CN112019381A - 一种基于深度学习的集群链路检测方法和系统 - Google Patents
一种基于深度学习的集群链路检测方法和系统 Download PDFInfo
- Publication number
- CN112019381A CN112019381A CN202010809866.2A CN202010809866A CN112019381A CN 112019381 A CN112019381 A CN 112019381A CN 202010809866 A CN202010809866 A CN 202010809866A CN 112019381 A CN112019381 A CN 112019381A
- Authority
- CN
- China
- Prior art keywords
- link
- cluster
- links
- training
- cluster link
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000013135 deep learning Methods 0.000 title claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000005540 biological transmission Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000026676 system process 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
- 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
-
- 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
- H04L41/04—Network management architectures or arrangements
- H04L41/042—Network management architectures or arrangements comprising distributed management centres cooperatively managing the 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出了一种基于深度学习的集群链路检测方法和系统，该方法包括以下步骤：将集群链路状态值作为卷积神经网络的输入特征值；卷积神经网络对集群链路状态值的海量数据进行训练，在训练模型收敛后，停止训练；根据收敛后的模型，对符合阈值的链路进行链路保留，对不符合阈值的链路进行链路合并。其中集群链路状态值包括链路带宽、链路吞吐量和链路传输时延。基于本发明提出集群链路检测方法，还提出了一种基于深度学习的集群链路检测系统。本发明充分利用了卷积神经网络自动调优的特性，对不通集群的特性进行特定的处理。通过训练得到的检测模型，能够最大程度地利用集群系统内每个节点资源，从而提升集群系统的自动化和计算性能。
Description
技术领域
本发明属于分布式集群检测技术领域，特别涉及一种基于深度学习的集群链路检测方法和系统。
背景技术
分布式集群已经成为当今高性能计算的关键技术，在很多领域，分布式集群都起到了非常重要的作用，通过搭建高性能集群，能够解决单机计算量小，运算周期长的问题。
但是，在集群系统处理计算请求时，经常会遇到链路丢包或者数据传送过慢的问题，所以，链路的状态检测显得尤为重要。链路问题存在随机性，在现有技术中，对于链路检测的方法无法通过既有的通用手段去检测，只能根据具体集群系统的经验知识作为检测的依据。
发明内容
为了解决上述技术问题，本发明提出了一种基于深度学习的集群链路检测方法和系统。利用了卷积神经网络自动调优的特性，对不通集群的特性进行特定的处理。通过训练得到的检测模型，能够最大程度地利用集群系统内每个节点资源，从而提升集群系统的自动化和计算性能。
为实现上述目的，本发明采用以下技术方案：一种基于深度学习的集群链路检测方法，该方法包括以下步骤：
将集群链路状态值作为卷积神经网络的输入特征值；所述卷积神经网络对集群链路状态值的海量数据进行训练，在训练模型收敛后，停止训练；
根据收敛后的模型，对符合阈值的链路进行链路保留，对不符合阈值的链路进行链路合并。
进一步的，所述集群链路状态值包括链路带宽、链路吞吐量和链路传输时延。
进一步的，所述将集群链路状态值作为卷积神经网络的输入特征值包括：
定量采集所述集群链路状态值，并保存在CSV文件中；所述卷积神经网络对集群链路状态值的海量数据进行训练时，首先读取所述CSV文件。
进一步的，判断训练模型收敛的依据为：根据误差函数或者给定阈值，通过交叉熵函数进行计算，在小于误差函数或者满足给定阈值的条件后，停止训练，则判断模型收敛。
进一步的，所述根据收敛后的模块，对符合阈值的链路进行链路保留，对不符合阈值的链路进行链路合并包括：采用收敛后的模型，对链路进行判断，对符合阈值的链路通过增加变量的方式标记链路保留，对不符合阈值的链路通过减少变量的方式标记链路合并。
本发明还提出了一种基于深度学习的集群链路检测系统，包括训练模块和判断模块；
所述训练模块用于将集群链路状态值作为卷积神经网络的输入特征值；所述卷积神经网络对集群链路状态值的海量数据进行训练，在训练模型收敛后，停止训练；
所述判断模块用于根据收敛后的模型，对符合阈值的链路进行链路保留，对不符合阈值的链路进行链路合并。
进一步的，所述训练模块执行的过程为：定量采集所述集群链路状态值，并保存在CSV文件中；所述卷积神经网络对集群链路状态值的海量数据进行训练时，首先读取所述CSV文件，然后对集群链路状态值的CSV文件进行训练，在模块满足收敛条件时，停止训练。
进一步的，所述判断模块执行的过程为：采用收敛后的模型，对链路进行判断，对符合阈值的链路通过增加变量的方式标记链路保留，对不符合阈值的链路通过减少变量的方式标记链路合并。
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
本发明提出了一种基于深度学习的集群链路检测方法和系统，该方法包括以下步骤：将集群链路状态值作为卷积神经网络的输入特征值；卷积神经网络对集群链路状态值的海量数据进行训练，在训练模型收敛后，停止训练；根据收敛后的模型，对符合阈值的链路进行链路保留，对不符合阈值的链路进行链路合并。其中集群链路状态值包括链路带宽、链路吞吐量和链路传输时延。定量采集集群链路状态值，并保存在CSV文件中；卷积神经网络对集群链路状态值的海量数据进行训练时，首先读取CSV文件。在模块满足收敛条件时，停止训练。判断训练模型收敛的依据为：根据误差函数或者给定阈值，通过交叉熵函数进行计算，在小于误差函数或者满足给定阈值的条件后，停止训练，则判断模型收敛。采用收敛后的模型，对链路进行判断，对符合阈值的链路通过增加变量的方式标记链路保留，对不符合阈值的链路通过减少变量的方式标记链路合并。本发明利用深度算法据卷积神经网络对特定集群状态进行经验性的学习。深度学习方法就是一种利用经验知识，通过海量数据进行自我学习，生成相对通用模型的方法。最后生成检测模型，并对链路状态进行判优和聚合。基于本发明提出一种基于深度学习的集群链路检测方法，还提出了一种基于深度学习的集群链路检测系统。本发明充分利用了卷积神经网络自动调优的特性，对不通集群的特性进行特定的处理。通过训练得到的检测模型，能够最大程度地利用集群系统内每个节点资源，从而提升集群系统的自动化和计算性能。
附图说明
如图1为本发明实施例1提出的一种基于深度学习的集群链路检测方法中链路检测模型示意图；
如图2为本发明实施例1提出的一种基于深度学习的集群链路检测方法流程图；
如图3为本发明实施例2提出的一种基于深度学习的集群链路检测系统示意图。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
实施例1
本发明实施例1提出了一种基于深度学习的集群链路检测方法，深度学习和集群系统的结合，利用深度学习方法(比如卷积神经网络)的经验性学习，生成集群系统的链路检测模型，并为链路优选和路径聚合提供判断依据。
如图1为本发明实施例1提出的一种基于深度学习的集群链路检测方法中链路检测模型示意图。
首先获取集群链路节点的状态值，利用深度学习方法(比如卷积神经网络)的经验性学习对集群链路节点的状态值的海量数据进行模型训练，待模型收敛后停止训练。然后根据收敛后的模型，通过路由器，对集群链路节点的状态进行判优和聚合。
本发明利用卷积神经网络这种深度学习方法对集群系统的路径进行经验性学习，其中链路的带宽、吞吐量、传输时延以及链路等状态值都可以作为卷积神经网络进行学习的输入特征值。
定量采集集群链路状态值，并保存在CSV文件中；卷积神经网络对集群链路状态值的海量数据进行训练时，首先读取CSV文件。训练过程，卷积神经网络本身就是“黑盒”，所以，训练中的参数调整完全由计算机来控制，人工无法直接干预。开发人员只能通过设置网络结构来构建深度学习模型的结构，并不能人工直接调整参数。
卷积神经网络经过海量数据的训练后，待训练模型满足收敛条件，则停止训练。判断是否满足收敛条件的依据为：模型收敛根据误差函数或给定阈值，通过交叉熵函数进行计算，小于误差函数或者满足给定阈值条件后，停止训练，参数固化到模型文件中，即为模型收敛。这时候就会生成相对通用的检测模型。相对通用是基于当前的判断依据而言的，因为后期可能会又链路的变更，那时候需要重新训练新的模型，所以后期可能会有增加的树形。
采用收敛后的模型，对链路进行判断，对符合阈值的链路通过增加变量的方式标记链路保留，以便后期更高效的完成计算任务。对不符合阈值的链路通过减少变量的方式标记链路合并。并以一定的权重表示。
比如依据吞吐量进行分配，将计算业务小的任务分配给吞吐量小的节点，对于吞吐量高的业务，进行数据的拆分和重组，将大数据拆分成小数据，逐个分配给每个节点。这样可以提高集群计算业务的自动化水平，同时还可以充分利用每个节点的计算能力，减少了资源的浪费。
基于上述描述，如图2给出了一种基于深度学习的集群链路检测方法流程图。
在步骤S201中，开始执行该流程。
在步骤S202中，统计集群链路节点的数量，并获取集群链路节点的状态值作为特征向量。
在步骤S203中，中链路的带宽、吞吐量、传输时延以及链路等状态值都可以作为卷积神经网络进行学习的输入特征值，即为特征向量。
在步骤S204中，卷积神经网路对链路状态值的海量数据进行训练。
在步骤S205中，判断模型是否收敛，判断的依据为模型收敛根据误差函数或给定阈值，通过交叉熵函数进行计算，小于误差函数或者满足给定阈值条件后，停止训练，参数固化到模型文件中，即为模型收敛。如果模型已经收敛，执行步骤S206，否则返回步骤S204，卷积神经网路对链路状态值的海量数据继续进行训练。
在步骤S206中，采用收敛后的模型，对链路进行判断。
在步骤S207中，对符合阈值的链路通过增加变量的方式标记链路保留，以便后期更高效的完成计算任务。
在步骤S208中，对不符合阈值的链路通过减少变量的方式标记链路合并。
在步骤S209中，流程结束。
实施例2
基于本发明提出一种基于深度学习的集群链路检测方法，还提出了一种基于深度学习的集群链路检测系统，如图3为本发明实施例2提出的一种基于深度学习的集群链路检测系统示意图。
该系统包括：训练模块和判断模块；训练模块用于将集群链路状态值作为卷积神经网络的输入特征值；卷积神经网络对集群链路状态值的海量数据进行训练，在训练模型收敛后，停止训练；判断模块用于根据收敛后的模型，对符合阈值的链路进行链路保留，对不符合阈值的链路进行链路合并。
训练模块执行的过程为：定量采集集群链路状态值，并保存在CSV文件中；卷积神经网络对集群链路状态值的海量数据进行训练时，首先读取CSV文件，然后对集群链路状态值的CSV文件进行训练，在模块满足收敛条件时，停止训练。
判断模块执行的过程为：采用收敛后的模型，对链路进行判断，对符合阈值的链路通过增加变量的方式标记链路保留，对不符合阈值的链路通过减少变量的方式标记链路合并。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制。对于所属领域的技术人员来说，在上述说明的基础上还可以做出其它不同形式的修改或变形。这里无需也无法对所有的实施方式予以穷举。在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种基于深度学习的集群链路检测方法，其特征在于，包括以下步骤：
将集群链路状态值作为卷积神经网络的输入特征值；所述卷积神经网络对集群链路状态值的海量数据进行训练，在训练模型收敛后，停止训练；
根据收敛后的模型，对符合阈值的链路进行链路保留，对不符合阈值的链路进行链路合并。
2.根据权利要求1所述的一种基于深度学习的集群链路检测方法，其特征在于，所述集群链路状态值包括链路带宽、链路吞吐量和链路传输时延。
3.根据权利要求2所述的一种基于深度学习的集群链路检测方法，其特征在于，所述将集群链路状态值作为卷积神经网络的输入特征值包括：
定量采集所述集群链路状态值，并保存在CSV文件中；所述卷积神经网络对集群链路状态值的海量数据进行训练时，首先读取所述CSV文件。
4.根据权利要求1所述的一种基于深度学习的集群链路检测方法，其特征在于，判断训练模型收敛的依据为：根据误差函数或者给定阈值，通过交叉熵函数进行计算，在小于误差函数或者满足给定阈值的条件后，停止训练，则判断模型收敛。
5.根据权利要求1所述的一种基于深度学习的集群链路检测方法，其特征在于，所述根据收敛后的模块，对符合阈值的链路进行链路保留，对不符合阈值的链路进行链路合并包括：采用收敛后的模型，对链路进行判断，对符合阈值的链路通过增加变量的方式标记链路保留，对不符合阈值的链路通过减少变量的方式标记链路合并。
6.一种基于深度学习的集群链路检测系统，其特征在于，包括训练模块和判断模块；
所述训练模块用于将集群链路状态值作为卷积神经网络的输入特征值；所述卷积神经网络对集群链路状态值的海量数据进行训练，在训练模型收敛后，停止训练；
所述判断模块用于根据收敛后的模型，对符合阈值的链路进行链路保留，对不符合阈值的链路进行链路合并。
7.根据权利要求6所述的一种基于深度学习的集群链路检测系统，其特征在于，所述训练模块执行的过程为：定量采集所述集群链路状态值，并保存在CSV文件中；所述卷积神经网络对集群链路状态值的海量数据进行训练时，首先读取所述CSV文件，然后对集群链路状态值的CSV文件进行训练，在模块满足收敛条件时，停止训练。
8.根据权利要求6所述的一种基于深度学习的集群链路检测系统，其特征在于，所述判断模块执行的过程为：采用收敛后的模型，对链路进行判断，对符合阈值的链路通过增加变量的方式标记链路保留，对不符合阈值的链路通过减少变量的方式标记链路合并。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010809866.2A CN112019381B (zh) | 2020-08-12 | 2020-08-12 | 一种基于深度学习的集群链路检测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010809866.2A CN112019381B (zh) | 2020-08-12 | 2020-08-12 | 一种基于深度学习的集群链路检测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112019381A true CN112019381A (zh) | 2020-12-01 |
| CN112019381B CN112019381B (zh) | 2022-06-07 |
Family
ID=73504258
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010809866.2A Active CN112019381B (zh) | 2020-08-12 | 2020-08-12 | 一种基于深度学习的集群链路检测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112019381B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657020A (zh) * | 2021-07-13 | 2021-11-16 | 电子科技大学 | 一种用于气动数据处理的深度集群神经网络模型构建方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106953802A (zh) * | 2017-03-01 | 2017-07-14 | 浙江工商大学 | 一种基于深度学习的网络最优路径选择方法 |
| CN108307435A (zh) * | 2018-01-29 | 2018-07-20 | 大连大学 | 一种基于sdsin的多任务路由选择方法 |
| 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 |
| CN109034134A (zh) * | 2018-09-03 | 2018-12-18 | 深圳市尼欧科技有限公司 | 基于多任务深度卷积神经网络的异常驾驶行为检测方法 |
| CN109543818A (zh) * | 2018-10-19 | 2019-03-29 | 中国科学院计算技术研究所 | 一种基于深度学习模型的链路评估方法和系统 |
-
2020
- 2020-08-12 CN CN202010809866.2A patent/CN112019381B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106953802A (zh) * | 2017-03-01 | 2017-07-14 | 浙江工商大学 | 一种基于深度学习的网络最优路径选择方法 |
| CN108307435A (zh) * | 2018-01-29 | 2018-07-20 | 大连大学 | 一种基于sdsin的多任务路由选择方法 |
| 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 |
| CN109034134A (zh) * | 2018-09-03 | 2018-12-18 | 深圳市尼欧科技有限公司 | 基于多任务深度卷积神经网络的异常驾驶行为检测方法 |
| CN109543818A (zh) * | 2018-10-19 | 2019-03-29 | 中国科学院计算技术研究所 | 一种基于深度学习模型的链路评估方法和系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657020A (zh) * | 2021-07-13 | 2021-11-16 | 电子科技大学 | 一种用于气动数据处理的深度集群神经网络模型构建方法 |
| CN113657020B (zh) * | 2021-07-13 | 2023-05-05 | 电子科技大学 | 一种用于气动数据处理的深度集群神经网络模型构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112019381B (zh) | 2022-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108259367B (zh) | 一种基于软件定义网络的服务感知的流策略定制方法 | |
| CN117997906B (zh) | 节点计算资源分配方法、网络交换子系统及智能计算平台 | |
| CN111984381A (zh) | 一种基于历史数据预测的Kubernetes资源调度优化方法 | |
| CN110852387B (zh) | 一种能源互联网超实时状态研判算法 | |
| CN111245718A (zh) | 一种基于sdn情景感知的路由优化方法 | |
| CN111191955B (zh) | 基于相依马尔可夫链的电力cps风险区域预测方法 | |
| CN115934333A (zh) | 基于历史数据感知的云计算资源调度方法及调度系统 | |
| CN117931424A (zh) | 一种云环境的网络资源调度优化系统 | |
| CN112019381B (zh) | 一种基于深度学习的集群链路检测方法和系统 | |
| CN116302481A (zh) | 基于稀疏知识图谱链接预测的资源分配方法及系统 | |
| Nsaif et al. | SM-FPLF: Link-State Prediction For Software-Defined DCN Power Optimization | |
| Xu et al. | Machine Learning for Interconnect Network Traffic Forecasting: Investigation and Exploitation | |
| CN112906745B (zh) | 基于边缘协同的诚信智能网络训练方法 | |
| CN113132163B (zh) | 一种分布式系统的优化方法及系统 | |
| KR102277554B1 (ko) | 소프트웨어 정의 네트워크에서의 스위치 마이그레이션을 제공하는 컨트롤러 및 방법 | |
| CN116090500A (zh) | 基于异常检测模型的进化多任务优化算法 | |
| CN115499365A (zh) | 路由优化方法、装置、设备及介质 | |
| Ma | Multi-Task Offloading via Graph Neural Networks in Heterogeneous Multi-access Edge Computing | |
| Mori et al. | Automated Design System of Automotive Ethernet Utilizing Simulation-Based Machine Learning | |
| CN118626831B (zh) | 一种基于大数据的算力配置检测方法及系统 | |
| Chen | Design of Big Data Scheduling Optimization Algorithm Based on Deep Reinforcement Learning | |
| CN114492769B (zh) | 数据处理方法、相关设备及系统 | |
| CN117875603A (zh) | 基于功率损耗的飞轮阵列功率匹配协同优化方法及装置 | |
| CN117939572B (zh) | 电力物联网终端接入方法 | |
| Zhong et al. | Cloud-Edge collaborative task offloading model using improved biogeography-based optimization algorithm |
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 |