CN111245673B - 一种基于图神经网络的sdn时延感知方法 - Google Patents

一种基于图神经网络的sdn时延感知方法 Download PDF

Info

Publication number
CN111245673B
CN111245673B CN201911400281.9A CN201911400281A CN111245673B CN 111245673 B CN111245673 B CN 111245673B CN 201911400281 A CN201911400281 A CN 201911400281A CN 111245673 B CN111245673 B CN 111245673B
Authority
CN
China
Prior art keywords
neural network
network
sdn
graph neural
data
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
Application number
CN201911400281.9A
Other languages
English (en)
Other versions
CN111245673A (zh
Inventor
李传煌
庄丹娜
唐豪
汤中运
王伟明
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.)
Zhejiang Gongshang University
Original Assignee
Zhejiang Gongshang University
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 Zhejiang Gongshang University filed Critical Zhejiang Gongshang University
Priority to CN201911400281.9A priority Critical patent/CN111245673B/zh
Publication of CN111245673A publication Critical patent/CN111245673A/zh
Application granted granted Critical
Publication of CN111245673B publication Critical patent/CN111245673B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0852—Delays
    • 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
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods

Landscapes

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

Abstract

本发明公开一种基于图神经网络的SDN时延感知方法，包括如下步骤：步骤1：根据相关情景数据集进行网络序列建模，通过TensorFlow框架中的TFRecord格式存储和读取样本数据；步骤2：构建由门控循环单元(GRU)、自编码器、多层感知机构所构成的三级级联神经网络模型；步骤3：使用步骤1的数据集对图神经网络模型进行训练；步骤4：将测试集输入到步骤3训练完成后的模型中，对数据进行感知、筛选并得到具有概括性的数据。本发明利用图神经网络基于非欧几里得空间的数据格式的准确的推理能力并且不会丢失图形数据的结构信息的特点，相比于其他深度学习模型展现出了更强大的数据处理能力。

Description

一种基于图神经网络的SDN时延感知方法
技术领域
本发明涉及情景网络技术和深度学习技术，具体涉及一种基于图神经网络的SDN时延感知方法。
背景技术
迄今为止，深度学习在图像识别和数据挖掘等领域已经取得了巨大的成功。大多数机器学习任务例如目标监测、机器翻译以及语音识别等曾严重依赖人工特征工程去获取特征信息集。随着多种深度学习方法如卷积神经网络(CNN，Convolutional NeuralNetwork)、循环神经网络(RNN，Recurrent Neural Network)等的提出，这种状况得到大幅改善。深度学习的成功离不开机器计算能力的高速发展、海量数据集的成功获取以及深度学习可以从欧几里得数据集中提取潜在表征的有效性。例如CNN可以利用局部连通性、图像数据合成性和时移不变性，提取出有意义的特征用于图像任务。尽管深度学习可以高效的捕捉欧几里得数据中的隐藏特征，但是在非欧几里得数据方面表现同样得到了广泛的应用。
网络中的情景是复杂多样且动态变化的，可以将SDN网络情景描述为网络环境、资源及用户业务的变化。其中网络的QoS情景包含了时延、抖动、丢包率等。
网络运行QoS状态的基本属性既是对网络情景的高级表征，也是网络服务策略抉择的一个重要参考值。SDN网络所具有的控制与转发分离特性使得网络控制器具有全网络的静态拓扑、动态转发表信息、资源利用率、故障状态等视图。在SDN的数据转发层，通过包括时延等网络情景感知可以实现对底层的流量情况的监控，并且可以通过网络中各节点的负载信息来获取链路时延、抖动以及丢包率等。据此对网络的全局状态进行分析可以提高网络的转发性能，实现负载均衡等网络功能。用户所处的网络环境对网络服务提供者而言同样不可或缺。例如用户所处网络位置决定其被服务的方式以及用户的服务体验也与据用户位置所部署网络服务相关。
发明内容
本发明克服了典型的深度学习应用会丢失图形数据的结构信息的不足，提出一种基于图神经网络的SDN时延感知方法，该方法充分考虑了节点所处情景，能够充分利用节点所处环境。为感知网络中的关于时延的情景要素，首先对网络进行序列建模，然后提出一种基于图神经网络的时延感知模型。
本发明解决技术问题所采用的技术方案如下：一种基于图神经网络的SDN时延感知方法，包括如下步骤：
步骤1：根据SDN网络用户业务流大小、网络资源(主要是可用带宽资源)、网络拓扑等环境特征信息进行网络序列建模，通过TensorFlow框架中的TFRecord格式存储和读取样本数据；
步骤2：构建图神经网络模型，所述图神经网络模型是一种由门控循环单元(GRU)、自编码器、多层感知机构(深度神经网络，即MLP)所构成的三级级联神经网络模型；
所述图神经网络模型具体级联结构如下：
第一层即消息传递阶段，通过GRU神经网络对SDN网络中链路和路径进行状态感知，即时延感知，此层以SDN网络中环境特征信息特征向量为输入，然后经由隐藏层中的GRU神经单元抓取链路、路径以及网络路由拓扑之间的依赖关系，再对网络中的路径和链路的时延信息进行计算与更新。
第二层自编码器对GRU神经单元所获得的输出进行重构和提取抽象特征，该层是一种无监督学习过程，无需知道数据的标签即可完成训练，即该层可以在无监督的条件下完成对输入数据的特征提取和重构。
第三层采用多层感知机的隐藏结构读取时延信息，得到最终结果。
步骤3：使用步骤1的样本数据对图神经网络模型进行训练，得到训练好的图神经网络模型；
步骤4：通过SDN控制组件将实时采集的网络数据输入到步骤2训练完成后的图神经网络模型中，输出为链路和路径的网络延迟估计值，在图神经网络模型中对数据进行时延感知的过程具体如下：
所述图神经网络模型包括消息阶段和读出阶段，消息阶段包含转换和输出两个处理过程，经由消息阶段后，读出阶段负责对状态聚合输出预测值，即网络延迟估计值，具体公式如下述：
Figure BDA0002347317130000021
Figure BDA0002347317130000031
Figure BDA0002347317130000032
其中Mt为转换函数，
Figure BDA0002347317130000033
为转换后的更新函数，Ut为输出函数，Re为读出函数，n，u为节点，t为时间，
Figure BDA0002347317130000034
为节点n，u的状态，ne[n]为节点n的邻接节点，e(n,u)为n,u的边，G代表计算网络全图的特征向量，
Figure BDA0002347317130000035
为读出的网络时延预测值。
进一步地，所述样本数据采用KDN(Knowledge Defined Networking)网络建模开源数据集。
进一步地，所述网络序列建模具体如下：
(1)对于一个连接关系矩阵为C、路由配置矩阵为RC、可用带宽资源矩阵为B以及负载矩阵T的SDN网络，其链路集合表示为C＝{ci，j|i≠j；i，j＝1，2，3，...，n}，其中i，j代表两个节点，链路ci，j的情景信息特征
Figure BDA0002347317130000036
公式如下述：
Figure BDA0002347317130000037
假设一条由m条路径组成的路由路径pk的情景信息特征为
Figure BDA0002347317130000038
则可以将该路径表述为一个链路集合，具体公式如下述：
Figure BDA0002347317130000039
描述整条路径的情景信息特征的公式如下述：
Figure BDA00023473171300000310
其中|pk|表示路径pk的长度。
(2)时延信息为情景状态特征之一，为了感知SDN时延，路径pk的时延计算公式如下述：
Figure BDA00023473171300000311
其中
Figure BDA00023473171300000312
表示处于路径pk上的第m条链路
Figure BDA00023473171300000313
上的时延。可将路径pk和链路ci，j的状态信息即时延信息表示为矢量
Figure BDA00023473171300000314
在神经网络的参数传播过程中，主要遵循以下原则：
1)路径的状态属性与路径所包含的所有链路状态属性相关；
2)链路的状态属性与链路所处所有路径相关。
进一步地，所述图神经网络模型以MPNN消息传递机制和RouteNet架构为基础，并以此来感知网络中的时延信息。
进一步地，所述消息转换函数即消息传递机制更新图状态的数学处理过程。该过程主要涉及一个转换函数，此函数可以将节点的特征和边的特征作为输入并输出新的更新状态。最后再由输出函数处理更新状态和特征，产生输出。
进一步地，所述图神经网络的框架为消息传递神经网络，该框架假设边缘特征非离散，并将GNN处理过程分为消息阶段和读出阶段。
本发明的有益效果是：当前网络中的感知技术随着人工智能的发展逐渐广泛的应用于各种网络环境。针对SDN网络中多种多样的复杂情景，目前还没有具体的感知方法和技术。因此本发明以感知时延为例，建立具体的人工智能时延感知方案并提出了一种图神经网络模型来解决网络时延的感知，对研究普适性的网络多情景要素感知也具有现实意义和实用价值。
附图说明
图1为改进的图神经网络模型图；
图2为改进的模型与RouteNet模型的MAE对比；
图3为改进的模型与RouteNet模型的RMSE对比图；
图4为改进的模型与RouteNet模型的预测时延结果图。
具体实施方式
下面结合附图详细说明本发明。
针对典型的深度学习应用将图类型数据预处理成实数类型的矢量的过程中丢失图形数据的结构信息的问题，本发明将图神经网络应用到SDN时延感知，在图神经网络的计算过程中，能够充分利用节点所处环境，对网络进行序列建模，将情景状态特征输入基于图神经网络的时延感知模型，来感知网络中的网络延迟。
本发明提出的一种基于图神经网络的SDN时延感知方法，构建了一种基于图神经网络与自编码器的混合模型，模型是由GRU、自编码器、多层感知机所构成的三级级联神经网络模型。相较于传统图神经网络模型，大大提高了时延感知的准确度。
本发明提供一种基于图神经网络的SDN时延感知方法，该方法包括如下步骤：
步骤1：根据SDN网络用户业务流大小、网络资源(主要是可用带宽资源)、网络拓扑等环境特征信息进行网络序列建模，通过TensorFlow框架中的TFRecord格式存储和读取样本数据。所述样本数据采用KDN(Knowledge Defined Networking)网络建模开源数据集。
所述网络序列建模具体如下：
(1)对于一个连接关系矩阵为C、路由配置矩阵为RC、可用带宽资源矩阵为B以及负载矩阵T的SDN网络，其链路集合表示为C＝{ci，j|i≠j；i，j＝1，2，3，...，n}，其中i，j代表两个节点，链路ci，j的情景信息特征
Figure BDA0002347317130000051
公式如下述：
Figure BDA0002347317130000052
假设一条由m条路径组成的路由路径pk的情景信息特征为
Figure BDA0002347317130000053
则可以将该路径表述为一个链路集合，具体公式如下述：
Figure BDA0002347317130000054
描述整条路径的情景信息特征的公式如下述：
Figure BDA0002347317130000055
其中|pk|表示路径pk的长度。
(2)时延信息为情景状态特征之一，为了感知SDN时延，路径pk的时延计算公式如下述：
Figure BDA0002347317130000056
其中
Figure BDA0002347317130000057
表示处于路径pk上的第m条链路
Figure BDA0002347317130000058
上的时延。对于多情景状态感知来讲，可将路径pk和链路ci，j的状态信息表示为矢量
Figure BDA0002347317130000059
其中链路状态矢量包含链路时延、丢包率、可用带宽等，路径状态矢量主要包括总时延、总丢包率等。在神经网络的参数传播过程中，主要遵循以下原则：
1)路径的状态属性与路径所包含的所有链路状态属性相关；
2)链路的状态属性与链路所处所有路径相关。
步骤2：构建图神经网络模型，如图1所示，所述图神经网络模型是一种由门控循环单元(GRU)、自编码器、多层感知机构所构成的三级级联神经网络模型。所述图神经网络模型以MPNN消息传递机制和RouteNet架构为基础，并以此来感知网络中的时延信息。图神经网络的框架为消息传递神经网络，该框架假设边缘特征非离散，并将GNN处理过程分为消息阶段和读出阶段。
GRU层以网络序列化建模后的网络基本情景状态信息，即时延信息作为输入，首先初始化网络状态，根据网络中的链路信息更新每条路径的情景属性，获得情景信息的进一步表达。通过GRU神经网络对SDN网络中链路和路径进行时延感知，此层以网络中环境特征向量xi＝[xi1，xi2，xi3，…，xij]T为输入，然后经由隐藏层中的GRU神经单元抓取链路、路径以及网络路由拓扑之间的依赖关系，再对网络图中的时延信息进行计算与更新。
自编码器作为一种前馈神经网络，其作用在于将输入复制到输出，同时也是对数据的重构，将数据压缩为潜在空间表示。通过自编码器，模型可以获得更加抽象的情景信息。自编码网络由编码器Encoder和解码器Decoder两部分构成。
Encoder＝f(We*x+Be)
Decoder＝g(Wd*Encoder+Bd)
其中，We表示输入层和编码器隐藏层的权重，Bd表示隐藏层和解码器层之间的权重向量，X为输入特征向量，Be、Bd为对应连接的偏置向量，f、g为激活函数。通过第二层自编码器对GRU神经单元所获得的输出进行重构和提取抽象特征，该层是一种无监督学习过程，无需知道数据的标签即可完成训练，即该层可以在无监督的条件下完成对输入数据的特征提取和重构，
采用第三层类似多层感知机的隐藏结构读取时延信息，得到最终结果。
步骤3：使用步骤1的样本数据对图神经网络模型进行训练，得到训练好的图神经网络模型；
在对模型进行训练的实验过程中，每一次训练均使用75％的数据集作为训练数据集，剩余25％作为测试数据集，即每次训练时先输入75％的数据样本训练深度学习模型，待训练结束后通过余下25％数据样本对模型进行验证。重复上述过程即可提高模型的准确度，收敛后保存最终的模型即可。
选用含有不同层数、神经元数的GRU、不同隐藏层数和神经元数的MLP神经网络以及是否使用AutoEncoder模型进行相关实验。通过平均绝对误差(Mean Absolute Error，MAE)、均方根误差(Root Mean Square Error，MSE)、皮尔森系数(Pearson)评估模型表现，衡量最终训练出的不同模型的精度，从而选择性能较优的模型进行SDN智能时延感知。
步骤4：通过SDN控制组件将实时采集的网络数据输入到步骤2训练完成后的图神经网络模型中，输出为延迟估计值，在图神经网络模型中对数据进行时延感知的过程具体如下：
所述图神经网络模型包括消息阶段和读出阶段，消息阶段包含转换和输出两个处理过程，经由消息阶段后，读出阶段负责对状态聚合输出预测值，即网络延迟估计值，具体公式如下述：
Figure BDA0002347317130000071
Figure BDA0002347317130000072
Figure BDA0002347317130000073
其中Mt为转换函数，
Figure BDA0002347317130000074
为转换后的更新函数，Ut为输出函数，Re为读出函数，n，u为节点，t为时间，
Figure BDA0002347317130000075
为节点n，u的状态，ne[n]为节点n的邻接节点，e(n,u)为n,u的边，G代表计算网络全图的特征向量，
Figure BDA0002347317130000076
为读出的网络时延预测值。消息转换函数即消息传递机制更新图状态的数学处理过程。该过程主要涉及一个转换函数，此函数可以将节点的特征和边的特征作为输入并输出新的更新状态。最后再由输出函数处理更新状态和特征，产生输出。
下面结合实施例对本发明作进一步说明。
本发明基于TensorFlow和Keras深度学习框架开发实现所提出的GGAE情景感知模型，所使用的训练数据集为开源数据集NSFNet，该数据集包含不同流量强度(TI，TrafficIntensity)下的链路、路径的流量矩阵以及延迟数据。对于给定的两个节点i和j，其流量负载由如下公式控制，公式中U表示均匀分布，TI为控制流量大小的参数即流量强度。
Figure BDA0002347317130000077
通过平均绝对误差(Mean Absolute Error，MAE)、均方根误差(Root Mean SquareError，RMSE)、皮尔森系数(Pearson)评估模型表现，基于所使用的网络拓扑的结构特点，实施例中将GRU设置为动态RNN结构，可以快速建立图结构且能够处理长度可改变的路径信息。
由GGAE模型和RouteNet在感知时延时所测得Pearson系数对比图可以发现两模型的Pearson系数都能达到0.995以上，但基于GGAE的情景感知模型在最终收敛效果上要优于基于RouteNet的情景感知模型。
为验证GGAE模型情景感知上面的能力，如图2和3，通过测量其与RouteNet模型的时延预测值和真实值的平均绝对误差MAE和均方根误差RMSE可知，在相同训练时长上GGAE模型的平均绝对误差普遍小于RouteNet模型的结果。随着训练的次数增加，GGAE模型逐渐收敛并且相较于RouteNet而言其MAE收敛的值波动范围小，GGAE收敛的值也较小。如图4可知，GGAE模型的RMSE误差值相较于RouteNet模型大约降低了70％，并由图3计算绝对平均距离(MAD，Mean Absolute Distance)可知，在预测的实际效果上提高了25.93％。为此可知所提出的SDN时延感知模型能够更精准地预测时延信息，在时延感知方面的能力更强。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (6)

1.一种基于图神经网络的SDN时延感知方法，其特征在于，包括如下步骤：
步骤1：根据SDN网络用户业务流大小、网络资源、网络拓扑环境特征信息进行网络序列建模，所述网络资源包括可用带宽资源，通过TensorFlow框架中的TFRecord格式存储和读取样本数据；
步骤2：构建图神经网络模型，所述图神经网络模型是一种由门控循环单元(GRU)、自编码器、多层感知机构所构成的三级级联神经网络模型；
所述图神经网络模型具体级联结构如下：
第一层即消息传递阶段，通过GRU神经网络对SDN网络中链路和路径进行状态感知，即时延感知，此层以SDN网络中环境特征信息特征向量为输入，然后经由隐藏层中的GRU神经单元抓取链路、路径以及网络路由拓扑之间的依赖关系，再对网络中的路径和链路的时延信息进行计算与更新；
第二层自编码器对GRU神经单元所获得的输出进行重构和提取抽象特征，该层是一种无监督学习过程，无需知道数据的标签即可完成训练，即该层可以在无监督的条件下完成对输入数据的特征提取和重构；
第三层采用多层感知机的隐藏结构读取时延信息，得到最终结果；
步骤3：使用步骤1的样本数据对图神经网络模型进行训练，得到训练好的图神经网络模型；
步骤4：通过SDN控制组件将实时采集的网络数据输入到步骤2训练完成后的图神经网络模型中，输出为链路和路径的网络延迟估计值，在图神经网络模型中对数据进行时延感知的过程具体如下：
所述图神经网络模型包括消息阶段和读出阶段，消息阶段包含转换和输出两个处理过程，经由消息阶段后，读出阶段负责对状态聚合输出预测值，即网络延迟估计值，具体公式如下述：
Figure FDA0003298726010000011
Figure FDA0003298726010000012
Figure FDA0003298726010000013
其中Mt为转换函数，
Figure FDA0003298726010000014
为转换后的更新函数，Ut为输出函数，Re为读出函数，n，u为节点，t为时间，
Figure FDA0003298726010000021
为节点n，u的状态，ne[n]为节点n的邻接节点，e(n,u)为n,u的边，G代表计算网络全图的特征向量，
Figure FDA0003298726010000022
为读出的网络时延预测值。
2.根据权利要求1所述的一种基于图神经网络的SDN时延感知方法，其特征在于，所述样本数据采用KDN(Knowledge Defined Networking)网络建模开源数据集。
3.根据权利要求1所述的一种基于图神经网络的SDN时延感知方法，其特征在于，所述网络序列建模具体如下：
(1)对于一个连接关系矩阵为C、路由配置矩阵为RC、可用带宽资源矩阵为B以及负载矩阵T的SDN网络，其链路集合表示为C={ci,j|i≠j；i,j＝1,2,3,…,n}，其中i，j代表两个节点，链路ci,j的情景信息特征
Figure FDA0003298726010000023
公式如下述：
Figure FDA0003298726010000024
假设一条由m条路径组成的路由路径pk的情景信息特征为
Figure FDA0003298726010000025
则可以将该路径表述为一个链路集合，具体公式如下述：
Figure FDA0003298726010000026
描述整条路径的情景信息特征的公式如下述：
Figure FDA0003298726010000027
其中|pk|表示路径pk的长度；
(2)时延信息为情景状态特征之一，为了感知SDN时延，路径pk的时延计算公式如下述：
Figure FDA0003298726010000028
其中
Figure FDA0003298726010000029
表示处于路径pk上的第m条链路
Figure FDA00032987260100000210
上的时延；可将路径pk和链路ci,j的状态信息即时延信息表示为矢量
Figure FDA00032987260100000211
在神经网络的参数传播过程中，遵循以下原则：
1)路径的状态属性与路径所包含的所有链路状态属性相关；
2)链路的状态属性与链路所处所有路径相关。
4.根据权利要求1所述的一种基于图神经网络的SDN时延感知方法，其特征在于，所述图神经网络模型以MPNN消息传递机制和RouteNet架构为基础，并以此来感知网络中的时延信息。
5.根据权利要求1所述的一种基于图神经网络的SDN时延感知方法，其特征在于，所述消息转换函数即消息传递机制更新图状态的数学处理过程；该过程主要涉及一个转换函数，此函数可以将节点的特征和边的特征作为输入并输出新的更新状态；最后再由输出函数处理更新状态和特征，产生输出。
6.根据权利要求1所述的一种基于图神经网络的SDN时延感知方法，其特征在于，所述图神经网络的框架为消息传递神经网络，该框架假设边缘特征非离散，并将GNN处理过程分为消息阶段和读出阶段。
CN201911400281.9A 2019-12-30 2019-12-30 一种基于图神经网络的sdn时延感知方法 Active CN111245673B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911400281.9A CN111245673B (zh) 2019-12-30 2019-12-30 一种基于图神经网络的sdn时延感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911400281.9A CN111245673B (zh) 2019-12-30 2019-12-30 一种基于图神经网络的sdn时延感知方法

Publications (2)

Publication Number Publication Date
CN111245673A CN111245673A (zh) 2020-06-05
CN111245673B true CN111245673B (zh) 2022-03-25

Family

ID=70864626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911400281.9A Active CN111245673B (zh) 2019-12-30 2019-12-30 一种基于图神经网络的sdn时延感知方法

Country Status (1)

Country Link
CN (1) CN111245673B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112784996B (zh) * 2020-12-31 2023-06-02 杭州海康威视数字技术股份有限公司 一种基于图表征的机器学习方法及系统
CN112801261A (zh) * 2021-01-04 2021-05-14 郑州轻工业大学 一种基于图神经网络的电力数据流传输时间推理方法
CN113158543B (zh) * 2021-02-02 2023-10-24 浙江工商大学 一种软件定义网络性能智能预测方法
EP4040732A1 (en) * 2021-02-05 2022-08-10 Siemens Aktiengesellschaft Graph neural network for time sensitive networking in industrial networks
CN113285831B (zh) * 2021-05-24 2022-08-02 广州大学 网络行为知识智能学习方法、装置、计算机设备及存储介质
CN113489654B (zh) * 2021-07-06 2024-01-05 国网信息通信产业集团有限公司 一种路由选择方法、装置、电子设备及存储介质
CN113783876B (zh) * 2021-09-13 2023-10-03 国网数字科技控股有限公司 基于图神经网络的网络安全态势感知方法及相关设备
CN114205251B (zh) * 2021-12-09 2022-12-02 西安电子科技大学 基于时空特征的交换机链路资源预测方法
CN114666263A (zh) * 2022-05-20 2022-06-24 中国科学技术大学 高动态的智能路由确定方法、装置、电子设备及存储介质
CN115173923B (zh) * 2022-07-04 2023-07-04 重庆邮电大学 一种低轨卫星网络能效感知路由优化方法和系统
CN116170348A (zh) * 2023-03-09 2023-05-26 上海奥朋医疗科技有限公司 远程手术机器人通讯延迟的预测方法、系统、介质及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107505837A (zh) * 2017-07-07 2017-12-22 浙江大学 一种半监督神经网络模型及基于该模型的软测量建模方法
CN109887282A (zh) * 2019-03-05 2019-06-14 中南大学 一种基于层级时序图卷积网络的路网交通流预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109412900B (zh) * 2018-12-04 2020-08-21 腾讯科技（深圳）有限公司 一种网络状态识别的方法、模型训练的方法及装置
CN109829495B (zh) * 2019-01-29 2023-04-07 南京信息工程大学 基于lstm和dcgan的时序性图像预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107505837A (zh) * 2017-07-07 2017-12-22 浙江大学 一种半监督神经网络模型及基于该模型的软测量建模方法
CN109887282A (zh) * 2019-03-05 2019-06-14 中南大学 一种基于层级时序图卷积网络的路网交通流预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A Combined Deep Learning GRU-Autoencoder for the Early Detection of Respiratory Disease in Pigs Using Multiple Environmental Sensors;Jake Cowton;《SENSORS》;20180802;全文 *

Also Published As

Publication number Publication date
CN111245673A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
CN111245673B (zh) 一种基于图神经网络的sdn时延感知方法
CN113158543B (zh) 一种软件定义网络性能智能预测方法
CN109891897B (zh) 用于分析媒体内容的方法
CN109120462B (zh) 机会网络链路的预测方法、装置及可读存储介质
CN110851782A (zh) 一种基于轻量级时空深度学习模型的网络流量预测方法
JP6381768B1 (ja) 学習装置、学習方法、学習プログラムおよび動作プログラム
Nie et al. Network traffic prediction based on deep belief network and spatiotemporal compressive sensing in wireless mesh backbone networks
CN110138595A (zh) 动态加权网络的时间链路预测方法、装置、设备及介质
Wang et al. Drl-sfcp: Adaptive service function chains placement with deep reinforcement learning
CN111260124A (zh) 一种基于注意力机制深度学习的混沌时间序列预测方法
Liu et al. Deep generative model and its applications in efficient wireless network management: A tutorial and case study
CN114169645A (zh) 一种智能电网短期负荷预测方法
Ge et al. Gnn-based end-to-end delay prediction in software defined networking
CN113783715B (zh) 一种采用因果卷积神经网络的机会网络拓扑预测方法
CN114116995B (zh) 基于增强图神经网络的会话推荐方法、系统及介质
CN114925270A (zh) 一种会话推荐方法和模型
CN117690289A (zh) 一种基于掩码图注意力机制的交通路网编码表征学习方法
CN113541986B (zh) 5g切片的故障预测方法、装置及计算设备
CN110020379B (zh) 一种基于深度动态网络嵌入表示模型的链路预测方法
CN117131979A (zh) 基于有向超图及注意力机制的交通流速度预测方法及系统
CN116975642A (zh) 一种使用动态多图融合进行交通流量预测的方法
Wang et al. Depth learning standard deviation loss function
CN114372539B (zh) 基于机器学习框架的分类方法及相关设备
CN112771545A (zh) 一种循环神经网络精度和分解秩的自动搜索方法和装置
CN111709366A (zh) 用于生成分类信息的方法、装置、电子设备和介质

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