CN111526096A - 智融标识网络状态预测与拥塞控制系统 - Google Patents
智融标识网络状态预测与拥塞控制系统 Download PDFInfo
- Publication number
- CN111526096A CN111526096A CN202010175749.5A CN202010175749A CN111526096A CN 111526096 A CN111526096 A CN 111526096A CN 202010175749 A CN202010175749 A CN 202010175749A CN 111526096 A CN111526096 A CN 111526096A
- Authority
- CN
- China
- Prior art keywords
- network state
- network
- state
- congestion
- control strategy
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/12—Avoiding congestion; Recovering from congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- H04L43/0823—Errors, e.g. transmission errors
- H04L43/0829—Packet loss
-
- 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
-
- 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
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- 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
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
- H04L43/0882—Utilisation of link capacity
-
- 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
- H04L43/16—Threshold monitoring
-
- 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
- H04L47/127—Avoiding congestion; Recovering from congestion by using congestion prediction
-
- 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
- H04L47/29—Flow control; Congestion control using a combination of thresholds
-
- 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
- H04L47/32—Flow control; Congestion control by discarding or delaying data units, e.g. packets or frames
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/50—Queue scheduling
- H04L47/62—Queue scheduling characterised by scheduling criteria
- H04L47/625—Queue scheduling characterised by scheduling criteria for service slots or service orders
- H04L47/6255—Queue scheduling characterised by scheduling criteria for service slots or service orders queue load conditions, e.g. longest queue first
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/50—Queue scheduling
- H04L47/62—Queue scheduling characterised by scheduling criteria
- H04L47/625—Queue scheduling characterised by scheduling criteria for service slots or service orders
- H04L47/626—Queue scheduling characterised by scheduling criteria for service slots or service orders channel conditions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/50—Queue scheduling
- H04L47/62—Queue scheduling characterised by scheduling criteria
- H04L47/625—Queue scheduling characterised by scheduling criteria for service slots or service orders
- H04L47/6275—Queue scheduling characterised by scheduling criteria for service slots or service orders based on priority
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明所提出的智融标识网络状态预测与拥塞控制系统,基于P4在可编程数据平面上结合机器学习的模型方法实现网络状态预测及数据包队列拥塞控制的方法和系统,通过带内网络遥测(In‑band network telemetry,INT)技术实时收集网络状态特征信息,采用长短期记忆网络(Long Short‑Term Memory,LSTM)神经网络模型与模糊聚类算法相结合的“LSTM—模糊聚类”的模型方法实现网络状态特征值预测,根据得到的网络状态特征值模糊聚类为四个网络状态:正常状态、拥塞预警状态、持续拥塞状态和拥塞缓解状态,针对不同的网络状态制定了对应的策略,控制器在不同的网络状态下发对应的流表及制定交换机动作,提供一个综合的、动态的队列反馈机制,以确保数据包排队延迟尽可能小,达到拥塞控制的效果。
Description
技术领域
本发明涉及可编程数据平面交换机及通信技术领域,尤其涉及智融标识网络状态预测 与拥塞控制系统。
背景技术
随着近年来互联网的迅速发展,网络用户数量与日俱增,网络规模不断扩大,特别是现 在各类新增网络业务形式的大量出现,使得网络拥塞问题加剧。在目前的网络研究中,如何 避免网络拥塞的产生、提高网络通信性能、优化网络资源的配置,保障网络的可靠性、实 时性、稳定性、鲁棒性等性能,是学术界和工业界一直关注的热点。目前的拥塞控制机制 由基于端到端的传输控制协议TCP和基于路由的主动队列管理Active QueueManagement(AQM)组成。基于端到端的拥塞控制策略存在被动性、延迟性、死锁等问题。 为了弥补端到端拥塞控制策略的不足,国际互联网工程任务组IETF建议在路由端部署AQM 机制,在网络中间节点提前检测拥塞,主动的避免和缓解网络拥塞。AQM有提高链路利用 率、减少丢包率及降低队列排队时延的优势,但AQM算法在面对突变流及复杂的网络场景 时存在参数配置难,队列性能不稳定等问题。一些AQM优化算法及其变形算法相继被提 出,例如:基于比列积分控制器的PIE算法、时延可控的CoDel算法及基于活动的拥塞管理 (ABC)等。CoDel及ABC在边缘节点和转发节点中需要额外的报头信息和新的特征,导 致它们不能在传统的网络设备上配置。网络编程语言P4(Programming Protocol-independent PacketProcessors,简称P4)的出现,打破传统交换机控制逻辑与底层设备耦合性,硬件设 备封闭性和设备在协议方面不具备扩展性的局限。P4允许定义新的数据包头部及转发行 为,用户可实现对数据包处理的自定义编程描述,使得数据转发平面具有可编程能力,P4编 程语言允许网络开发人员设计具有独立目标的新协议和应用程序。因此,许多协议可以在 报头和解析器中灵活地描述,程序可以编译到不同的目标系统中,并部署在可编程硬件 上。P4为解决当前网络体系结构中AQM机制存在的问题提供了一种新的解决方案。目前已 有一些基于P4可编程实现的AQM算法,如P4-ABC、P4-CoDel、P4-PIE等。然而AQM算法 始终面临着如何在动态变化网络场景中选择有效丢包策略,较高的计算复杂度和空间复杂 度导致网络效率下降等难题。网络预测技术能分析现有网络状态信息及相关参数,对参数 进行优化以提高网络运行效率,为网络管理及拥塞控制提供了一种有效的途径。在数据平 面结合网络状态预测技术实现AQM拥塞控制能有效的解决动态变化的网络环境中参数配置 困难问题,在预测网络状态的基础上下发有效的队列控制策略,避免网络拥塞,提高网络 的运行效率。机器学习技术作为近几年兴起的技术,在数据预测和数据挖掘方面都有很好 的效果,将机器学习引入数据平面网络管理与预测中,实现自配置和自优化,是未来网络 发展的趋势。“智融标识网络”体系将现有互联网的服务层面与网络层面进行纵向关联, 以便于服务与网络空间对其所属资源进行协同调动与智慧融合。因此在智慧融合标识网络 的大背景下,本发明是利用P4在可编程数据平面上结合机器学习的模型方法实现网络状态 预测及数据包队列拥塞控制,实现动态的网络拥塞控制,对提升网络性能,提高用户体验 有重要意义。
在一种现有技术中,公开了一种基于拥塞队列长度的TCP拥塞控制方法,在SDN架构 的数据中心网络中,利用队列管理模块监控交换机端口的队列长度,当队列长度超过某个 阈值时,则认为当前网络处于拥塞状态,并且通过SDN/OpenFlow协议向控制器发送拥塞通 告信息,控制器收到该信息后,向该交换机下发流表,修改反向流经该端口的ACK报文,使ACK报文携带网络拥塞点的队列长度信息,发送端收到该ACK报文后,根据ACK报文中 的队列长度信息,降低发送端的发送速率,缓解网络拥塞。
该技术是基于OpenFlow协议的拥塞队列长度TCP拥塞控制方法,但OpenFlow协议只对 网络控制层可编程,转发平面的行为仍受限于底层硬件设备的控制逻辑,不能够实现网络 完全可编程化;需要额外的带宽收集队列信息,且只根据队列长度这个因素作为判断拥塞 的单一条件,不能够综合判断网络拥塞情况;是已知拥塞之后再采取措施解决的方案,对 拥塞的处理具有滞后性的特点,不能够及时的预测网络队列变化趋势,不能够及时的根据 网络状态变化调控网络,保证网络持续良好运行。
在另一种现有技术中,公开了一种基于深度学习的SDN网络流量预测方法,构建SDN 网络流量预测模型,在SDN各层中分别添加相应的模块;获取转发层的网络流量,到控制 层进行预测分析,生成并下发流表转发策略,应用层根据流量分析趋势制定相应的网络规 划方案。各模块之间相互协作,共同完成网络流量的预测功能;
该技术,一方面,使用过程中需要下发统计策略到转发层的流量获取模块获取流量, 带来了较大的带宽和时间开销;另一方面,只是根据预测并分析网络是否出现扰动及网络 是否正常运行,实现拥塞控制、负载均衡,缺少对预测特征结果之间的关系分析及其对网 络状态的影响,不能避免各个因素的偶然性。
发明内容
本发明的实施例提供了智融标识网络状态预测与拥塞控制系统与系统,用于解决现有 技术中存在的问题。
为了实现上述目的,本发明采取了如下技术方案。
智融标识网络状态预测与拥塞控制系统,包括相互通信连接的分析模块、AI模块和控 制器,以及转发模块;
分析模块用于获取网络状态信息,对该网络状态信息进行解析,获得状态特征数据, 将该状态特征数据发送至AI模块;
AI模块用于预测网络状态,状态特征数据输入到LSTM—模糊聚类模型,输出获得网 络状态,将预测的网络状态发送至控制器;控制器用于基于预测的网络状态,执行相对应 的控制策略,以及用于验证LSTM—模糊聚类模型的有效性,验证控制策略的有效性,获得验证结果并基于验证结果维持或变更控制策略,并更新优化LSTM--模糊聚类模型参 数;
转发模块分别与控制器和分析模块通信连接,用于转发、处理和监控数据包。
优选地,分析模块为INT分析模块,通过该INT分析模块获取网络状态信息的方式包括 以下任意一种:周期性获取、持续性获取和高级别获取;
通过该INT分析模块获取的网络状态信息为网络状态的历史信息,包括:交换机内部 的状态;入端口、出端口、入队列和出队列的排队长度、排队延迟;链路利用率;端口利用率;丢包率;
通过该INT分析模块对该网络状态信息进行解析,获得状态特征数据包括:
通过写入数据包头部的INT规则对网络状态信息进行转译,获得状态特征数据。
优选地,AI模块用于预测网络状态,状态特征数据输入到LSTM—模糊聚类模型,输出获得网络状态,将预测的网络状态发送至控制器的过程包括:
设置分析模块获取网络状态信息的时间间隔和获取时长,将该时间间隔内获取的网络 状态信息作为LSTM—模糊聚类模型的输入值;
设置神经元数量、隐藏层和输出层数量,该神经元具有输入门、遗忘门和输出门;
基于状态特征数据,设置类聚域的类型;
对每个类型的类聚域设置隶属度值;
获得每个类型的类聚域的域中心;
设置误差阈值;
基于类聚域的隶属度值、域中心和误差阈值,进行多次迭代运算,获得预测的网络状 态;
该预测的网络状态包括如下特征任一一种:正常状态;拥塞预警状态;持续拥塞状态 和拥塞缓解状态。
优选地,
AI模块对每个类型的类聚域设置隶属度值的过程包括:
AI模块获得每个类型的类聚域的域中心的过程包括:
优选地,控制器基于预测的网络状态,执行相对应的控制策略的过程包括:
当预测的网络状态为正常状态时,控制策略包括维持当前通信传输规则;
当预测的网络状态为拥塞预警状态时,控制策略包括:
对正在排队的数据包的排队时延进行校验;
对低优先级的数据包排队时延超过预设预警阈值且达到预设拥塞阈值的30%的数据包 进行提升其优先级操作;
对高优先级且排队时延未达预设预警阈值的数据包进行循环,当排队时延到达预设预 警阈值的90%时发送该数据包;
监控数据包容量,当一个或多个数据包的容量达到预设满额容量预警值时,限制通信 传输速率;
当预测的网络状态为持续拥塞状态时,控制策略包括:
丢弃排队时延大于预设拥塞阈值的数据包;
收敛缓冲容量;
向外部控制平面汇报网络持续拥塞的情况;
当预测的网络状态为拥塞缓解状态时,控制策略包括:
更新预设预警阈值和预设拥塞阈值。
优选地,控制器验证LSTM—模糊聚类模型的有效性,验证控制策略的有效性,获得验证结果并基于验证结果维持或变更控制策略包括:
通过LSTM—模糊聚类模型更新预测的网络状态;
当相邻的预测的网络状态发生改变时,变更控制策略;
当相邻的预测的网络状态均为拥塞预警状态时,变更控制策略使该控制策略与持续拥 塞状态相对应。
由上述本发明的实施例提供的技术方案可以看出,本发明所提出的智融标识网络状态 预测与拥塞控制系统,基于P4在可编程数据平面上结合机器学习的模型方法实现网络状态 预测及数据包队列拥塞控制的方法和系统,通过带内网络遥测(In-band networktelemetry, INT)技术实时收集网络状态特征信息,采用长短期记忆网络(Long Short-Term Memory, LSTM)神经网络模型与模糊聚类算法相结合的“LSTM—模糊聚类”的模型方法实现网络 状态特征值预测,根据得到的网络状态特征值模糊聚类为四个网络状态:正常状态、拥塞 预警状态、持续拥塞状态和拥塞缓解状态,针对不同的网络状态制定了对应的策略,控制 器在不同的网络状态下发对应的流表及制定交换机动作,提供一个综合的、动态的队列反 馈机制,以确保数据包排队延迟尽可能小,达到拥塞控制的效果。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明 显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附 图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附 图。
图1为本发明提供的智融标识网络状态预测与拥塞控制系统的逻辑框图;
图2为本发明提供的智融标识网络状态预测与拥塞控制系统一种优选实施例的框架图;
图3为本发明提供的智融标识网络状态预测与拥塞控制系统的可编程数据平面的工作流 程图;
图4为本发明提供的智融标识网络状态预测与拥塞控制系统的不同网络状态转换的示意 图。
图中:201.分析模块202.AI模块203.控制器204.转发模块。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使 用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除 存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理 解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元 件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接 或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组 合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语 和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理 解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义 一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解 释说明,且各个实施例并不构成对本发明实施例的限定。
参见图1,本发明提供的一种智融标识网络状态预测与拥塞控制系统,基于P4可编程数 据平面技术,包括相互通信连接的分析模块201、AI模块202和控制器203,以及转发模块 204;
所述分析模块201用于获取网络状态信息,对该网络状态信息进行解析,获得状态特征 数据,将该状态特征数据发送至所述AI模块202;
所述AI模块202用于预测网络状态,状态特征数据输入到LSTM—模糊聚类模型,输出 获得网络状态,将预测的网络状态发送至所述控制器203;
所述控制器203用于基于预测的网络状态,执行相对应的控制策略,以及用于验证LSTM—模糊聚类模型的有效性,验证控制策略的有效性,获得验证结果并基于验证结果 维持或变更控制策略,并更新优化LSTM--模糊聚类模型参数;
转发模块204,分别与所述控制器203和分析模块201通信连接,还与外部网络通信连 接,用于转发、处理和监控数据包;网络硬件由可编程交换机组成,只关注简单的数据转发而不嵌入任何控制策略,控制规则由控制器203通过P4-runtimeAPI等南向协议发;当数据包进入节点时,将根据这些规则进行转发和处理;此外,在节点中还嵌入了一些监控过程,网络监测数据将被收集并发送到分析平台;因此,转发模块204可以提供完整的网络状态信息,便于AI模块202进行建模。
在现有技术中,由于软件交换机和传输链路只是松散耦合的,无法访问链路的缓冲区占 用情况,如果软件交换机发送太快,则在链路缓存区中数据包会丢失。BMV2(可编程软件 交换机)为了解决这个问题,在处理管道的入口和出口之间有一个“数据包缓冲器”,在出 口管道之后有一个“输出缓冲器”,后者仅用于通信,不用于缓存,参见图3可编程数据平 面的数据包处理工作流程图。可以在出口管道处限制数据包的速率,这样可以确保链路不 会被重载,且BMV2的数据包缓冲区建立潜在的队列。
为简化起见,假设一个具有单个路由器和两个端口的示例性网络。在第一端口上,分 组到达并转发到带宽有限的第二端口,输出端口的脱队列率,称为服务速率,等于这个带 宽限制。我们可以根据不同的网络状态在出入口管道中执行数据包接收决策来控制队列排 队时延,实现低排队时延、获得低流完成时间,均衡公平性的拥塞控制,如图3所示的Ingress Pipeline和Egress Pipeline模块中AQM police模块。
进一步的,在一些优选实施例中,分析模块201为INT分析模块,带内网络遥测(In-band network telemetry,INT)是基于P4的收集网络信息和报告网络状态的一个框架。INT技 术周期性地将网络状态测量结果上传至终端。INT技术将数据包经过交换机的排队的时延 等元数据写在数据包的INT头部中,能够为终端设备供细粒度的网络状况。采用INT技术,一方面查询交换机内部的状态,例如:入端口、出端口、入队列排队长度、出队列排 队长度、排队延迟等。另一方面自定义一些网络状态信息,例如:链路利用率,端口利用 率,丢包率等。将需要获取的交换机状态信息写入INT头部中,随着数据包传输到末端交 换机,在末端交换机提取出INT头部并将该信息传送到INT解析模块,同时恢复原始数据 包;
INT解析模块实现将INT头部携带的网络状态信息转化为数值。INT头部存储的网络状 态信息是以bit的方式存储的,需要将其转译成数值,转译的规则对应于写入头部的规则。 网络状态数值信息存储在一个数据库中。
INT收集网络状态信息的方式有三种:周期性收集、持续性收集和高级别收集。周期 性收集方式周期性收集网络的状态信息,避免造成带宽利用率过高;持续性收集的方式在 一段时间内持续性收集网络状态,可用于探测网络的带宽负载能力等性能;高级别收集方 式由控制器203下发特定指令获取特定的网络状态信息,此方式的优先级高于另两者,可用 于当网络链路面临严重问题时快速获取网络状态;通过该INT分析模块获取的网络状态信 息为网络状态的历史信息,包括:交换机内部的状态;入端口、出端口、入队列和出队列 的排队长度、排队延迟;链路利用率;端口利用率;丢包率。
通过INT分析模块对该网络状态信息进行解析,获得状态特征数据包括:
通过写入数据包头部的INT规则对网络状态信息进行转译,获得状态特征数据
进一步的,在一些优选实施例中,AI模块202具体工作过程为:
S1设置分析模块201获取网络状态信息的时间间隔和获取时长,将该时间间隔内获取 的网络状态信息作为LSTM—模糊聚类模型(Long Short-Term Memory,LSTM)的输入值;
采用LSTM—模糊聚类结合的模型实现网络状态预测;第一部分是常用的循环神经网 络LSTM预测模型,该模型具有比传统的RNN更精确地模拟时间序列及其长期依赖关系的特点;首先设置网络状态信息的获取时间间隔和获取时长,将该时间间隔内获取的网络状态信息作为LSTM—模糊聚类模型的输入值;具体可以是,确定时间窗口L,用过去时间间 隔内的网络状态特征去预测未来一段时间内的网络状态特征的可能变化。即把Δ时间段内收集的网络状态联合特征作为LSTM—模糊聚类模型的一个时刻的输入值,而模型使用过去L个时刻的网络状态联合特征值去预测未来的n(n=1,2,3……)个时刻网络状态特征值;
AI模块202从INT解析的网络状态数据库中接收数据,选择的网络状态的联合特征,所 选择的网络状态数据特征包括:数据包的入端口、入队列排队长度、出端口、出队列排队 长度、队列排队时延、入端口时间、出端口时间、出端口丢包率、链路利用率;
因网络流量具有自相似性、长相关性、突发性、多重分形性等特征,导致同一流id的 数据包到达呈现一定的时间相关性,等待进入、进入或离开处理管道的数据包与网络当前 状态密切相关,处理数据包需要根据当前的网络状态对其进行决策;因此,根据数据包携 带的交换机内部信息及网络状态信息,构建训练数据集,用于网络状态预测的深度学习模 型的训练。
S2设置神经元数量、隐藏层和输出层数量,该神经元具有输入门、遗忘门和输出门;
隐藏层神经元具有决定记忆和储存过去状态的能力,神经单元内的输入门、遗忘门、 输出门完成信息的选择、保留、遗忘和信息转换输出的功能,对门的权值参数和偏置参数 训练迭代更新至收敛迭代次数达到最大临界条件时停止训练,得到最优参数的LSTM—模 糊聚类模型。
S3基于状态特征数据,设置类聚域的类型;
LSTM—模糊聚类模型是多输入-多输出模型;多输入参数是网络状态的联合特征;多 输出对应于预测的网络状态特征,本模型选择队列排队时延、出端口排队长度和出端口丢 包率;
通过上述子步骤完成LSTM—模糊聚类模型的构建,之后训练该模型。
为了定量评价LSTM—模糊聚类模型,还采用平均绝对误差(MAE)和均方根误差(RMSE)对预测模型精度进行评估;
通过LSTM—模糊聚类模型中的模糊聚类法定位网络状态的过程如下:
模糊化分类操作是通过基于目标函数的模糊聚类算法实现的,该算法把聚类分析归结 成一个带约束的非线性规划问题,通过优化求解获得数据集的最优模糊划分和聚类;
S4对每个类型的类聚域设置隶属度值,确定模糊聚类的聚类域;在本实施例中,确定 预测后待聚类数据集的聚类域为Ci(i=1,2,3,4)四个,分别对应正常状态、拥塞预警状态、持 续拥塞状态、拥塞缓解状态四种状态;
S5获得每个类型的类聚域的域中心;采用公式(1)确定每一个域的中心Ci,xj为待确定 聚类的样本;
S6设置误差阈值;计算目标函数,目标函数可以是域中心Ci或隶属度矩阵U,当目标 函数迭代多次之后小于设定的阈值则停止迭代,得到局部最优状态而达到对样本进行归 类;
S7基于类聚域的隶属度值、域中心和误差阈值,进行多次迭代运算,获得预测的网络 状态;
这里LSTM模型是多输入-多输出模型,多输入参数对应于上述所选择的网络状态联合 特征(出入端口,出入队列排队长度,队列处理时延,丢包率,链路利用率),多输出对应于预测的网络状态特征,本模型预测输出的网络状态特征为队列排队时延、出端口排队长度和出端口丢包率;得到的输出是n步长的网络状态特征值,即一个(n,3)的向量, n=1,2,3…N,因预测的网络状态特征值与真实值会存在一定的误差,根据预测得到单个的 网络状态特征值向量去作为数据包在出入处理管道的决策参考是会存在偶然性和随机性; 因此,本模型对输出的预测网络状态特征值向量进行模糊化分类,分为持续拥塞状态、拥 塞缓解状态、拥塞预警状态和正常状态;
AI模块202将预测的网络状态传送到控制器203模块的网络状态模糊控制里。
进一步的,针对上述四种状态预测特征所采取的相对应的控制策略为:
(1)正常状态:该状态下的网络设备和链路运行状况良好,网络状态特征的数值在正 常范围内,维持当前转发平面规则。同时,周期性下发INT收集指令,收集网络状态信息,一方面验证当前下发的控制策略,另一方面验证AI模块202的预测训练模型准确性。当周期性验证结果是正常状态,则维持当前转发平面规则;当周期性验证网络状态特征值超过预警阈值时,AI模块202预测模型从INT解析数据库获取数据,更新预测结果,下发拥塞预警状态对应策略,见(2);
(2)拥塞预警状态:该状态下网络状态特征的数值超过预警阈值,控制器203下发拥 塞预警流表项。具体操作包括但不限于:如图4所示,a.对出队列缓冲区(egressbuffer)里正 在排队的数据包的排队时延进行校验;b.对出队列缓冲区里低优先级的数据包排队时延超 过预警阈值且达到拥塞阈值的30%的数据包进行提升其优先级操作,优先转发;c.对出队列 缓冲区里高优先级且排队时延未达预警阈值的数据包进行循环,一旦排队时延到达预警阈值 的50%将该数据包发送到输出缓冲区发送出去;d.出队列缓冲区的多维队列采取严格调度算 法,合理调度数据包的处理输出;e.对入队列缓冲区排队的数据包处理开放虚拟映射通道, 拓展的可编程代码实现交换机虚拟通道映射,实现由原来的一入一出缓存队列变成多入多 出映射缓存队列;f.监控入队列缓冲区数据包容量,当容量到达满额的60%时收敛入队列数 据包数量,限制入缓冲数据传输速率。缓解数据包在队列缓存耗时长的问题。周期性验证 当前策略及预测模型,若预测网络状态特征值的变化趋于持续拥塞状态,下发持续拥塞对 应策略,见(3);若拥塞预警状态得到缓解,预测得到的网络状态特征值趋于拥塞缓解状 态,下发拥塞缓解对应策略,见(4);
(3)持续拥塞状态:在该状态下网络状态特征值在一段时间内持续超过拥塞设定值, 下发拥塞控制流表项。具体操作包括但不限于:a.适度丢包,约束持续发大量数据包的终 端;b.收敛入队列缓冲区虚拟映射缓存队列数量;c.出队列缓冲区采取严格优先级调度算 法,根据维护的优先级递减的队列表,数据包按其优先等级依次被服务转发,减少多维出 队列内等待处理的数据包数量;d.在出口线程处理中对恶意数据流标识,并将其排到低优 先级的多维出口缓冲区队列;e.触发恶意流处理线程,出口线程对恶意流处理,给控制器 203发送恶意流警告,供后续DDoS攻击研究;
(4)拥塞缓解状态:该状态是在拥塞状态得到控制后,网络状态特征值回归到正常波 动范围,下发拥塞缓解控制流表项。具体操作包括但不限于:a.更新网络状态特征的新警 戒阈值和拥塞阈值;b.周期验证当前策略和预测模型,若预测结果趋于正常状态,则下发 正常状态策略,见(1);若预测结果趋于拥塞预警,则下发拥塞预警策略,见(2)。
在本发明提供的实施例中,还提供反馈机制:控制器203周期地验证当前下发的策略的 有效性,及时调整下发的策略,同时反馈给AI模块202的模型训练,修正训练模型的参数。 控制器203周期性下发指令收集网络状态信息,从INT解析模块提取数据包携带的网络状态 信息,一方面验证当前网络状态的判断准确性,并直接反馈给控制策略子模块,下发修改 策略流表;另一方面验证AI模块202的网络状态预测模型的训练模型,迭代更新训练模型参 数,修改隐藏层神经单元的门控参数。
在本发明提供的优选实施例中,AI模块202还用于验证LSTM—模糊聚类模型的有效 性,验证控制策略的有效性,获得验证结果并基于验证结果维持或变更控制策略,其包括:
当相邻的网络状态预测特征发生改变时,变更控制策略;
当相邻的网络状态预测特征均为拥塞预警状态时,变更控制策略使该控制策略与持续 拥塞状态相对应;
除上述两点之外,当相邻的网络状态预测特征不变时,维持现有的控制策略;
具体方式如图4以及上述(1)、(2)、(3)和(4)所记载的内容。
综上所述,本发明所提出的智融标识网络状态预测与拥塞控制系统,基于P4在可编程 数据平面上结合机器学习的模型方法实现网络状态预测及数据包队列拥塞控制的方法和系 统,通过带内网络遥测(In-band network telemetry,INT)技术实时收集网络状态特征信息,采 用长短期记忆网络(Long Short-Term Memory,LSTM)神经网络模型与模糊聚类算法相结合的 “LSTM—模糊聚类”的模型方法实现网络状态特征值预测,根据得到的网络状态特征值 模糊聚类为四个网络状态:正常状态、拥塞预警状态、持续拥塞状态和拥塞缓解状态,针 对不同的网络状态制定了对应的策略,控制器在不同的网络状态下发对应的流表及制定交 换机动作,提供一个综合的、动态的队列反馈机制,以确保数据包排队延迟尽可能小,达 到拥塞控制的效果。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程 并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助 软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或 者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以 存储在存储介质中,如ROM/RAM、磁碟、光盘等,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)执行本发明各个实施例或者实施例的某 些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互 相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系 统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法 实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为 分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或 者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以 根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技 术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明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揭露的技术范围内,可轻易想到的变化或替换,都 应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为 准。
Claims (6)
1.智融标识网络状态预测与拥塞控制系统,其特征在于,包括相互通信连接的分析模块、AI模块和控制器,以及转发模块;
所述分析模块用于获取网络状态信息,对该网络状态信息进行解析,获得状态特征数据,将该状态特征数据发送至所述AI模块;
所述AI模块用于预测网络状态,状态特征数据输入到LSTM—模糊聚类模型,输出获得网络状态,将预测的网络状态发送至所述控制器;所述控制器用于基于预测的网络状态,执行相对应的控制策略,以及用于验证LSTM—模糊聚类模型的有效性,验证控制策略的有效性,获得验证结果并基于验证结果维持或变更控制策略,并更新优化LSTM--模糊聚类模型参数;
所述转发模块分别与所述控制器和分析模块通信连接,用于转发、处理和监控数据包。
2.根据权利要求1所述的系统,其特征在于,所述分析模块为INT分析模块,通过该INT分析模块获取网络状态信息的方式包括以下任意一种:周期性获取、持续性获取和高级别获取;
通过该INT分析模块获取的网络状态信息为网络状态的历史信息,包括:交换机内部的状态;入端口、出端口、入队列和出队列的排队长度、排队延迟;链路利用率;端口利用率;丢包率;
通过该INT分析模块对该网络状态信息进行解析,获得状态特征数据包括:
通过写入数据包头部的INT规则对网络状态信息进行转译,获得状态特征数据。
3.根据权利要求2所述的系统,其特征在于,所述AI模块用于预测网络状态,状态特征数据输入到LSTM—模糊聚类模型,输出获得网络状态,将预测的网络状态发送至所述控制器的过程包括:
设置所述分析模块获取网络状态信息的时间间隔和获取时长,将该时间间隔内获取的网络状态信息作为LSTM—模糊聚类模型的输入值;
设置神经元数量、隐藏层和输出层数量,该神经元具有输入门、遗忘门和输出门;
基于状态特征数据,设置类聚域的类型;
对每个类型的类聚域设置隶属度值;
获得每个类型的类聚域的域中心;
设置误差阈值;
基于类聚域的隶属度值、域中心和误差阈值,进行多次迭代运算,获得预测的网络状态;
该预测的网络状态包括如下特征任一一种:正常状态;拥塞预警状态;持续拥塞状态和拥塞缓解状态。
5.根据权利要求1所述的系统,其特征在于,所述控制器基于预测的网络状态,执行相对应的控制策略的过程包括:
当预测的网络状态为正常状态时,控制策略包括维持当前通信传输规则;
当预测的网络状态为拥塞预警状态时,控制策略包括:
对正在排队的数据包的排队时延进行校验;
对低优先级的数据包排队时延超过预设预警阈值且达到预设拥塞阈值的30%的数据包进行提升其优先级操作;
对高优先级且排队时延未达预设预警阈值的数据包进行循环,当排队时延到达预设预警阈值的90%时发送该数据包;
监控数据包容量,当一个或多个数据包的容量达到预设满额容量预警值时,限制通信传输速率;
当预测的网络状态为持续拥塞状态时,控制策略包括:
丢弃排队时延大于预设拥塞阈值的数据包;
收敛缓冲容量;
向外部控制平面汇报网络持续拥塞的情况;
当预测的网络状态为拥塞缓解状态时,控制策略包括:
更新预设预警阈值和预设拥塞阈值。
6.根据权利要求5所述的系统,其特征在于,所述控制器验证LSTM—模糊聚类模型的有效性,验证控制策略的有效性,获得验证结果并基于验证结果维持或变更控制策略包括:
通过LSTM—模糊聚类模型更新预测的网络状态;
当相邻的预测的网络状态发生改变时,变更控制策略;
当相邻的预测的网络状态均为拥塞预警状态时,变更控制策略使该控制策略与持续拥塞状态相对应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010175749.5A CN111526096B (zh) | 2020-03-13 | 2020-03-13 | 智融标识网络状态预测与拥塞控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010175749.5A CN111526096B (zh) | 2020-03-13 | 2020-03-13 | 智融标识网络状态预测与拥塞控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111526096A true CN111526096A (zh) | 2020-08-11 |
CN111526096B CN111526096B (zh) | 2022-03-15 |
Family
ID=71902306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010175749.5A Active CN111526096B (zh) | 2020-03-13 | 2020-03-13 | 智融标识网络状态预测与拥塞控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111526096B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112737964A (zh) * | 2020-12-25 | 2021-04-30 | 北京大学深圳研究生院 | 一种融合推拉语义的传输控制方法及系统 |
CN112804125A (zh) * | 2021-02-09 | 2021-05-14 | 河南科技大学 | 一种基于模糊综合评判算法的命名数据网络拥塞控制方法 |
CN112817823A (zh) * | 2021-02-05 | 2021-05-18 | 杭州和利时自动化有限公司 | 一种网络状态监控方法、装置及介质 |
CN112953778A (zh) * | 2021-03-17 | 2021-06-11 | 北京交通大学 | 智融标识网络中基于意图驱动的服务编排系统和方法 |
CN113114582A (zh) * | 2021-05-25 | 2021-07-13 | 电子科技大学 | 基于机器学习的链路拥塞故障预测及网络自主管控方法 |
CN113271225A (zh) * | 2021-05-18 | 2021-08-17 | 浙江大学 | 一种基于带内网络遥测技术的网络可靠性评估方法 |
CN113364698A (zh) * | 2021-06-08 | 2021-09-07 | 北京汇钧科技有限公司 | 带宽估计方法、系统、电子设备与存储介质 |
CN113422707A (zh) * | 2021-06-18 | 2021-09-21 | 新华三技术有限公司 | 一种带内网络遥测方法及设备 |
CN113572655A (zh) * | 2021-06-16 | 2021-10-29 | 清华大学 | 无丢失网络的拥塞探测方法及系统 |
CN113992546A (zh) * | 2021-12-29 | 2022-01-28 | 中科南京信息高铁研究院 | Sdn网络基于业务流信息的链路状态预测方法及系统 |
CN114124826A (zh) * | 2021-11-28 | 2022-03-01 | 天津大学 | 拥塞位置可感知的低时延数据中心网络传输系统及方法 |
CN114615199A (zh) * | 2022-04-25 | 2022-06-10 | 曲阜师范大学 | 一种tcp网络拥塞控制方法、装置、终端及可读存储介质 |
CN114785617A (zh) * | 2022-06-15 | 2022-07-22 | 北京金汇创企业管理有限公司 | 一种5g网络应用层异常检测方法及系统 |
CN114844837A (zh) * | 2022-04-25 | 2022-08-02 | 西安交通大学 | 多服务队列环境中基于时延的拥塞控制机制和控制装置 |
CN114844760A (zh) * | 2022-05-05 | 2022-08-02 | 鹏城实验室 | 一种网络故障感知与定位方法、装置、终端及存储介质 |
CN114866431A (zh) * | 2022-04-28 | 2022-08-05 | 深圳智芯微电子科技有限公司 | 基于int预测sfc网络故障的方法、装置及处理器 |
WO2022188440A1 (zh) * | 2021-03-11 | 2022-09-15 | 中国电信股份有限公司 | 调整数据转发队列的方法、装置及计算机可读存储介质 |
US20230096190A1 (en) * | 2021-09-30 | 2023-03-30 | Lenovo Global Technology (United States) Inc. | Storage device compression layer congestion control |
CN116886622A (zh) * | 2023-09-08 | 2023-10-13 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 网络拥塞控制方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6094646A (en) * | 1997-08-18 | 2000-07-25 | Siemens Aktiengesellschaft | Method and apparatus for computerized design of fuzzy logic rules from training data vectors of a training dataset |
US20180183683A1 (en) * | 2015-08-24 | 2018-06-28 | Huawei Technologies Co.,Ltd. | Method and apparatus for generating network control policy, and network controller |
CN108667734A (zh) * | 2018-05-18 | 2018-10-16 | 南京邮电大学 | 一种基于q学习和lstm神经网络的快速路由决策算法 |
CN108880888A (zh) * | 2018-06-20 | 2018-11-23 | 浙江工商大学 | 一种基于深度学习的sdn网络流量预测方法 |
CN109831320A (zh) * | 2018-12-29 | 2019-05-31 | 国家电网有限公司 | 一种辅助流量预测控制方法、存储介质和电子设备 |
CN110730138A (zh) * | 2019-10-21 | 2020-01-24 | 中国科学院空间应用工程与技术中心 | 天基云雾计算架构的动态资源配置方法、系统和存储介质 |
-
2020
- 2020-03-13 CN CN202010175749.5A patent/CN111526096B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6094646A (en) * | 1997-08-18 | 2000-07-25 | Siemens Aktiengesellschaft | Method and apparatus for computerized design of fuzzy logic rules from training data vectors of a training dataset |
US20180183683A1 (en) * | 2015-08-24 | 2018-06-28 | Huawei Technologies Co.,Ltd. | Method and apparatus for generating network control policy, and network controller |
CN108667734A (zh) * | 2018-05-18 | 2018-10-16 | 南京邮电大学 | 一种基于q学习和lstm神经网络的快速路由决策算法 |
CN108880888A (zh) * | 2018-06-20 | 2018-11-23 | 浙江工商大学 | 一种基于深度学习的sdn网络流量预测方法 |
CN109831320A (zh) * | 2018-12-29 | 2019-05-31 | 国家电网有限公司 | 一种辅助流量预测控制方法、存储介质和电子设备 |
CN110730138A (zh) * | 2019-10-21 | 2020-01-24 | 中国科学院空间应用工程与技术中心 | 天基云雾计算架构的动态资源配置方法、系统和存储介质 |
Non-Patent Citations (2)
Title |
---|
李倩 等: "基于P4和机器学习的路由选择方案探讨", 《邮电设计技术》 * |
田海燕等: "一种基于抖动测量的细粒度拥塞控制机制", 《微电子学与计算机》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112737964B (zh) * | 2020-12-25 | 2022-10-14 | 北京大学深圳研究生院 | 一种融合推拉语义的传输控制方法及系统 |
CN112737964A (zh) * | 2020-12-25 | 2021-04-30 | 北京大学深圳研究生院 | 一种融合推拉语义的传输控制方法及系统 |
CN112817823A (zh) * | 2021-02-05 | 2021-05-18 | 杭州和利时自动化有限公司 | 一种网络状态监控方法、装置及介质 |
CN112804125A (zh) * | 2021-02-09 | 2021-05-14 | 河南科技大学 | 一种基于模糊综合评判算法的命名数据网络拥塞控制方法 |
CN112804125B (zh) * | 2021-02-09 | 2022-03-18 | 河南科技大学 | 一种基于模糊综合评判算法的命名数据网络拥塞控制方法 |
WO2022188440A1 (zh) * | 2021-03-11 | 2022-09-15 | 中国电信股份有限公司 | 调整数据转发队列的方法、装置及计算机可读存储介质 |
CN112953778B (zh) * | 2021-03-17 | 2023-04-18 | 北京交通大学 | 智融标识网络中基于意图驱动的服务编排系统和方法 |
CN112953778A (zh) * | 2021-03-17 | 2021-06-11 | 北京交通大学 | 智融标识网络中基于意图驱动的服务编排系统和方法 |
CN113271225A (zh) * | 2021-05-18 | 2021-08-17 | 浙江大学 | 一种基于带内网络遥测技术的网络可靠性评估方法 |
CN113114582A (zh) * | 2021-05-25 | 2021-07-13 | 电子科技大学 | 基于机器学习的链路拥塞故障预测及网络自主管控方法 |
CN113114582B (zh) * | 2021-05-25 | 2022-05-17 | 电子科技大学 | 基于机器学习的链路拥塞故障预测及网络自主管控方法 |
CN113364698B (zh) * | 2021-06-08 | 2023-05-30 | 北京汇钧科技有限公司 | 带宽估计方法、系统、电子设备与存储介质 |
CN113364698A (zh) * | 2021-06-08 | 2021-09-07 | 北京汇钧科技有限公司 | 带宽估计方法、系统、电子设备与存储介质 |
CN113572655A (zh) * | 2021-06-16 | 2021-10-29 | 清华大学 | 无丢失网络的拥塞探测方法及系统 |
CN113422707B (zh) * | 2021-06-18 | 2022-11-01 | 新华三技术有限公司 | 一种带内网络遥测方法及设备 |
CN113422707A (zh) * | 2021-06-18 | 2021-09-21 | 新华三技术有限公司 | 一种带内网络遥测方法及设备 |
US20230096190A1 (en) * | 2021-09-30 | 2023-03-30 | Lenovo Global Technology (United States) Inc. | Storage device compression layer congestion control |
CN114124826B (zh) * | 2021-11-28 | 2023-09-29 | 天津大学 | 拥塞位置可感知的低时延数据中心网络传输系统及方法 |
CN114124826A (zh) * | 2021-11-28 | 2022-03-01 | 天津大学 | 拥塞位置可感知的低时延数据中心网络传输系统及方法 |
CN113992546A (zh) * | 2021-12-29 | 2022-01-28 | 中科南京信息高铁研究院 | Sdn网络基于业务流信息的链路状态预测方法及系统 |
CN113992546B (zh) * | 2021-12-29 | 2022-04-19 | 中科南京信息高铁研究院 | Sdn网络基于业务流信息的链路状态预测方法及系统 |
CN114615199A (zh) * | 2022-04-25 | 2022-06-10 | 曲阜师范大学 | 一种tcp网络拥塞控制方法、装置、终端及可读存储介质 |
CN114844837A (zh) * | 2022-04-25 | 2022-08-02 | 西安交通大学 | 多服务队列环境中基于时延的拥塞控制机制和控制装置 |
CN114844837B (zh) * | 2022-04-25 | 2023-09-26 | 西安交通大学 | 多服务队列环境中基于时延的拥塞控制方法和控制装置 |
CN114615199B (zh) * | 2022-04-25 | 2023-10-13 | 曲阜师范大学 | 一种tcp网络拥塞控制方法、装置、终端及可读存储介质 |
CN114866431A (zh) * | 2022-04-28 | 2022-08-05 | 深圳智芯微电子科技有限公司 | 基于int预测sfc网络故障的方法、装置及处理器 |
CN114844760A (zh) * | 2022-05-05 | 2022-08-02 | 鹏城实验室 | 一种网络故障感知与定位方法、装置、终端及存储介质 |
CN114785617B (zh) * | 2022-06-15 | 2022-11-15 | 北京金汇创企业管理有限公司 | 一种5g网络应用层异常检测方法及系统 |
CN114785617A (zh) * | 2022-06-15 | 2022-07-22 | 北京金汇创企业管理有限公司 | 一种5g网络应用层异常检测方法及系统 |
CN116886622A (zh) * | 2023-09-08 | 2023-10-13 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 网络拥塞控制方法、装置、设备及存储介质 |
CN116886622B (zh) * | 2023-09-08 | 2023-11-24 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 网络拥塞控制方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111526096B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111526096B (zh) | 智融标识网络状态预测与拥塞控制系统 | |
CN111371644B (zh) | 基于gru的多域sdn网络流量态势预测方法及系统 | |
Cai et al. | SARM: service function chain active reconfiguration mechanism based on load and demand prediction | |
Dong et al. | Next-generation data center network enabled by machine learning: Review, challenges, and opportunities | |
Sivakumar et al. | Prediction of traffic load in wireless network using time series model | |
Li et al. | Congestion control mechanism based on dual threshold DI-RED for WSNs | |
Al-Jamali et al. | Smart IoT network based convolutional recurrent neural network with element-wise prediction system | |
Liu et al. | Load balancing inside programmable data planes based on network modeling prediction using a GNN with network behaviors | |
Kolomvatsos et al. | Uncertainty-driven ensemble forecasting of QoS in Software Defined Networks | |
CN115987643A (zh) | 一种基于lstm和sdn的工控网络入侵检测方法 | |
Dronyuk et al. | High quality video traffic ateb-forecasting and fuzzy logic management | |
Ferriol-Galmés et al. | FlowDT: a flow-aware digital twin for computer networks | |
Wu et al. | P4SQA: A p4 switch-based QoS assurance mechanism for SDN | |
Hongvanthong | Novel four-layered software defined 5g architecture for ai-based load balancing and qos provisioning | |
Garrett et al. | Traffic differentiation on internet of things | |
Alo et al. | A conceptual framework for network traffic control and monitoring using artificial neural networks | |
CN111327494B (zh) | 一种多域sdn网络流量态势评估方法及系统 | |
Nougnanke | Towards ML-based management of software-defined networks | |
Konyrova et al. | EFFECIENCY ASSESSMENT OF IOT DEVICES CONTROL WITH TELETRAFFIC THEORY. | |
Zhu et al. | Network modeling based on GNN and network behaviors | |
Vinogradov et al. | Development of the method to control telecommunication network congestion based on a neural model | |
Rao et al. | A deep learning-based constrained intelligent routing method | |
Razmara et al. | A Hybrid Neural Network Approach for Congestion Control in TCP/IP Networks | |
Ghaderi et al. | Learning Traffic Encoding Matrices for Delay-Aware Traffic Engineering in SD-WANs | |
Wu et al. | Overload balancing in single-hop networks with bounded buffers |
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 |