元340。
信息获取单元310用于获取网络拓扑信息和流量规划转发路径信息。
模型选择单元320用于根据网络拓扑信息确定对应的链路权重预测模型。其中,链路权重预测模型为神经网络模型。不同的网络拓扑信息对应不同的神经网络模型。
矩阵转换单元330用于将流量规划转发路径转换为路径转发矩阵。其中,路径转发矩阵包括第一元素值和第二元素值;第一元素值表示路由路径经过预定链路;第二元素值表示路由路径未进过预定链路。例如,路径转发矩阵T(i,j)代表第j个路由路径是否经过第i个链路,若对应的元素值为1,则说明第j个路由路径经过第i个链路,若对应的元素值为0,则说明第j个路由路径未经过第i个链路。
权重赋值单元340用于将路径转发矩阵输入到训练好的链路权重预测模型,获得网络拓扑中各链路的权重值。
在该实施例中,根据网络拓扑信息确定对应的链路权重预测模型,然后将路径转发矩阵输入到训练好的链路权重预测模型,获得网络拓扑中各链路的权重值,充分利用了链路权重预测模型的强大学习能力,能够快速为IGP链路权重赋值。
图4为本公开用于实现链路权重自动赋值的装置的另一个实施例的结构示意图。该装置包括样本构造单元410、模型训练单元420、信息获取单元430、模型选择单元440、矩阵转换单元450和权重赋值单元460。
样本构造单元410用于构造训练样本路径转发矩阵和链路权重标记值。在一个实施例中,可以基于SPF算法构造训练样本路径转发矩阵,例如,路径转发矩阵T(i,j)代表第j个路由路径是否经过第i个链路。
模型训练单元420用于将训练样本路径转发矩阵作为链路权重预测模型的输入参数,将链路权重标记值作为链路权重预测模型的输出参数,训练链路权重预测模型。其中,链路权重预测模型的输入维度为网络中的输入端口量、输出端口量和链路数量的积,输出维度为链路数量。
信息获取单元430用于获取网络拓扑信息和流量规划转发路径信息。
模型选择单元440用于根据网络拓扑信息确定对应的链路权重预测模型。
矩阵转换单元450用于将流量规划转发路径转换为路径转发矩阵。
权重赋值单元460用于将路径转发矩阵输入到训练好的链路权重预测模型,获得网络拓扑中各链路的权重值。
在该实施例中,充分利用神经网络的非线性能力来规划网络链路权重,无需利用网络仿真工具进行启发式搜索;并且,该实施例的训练样本的生成代价低,训练完成后,可以快速获取转发路径对应的链路权重配置。
图5为本公开一个网络拓扑的具体结构示意图。该网络拓扑中包括路由器1、2、3、4和5,图中边代表链路,边上的数值代表权重。其中,链路权重可以如表1所示。
路由器编号 | 1 | 2 | 3 | 4 | 5 |
1 | 0 | 5 | - | 20 | 2 |
2 | 5 | 0 | 8 | - | 6 |
3 | - | 8 | 0 | 2 | 1 |
4 | 20 | - | 2 | 0 | 6 |
5 | 2 | 6 | 1 | 6 | 0 |
表1链路权重
在构造训练样本时,路径转发矩阵输入示例可以如表2所示,其中,该表中对应的数字矩阵通过向量化即可作为神经网络模型的输入参数,其中,神经网络模型的输入维度为80。
路径 | 1-2 | 1-3 | 1-4 | 1-5 | 2-3 | 2-4 | 2-5 | 3-4 | 3-5 | 4-5 |
1-2 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
1-4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
1-5 | 0 | 1 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 |
2-3 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 |
2-5 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 |
3-4 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 |
3-5 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 1 |
4-5 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
表2路径转发矩阵输入示例
构造的链路权重输出示例如表3所示,其中,神经网络的输出维度为8。
链路 | 1-2 | 1-4 | 1-5 | 2-3 | 2-5 | 3-4 | 3-5 | 4-5 |
权重 | 5 | 20 | 2 | 8 | 6 | 2 | 1 | 6 |
表3链路权重输出示例
在训练神经网络模型时,神经网络隐含层例如为两层,对应的神经元数量分别为1000,1000。通过不断迭代,能够完成对神经网络的训练。一旦训练网络完成,就可以将指定的转发路径转成表2的矩阵,然后输入神经网络,得到8个链路的输出权重。
图6为本公开用于实现链路权重自动赋值的装置的再一个实施例的结构示意图。该装置包括存储器610和处理器620,其中:
存储器610可以是磁盘、闪存或其它任何非易失性存储介质。存储器用于存储图1、2所对应实施例中的指令。处理器620耦接至存储器610,可以作为一个或多个集成电路来实施,例如微处理器或微控制器。该处理器620用于执行存储器中存储的指令。
在一个实施例中,还可以如图7所示,该装置700包括存储器710和处理器720。处理器720通过BUS总线730耦合至存储器710。该装置700还可以通过存储接口740连接至外部存储装置750以便调用外部数据,还可以通过网络接口760连接至网络或者另外一台计算机系统(未标出),此处不再进行详细介绍。
在该实施例中,通过存储器存储数据指令,再通过处理器处理上述指令,充分利用了链路权重预测模型的强大学习能力,能够快速为IGP链路权重赋值。
在另一个实施例中,一种计算机可读存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现图1、2所对应实施例中的方法的步骤。本领域内的技术人员应明白,本公开的实施例可提供为方法、装置、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
至此,已经详细描述了本公开。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本公开的范围。本领域的技术人员应该理解,可在不脱离本公开的范围和精神的情况下,对以上实施例进行修改。本公开的范围由所附权利要求来限定。
Claims (12)
1.一种用于实现链路权重自动赋值的方法,包括:
获取网络拓扑信息和流量规划转发路径信息;
根据所述网络拓扑信息确定对应的链路权重预测模型;
将所述流量规划转发路径转换为路径转发矩阵;
将所述路径转发矩阵输入到训练好的链路权重预测模型,获得所述网络拓扑中各链路的权重值。
2.根据权利要求1所述的方法,其中,所述路径转发矩阵包括第一元素值和第二元素值;
其中,所述第一元素值表示路由路径经过预定链路;所述第二元素值表示路由路径未进过预定链路。
3.根据权利要求1所述的方法,还包括:
构造训练样本路径转发矩阵和链路权重标记值;
将所述训练样本路径转发矩阵作为所述链路权重预测模型的输入参数,将所述链路权重标记值作为所述链路权重预测模型的输出参数,训练所述链路权重预测模型。
4.根据权利要求3所述的方法,其中,
基于最短路径优先SPF算法构造所述训练样本路径转发矩阵。
5.根据权利要求1-4任一所述的方法,其中,
所述链路权重预测模型的输入维度为网络中的输入端口量、输出端口量和链路数量的积;
所述链路权重预测模型的输出维度为所述链路数量。
6.一种用于实现链路权重自动赋值的装置,包括:
信息获取单元,用于获取网络拓扑信息和流量规划转发路径信息;
模型选择单元,用于根据所述网络拓扑信息确定对应的链路权重预测模型;
矩阵转换单元,用于将所述流量规划转发路径转换为路径转发矩阵;
权重赋值单元,用于将所述路径转发矩阵输入到训练好的链路权重预测模型,获得所述网络拓扑中各链路的权重值。
7.根据权利要求6所述的装置,其中,所述路径转发矩阵包括第一元素值和第二元素值;
其中,所述第一元素值表示路由路径经过预定链路;所述第二元素值表示路由路径未进过预定链路。
8.根据权利要求6所述的装置,还包括:
样本构造单元,用于构造训练样本路径转发矩阵和链路权重标记值;
模型训练单元,用于将所述训练样本路径转发矩阵作为所述链路权重预测模型的输入参数,将所述链路权重标记值作为所述链路权重预测模型的输出参数,训练所述链路权重预测模型。
9.根据权利要求8所述的装置,其中,
所述样本构造单元用于基于最短路径优先SPF算法构造所述训练样本路径转发矩阵。
10.根据权利要求6-9任一所述的装置,其中,
所述链路权重预测模型的输入维度为网络中的输入端口量、输出端口量和链路数量的积;
所述链路权重预测模型的输出维度为所述链路数量。
11.一种用于实现链路权重自动赋值的装置,包括:
存储器;以及
耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器的指令执行如权利要求1至5任一项所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现权利要求1至5任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810314624.9A CN110365507B (zh) | 2018-04-10 | 2018-04-10 | 用于实现链路权重自动赋值的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810314624.9A CN110365507B (zh) | 2018-04-10 | 2018-04-10 | 用于实现链路权重自动赋值的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110365507A true CN110365507A (zh) | 2019-10-22 |
CN110365507B CN110365507B (zh) | 2022-03-01 |
Family
ID=68212607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810314624.9A Active CN110365507B (zh) | 2018-04-10 | 2018-04-10 | 用于实现链路权重自动赋值的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110365507B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113726560A (zh) * | 2021-08-12 | 2021-11-30 | 中盈优创资讯科技有限公司 | 一种运营商骨干链路metric值建议获取方法及装置 |
CN117033876A (zh) * | 2023-07-26 | 2023-11-10 | 北京半人科技有限公司 | 一种基于多级耦合算法的数字矩阵处理方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1761239A (zh) * | 2004-09-15 | 2006-04-19 | 美国电报电话公司 | 用于重新路由计算机网络中的流量的方法和设备 |
US20120140636A1 (en) * | 2010-12-07 | 2012-06-07 | Resende Mauricio Guilherme De Carvalho | Methods and apparatus to determine network link weights |
CN103379042A (zh) * | 2012-04-25 | 2013-10-30 | 丛林网络公司 | 路径加权的等价多路径 |
CN103685054A (zh) * | 2013-12-18 | 2014-03-26 | 武汉烽火网络有限责任公司 | 基于业务感知的多路径负载均衡方法 |
US8787400B1 (en) * | 2012-04-25 | 2014-07-22 | Juniper Networks, Inc. | Weighted equal-cost multipath |
CN105337861A (zh) * | 2015-11-18 | 2016-02-17 | 东北大学 | 一种基于能效优先和认知理论的路由方法 |
CN105634823A (zh) * | 2016-01-18 | 2016-06-01 | 河南科技大学 | 一种基于多路由配置的数据中心网络故障恢复方法 |
CN107509231A (zh) * | 2017-09-21 | 2017-12-22 | 南昌工程学院 | 一种能量获取型无线传感网络最大化监测频率方法 |
CN107528731A (zh) * | 2017-08-30 | 2017-12-29 | 四川易诚智讯科技有限公司 | 应用于ns3并行仿真的网络分割优化算法 |
-
2018
- 2018-04-10 CN CN201810314624.9A patent/CN110365507B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1761239A (zh) * | 2004-09-15 | 2006-04-19 | 美国电报电话公司 | 用于重新路由计算机网络中的流量的方法和设备 |
US20120140636A1 (en) * | 2010-12-07 | 2012-06-07 | Resende Mauricio Guilherme De Carvalho | Methods and apparatus to determine network link weights |
CN103379042A (zh) * | 2012-04-25 | 2013-10-30 | 丛林网络公司 | 路径加权的等价多路径 |
US8787400B1 (en) * | 2012-04-25 | 2014-07-22 | Juniper Networks, Inc. | Weighted equal-cost multipath |
CN103685054A (zh) * | 2013-12-18 | 2014-03-26 | 武汉烽火网络有限责任公司 | 基于业务感知的多路径负载均衡方法 |
CN105337861A (zh) * | 2015-11-18 | 2016-02-17 | 东北大学 | 一种基于能效优先和认知理论的路由方法 |
CN105634823A (zh) * | 2016-01-18 | 2016-06-01 | 河南科技大学 | 一种基于多路由配置的数据中心网络故障恢复方法 |
CN107528731A (zh) * | 2017-08-30 | 2017-12-29 | 四川易诚智讯科技有限公司 | 应用于ns3并行仿真的网络分割优化算法 |
CN107509231A (zh) * | 2017-09-21 | 2017-12-22 | 南昌工程学院 | 一种能量获取型无线传感网络最大化监测频率方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113726560A (zh) * | 2021-08-12 | 2021-11-30 | 中盈优创资讯科技有限公司 | 一种运营商骨干链路metric值建议获取方法及装置 |
CN113726560B (zh) * | 2021-08-12 | 2023-08-29 | 中盈优创资讯科技有限公司 | 一种运营商骨干链路metric值建议获取方法及装置 |
CN117033876A (zh) * | 2023-07-26 | 2023-11-10 | 北京半人科技有限公司 | 一种基于多级耦合算法的数字矩阵处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110365507B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106982139B (zh) | 一种基于多机器人多任务的指派问题的方法及装置、用户设备 | |
CN106228314A (zh) | 基于深度增强学习的工作流调度方法 | |
CN109146447A (zh) | 区块链透明分片方法、装置及系统 | |
JP2019521399A5 (zh) | ||
JP2013191942A5 (zh) | ||
da Silva et al. | Genetic programming for QoS-aware web service composition and selection | |
CN104915717A (zh) | 数据处理方法、知识库推理方法及相关装置 | |
Li et al. | Colored traveling salesman problem and solution | |
CN105634974A (zh) | 软件定义网络中的路由确定方法和装置 | |
CN110365507A (zh) | 用于实现链路权重自动赋值的方法和装置 | |
CN107506484A (zh) | 运维数据关联审计方法、系统、设备及存储介质 | |
CN113055218B (zh) | Nfv网络的冗余性评价方法、装置及计算设备 | |
Boualem | Insensitive bounds for the stationary distribution of a single server retrial queue with server subject to active breakdowns | |
Kruzick et al. | Structurally observable distributed networks of agents under cost and robustness constraints | |
JP6332284B2 (ja) | 分散環境モデル用モデル検査装置、分散環境モデル用モデル検査方法及びプログラム | |
Dagaev et al. | Method of Analyzing the Availability Factor in a Mesh Network | |
Antunes et al. | A stochastic Petri net model for simulation-based performance analysis of public bicycle sharing systems | |
CN111784078B (zh) | 一种针对决策树的分布式预测方法和系统 | |
i Jové et al. | Teaching system modelling and simulation through Petri Nets and Arena | |
Zhang | Analysis and design of manufacturing systems with multiple-loop structures | |
Białek et al. | Reasoning with four-valued logic in multi-robotic search-and-rescue problem | |
Hassan | Analysis and implementation of the minimum route issues between some governorates of Iraq using Bellman-Ford algorithm | |
US20230418840A1 (en) | Machine learning for optimized learning of human-understandable logical rules from medical or other data | |
Jian et al. | Cloud Based Software Computing as a Service in Hybrid Evolution Algorithm with Feedback Assistance | |
Tang et al. | Dual Bounds from Decision Diagram-Based Route Relaxations: An Application to Truck-Drone Routing |
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 |