CN111162939B

CN111162939B - 一种网络设备控制方法、装置、计算设备及网络系统

Info

Publication number: CN111162939B
Application number: CN201911358507.3A
Authority: CN
Inventors: 董亚男; 王文沛; 黄宗慧; 卢华; 张继栋
Original assignee: Guangdong Communications and Networks Institute
Current assignee: Guangdong Communications and Networks Institute
Priority date: 2019-12-25
Filing date: 2019-12-25
Publication date: 2023-02-03
Anticipated expiration: 2039-12-25
Also published as: CN111162939A

Abstract

本公开实施例提供了一种网络设备控制方法、装置、计算设备及网络系统，实现自动化的跨层网络资源系统分配，能够动态的感知全网业务，实时的将网络业务的各种需求转换成网络资源的科学调度和编排，实现新型网络中不同业务的自动化运营和管理功能，方法包括：采集指定网络设备的与业务应用关联的第一参数；所述指定网络设备包括SDN网络设备和/或NFV网络设备；将所述指定网络的第一参数输入预先训练的以提高业务应用性能为目标的神经网络，获取所述神经网络反馈的第二参数；将所述第二参数反馈至所述指定网络设备，用于调整所述指定网络设备的管理设置。

Description

一种网络设备控制方法、装置、计算设备及网络系统

技术领域

本公开涉及计算机网络技术领域，尤其涉及一种网络设备控制方法、装置、计算设备及网络系统。

背景技术

软件定义网络(Software Defined Network，SDN)是由美国斯坦福大学提出的一种新型网络创新架构，是网络虚拟化的一种实现方式。SDN的核心技术是通过将网络设备的控制平面与数据平面分离开来，从而实现了网络流量的灵活控制，使网络作为管道变得更加智能，为核心网络及应用的创新提供了良好的平台。SDN最大特点就是可以对网络进行编程，通过增加对网络的可编程性来革新当前偏重静态，配置复杂，改动麻烦的网络架构。

SDN网络体系架构分为三个平面，自下而上分别是：数据平面，控制平面和应用平面组成。其中，数据平面负责多级流表处理和高性能的数据转发。控制平面负责控制网络流量，应用平面通过北向接口，灵活可编程低调用控制平面，为各种网络应用需求提供统一的网络抽象模型业务。

网络功能虚拟化(Network Function Virtualization，NFV)是指借助标准的IT虚拟化技术，传统的专有硬件设备(如路由器，防火墙等)，通过采用工业化标准大容量服务器，存储器和交换机承载各种各样软件化的网络功能的技术。NFV技术除了实现网络功能软件的灵活加载与实例化，在数据中心，网络节点及用户驻地网等各个位置灵活地部署配置，降低业务部署的复杂度，还向运营商提供管理和编排功能以实现网络部署的自动化，灵活化和敏捷化，提高网络设备的统一化，通用化，适配性等特性。

网络功能虚拟化将网络功能以软件的形式运行在网络功能虚拟化基础设施之上，网络功能虚拟化架构分为三个域，虚拟化网络功能，虚拟化基础设施，管理和编排。其中，虚拟网络功能是网络功能的软件实现并运行在网络功能虚拟化基础设施之上，网络功能虚拟化基础设施，包括物理的计算，存储和网络资源机器虚拟化资源，以及虚拟化层，管理与编排负责编排，物理/虚拟化资源的生命周期管理及虚拟网络功能的生命周期管理。

未来的网络发展趋势是各种各样网络的业务均以IP业务为基础，各种网络融合发展，通信网，计算机网络，移动通信网及物联网等各种网络，都会融合在一起构成一张大网，这种融合在一方面具有非常优异的特性，可以提高可靠性，安全性，智能化水平。而且这种融合的一体化网络体系架构，有助于灵活的部署和调度网络承载的业务和流量。

各种网络融合的方案给网络的控制带来了巨大的挑战，既要保障融合在一起的不同业务的网络像各自独立构建的网络一样独立运行，又要保证融合在一起的不同业务的网络彼此之间不会干扰，性能不会有损失，同时还要能灵活部署，调度及智能化运营。为了应对这一挑战，本发明提供了一种人工智能的控制方法，以满足新型网络的控制需求。

发明内容

为此，本公开提供了一种网络设备控制方法、装置、计算设备及网络系统。以力图解决或者至少缓解上面存在的至少一个问题。

根据本公开的一个方面，提供一种网络设备控制方法，包括：

采集指定网络设备的与业务应用关联的第一参数；所述指定网络设备包括SDN网络设备和/或NFV网络设备；

将所述指定网络的第一参数输入预先训练的以提高业务应用性能为目标的神经网络，获取所述神经网络反馈的第二参数；

将所述第二参数反馈至所述指定网络设备，用于调整所述指定网络设备的管理设置。

可选地，所述指定网络设备包括SDN网络设备时，所述第一参数包括SDN网络应用层参数，所述第二参数包括SDN网络的控制器参数；

所述指定网络设备包括NFV网络设备时，所述第一参数包括NFV网络的虚拟化网络功能层参数，所述第二参数包括NFV网络的管理和编排域参数；

所述指定网络设备包括SDN网络设备和NFV网络设备时，所述第一参数包括SDN网络应用层参数和所述NFV网络的虚拟化网络功能层参数，所述第二参数包括所述SDN网络的控制器参数和所述NFV网络的管理和编排域参数。

可选地，将所述第二参数反馈至所述指定网络设备之前，还包括：

所述指定网络设备包括SDN网络设备时，将所述SDN网络的控制器参数转换为符合SDN控制器的北向协议标准的形式；

所述指定网络设备包括NFV网络设备时，将所述NFV网络的管理和编排域参数转换为符合NFV软件栈标准的形式；

所述指定网络设备包括SDN网络设备和NFV网络设备时，将所述SDN网络的控制器参数转换为符合SDN控制器的北向协议标准的形式，将所述NFV网络的管理和编排域参数转换为符合NFV软件栈标准的形式。

可选地，训练所述神经网络，包括：

根据所述指定网络设备承载的各类业务，确定所述神经网络的输入参数和输出参数；

构建关于所述指定网络设备承载的各类业务的评价函数；

将测试数据输入所述神经网络进行训练，直至所述神经网络的输出参数满足所述评价函数。

可选地，所述业务应用包括至少两种不同网络传输需求的业务应用；

所述不同网络传输需求的业务应用，包括：

物联网业务、广播电视网业务、车联网业务、无线通信业务、计算机网络业务。

根据本公开的又一方面、提供一种网络设备控制装置，包括：

数据采集模块，用于采集指定网络设备的与业务应用关联的第一参数；所述指定网络设备包括SDN网络设备和/或NFV网络设备；

神经网络模块，用于将所述指定网络的第一参数输入预先训练的以提高业务应用性能为目标的神经网络，获取所述神经网络反馈的第二参数；

反馈控制模块，用于将所述第二参数反馈至所述指定网络设备，用于调整所述指定网络设备的管理设置。

可选地，网络设备控制装置还包括：

神经网络训练模块，用于将测试数据输入所述神经网络进行训练，直至所述神经网络的输出参数满足预设的评价函数；所述神经网络的输入参数和输出参数预先根据所述指定网络设备承载的各类业务确定；所述评价函数与所述业务的类型关联。

根据本公开的又一方面，提供一种计算设备，包括：

一个或多个处理器；

存储器；以及

一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行上述的网络设备控制方法所包括的操作。

根据本公开的又一方面，提供一种网络系统，包括上述的网络设备控制装置和所述指定网络设备。

根据本公开实施例提供的技术方案，将SDN网络设备和/或NFV网络设备与神经网络融合，通过神经网络结合业务应用现状及时调整SDN网络设备和/或NFV网络设备的设置，使之适应当前业务应用需求。本公开提供的技术方案，实现了提高新型网络的可靠性，安全性，智能化水平，在融合有线网络和无线网络等网络的一体化体系架构下，灵活部署和调度网络的业务和流量，提高网络的精细化管理水平和网络的可编程能力，提高不同业务类型的服务质量(Quality of Service,QoS)分级机制的科学性和合理性，解决了传统网络的物理层、传输层、链路层、应用层基于专用硬件构件，参数更改不便的问题。

附图说明

附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，其中包括了这些附图以提供对本公开的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分。

图1是示例性地计算设备的结构框图；

图2是根据本公开实施例的网络设备控制方法的流程图；

图3～图5是根据本公开实施例的网络系统的结构示意图；

图6是根据本公开实施例的网络设备控制装置的结构框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1是布置为实现根据本公开的网络设备控制方法的示例计算设备100的框图。在基本的配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。

取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器((μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。

取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个程序122以及程序数据124。在一些实施方式中，程序122可以被配置为在操作系统上由一个或者多个处理器104利用程序数据124执行指令。

计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示终端或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。

网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以是这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。

计算设备100可以实现为小尺寸便携(或者移动)电子设备的一部分，这些电子设备可以是诸如蜂窝电话、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。计算设备100还可以实现为包括桌面计算机和笔记本计算机配置的个人计算机，以及柜式服务器和刀片式服务器，为了增强计算设备100的神经网络计算能力，计算设备100配置高性能GPU。其中，计算设备100的一个或多个程序122包括用于执行根据本公开的网络设备控制方法的指令。

参见图2，本公开提供了一种基于人工智能的网络设备控制方法，包括：

S210、采集指定网络设备的与业务应用关联的第一参数；所述指定网络设备包括SDN网络设备和/或NFV网络设备；

S220、将所述指定网络的第一参数输入预先训练的以提高业务应用性能为目标的神经网络，获取所述神经网络反馈的第二参数；

S230、将所述第二参数反馈至所述指定网络设备，用于调整所述指定网络设备的管理设置。

其中，所述指定网络设备包括SDN网络设备时，所述第一参数包括SDN网络应用层参数，所述第二参数包括SDN网络的控制器参数；所述指定网络设备包括NFV网络设备时，所述第一参数包括NFV网络的虚拟化网络功能层参数，所述第二参数包括NFV网络的管理和编排域参数；所述指定网络设备包括SDN网络设备和NFV网络设备时，所述第一参数包括SDN网络应用层参数和所述NFV网络的虚拟化网络功能层参数，所述第二参数包括所述SDN网络的控制器参数和所述NFV网络的管理和编排域参数。

根据本公开的一个实施例，指定网络设备包括SDN网络设备和NFV网络设备；本公开提供的方法采用在SDN网络应用层和SDN控制器之间及NFV管理和协同域和虚拟化网络功能域之间插入一个共用的人工智能处理单元，能够实时的根据网络应用层业务的运行状态实时的改变SDN控制器的参数，以便更改对SDN数据平面的控制，同时能够兼顾地根据NFV网络的虚拟化网络功能层的运行指标来更改NFV管理和编排域的参数，从而更改NFV的虚拟化基础设施的运行状态，从而使新型网络的运行状态参数根据网络中承载的业务类型和种类及其特性构成一个闭环，达到网络各项指标的综合最优化。

其中，网络应用层参数包括：网络应用层业务所需要的带宽、拓扑结构、延迟、QoS(由SDN负责)以及对网元(由NFV负责)的功能和资源需求。

SDN网络的控制器用于控制SDN网络的基础设施层的工作状态和工作参数，具体通过修改流表实现上述作用，SDN网络的控制器参数，包含拓扑管理、策略指定、表项下发规则、北向接口、东西向扩展等。

NFV网络的虚拟化网络功能层参数主要包括网络功能虚拟化的网元的性能指标等，根据不同的网络应用层业务特征，和已有网元是否满足业务需要等，通过软件方法改变网元占有的基础硬件的资源。

NFV网络的管理和编排域参数不仅包含NFV管理和编排域本身的参数，也包含其管理和编排的基础设施层的网元的参数。

在示例性的具体应用场景中，低频率的以消息队列遥测传输((MessageQueueTelemetryTransport,MQTT)业务为主的物联网，和5G无人驾驶网络融合在一起进行部署，5G无人驾驶网络的高可靠高带宽，大容量，低延时的特征，决定了其要求的服务质量和物联网的传感器数据收集与传输的服务质量本质上是截然不同的，需要对这两种不同的应用场景所需要的QoS，网络延时，所需要的网络带宽进行区分，同时5G无人驾驶网络还涉及到网络保持低延时的条件下不同射频基站的切换问题。以上区别决定了SDN网络设备和NFV网络设备需要根据业务实际情况，及时调整相关管理控制参数，满足不同类型业务的网络传输需求。而人工智能处理单元基于神经网络实现了上述的SDN网络应用层参数和NFV网络的虚拟化网络功能层参数到SDN网络的控制器参数和NFV网络的管理和编排域参数的闭环控制。

在SDN技术重塑了网络的组织形式和NFV重塑了网元的条件下，网络组织形式和网元都可以软件改变，本公开技术方案设计的人工智能单元基于这两种技术构建的新型网络的运行状态，实时地改变SDN的控制器参数和NFV管理和编排的参数，从而使新型网络的各项指标达到最优。本公开技术方案设计的人工智能处理单元输入端连接SDN网络应用层和NFV网络的虚拟化网络功能层，输出端连接SDN网络的控制器和NFV网络的管理和编排域。通过收集不同网络运行状态的各种数据，作为人工智能处理单元的输入参数，人工智能处理单元的输出作为控制SDN控制器的输入参数，将不同网络运行正常运行的所展示的状态和人工智能处理单元的输出的网络运行状态的偏离程度，作为对神经网络输出参数的评价函数，并以此作为对人工智能处理单元的神经网络参数的一种反馈。

人工智能处理单元基于神经网络构建，神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。神经网络一般包含三层，分别是输入层，中间层，输出层。其中中间层相对于输入层和输出层是隐藏的，中间层最少一层，最多可以有多层，层数越多所需要的训练量越大，输出结果越精确，层数越少，所需要的训练量越少，输出结果相对来说不精确。为了提高冗余度，本公开实施例的神经网络至少包括10层中间层，加上输入层和输出层，总共具有至少12层神经网络。虚拟化网络功能域和虚拟化基础设施域之间的行为定义由NFV规范定义，SDN数据平面对数据流表的处理规则遵从OpenFlow协议，由SDN控制器通过下载流表的方式进行控制。人工智能处理单元的输出结果作为SDN控制器和NFV管理和编排域的输入，为了充分利用已有技术，本发明采用的方案使人工智能处理单元的输出结果经过转换，符合SDN控制器的北向协议标准和NFV软件栈的相关标准。

根据上述实施例，根据新型网络中承载的不同业务的特点及对网络组织形式和网元形态的不同需求确定本发明设计的人工智能处理单元神经网络的输入和输出参数，同时把评价函数对不同输出参数的评价结果作为神经网络的反馈参数，从而建立了起人工智能处理单元所需要的神经网络模型。需要首先对神经网络模型进行训练，训练的方法可以由多种方法，可以使用一些脚本语言模拟不同业务特点的IP数据流量包，也可以使用一些专业的网络测试仪器产生不同业务类型的IP数据流量包，这些流量包作为训练神经网络的输入参数，当神经网络的输出结果满足我们设计的评价函数的预期的时候，就可以结束训练，将神经网络的模型直接部署在人工智能处理单元中，用于实际的新型网络中。

具体地，可使用Python脚本产生模拟不同带宽，不同数据量，对网络不同延迟要求的数据流，神经网络根据这些数据流特点改变网络权重，从而改变SDN和/或NVF的参数。

根据本公开的实施例，人工智能处理单元采用标准的IT硬件构建，使用标准4U的图形处理单元(Graphics Processing Unit，GPU)服务器，该GPU服务器运行本发明设计的并训练好的神经网络模型，通过网络连接，该人工智能处理单元和网络中的其他网元一样，成为新型网络中一部分。

基于SDN和NFV技术构建的网络，无论是这两种技术中的任一种技术单独构建的或是两种技术组合起来构建的新型网络，在承载不同类型的网络业务时，都需要对网络的参数进行调整，只是这种调整有些滞后，需要人工干预，这不利于自动化运营和运维。采用本发明提供的方案可以实时的由人工智能处理单元调整网络参数，人工智能处理单元将期待的网络参数转换成SDN控制器和NFV管理和编排域的第二参数，下发给SDN网络数据平面和NFV的基础设施域完成网络参数的调整。

下面结合附图对本发明的实施方式进行说明。由于本公开技术方案是满足模块化设计要求的，可以将本发明的人工智能处理单元无缝隙地集成到已有网络中，也可以将本发明的方案应用于新型网络中。

实施方式1：将本公开技术方案应用于已有的SDN网络中，如图3所示。

实施方式2：将公开技术方案应用于已有的NFV网络中，如图4所示。

实施方式3：对于既有SDN又有NFV的新型网络，嵌入人工智能处理单元的网络系统如图5所示。本实施例提出一种将SDN和NFV技术组合的网络架构，为各种不同业务，不同类型的网络融合在一起构成新型网络提供了可能，基于这种方法构建的新型网络，相比于使用专用硬件构建的传统网络，克服了传统网络功能静态，配置复杂，改动麻烦的缺陷，具有部署灵活，网络功能调整，调度及运营相对便捷的优点。并且，随着新型网络功能愈加复杂和业务日趋增多，人工智能处理单元起到了简化控制，降低运营运维成本的方法，

根据本公开提供的技术方案，可以实现自动化的跨层网络资源系统分配，能够动态的感知全网业务，实时的将网络业务的各种需求转换成网络资源的科学调度和编排，实现SDN、NFV新型网络中不同业务的自动化运营和管理功能。

参见图6，本公开还提供了一种网络设备控制装置，包括：

数据采集模块610，用于采集指定网络设备的与业务应用关联的第一参数；所述指定网络设备包括SDN网络设备和/或NFV网络设备；

神经网络模块620，用于将所述指定网络的第一参数输入预先训练的以提高业务应用性能为目标的神经网络，获取所述神经网络反馈的第二参数；

反馈控制模块630，用于将所述第二参数反馈至所述指定网络设备，用于调整所述指定网络设备的管理设置。

关于网络设备控制装置的具体限定请参见网络设备控制方法的具体限定，此处不再赘述。

应当理解，这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本公开的方法和设备，或者本公开的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被该机器执行时，该机器变成实践本公开的设备。

在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的该程序代码中的指令，执行本公开的各种方法。

以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。

应当理解，为了精简本公开并帮助理解各个公开方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，公开方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该公开的目的的元素所执行的功能。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本公开，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本公开的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本公开的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本公开的范围，对本公开所做的公开是说明性的，而非限制性的，本公开的范围由所附权利要求书限定。

Claims

1.一种网络设备控制方法，其特征在于，包括：

将所述第二参数反馈至所述指定网络设备，用于调整所述指定网络设备的管理设置；

所述指定网络设备包括SDN网络设备时，所述第一参数包括SDN网络应用层参数，所述第二参数包括SDN网络的控制器参数；

所述指定网络设备包括SDN网络设备和NFV网络设备时，所述第一参数包括SDN网络应用层参数和所述NFV网络的虚拟化网络功能层参数，所述第二参数包括所述SDN网络的控制器参数和所述NFV网络的管理和编排域参数；

2.如权利要求1所述的方法，其特征在于，训练所述神经网络，包括：

构建关于所述指定网络设备承载的各类业务的评价函数；

3.如权利要求1-2的任一项所述的方法，其特征在于，所述业务应用包括至少两种不同网络传输需求的业务应用；

所述不同网络传输需求的业务应用，包括：

4.一种网络设备控制装置，其特征在于，包括：

数据采集模块，用于采集指定网络设备的与业务应用关联的第一参数；所述指定网络设备包括SDN网络设备和/或NFV网络设备；神经网络模块，用于将所述指定网络的第一参数输入预先训练的以提高业务应用性能为目标的神经网络，获取所述神经网络反馈的第二参数；

反馈控制模块，用于将所述第二参数反馈至所述指定网络设备，用于调整所述指定网络设备的第二参数；

5.如权利要求4所述的装置，其特征在于，还包括：

6.一种计算设备，其特征在于，包括：

一个或多个处理器；

存储器；以及

一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行如权利要求1-3中的任一项所包括的操作。

7.一种网络系统，其特征在于，包括根据权利要求4-5的任一项所述的网络设备控制装置和所述指定网络设备。