CN113708982B - 一种基于群体学习的服务功能链部署方法及系统 - Google Patents
一种基于群体学习的服务功能链部署方法及系统 Download PDFInfo
- Publication number
- CN113708982B CN113708982B CN202111262798.3A CN202111262798A CN113708982B CN 113708982 B CN113708982 B CN 113708982B CN 202111262798 A CN202111262798 A CN 202111262798A CN 113708982 B CN113708982 B CN 113708982B
- Authority
- CN
- China
- Prior art keywords
- sub
- function
- service function
- model
- area
- 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
Links
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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于群体学习的服务功能链部署方法及系统,属于通信领域,方法包括:将物理功能区域划分为多个子功能区域,将服务功能链划分为多个子服务功能链,子功能区域与子服务功能链一一对应;各子功能区域分别利用其本地数据集,对其局部部署模型进行深度强化学习训练;随机选择一子功能区域对训练后的局部部署模型进行基于群体学习的参数聚合,得到聚合模型,各子功能区域将其局部部署模型更新为聚合模型;重复执行深度强化学习训练、基于群体学习的参数聚合和更新操作,直至全局损失函数收敛,得到最终部署模型,并根据最终部署模型将各子服务功能链部署到对应的子功能区域。本发明能提高网络服务性能和网络安全性。
Description
技术领域
本发明属于通信领域,更具体地,涉及一种基于群体学习的服务功能链部署方法及系统。
背景技术
层出不穷的网络技术不断改变着人类的生活与工作方式,各种网络服务需要部署一系列专有硬件来实现,但网络设备部署固化,且需要定制化管理和维护,导致网络运营商资本支出与运营成本过高,服务增量不增收。网络功能虚拟化(Network FunctionsVirtualization,NFV)技术实现了传统网络功能与硬件解耦合,以软件形式将服务功能部署在在标准服务器上、交换机与存储等设备上,并可根据应用需求动态部署网络,而无需购置新的专用硬件设备,降低了网络服务成本。NFV将各种虚拟网络功能(VirtualizationNetwork Functions,VNF)按序组成服务功能链(Service Function Chain,SFC),以对外提供各种服务,增强了网络的灵活性与可扩展性。
联邦学习由于无需底层隐私数据交换便可进行模型更新与迭代,能够学习到全局近似最优化的策略,近年来被应用于指导网络服务功能链的部署。在整个服务功能链部署过程中,联邦学习需要一个中心服务器来进行节点之间的模型聚合与共享。每个节点模型的参数均由中心服务器进行协调与传递,导致整个模型聚合权力集中于中心服务器。此外,中心服务器易受外界因素影响而无法正常运行,导致各节点的模型训练、参数传递及模型更新等任务无法正常进行,智能体不能有效学习到优化的服务功能链部署模型。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种基于群体学习的服务功能链部署方法及系统,其目的在于解决现有服务功能链部署时,由于数据计算、参数更新等过程依赖中心化设备,导致权力较为集中、安全性得不到保证的问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于群体学习的服务功能链部署方法,包括:S1,将物理功能区域划分为多个子功能区域,将服务功能链划分为多个子服务功能链,所述子功能区域与所述子服务功能链一一对应,每一所述子功能区域中设置有用于部署对应子服务功能链的初始局部部署模型;S2,各所述子功能区域分别利用其本地数据集,对其局部部署模型进行深度强化学习训练;S3,随机选择一子功能区域对训练后的局部部署模型进行基于群体学习的参数聚合,得到聚合模型,各子功能区域将其局部部署模型更新为所述聚合模型;S4,重复执行所述S2-S3直至全局损失函数收敛,得到最终部署模型,并根据所述最终部署模型将各所述子服务功能链部署到对应的子功能区域。
更进一步地,所述S2中子功能区域中的深度强化学习训练包括:S21,设置深度强化学习算法的DQN模型参数,初始化经验回放池,随机初始化主网络,并将所述主网络的模型参数复制给目标网络;S22,初始化所述DQN模型参数中的状态集,令,得到当前状态及其特征向量;S23,确定所述DQN模型参数中的可选动作集,从所述可选动作集中选取动作,执行所述动作得到奖励值,到达下一状态,得到其特征向量;S24,将放入所述经验回放池,令且,重复执行所述S23-S24,直至存满所述经验回放池;S25,从所述经验回放池中随机抽取一组,用于计算主网络的Q值和目标Q网络的Q值,以计算损失函数,并更新主网络的模型参数;S26,重复执行所述S25,并每隔步将所述目标Q网络的模型参数更新为所述主网络的模型参数,直至达到预设迭代次数或局部损失函数收敛,为大于1的设定次数;所述S4中重复执行所述S22-S26以及S3直至全局损失函数收敛。
更进一步地,所述S25中目标Q网络的Q值为:
其中,为时刻子功能区域中目标Q网络的Q估计值,为时刻子功能区域中目标Q网络的Q计算值,为折扣因子,为第一加权参数,为第二加权参数,、分别为子功能区域中部署第个虚拟网络功能所需的总资源、部署成本,为时刻子功能区域的动作,为子功能区域中目标Q网络的权重。
所述局部损失函数为:
其中,为子功能区域中主网络的权重,为子功能区域中经过一轮训练后主网络的权重变化量,为超参数学习率,为时刻子功能区域中目标Q网络的Q估计值,为子功能区域中目标Q网络的权重,为时刻子功能区域中主网络的Q估计值,为求导运算,为子功能区域的局部损失函数。
更进一步地,所述S3中参数聚合包括:随机选择一子功能区域作为优化领导者,其他各所述子功能区域通过对等网络将其训练后的局部部署模型传输至所述优化领导者,所述优化领导者进行基于群体学习的参数聚合,得到聚合模型:
更进一步地,所述全局损失函数为:
更进一步地,所述S1中将服务功能链划分为多个子服务功能链包括:根据各所述子功能区域的资源在剩余总资源中的占比,将所述服务功能链划分为多个具有相应长度占比的子服务功能链:
更进一步地,所述子功能区域所含资源包括带宽资源、计算资源和缓存资源。
按照本发明的另一个方面,提供了一种基于群体学习的服务功能链部署系统,包括:划分模块,用于将物理功能区域划分为多个子功能区域,将服务功能链划分为多个子服务功能链,所述子功能区域与所述子服务功能链一一对应,每一所述子功能区域中设置有用于部署对应子服务功能链的初始局部部署模型;深度强化学习训练模块,用于使各所述子功能区域分别利用其本地数据集,对其局部部署模型进行深度强化学习训练;群体学习聚合模块,用于随机选择一子功能区域对训练后的局部部署模型进行基于群体学习的参数聚合,得到聚合模型,各所述子功能区域将其局部部署模型更新为所述聚合模型;部署模块,用于重复执行所述深度强化学习训练模块和群体学习聚合模块,直至全局损失函数收敛,得到最终部署模型,并根据所述最终部署模型将各所述子服务功能链部署到对应的子功能区域。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:将服务功能链按比例划分给各子功能区域进行智能化部署,利用群体学习和深度强化学习得到最佳部署模型,通过多区域分布式迭代学习实现服务功能链的最优部署,无需中心化设备,解决了现有服务功能链部署时依赖中心化设备导致权力较为集中、安全性得不到保证的问题;各功能区域的网络特性数据保存在本地,区域与区域之间无需交换原始数据,减少了不必要的数据流量交换,同时提高了网络安全性。
附图说明
图1为本发明实施例提供的基于群体学习的服务功能链部署方法的流程图。
图2为本发明实施例提供的服务功能链分区对应部署的映射模型图。
图3为本发明实施例提供的基于群体学习的参数聚合和更新流程图。
图4为本发明实施例提供的基于群体学习的服务功能链部署系统的框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1为本发明实施例提供的基于群体学习的服务功能链部署方法的流程图。参阅图1,结合图2-图3,对本实施例中基于群体学习的服务功能链部署方法进行详细说明,方法包括操作S1-操作S4。
参阅图2,当用户发出服务请求时,服务提供商将生成由个VNF组成的端到端服务功能链。基础设施层中的服务器提供多种类型的网络资源,包括计算资源、缓存资源和带宽资源等。根据网络规模、节点密度、潜在客户的位置和服务功能链SFC的需求将整个资源池划分为个子功能区域,;按照每个子功能区域所含资源在剩余总资源中的占比将服务功能链也分为部分。根据不同VNF的需求,虚拟化层将VNF映射到对应子功能区域中的不同服务器上。本实施例中,各子功能区域间合作部署整个服务功能链,有效利用了各子功能区域的资源,提高了服务功能链总服务性能。
操作S1,将物理功能区域划分为多个子功能区域,将服务功能链划分为多个子服务功能链,子功能区域与子服务功能链一一对应,每一子功能区域中设置有用于部署对应子服务功能链的初始局部部署模型。
具体地,根据网络规模、节点密度、潜在客户的位置和SFC需求将物理功能区域划分为个子功能区域。子功能区域物理网络表示为,为网络中所含节点集合,为网络中链接集合,、分别表示两个节点,表示连接节点和节点的物理链路。
根据本发明的实施例,操作S1中根据各子功能区域的资源在剩余总资源中的占比,将服务功能链划分为多个具有相应长度占比的子服务功能链,每部分长度分别为、、、…、。考虑到服务功能链长度应为整数,所以对结果进行向下取整:
需要说明的是,本实施例中提供了一种优选的按资源占比对子服务功能链的长度进行分配的方式,这种划分方式可以保证取整后各子服务功能链的长度总和等于;对于其他按资源占比对子服务功能链的长度进行分配的实现方式,只要能够保证分配后各子服务功能链的长度总和等于,也适用于本发明实施例。
操作S2,各子功能区域分别利用其本地数据集,对其局部部署模型进行深度强化学习训练。
对于子功能区域,定义时刻状态为集合,表示已映射的VNF的状态集合,其特征向量为。定义特征向量,表示部署第个VNF时子功能区域剩余的带宽资源,表示部署第个VNF时子功能区域剩余的计算资源,表示部署第个VNF时子功能区域剩余的缓存资源。定义时刻动作集为,其中为VNF到物理网络节点的映射动作,为资源分配动作。
初始化经验回放池的容量,利用随机权值初始化Q网络。Q值计算公式与Q-learning算法类似,但Q-learning的目标计算值和预测值是同一个Q,会产生目标Q随着神经网络的更新而更新的问题,容易导致训练参数不收敛。本实施例中,利用DQN算法计算Q值,DQN在Q-learning基础上引入一个和原有主网络结构相同的目标Q网络,二者的权重初始化相同,即令,表示主网络的权重,表示目标Q网络的权重。主网络和目标Q网络的区别在于主网络每次迭代会更新,目标Q网络每隔一段时间才会更新,在一定程度上降低了数据波动对模型参数的影响。
经验回放池通过混合过去和现在的经验信息,训练时通过随机抽取一定容量的样本数据避免了数据间的相关性。当经验回放池中已有足够数量的向量后,可从经验回放池中随机抽取一批向量。
计算局部损失函数:
操作S3,随机选择一子功能区域对训练后的局部部署模型进行基于群体学习的参数聚合,得到聚合模型,各子功能区域将其局部部署模型更新为聚合模型。
在每一轮迭代学习过程中,各个子功能区域所学习到的局部部署模型,需要与其他子功能区域进行模型参数聚合。为了提高模型的精确性,同时保护网络数据隐私安全,本实施例中引入群体学习的分布式策略来对模型进行聚合。相比于传统联邦学习,群体学习取消了中心服务器,分配给各个功能区域相等的权利。群体学习在各个子功能区域进行模型训练,所有子功能区域之间通过基于区块链的对等网络进行通信。一旦各个区域完成一轮模型训练,将各自所学习到的模型发送给从各子功能区域中随机选择的领导者来进行模型聚合。
参阅图3,操作S3中参数聚合包括:从子功能区域中随机选取一优化领导者(例如图3中的子功能区域2),各子功能区域通过对等网络将其训练后的局部部署模型传输至优化领导者,优化领导者进行基于群体学习的参数聚合,得到聚合模型:
优化领导者完成参数聚合后,再通过基于区块链的对等网络将聚合模型传递给其他各子功能区域,各子功能区域将其局部部署模型更新为该聚合模型。
操作S4,重复执行S2-S3直至全局损失函数收敛,得到最终部署模型,并根据最终部署模型将各子服务功能链部署到对应的子功能区域。
重复上述操作S2-操作S3,直到所有子功能区域模型中损失函数满足预先设定的范围,即每个功能区域模型均收敛,则停止训练并进行服务功能链部署。全局损失函数为:
上述操作中各子功能区域会根据每轮次选出的优化领导者将所有子功能区域模型参数进行聚合优化后的模型参数进行训练,即从第二轮次迭代开始每轮次开始时各子功能区域模型参数将保持一致。第一次需根据各子功能区域资源情况对各节点参数进行各自初始化,从第二轮次迭代开始直至训练停止,每轮可得到个子功能区域目的节点与源节点之间数据包、流量的最优转发顺序。将第一个子功能区域的目的节点连接第二个子功能区域的源节点,第二个子功能区域的目的节点连接第三个子功能区域的源节点,直到第个子功能区域的目的节点连接第个子功能区域的源节点,完成子功能区域之间的连接,再根据基于深度强化学习的局部部署模型得到每个子功能区域到底层物理网络的映射关系,即完成了对服务功能链的部署。
图4为本发明实施例提供的基于群体学习的服务功能链部署系统的框图。参阅图4,该基于群体学习的服务功能链部署系统400包括划分模块410、深度强化学习训练模块420、群体学习聚合模块430以及部署模块440。
划分模块410例如执行操作S1,用于将物理功能区域划分为多个子功能区域,将服务功能链划分为多个子服务功能链,子功能区域与子服务功能链一一对应,每一子功能区域中设置有用于部署对应子服务功能链的初始局部部署模型。
深度强化学习训练模块420例如执行操作S2,用于使各子功能区域分别利用其本地数据集,对其局部部署模型进行深度强化学习训练。
群体学习聚合模块430例如执行操作S3,用于随机选择一子功能区域对训练后的局部部署模型进行基于群体学习的参数聚合,得到聚合模型,各子功能区域将其局部部署模型更新为聚合模型。
部署模块440例如执行操作S4,用于重复执行深度强化学习训练模块420和群体学习聚合模块430,直至全局损失函数收敛,得到最终部署模型,并根据最终部署模型将各子服务功能链部署到对应的子功能区域。
基于群体学习的服务功能链部署系统400用于执行上述图1-图3所示实施例中的基于群体学习的服务功能链部署方法。本实施例未尽之细节,请参阅前述图1-图3所示实施例中的基于群体学习的服务功能链部署方法,此处不再赘述。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于群体学习的服务功能链部署方法,其特征在于,包括:
S1,将物理功能区域划分为多个子功能区域,将服务功能链划分为多个子服务功能链,所述子功能区域与所述子服务功能链一一对应,每一所述子功能区域中设置有用于部署对应子服务功能链的初始局部部署模型;
S2,各所述子功能区域分别利用其本地数据集,对其局部部署模型进行深度强化学习训练;
S3,随机选择一子功能区域对训练后的局部部署模型进行基于群体学习的参数聚合,得到聚合模型,各所述子功能区域将其局部部署模型更新为所述聚合模型;
S4,重复执行所述S2-S3直至全局损失函数收敛,得到最终部署模型,并根据所述最终部署模型将各所述子服务功能链部署到对应的子功能区域;
所述S3中参数聚合包括:随机选择一子功能区域作为优化领导者,其他各所述子功能区域通过对等网络将其训练后的局部部署模型传输至所述优化领导者,所述优化领导者进行基于群体学习的参数聚合,得到聚合模型:
2.如权利要求1所述的基于群体学习的服务功能链部署方法,其特征在于,所述S2中子功能区域i中的深度强化学习训练包括:
S21,设置深度强化学习算法的DQN模型参数,初始化经验回放池,随机初始化主网络,并将所述主网络的模型参数ωi复制给目标网络;
所述S4中重复执行所述S22-S26以及S3直至全局损失函数收敛。
7.如权利要求6所述的基于群体学习的服务功能链部署方法,其特征在于,所述子功能区域所含资源包括带宽资源、计算资源和缓存资源。
8.一种基于群体学习的服务功能链部署系统,其特征在于,包括:
划分模块,用于将物理功能区域划分为多个子功能区域,将服务功能链划分为多个子服务功能链,所述子功能区域与所述子服务功能链一一对应,每一所述子功能区域中设置有用于部署对应子服务功能链的初始局部部署模型;
深度强化学习训练模块,用于使各所述子功能区域分别利用其本地数据集,对其局部部署模型进行深度强化学习训练;
群体学习聚合模块,用于随机选择一子功能区域对训练后的局部部署模型进行基于群体学习的参数聚合,得到聚合模型,各所述子功能区域将其局部部署模型更新为所述聚合模型;
部署模块,用于重复执行所述深度强化学习训练模块和群体学习聚合模块,直至全局损失函数收敛,得到最终部署模型,并根据所述最终部署模型将各所述子服务功能链部署到对应的子功能区域;
所述群体学习聚合模块中参数聚合包括:随机选择一子功能区域作为优化领导者,其他各所述子功能区域通过对等网络将其训练后的局部部署模型传输至所述优化领导者,所述优化领导者进行基于群体学习的参数聚合,得到聚合模型:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111262798.3A CN113708982B (zh) | 2021-10-28 | 2021-10-28 | 一种基于群体学习的服务功能链部署方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111262798.3A CN113708982B (zh) | 2021-10-28 | 2021-10-28 | 一种基于群体学习的服务功能链部署方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113708982A CN113708982A (zh) | 2021-11-26 |
CN113708982B true CN113708982B (zh) | 2022-01-18 |
Family
ID=78647395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111262798.3A Active CN113708982B (zh) | 2021-10-28 | 2021-10-28 | 一种基于群体学习的服务功能链部署方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113708982B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114726743A (zh) * | 2022-03-04 | 2022-07-08 | 重庆邮电大学 | 一种基于联邦强化学习的服务功能链部署方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112887145A (zh) * | 2021-01-27 | 2021-06-01 | 重庆邮电大学 | 一种基于分布式的网络切片故障检测方法 |
WO2021152329A1 (en) * | 2020-01-30 | 2021-08-05 | Vision Semantics Limited | De-centralised learning for re-identification |
CN113271221A (zh) * | 2021-04-28 | 2021-08-17 | 北京邮电大学 | 网络能力开放方法、系统及电子设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10541880B2 (en) * | 2017-12-12 | 2020-01-21 | Nokia Technologies Oy | Control of data reporting for a data analytics service using an active learning framework |
WO2021179196A1 (zh) * | 2020-03-11 | 2021-09-16 | Oppo广东移动通信有限公司 | 一种基于联邦学习的模型训练方法、电子设备及存储介质 |
CN112087329B (zh) * | 2020-08-27 | 2022-06-07 | 重庆大学 | 一种网络服务功能链部署方法 |
CN112800461B (zh) * | 2021-01-28 | 2023-06-27 | 深圳供电局有限公司 | 一种基于联邦学习框架的电力计量系统网络入侵检测方法 |
CN113095513A (zh) * | 2021-04-25 | 2021-07-09 | 中山大学 | 双层公平联邦学习方法、装置和存储介质 |
CN113163366B (zh) * | 2021-04-25 | 2022-04-15 | 武汉理工大学 | 车联网中基于联邦学习的隐私保护模型聚合系统及方法 |
CN113379066B (zh) * | 2021-06-10 | 2022-07-08 | 重庆邮电大学 | 一种基于雾计算的联邦学习方法 |
CN113379039B (zh) * | 2021-07-02 | 2022-05-17 | 支付宝(杭州)信息技术有限公司 | 一种模型训练的方法、系统及装置 |
-
2021
- 2021-10-28 CN CN202111262798.3A patent/CN113708982B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021152329A1 (en) * | 2020-01-30 | 2021-08-05 | Vision Semantics Limited | De-centralised learning for re-identification |
CN112887145A (zh) * | 2021-01-27 | 2021-06-01 | 重庆邮电大学 | 一种基于分布式的网络切片故障检测方法 |
CN113271221A (zh) * | 2021-04-28 | 2021-08-17 | 北京邮电大学 | 网络能力开放方法、系统及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113708982A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yao et al. | A novel reinforcement learning algorithm for virtual network embedding | |
CN111756812B (zh) | 一种能耗感知的边云协同动态卸载调度方法 | |
CN109981438B (zh) | 一种面向sdn和nfv协同部署框架的卫星网络负载均衡方法 | |
CN108566659B (zh) | 一种基于可靠性的5g网络切片在线映射方法 | |
CN110460465B (zh) | 面向移动边缘计算的服务功能链部署方法 | |
CN111416774B (zh) | 网络拥塞控制方法、装置、计算机设备及存储介质 | |
CN111400001A (zh) | 一种面向边缘计算环境的在线计算任务卸载调度方法 | |
CN114050961B (zh) | 一种大规模网络仿真系统及资源动态调度分配方法 | |
Guan et al. | An intelligent wireless channel allocation in HAPS 5G communication system based on reinforcement learning | |
CN113346938A (zh) | 一种面向空天地一体化网络的边缘计算资源融合管理方法 | |
Zhu et al. | Load-balanced virtual network embedding based on deep reinforcement learning for 6G regional satellite networks | |
Guo et al. | Service coordination in the space-air-ground integrated network | |
CN117041330B (zh) | 一种基于强化学习的边缘微服务细粒度部署方法及系统 | |
CN116541106B (zh) | 计算任务卸载方法、计算设备及存储介质 | |
CN112073237B (zh) | 一种云边架构中大规模目标网络构建方法 | |
CN110247795A (zh) | 一种基于意图的云网资源服务链编排方法及系统 | |
CN113708982B (zh) | 一种基于群体学习的服务功能链部署方法及系统 | |
Bouzidi et al. | Dynamic clustering of software defined network switches and controller placement using deep reinforcement learning | |
CN111585811A (zh) | 一种基于多智能体深度强化学习的虚拟光网络映射方法 | |
CN116893861A (zh) | 基于空地协同边缘计算的多智能体协作依赖任务卸载方法 | |
CN111539534A (zh) | 一种基于强化学习的通用分布式图处理方法及系统 | |
Ebrahim et al. | Privacy-aware load balancing in fog networks: A reinforcement learning approach | |
Mobasheri et al. | Toward developing fog decision making on the transmission rate of various IoT devices based on reinforcement learning | |
CN116684291A (zh) | 一种适用通用化平台的服务功能链映射资源智能分配方法 | |
CN115225512B (zh) | 基于节点负载预测的多域服务链主动重构机制 |
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 |