CN111740892A - 一种面向虚拟网络的物理网络节点备份方法 - Google Patents
一种面向虚拟网络的物理网络节点备份方法 Download PDFInfo
- Publication number
- CN111740892A CN111740892A CN202010526547.0A CN202010526547A CN111740892A CN 111740892 A CN111740892 A CN 111740892A CN 202010526547 A CN202010526547 A CN 202010526547A CN 111740892 A CN111740892 A CN 111740892A
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- physical
- bearing capacity
- resource
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000005295 random walk Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical compound O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/46—Interconnection of networks
- H04L12/4641—Virtual LANs, VLANs, e.g. virtual private networks [VPN]
-
- 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
- H04L45/22—Alternate routing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种面向虚拟网络的物理网络节点备份方法,包括定义物理节点能力参数,计算节点的聚类系数,基于正态双卵模型判定节点为强的概率,同时对物理网络节点多维资源承载能力强弱进行分类,以便为不同类型的节点选取不同的备份策略,基于多边形质心对多维资源承载能力参数强的物理网络节点备份,对节点多维资源承载能力参数为强的点进行分组,为节点多维资源承载能力参数为强的节点建立多边形,并寻找其质心,对多维资源承载能力参数为弱的物理网络节点备份。本发明采用改进的多对一备份策略,为能力强弱不同的节点实行不同的多对一备份方案,使虚拟网络共享物理网络资源,降低了开销,提高了底层网络的资源利用率和虚拟网络的接受率。
Description
技术领域
本发明涉及物理网络技术领域,特别涉及一种面向虚拟网络的物理网络节点备份方法。
背景技术
网络应用的蓬勃发展刺激了高弹性和可扩展网络技术的研究和开发。因此,网络虚拟化正在成为未来互联网一个可行的解决方案,并开始吸引越来越多的研究兴趣,使得网络体系结构的快速发展。允许多种网络体系结构共同存在于共享的物理基础的架构上,网络虚拟化有望为网络提供更好的灵活性、安全性,并且降低功耗。在网络虚拟化过程中,底层物理网络会被多个虚拟网络共享,物理网络出现故障将会影响虚拟网络的使用。为了提高网络在发生节点故障后的生存性,需要在物理网络中提前预留一定的计算资源和频谱带宽资源。当虚拟节点映射到物理节点发生故障时,将虚拟节点重新映射至预留资源的底层物理节点上。为了实现该目标,在物理网络中增加冗余的候补物理节点,将虚拟网络请求进行拓展形成可容忍单节点故障的可靠的虚拟网络请求。提高了底层网络的资源利用率和虚拟网络的接受率。
对于弹性光网络,节点和链路故障的生存能力问题已得到广泛研究。其中,对物理网络单节点故障下,目前主要通过扩展虚拟网请求的拓扑从而映射扩充后的请求来实现故障恢复,但冗余物理候补链路的共享程度过低。同时在物理网络节点故障下,考虑备份资源共享以及位置需求将使物理网络节点备份更加困难。对网络虚拟化环境下的物理网络节点恢复机制的主要从物理网络资源的分配方面保证故障时的恢复,会造成物理网络资源的浪费又难以达到满意的效益投入比。
本发明采用改进的多对一备份策略,发明了基于正态双卵模型给物理网络节点按照能力强弱分为两类,为能力强弱不同的节点实行不同的多对一备份的方法。在物理网络中增加冗余的候补物理节点,将物理网络请求进行拓展形成可容忍单节点故障的可靠的物理网络请求。与此同时,尽可能地共享资源以降低开销。
发明内容
本发明的目的在于提供一种面向虚拟网络的物理网络节点备份方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种面向虚拟网络的物理网络节点备份方法,具体步骤如下:
S1:定义物理节点能力参数;
1a:计算节点的聚类系数;
按照下式,以物理网络中心节点n为研究对象,将与物理网络中心节点n的相邻节点的关系,抽象为星型拓扑图,计算中心节点的聚类系数:
其中,式(1)为节点n的相邻节点的度的总和除以相邻节点数,Mn为中心节点n的相邻节点,N为相邻节点数;
1b:计算物理节点综合资源承载能力;
1b1:定义物理节点综合资源承载能力:
按照下式,以物理网络中心节点n的计算资源乘以其相邻节点间链路带宽值的总和,来计算中心节点的综合资源能力值:
式(2)中,C(n)为该中心节点n的计算资源,B(n,m)为中心节点n与相邻节点m间的带宽资源;
1b2:对定义的物理节点标准化:
按照式(3),以中心节点的综合资源承载能力值,分别依次除以相邻节点资源大小值,将结果存储在矩阵Res中,即:
Res=(Res(1),Res(2),...,Res(N))T;
1b3:对标准化的物理网络中心节点改进承载资源参数:
以马尔科夫随机游走模型计算,同时考虑该点与其邻居节点,以物理网络中心节点n为初始状态,以适当的随机游动累积报酬的形式,将邻域内的资源聚合起来计算,采用递归的思想计算中心节点的能力参数:
式(4)中,γ为相邻节点的相对权重;
1b4:对改进的物理网络中心节点进行归一化:
为消除中心节点n的节点聚集系数与资源综合承载能力的量纲,按照下式,分别对其进行归一化处理:
其中,an为对聚集系数归一化处理
其中,bn为对节点资源综合承载能力值归一化处理;
1c:计算物理网络节点多维承载资源能力参数:
按照下式,将节点多维承载资源能力参数量:
θn=an′+αbn′
其中,an′为归一化后的节点聚类系数,bn′为归一化后的节点综合资源承载能力值,α为节点综合资源承载能力值,与节点聚类程度对节点多维承载能力参数的影响比重;
S2:对定义的物理节点进行分类:
基于正态双卵模型判定节点为强的概率,同时对物理网络节点多维资源承载能力强弱进行分类,以便为不同类型的节点选取不同的备份策略:
2a:基于多边形质心对多维资源承载能力参数强的物理网络节点备份:
对节点多维资源承载能力参数为强的点进行分组,并做多对一备份,为节点多维资源承载能力参数为强的节点建立多边形,并寻找其质心;
2b:对多维资源承载能力参数为弱的物理网络节点备份:
对多维资源承载能力为弱的节点在密度子网格中寻找聚类的中心,进行多对一备份,以链路集合的形式定义共享策略。
优选的,所述步骤S2中对定义的物理节点进行分类的具体步骤如下:
步骤一:按照下式,对物理络节点多维资源承载能力强弱进行分类:
其中,Q(θn)为对应节点被判定为能力强的概率,Pi(θ)是能力为强节点对应的判断概率,qi(θ)是能力微弱节点的判断概率,a以节点聚类系数的均值计算,b以节点成在多维承载资源能力均值表示;
步骤二:调整θn数值的范围:
其中,θn_max为n个节点中节点能力最大值,θn_min为最小值;
步骤三:按照下式,计算多维资源承载能力强与弱的比例:
其中,e值为在整个物理网络中,节点的多维资源承载能力较强的节点所占的比例,其经验值为15%—20%。
优选的,所述步骤2a中基于多边形质心对多维资源承载能力参数强的物理网络节点备份,其寻找质心的具体过程如下:
将多维资源承载能力参数为强的节点记入集合A,令为强的节点按照距离远近,分组形成多边形,为所提出的算法计算多边形质心ji,对一个多边形,该算法从A的坐标集合为P(xi,yi)中的点按照距离远近,r是圆圈的中心对应的半径,选取q个点作为顶点分为i组,根据多边形的顶点计算多边形的质心,公式如下:
其中,Pi(xk,yk)是第k个顶点的坐标,在第i个多边形中,Pi是第i个多边形的顶点数,而ji(x,y)是第i个多边形质心的坐标,多边形质心形成为集合为J,其中ji(x,y)∈J。
优选的,所述步骤2b中对多维资源承载能力参数为弱的物理网络节点备份,其具体步骤如下:
2b1:对物理网络中的每一个节点的多维资源承载能力为弱的物理节点建立相连接点集合集合中元素代表和相连的物理节点,若物理节点i的相连接点集合时物理节点j的相连接点集合的子集,则物理节点i可以与物理节点j共享同一候补物理节点;
本发明的技术效果和优点:
(1)本发明采用改进的多对一备份策略,为能力强弱不同的节点实行不同的多对一备份方案,使虚拟网络共享物理网络资源,降低了开销,提高了底层网络的资源利用率和虚拟网络的接受率;
(2)本发明在物理网络中增加冗余的候补物理节点,将虚拟网络请求进行拓展形成可容忍单节点故障的可靠的虚拟网络请求。
附图说明
图1为本发明流程结构示意图。
图2为本发明计算物理节点综合资源承载能力流程结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了如图1-2所示的一种面向虚拟网络的物理网络节点备份方法,具体步骤如下:
S1:定义物理节点能力参数;
1a:计算节点的聚类系数;
按照下式,以物理网络中心节点n为研究对象,将与物理网络中心节点n的相邻节点的关系,抽象为星型拓扑图,计算中心节点的聚类系数:
其中,式(1)为节点n的相邻节点的度的总和除以相邻节点数,Mn为中心节点n的相邻节点,N为相邻节点数;
1b:计算物理节点综合资源承载能力;
1b1:定义物理节点综合资源承载能力:
按照下式,以物理网络中心节点n的计算资源乘以其相邻节点间链路带宽值的总和,来计算中心节点的综合资源能力值:
式(2)中,C(n)为该中心节点n的计算资源,B(n,m)为中心节点n与相邻节点m间的带宽资源;
1b2:对定义的物理节点标准化:
按照式(3),以中心节点的综合资源承载能力值,分别依次除以相邻节点资源大小值,将结果存储在矩阵Res中,即:
Res=(Res(1),Res(2),...,Res(N))T;
1b3:对标准化的物理网络中心节点改进承载资源参数:
以马尔科夫随机游走模型计算,同时考虑该点与其邻居节点,以物理网络中心节点n为初始状态,以适当的随机游动累积报酬的形式,将邻域内的资源聚合起来计算,采用递归的思想计算中心节点的能力参数:
式(4)中,γ为相邻节点的相对权重,P为转移概率矩阵,P为一个N×N矩阵,定义如下:
P是一个随机矩阵,所有的行的总和为1,以矩阵形式重写式(4)为
Vγ-(1-γ)Res+γPVγ (6)
其中,
Res=(Res(1),Res(2),...Res(|N|))T;
Vγ=(Vγ(1),Vγ(2),...,Vγ(|N|))T;
递归等式(6)可以看做是折现因子为γ的折现奖励的Bellman方程,节点集N上转移概率矩阵为P的马尔科夫链,
Rew=(Rew(1),Rew(2),...Rew(|N|));
Rew(n)=(1-γ)Res(n),n∈N;
节点n的排名矩阵Vγ(n),是转移概率为P的马尔科夫链的预期折扣累积奖励,即
其中n0,n1,n2,...表示采样路径;
Vγ为公式(6)的唯一解,由于P是随机的,所以(1-γP),0≤γ≤1是可逆的,因此可以得出
Vγ=(1-γP)-1(1-γ)Res (8)
根据以上定义,节点的排名Vγ(n)越高,该节点及其附近的资源就越多,折扣因子γ是对邻域大小的度量,在确定节点度量时要加以考虑,γ=0时仅考虑本节点资源,而随着γ的增加,在矩阵中靠近节点的拓扑图部分占比越来越大,虽然Vγ(n)只隐式地应用于底层网络节点,但它表示资源的数量,因此可以应用于虚拟网络结点,在这种情况下,Vγ(n)表示虚拟节点及其相邻节点所需的资源数量,这种需求可用性关系表明,作为试探法,可以简单地将具有较高排名指标的虚拟节点映射到具有较高排名的底层节点。
1b4:对改进的物理网络中心节点进行归一化:
为消除中心节点n的节点聚集系数与资源综合承载能力的量纲,按照下式,分别对其进行归一化处理:
其中,an为对聚集系数归一化处理
其中,bn为对节点资源综合承载能力值归一化处理;
1c:计算物理网络节点多维承载资源能力参数:
按照下式,将节点多维承载资源能力参数量:
θn=an′+αbn′
其中,an′为归一化后的节点聚类系数,bn′为归一化后的节点综合资源承载能力值,α为节点综合资源承载能力值,与节点聚类程度对节点多维承载能力参数的影响比重;
S2:对定义的物理节点进行分类:
基于正态双卵模型判定节点为强的概率,同时对物理网络节点多维资源承载能力强弱进行分类,以便为不同类型的节点选取不同的备份策略:
步骤一:按照下式,对物理络节点多维资源承载能力强弱进行分类:
其中,Q(θn)为对应节点被判定为能力强的概率,Pi(θ)是能力为强节点对应的判断概率,qi(θ)是能力微弱节点的判断概率,a以节点聚类系数的均值计算;b以节点成在多维承载资源能力均值表示;
步骤二:调整θn数值的范围:
其中,θn_max为n个节点中节点能力最大值,θn_min为最小值;
步骤三:按照下式,计算多维资源承载能力强与弱的比例:
其中,e值为在整个物理网络中,节点的多维资源承载能力较强的节点所占的比例,其经验值为15%—20%,使用两种不同的节点备份策略,使得多为恶资源承载能力为强的节点采用构建邻近多边形质心的备份方式,即牺牲物理网络中的少量节点资源,为节点能力参数大的节点做邻近备份,以减少因迁移带来的带宽资源量,备份为与邻近节点的多维资源承载能力为强的节点构建的多边形质心;剩余能力普通的节点占比为(1-e),采用传统多对一的备份方式,即多个节点备份为一个特定的冗余节点;
2a:基于多边形质心对多维资源承载能力参数强的物理网络节点备份:
对节点多维资源承载能力参数为强的点进行分组,并做多对一备份。为节点多维资源承载能力参数为强的节点建立多边形,并寻找其质心;
其寻找质心的具体过程如下:
将多维资源承载能力参数为强的节点记入集合A,令为强的节点按照距离远近,分组形成多边形,为所提出的算法计算多边形质心ji,对一个多边形,该算法从A的坐标集合为P(xi,yi)中的点按照距离远近,r是圆圈的中心对应的半径,选取q个点作为顶点分为i组。根据多边形的顶点计算多边形的质心,公式如下
其中,Pi(xk,yk)是第k个顶点的坐标,在第i个多边形中,Pi是第i个多边形的顶点数,而ji(x,y)是第i个多边形质心的坐标,多边形质心形成为集合为J,其中ji(x,y)∈J;
2b:对多维资源承载能力参数为弱的物理网络节点备份:
对多维资源承载能力为弱的节点在密度子网格中寻找聚类的中心,进行多对一备份,以链路集合的形式定义共享策略;
2b1:对物理网络中的每一个节点的多维资源承载能力为弱的物理节点建立相连接点集合集合中元素代表和相连的物理节点,若物理节点i的相连接点集合时物理节点j的相连接点集合的子集,则物理节点i可以与物理节点j共享同一候补物理节点;
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种面向虚拟网络的物理网络节点备份方法,具体步骤如下:
S1:定义物理节点能力参数;
1a:计算节点的聚类系数;
按照下式,以物理网络中心节点n为研究对象,将与物理网络中心节点n的相邻节点的关系,抽象为星型拓扑图,计算中心节点的聚类系数:
其中,式(1)为节点n的相邻节点的度的总和除以相邻节点数,Mn为中心节点n的相邻节点,N为相邻节点数;
1b:计算物理节点综合资源承载能力;
1b1:定义物理节点综合资源承载能力:
按照下式,以物理网络中心节点n的计算资源乘以其相邻节点间链路带宽值的总和,来计算中心节点的综合资源能力值:
式(2)中,C(n)为该中心节点n的计算资源,B(n,m)为中心节点n与相邻节点m间的带宽资源;
1b2:对定义的物理节点标准化:
按照式(3),以中心节点的综合资源承载能力值,分别依次除以相邻节点资源大小值,将结果存储在矩阵Res中,即:
Res=(Res(1),Res(2),...,Res(N))T;
1b3:对标准化的物理网络中心节点改进承载资源参数:
以马尔科夫随机游走模型计算,同时考虑该点与其邻居节点,以物理网络中心节点n为初始状态,以适当的随机游动累积报酬的形式,将邻域内的资源聚合起来计算,采用递归的思想计算中心节点的能力参数:
式(4)中,γ为相邻节点的相对权重;
1b4:对改进的物理网络中心节点进行归一化:
为消除中心节点n的节点聚集系数与资源综合承载能力的量纲,按照下式,分别对其进行归一化处理:
其中,an为对聚集系数归一化处理
其中,bn为对节点资源综合承载能力值归一化处理;
1c:计算物理网络节点多维承载资源能力参数:
按照下式,将节点多维承载资源能力参数量:
θn=an′+αbn′
其中,an′为归一化后的节点聚类系数,bn′为归一化后的节点综合资源承载能力值,α为节点综合资源承载能力值,与节点聚类程度对节点多维承载能力参数的影响比重;
S2:对定义的物理节点进行分类:
基于正态双卵模型判定节点为强的概率,同时对物理网络节点多维资源承载能力强弱进行分类,以便为不同类型的节点选取不同的备份策略:
2a:基于多边形质心对多维资源承载能力参数强的物理网络节点备份:
对节点多维资源承载能力参数为强的点进行分组,并做多对一备份,为节点多维资源承载能力参数为强的节点建立多边形,并寻找其质心;
2b:对多维资源承载能力参数为弱的物理网络节点备份:
对多维资源承载能力为弱的节点在密度子网格中寻找聚类的中心,进行多对一备份,以链路集合的形式定义共享策略。
2.根据权利要求1所述的一种面向虚拟网络的物理网络节点备份方法,其特征在于,所述步骤S2中对定义的物理节点进行分类的具体步骤如下:
步骤一:按照下式,对物理络节点多维资源承载能力强弱进行分类:
其中,Q(θn)为对应节点被判定为能力强的概率,Pi(θ)是能力为强节点对应的判断概率,qi(θ)是能力微弱节点的判断概率,a以节点聚类系数的均值计算,b以节点成在多维承载资源能力均值表示;
步骤二:调整θn数值的范围:
其中,θn_max为n个节点中节点能力最大值,θn_min为最小值;
步骤三:按照下式,计算多维资源承载能力强与弱的比例:
其中,e值为在整个物理网络中,节点的多维资源承载能力较强的节点所占的比例,其经验值为15%—20%。
3.根据权利要求1所述的一种面向虚拟网络的物理网络节点备份方法,其特征在于,所述步骤2a中基于多边形质心对多维资源承载能力参数强的物理网络节点备份,其寻找质心的具体过程如下:
将多维资源承载能力参数为强的节点记入集合A,令为强的节点按照距离远近,分组形成多边形,为所提出的算法计算多边形质心ji,对一个多边形,该算法从A的坐标集合为P(xi,yi)中的点按照距离远近,r是圆圈的中心对应的半径,选取q个点作为顶点分为i组,根据多边形的顶点计算多边形的质心,公式如下:
其中,Pi(xk,yk)是第k个顶点的坐标,在第i个多边形中,Pi是第i个多边形的顶点数,而ji(x,y)是第i个多边形质心的坐标,多边形质心形成为集合为J,其中ji(x,y)∈J。
4.根据权利要求1所述的一种面向虚拟网络的物理网络节点备份方法,其特征在于,所述步骤2b中对多维资源承载能力参数为弱的物理网络节点备份,其具体步骤如下:
2b1:对物理网络中的每一个节点的多维资源承载能力为弱的物理节点建立相连接点集合集合中元素代表和相连的物理节点,若物理节点i的相连接点集合时物理节点j的相连接点集合的子集,则物理节点i可以与物理节点j共享同一候补物理节点;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010526547.0A CN111740892A (zh) | 2020-06-09 | 2020-06-09 | 一种面向虚拟网络的物理网络节点备份方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010526547.0A CN111740892A (zh) | 2020-06-09 | 2020-06-09 | 一种面向虚拟网络的物理网络节点备份方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111740892A true CN111740892A (zh) | 2020-10-02 |
Family
ID=72648734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010526547.0A Pending CN111740892A (zh) | 2020-06-09 | 2020-06-09 | 一种面向虚拟网络的物理网络节点备份方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111740892A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113114517A (zh) * | 2021-05-26 | 2021-07-13 | 广东电网有限责任公司电力调度控制中心 | 网络切片下基于节点特征的网络资源动态备份方法及系统 |
-
2020
- 2020-06-09 CN CN202010526547.0A patent/CN111740892A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113114517A (zh) * | 2021-05-26 | 2021-07-13 | 广东电网有限责任公司电力调度控制中心 | 网络切片下基于节点特征的网络资源动态备份方法及系统 |
CN113114517B (zh) * | 2021-05-26 | 2022-07-01 | 广东电网有限责任公司电力调度控制中心 | 网络切片下基于节点特征的网络资源动态备份方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111147307B (zh) | 基于深度强化学习的服务功能链可靠部署方法 | |
Zhu et al. | Efficient, proximity-aware load balancing for DHT-based P2P systems | |
US9954758B2 (en) | Virtual network function resource allocation and management system | |
Aspnes et al. | Load balancing and locality in range-queriable data structures | |
CN104104621B (zh) | 一种基于非线性降维的虚拟网络资源动态自适应调节方法 | |
US9501509B2 (en) | Throwaway spatial index structure for dynamic point data | |
CN111858033A (zh) | 基于集群和多进程的负载均衡方法 | |
Zhu et al. | Towards efficient load balancing in structured P2P systems | |
CN111740892A (zh) | 一种面向虚拟网络的物理网络节点备份方法 | |
Karthikeyan et al. | Saldeft: Self-adaptive learning differential evolution based optimal physical machine selection for fault tolerance problem in cloud | |
Yuan et al. | Efficient graph query processing over geo-distributed datacenters | |
Zhu et al. | Boosting adaptivity of fault-tolerant scheduling for real-time tasks with service requirements on clusters | |
CN113630328A (zh) | 一种数据中心虚拟网络映射方法及系统 | |
Akdogan et al. | ToSS-it: A cloud-based throwaway spatial index structure for dynamic location data | |
CN116390162A (zh) | 一种基于深度强化学习的移动边缘计算动态服务部署方法 | |
Ding et al. | A task scheduling algorithm for heterogeneous systems using aco | |
CN116016540A (zh) | 一种基于物联网设备的区块链网络节点群可容错协助存储机制 | |
CN114599043A (zh) | 一种基于深度强化学习的空天地一体化网络资源分配方法 | |
CN114116696A (zh) | 云存储系统中考虑节点选择机制的故障节点数据重构方法 | |
Bhowmick et al. | Scalable multi‐node multi‐GPU Louvain community detection algorithm for heterogeneous architectures | |
Bhargavi et al. | Fuzzy Neutrosophic Soft Set Based Transfer-Q-Learning Scheme for Load Balancing in Uncertain Grid Computing Environments | |
Lee et al. | An evolutionary game theoretic framework for adaptive, cooperative and stable network applications | |
Wu et al. | An intelligent fuzzy-based routing algorithm for video conferencing service provisioning in software defined networking | |
Mizutani et al. | Stable load balancing with overlapping id-space management in range-based structured overlay networks | |
CN114595000B (zh) | 一种面向边缘智能的高弹性多节点协同模型卸载方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201002 |