CN112867092A - 一种面向移动边缘计算网络的数据智能路由方法 - Google Patents

一种面向移动边缘计算网络的数据智能路由方法 Download PDF

Info

Publication number
CN112867092A
CN112867092A CN202110238301.8A CN202110238301A CN112867092A CN 112867092 A CN112867092 A CN 112867092A CN 202110238301 A CN202110238301 A CN 202110238301A CN 112867092 A CN112867092 A CN 112867092A
Authority
CN
China
Prior art keywords
network
mec
data
node
edge computing
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
Application number
CN202110238301.8A
Other languages
English (en)
Inventor
李攀攀
王赠凯
尹肖栋
谢正霞
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 Electronic Information Product Inspection And Research Institute
Jiaxing University
Original Assignee
Zhejiang Electronic Information Product Inspection And Research Institute
Jiaxing 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 Electronic Information Product Inspection And Research Institute, Jiaxing University filed Critical Zhejiang Electronic Information Product Inspection And Research Institute
Priority to CN202110238301.8A priority Critical patent/CN112867092A/zh
Publication of CN112867092A publication Critical patent/CN112867092A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/12—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
    • H04W40/248—Connectivity information update

Landscapes

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

Abstract

本发明发明了一种面向移动边缘计算网络的数据智能路由方法，包括：一种面向移动边缘计算网络的数据智能路由方法，包括以下步骤：(1)、面向智能路由的MEC网络中数据采集服务应用标记；(2)、MEC网络在中轻量级全网智能路由建模方法；(3)、基于图卷积神经网络的轻量级智能路由方法。本发明所述的一种面向移动边缘计算网络的数据智能路由方法，本发明中，通过在MEC中部署应用服务统计模块，将网络中与路由策略相关的服务要素统计起来作为深度神经网络的大规模训练样本，结合图卷积神经网络的优化及泛化能力，学习出使用当前MEC网络的智能路由方法，同时，本发明方法还能使得MEC网络具有根据环境状态自主学习路由的能力。

Description

一种面向移动边缘计算网络的数据智能路由方法
技术领域
本发明涉及边缘计算网络技术领域，特别涉及一种面向移动边缘计算网络的数据智能路由方法。
背景技术
近年来，移动物联网的应用渗透到人们生产生活的方方面面。物联网所承载的应用类型也呈现类型多样化的趋势，这些应用对移动物联网资源需求多样化，如对高带宽、低延时、低能耗、高可靠等方面的需求。如何突破传统物联网无法满足用户个性化服务需求的瓶颈，移动边缘计算网(Mobile Edge Computing,MEC)便应运而生，通过密集部署MEC边缘终端，将网络、存储、计算和应用等靠近用户端，为用户提供近端服务，在一定程度上减轻骨干网络压力，提高传输效率。
为了实现移动边缘计算网络的广泛应用，需要在用户端部署边缘计算基站，这能有效避免网络承载压力过大以及业务拥塞严重的问题。对于有较高实时性的应用环境，如远程手术MEC网络环境、车辆网MEC网络环境等，MEC网络的路由策略对整个网络性能的提升起到关键作用。
边缘计算终端所采集的信息往往具有冗余性，各个终端节点单独的传输数据会使得有限的网络带宽被浪费，因此，在数据采集过程中面向整个网络的数据链路传输优化能提升整个MEC网络的路由性能。从理论上讲，面向局部路由拓扑的优化策略并不意味着也能提升整个MEC网络的性能，针对局部路由的优化可能因全局路由效率的低下而收效甚微乃至失效。因此，如何从全局视角解决MEC网络智能路由的问题，具有较强的现实意义。
为满足面向整个MEC网络的智能路由策略的需求，本发明引入了基于图卷积深度神经网络的智能路由学习与推演方法，通过联合网络延迟、历史路由策略、网络拓扑、MEC服务质量等因素建立一个面向整个MEC网络的智能路由优化方法。
发明内容
本发明的主要目的在于提供一种面向移动边缘计算网络的数据智能路由方法，可以有效解决背景技术中的问题。
为实现上述目的，本发明采取的技术方案为：
一种面向移动边缘计算网络的数据智能路由方法，包括以下步骤：
(1)、面向智能路由的MEC网络中数据采集服务应用标记；
(2)、MEC网络在中轻量级全网智能路由建模方法；
(3)、基于图卷积神经网络的轻量级智能路由方法。
优选的，在步骤1中，MEC网络中基站负责与MEC终端节点进行通信，并将终端节点的数据通过MEC云服务器以及核心网提交到云平台。
优选的，在步骤1中，在基站中部署应用统计模块，MEC终端节点的应用按业务场景进行标记，包括时延敏感型、带宽资源敏感型、计算资源敏感型，在基站中部署的流量分析模块主要负责统计包括数据流量信息、各节点路由表、转发表信息，MEC云服务器中部署有网络流量信息统计模块，其统计的信息包括实时流量分布，流量传输性能、流量通信延迟、网络当前负载指标。
优选的，在步骤2中，在移动边缘计算网络中，数据从MEC节点到结果反馈整个流程的时延D计算可表示为：D＝dsen+dtrans+dre+dinform，其中，dsen表示边缘计算节点响应时延，dtrans表示数据在无线信道中的传播时延，dre表示数据请求传输时请求等待时延，dinform表示节点处理该数据信息时的时长。总体信息传输时延的优化目标为：min(dsen+dtrans+dre+dinform)。
优选的，在步骤2中，MEC网络有不同的应用场景，如车辆网领域，对低延迟有较高应用需求，音视频领域则对带宽有较高的需求，因此针对不同的应用场景，要根据专家知识领域对MEC的服务质量进行针对性的量化分析。
优选的，在步骤3中，因MEC服务器的能源不受限，将GCN的训练模块部署到MEC服务器中，并将训练好的GCN模型分发到MEC网络的各节点中，其中GCN网络训练过程中，输入是历史路由策略、历史服务质量的评价，输出是面向整个MEC网络的智能路由方案，通过决策单元将训练好的GCN模型分发到所有MEC节点、基站、MEC服务器。
优选的，在本步骤3中，需要根据MEC网络中各节点的路由方法以及整个网络的拓扑结构，由GCN网络中自主学习出整个MEC网络的路由策略，面对整个MEC网络中的流量特征，基于数据流量特征和网络拓扑结构的MEC智能路由方法的核心思想是学习一个函数映射f(.)，通过该映射图中的节点vi可以聚合它自己的特征xi与它的邻居特征xj(j)来生成节点vi的新表示，图卷积网络是许多复杂图神经网络模型的基础，包括基于自动编码器的模型、生成模型和时空网络。
与现有技术相比，本发明具有如下有益效果：
本发明中，通过在MEC中部署应用服务统计模块，将网络中与路由策略相关的服务要素统计起来作为深度神经网络的大规模训练样本，结合图卷积神经网络的优化及泛化能力，学习出使用当前MEC网络的智能路由方法，同时，本发明方法还能使得MEC网络具有根据环境状态自主学习路由的能力；
本发明路由方法还能结合用户对服务质量的反馈，动态调整路由策略的能力，能低成本满足MEC网络在不同场景下个性化服务需求。避免了传统固定式的网络建模环境与MEC应用环境不符所带来的的路由策略失效，MEC难以满足用户需求，同时本智能路由方法还具有可持续学习的能力，在未知MEC网络应用环境中，本发明方法能通过其可持续学习的能力，优化网络路由策略，自适应满足新型的服务请求。
附图说明
图1为本发明MEC网络应用场景示意图；
图2为本发明的基于图卷积神经网络智能路由决策方法示意图；
图3为发明的MEC网络智能路由流程图示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
参照图1-3所示，一种面向移动边缘计算网络的数据智能路由方法，包括：
(1)、面向智能路由的MEC网络中数据采集服务应用标记；
(2)、MEC网络在中轻量级全网智能路由建模方法；
(3)、基于图卷积神经网络的轻量级智能路由方法。
在本发明MEC网络中，基站负责与MEC终端节点进行通信，并将终端节点的数据通过MEC云服务器以及核心网提交到云平台。
MEC节点负责采集数据并进行边缘计算，基站与MEC节点连接，在基站中部署应用服务属性统计模块，MEC服务器中部署MEC网络智能路由决策与分析模块，并负责下发更新整个MEC网络中所有路由表的信息。
在本发明中，在基站中部署应用统计模块，MEC终端节点的应用按业务场景进行标记，如时延敏感型、带宽资源敏感型、计算资源敏感型等不同的应用，同时，在基站中部署的流量分析模块主要负责统计数据流量信息、各节点路由表、转发表等信息，MEC云服务器中部署有网络流量信息统计模块，其统计的信息包括实时流量分布，流量传输性能、流量通信延迟、网络当前负载等指标。
在实际中，MEC应用场景的多样化，MEC所部署的应用程序的服务质量有不同的需求，如服务响应时间、网络时延、带宽资源等不同，不同的应用需求对智能路由有不同的需求，如何根据不同的应用需求及其服务质量要求等因素，通过领域知识，对边缘计算服务进行量化描述。
在本发明中，服务应用是MEC网络的基本服务性能分析模块。根据不同的业务需求，将不同的服务应用实施不同的路由策略，如在路由策略上，可分为先来先服务算法、短作业优先算法、时间片轮转算法和优先级算法等。
从理论上，路由信息不仅具有较强的局部特性，也具备全局特征。因此，采用深度神经网络模型的全局泛化能力进行全局的路由决策和推理。针对不同的MEC节点的服务请求，可能会有多种不同的数据路由策略，会影响整个MEC网络的性能，这就需要根据历史统计的方法训练合适的深度神经网络模型，依靠深度神经网络的强大的自学习能力，自适应地发现面向整个MEC网络的最佳路由方案
在本发明中，在移动边缘计算网络中，数据从MEC节点到结果反馈整个流程的时延D计算可表示为：D＝dsen+dtrans+dre+dinform，其中，dsen表示边缘计算节点响应时延，dtrans表示数据在无线信道中的传播时延，dre表示数据请求传输时请求等待时延，dinform表示节点处理该数据信息时的时长。总体信息传输时延的优化目标为：min(dsen+dtrans+dre+dinform)。
除了MEC边缘节点的处理能能力外，dtrans、dre、dinform等与整个MEC的网络拓扑结构相关。如何从整个网络拓扑结构出发，构建MEC智能路由方法是提升整个MEC网络性能的重要手段。
在本发明中，MEC网络有不同的应用场景，如车辆网领域，对低延迟有较高应用需求，音视频领域则对带宽有较高的需求，因此针对不同的应用场景，要根据专家知识领域对MEC的服务质量进行针对性的量化分析。
对于不同应用场景，MEC网络的流量特征具有较强的时间相关性，不同的时间节点、时间区间的MEC网络流量特征呈现较强的时空相关性。
在MEC网络中，每个参与数据转发的节点的路由策略影响到整个网络的性能，因此，本发明中，将训练好的智能路由模型分发到各个节点中，再根据当前数据状态，由各个节点自主地进行能维护整个MEC网络智能路由的数据分发策略，这样能保证整个MEC网络路由的效率，因此，需要将训练好的深度神经网络模型分发到各个节点中，包括MEC节点、基站、MEC服务器，以及与MEC网络相关的骨干网路由设备。
在本发明中，因MEC服务器的能源不受限，将GCN的训练模块部署到MEC服务器中，并将训练好的GCN模型分发到MEC网络的各节点中，其中GCN网络训练过程中，输入是历史路由策略、历史服务质量的评价等，输出是面向整个MEC网络的智能路由方案，通过决策单元将训练好的GCN模型分发到所有MEC节点、基站、MEC服务器等。
在本发明中则需要根据MEC网络中各节点的路由方法以及整个网络的拓扑结构，由GCN网络中自主学习出整个MEC网络的路由策略，面对整个MEC网络中的流量特征，基于数据流量特征和网络拓扑结构的MEC智能路由方法的核心思想是学习一个函数映射f(.)，通过该映射图中的节点vi可以聚合它自己的特征xi与它的邻居特征xj(j)来生成节点vi的新表示，图卷积网络是许多复杂图神经网络模型的基础，包括基于自动编码器的模型、生成模型和时空网络等。
将整个MEC网络的拓扑结构镜像成图的形式，是构建轻量级智能路由方法的前提。因此，历史的网络路由拓扑结构图表示为G，其中Z表示MEC网络的服务质量，其由MEC网络用户的主观打分或领域专家的量化评级确定。在本发明中，MEC网络的图定义为G＝(V,E,A)，其中，V＝{v0,v1,v2,...,vn-1}是由n个节点表示的MEC网络，E是连接各节点的边的集合，A是一个n×n的邻接矩阵，表示每对节点间的权重，每个节点可以包含一个或多个节点特征，表示图信号或函数。图的连通性反映了数据在MEC网络中的路由路径。
MEC网络拓扑结构G中包含了当前MEC每个节点当前路由策略所生成的全网路由模型，该模型由MEC网络中所有节点的路由策略、网络拓扑等因素共同决定而成。图卷积神经网络(Graph Convolutional Network,GCN)是一种能对图数据进行深度学习的方法，使用GCN神经网络根据当前的G来动态调整整个MEC网络中的路由方法具有明显的优势，首先，GCN所具备的层级结构，网络路由图的特征一层一层抽取，一层比一层的特征更抽象、更高级。再者，模型还具备非线性变换的表达能力。最后，GCN具备端到端的训练能力，无需领域专家定义任何先验规则，也无需按MEC特定应用场景预设路由方案，只需要根据MEC智能路由的特性，让GCN网络自主地学习，深度融合MEC网络的特征信息及网络的拓扑结构信息。
具体来讲，图卷积神经网络GCN的训练样例定义为一个2元组〈G,Q〉，其中：G∈Rn为样本的输入示例，G＝{G1,…,Gi,…,Gn}，Gi对应于输入，即，MEC网络的路由方案描述；Q∈Rn为样本的输出示例，Q＝{Q1,…,Ql,…,Qm}，即，输出m个路由方案，则Q中相应元素值为1，否则为0，GCN网络优化的目标为min(dsen+dtrans+dre+dinform)。GCN通过计算预测值与标签值的交叉熵作为损失函数，使得整个网络通过最小化损失函数进行优化，再通过反向逆传播更新GCN网络的参数。
训练好的图卷积神经网络模型分发到各个MEC节点，这样，将历史网络拓扑结构与图联系起来，将图像视为图的特殊形式。本发明中，图卷积神经网络采用基于空间的方法将图卷积表示为邻域聚合特征信息，当图卷积网络的算法在节点层次运行时，图池化模块可以与图卷积层交错，将图粗化为高级子结构。
在图卷积神经网络GCN中，图中心节点为i，那么图卷积算子表示如下：
Figure BDA0002961129230000071
其中，
Figure BDA0002961129230000072
表示节点i在第l层的特征表达；
cij归一化因子，一般取节点度的倒数；
Ni节点i的邻居，包含自身；
Ri节点i的类型；
Figure BDA0002961129230000081
节点Ri类型节点的变换权重参数。
那么在本发明中，使用GCN图卷积神经网络训练智能路由方法的主要步骤如下：
第一步：Send过程主要进行MEC网络中局部流量特征的识别，将GCN中每一个节点将自身的流量特征信息经过变换后发送给邻居节点，即对节点所表述的网络流量特征信息进行抽取变换；
第二步：Receive过程主要进行MEC网络中各局部流量特征的融合，GCN网络通过将每个节点的邻居节点的流量特征信息聚合起来，实现了对各节点所表述的局部流量结构信息进行融合；
第三步：Transform过程是对MEC网络局部流量特征的变换，实现从全网时域的智能路由推演，GCN是把前面的信息聚集之后做非线性变换，增加模型的表达能力。
依据上述方法，将整个MEC网络中的历史路由状态和当前网络流量的信息，以及对MEC网络的评价，由GCN网络自动地学习并推理出适用于当前MEC网络的最佳路由方案。
进一步地，根据对MEC网络的服务质量评价Q，当训练好的GCN网络能使用整个MEC网络的服务等级能力时，意味着对MEC网络的训练结束。之后，将训练好的GCN模型分发到MEC节点、基站、MEC服务器等各个路由节点，这些GCN模型共同组成了MEC网络的路由策略生成模块，使得智能路由方案具有全局的特性，从而提升整个MEC网络的路由能力。
本发明公开了一种基于图卷积神经网络的面向移动边缘计算网络的轻量级数据智能路由方法，首先，使用在基站部署的MEC节点应用统计模块，统计与智能路由相关的应用服务属性信息；其次，根据智能路由的服务质量评价的需求，对MEC网络的应用服务进行建模；最后，通过基于图卷积神经网络的模型对整个MEC网络的智能路由进行优化和推演，并将训练好的模型分发到各个服务节点，包括MEC节点、基站、MEC服务器等。本发明能够面向不同的应用场景，依据服务质量的量化评价结果自适应地生成面向整个MEC网络的智能路由策略，除此，本发明还具有可持续学习的能力，尤其在面对新型的MEC服务请求时，通过GCN深度神经网络可持续自学习的能力，能自适应地动态调整整个网络的智能路由方法。
本发明中，通过在MEC中部署应用服务统计模块，将网络中与路由策略相关的服务要素统计起来作为深度神经网络的大规模训练样本，结合图卷积神经网络的优化及泛化能力，学习出使用当前MEC网络的智能路由方法，同时，本发明方法还能使得MEC网络具有根据环境状态自主学习路由的能力。
本发明路由方法还能结合用户对服务质量的反馈，动态调整路由策略的能力，能低成本满足MEC网络在不同场景下个性化服务需求，避免了传统固定式的网络建模环境与MEC应用环境不符所带来的的路由策略失效，MEC难以满足用户需求，同时本智能路由方法还具有可持续学习的能力，在未知MEC网络应用环境中，本发明方法能通过其可持续学习的能力，优化网络路由策略，自适应满足新型的服务请求。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种面向移动边缘计算网络的数据智能路由方法，其特征在于，包括以下步骤：
(1)、面向智能路由的MEC网络中数据采集服务应用标记；
(2)、MEC网络在中轻量级全网智能路由建模方法；
(3)、基于图卷积神经网络的轻量级智能路由方法。
2.根据权利要求1所述的一种面向移动边缘计算网络的数据智能路由方法，其特征在于：在步骤1中，MEC网络中基站负责与MEC终端节点进行通信，并将终端节点的数据通过MEC云服务器以及核心网提交到云平台。
3.根据权利要求1所述的一种面向移动边缘计算网络的数据智能路由方法，其特征在于：在步骤1中，在基站中部署应用统计模块，MEC终端节点的应用按业务场景进行标记，包括时延敏感型、带宽资源敏感型、计算资源敏感型，在基站中部署的流量分析模块主要负责统计包括数据流量信息、各节点路由表、转发表信息，MEC云服务器中部署有网络流量信息统计模块，其统计的信息包括实时流量分布，流量传输性能、流量通信延迟、网络当前负载指标。
4.根据权利要求1所述的一种面向移动边缘计算网络的数据智能路由方法，其特征在于：在步骤2中，在移动边缘计算网络中，数据从MEC节点到结果反馈整个流程的时延D计算可表示为：D＝dsen+dtrans+dre+dinform，其中，dsen表示边缘计算节点响应时延，dtrans表示数据在无线信道中的传播时延，dre表示数据请求传输时请求等待时延，dinform表示节点处理该数据信息时的时长。总体信息传输时延的优化目标为：min(dsen+dtrans+dre+dinform)。
5.根据权利要求1所述的一种面向移动边缘计算网络的数据智能路由方法，其特征在于：在步骤2中，MEC网络有不同的应用场景，如车辆网领域，对低延迟有较高应用需求，音视频领域则对带宽有较高的需求，因此针对不同的应用场景，要根据专家知识领域对MEC的服务质量进行针对性的量化分析。
6.根据权利要求1所述的一种面向移动边缘计算网络的数据智能路由方法，其特征在于：在步骤3中，因MEC服务器的能源不受限，将GCN的训练模块部署到MEC服务器中，并将训练好的GCN模型分发到MEC网络的各节点中，其中GCN网络训练过程中，输入是历史路由策略、历史服务质量的评价，输出是面向整个MEC网络的智能路由方案，通过决策单元将训练好的GCN模型分发到所有MEC节点、基站、MEC服务器。
7.根据权利要求1所述的一种面向移动边缘计算网络的数据智能路由方法，其特征在于：在本步骤3中，需要根据MEC网络中各节点的路由方法以及整个网络的拓扑结构，由GCN网络中自主学习出整个MEC网络的路由策略，面对整个MEC网络中的流量特征，基于数据流量特征和网络拓扑结构的MEC智能路由方法的核心思想是学习一个函数映射f(.)，通过该映射图中的节点vi可以聚合它自己的特征xi与它的邻居特征xj(j)来生成节点vi的新表示，图卷积网络是许多复杂图神经网络模型的基础，包括基于自动编码器的模型、生成模型和时空网络。
CN202110238301.8A 2021-03-04 2021-03-04 一种面向移动边缘计算网络的数据智能路由方法 Pending CN112867092A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110238301.8A CN112867092A (zh) 2021-03-04 2021-03-04 一种面向移动边缘计算网络的数据智能路由方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110238301.8A CN112867092A (zh) 2021-03-04 2021-03-04 一种面向移动边缘计算网络的数据智能路由方法

Publications (1)

Publication Number Publication Date
CN112867092A true CN112867092A (zh) 2021-05-28

Family

ID=75991488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110238301.8A Pending CN112867092A (zh) 2021-03-04 2021-03-04 一种面向移动边缘计算网络的数据智能路由方法

Country Status (1)

Country Link
CN (1) CN112867092A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114827028A (zh) * 2022-03-09 2022-07-29 北京邮电大学 一种多层算网一体路由系统及方法
CN115529324A (zh) * 2022-08-16 2022-12-27 无锡市恒通电器有限公司 一种智能物联电表在物联网通信场景下的数据转发方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114827028A (zh) * 2022-03-09 2022-07-29 北京邮电大学 一种多层算网一体路由系统及方法
CN114827028B (zh) * 2022-03-09 2023-03-28 北京邮电大学 一种多层算网一体路由系统及方法
CN115529324A (zh) * 2022-08-16 2022-12-27 无锡市恒通电器有限公司 一种智能物联电表在物联网通信场景下的数据转发方法
CN115529324B (zh) * 2022-08-16 2023-12-15 无锡市恒通电器有限公司 一种智能物联电表在物联网通信场景下的数据转发方法

Similar Documents

Publication Publication Date Title
Jiang Graph-based deep learning for communication networks: A survey
Huang et al. An effective service-oriented networking management architecture for 5G-enabled internet of things
CN110187973B (zh) 一种面向边缘计算的服务部署优化方法
CN108540384B (zh) 软件定义网络中基于拥塞感知的智能重路由方法和装置
CN112070240A (zh) 一种高效通信的分层联邦学习框架及其优化方法和系统
CN112132202B (zh) 一种基于综合信任评价的边缘计算协同盟员发现方法
CN114143891A (zh) 移动边缘网络中基于fdql的多维资源协同优化方法
CN114884895B (zh) 一种基于深度强化学习的智能流量调度方法
CN112867092A (zh) 一种面向移动边缘计算网络的数据智能路由方法
WO2023040022A1 (zh) 一种在随机网络中基于算网协同的分布式计算卸载方法
CN111885648A (zh) 基于边缘缓存的能量有效的网络内容分发机制构建方法
CN111010341B (zh) 一种基于深度学习的覆盖网络路由决策方法
CN114465945B (zh) 一种基于sdn的标识解析网络构建方法
Li Retracted: Design and implementation of music teaching assistant platform based on Internet of Things
CN114254761A (zh) 一种适用于异构网络的通用联邦学习实现方法
Zhang et al. icache: An intelligent caching scheme for dynamic network environments in icn-based iot networks
CN113918829A (zh) 一种雾计算网络中基于联邦学习的内容缓存和推荐方法
CN112822033B (zh) 一种基于云端协同分层自治的能源互联网数据处理方法
Chen et al. Profit-Aware Cooperative Offloading in UAV-Enabled MEC Systems Using Lightweight Deep Reinforcement Learning
CN115904731A (zh) 一种边缘协作式副本放置方法
Zhi-yuan et al. A multipath routing algorithm based on traffic prediction in wireless mesh networks
Yang et al. FedDD: Federated double distillation in IoV
Nour et al. Unsupervised Data Splitting Scheme for Federated Edge Learning in IoT Networks
Nan et al. Regional-union based federated learning for wireless traffic prediction in 5G-Advanced/6G network
Ma Multi-Task Offloading via Graph Neural Networks in Heterogeneous Multi-access Edge Computing

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