CN113726692A - 一种基于生成对抗网络的虚拟网络映射方法及装置 - Google Patents
一种基于生成对抗网络的虚拟网络映射方法及装置 Download PDFInfo
- Publication number
- CN113726692A CN113726692A CN202111004153.XA CN202111004153A CN113726692A CN 113726692 A CN113726692 A CN 113726692A CN 202111004153 A CN202111004153 A CN 202111004153A CN 113726692 A CN113726692 A CN 113726692A
- Authority
- CN
- China
- Prior art keywords
- network
- virtual network
- acquiring
- countermeasure
- virtual
- 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
- H04L47/70—Admission control; Resource allocation
- H04L47/76—Admission control; Resource allocation using dynamic resource allocation, e.g. in-call renegotiation requested by the user or requested by the network in response to changing network conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- H04L41/12—Discovery or management of network topologies
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种基于生成对抗网络的虚拟网络映射方法及装置。所述基于生成对抗网络的虚拟网络映射方法包括:获取动态拓扑网络;通过第一双组件图卷积网络获取动态拓扑网络中的动态拓扑网络特征;获取虚拟网络的拓扑请求信息;通过第二双组件图卷积网络获取拓扑请求信息中的虚拟网络请求特征;获取经过训练的对抗模型;将所述动态拓扑网络特征以及所述虚拟网络请求特征融合从而获取融合特征;将所述融合特征输入至所述经过训练的对抗模型中从而获取处理信息。本申请的基于生成对抗网络的虚拟网络映射方法可以实现对实时在线到达的虚拟网络请求进行处理的接受率达到近100%,并且每个请求的处理时间在100ms以内。
Description
技术领域
本申请涉及网络虚拟化技术领域,具体涉及一种基于生成对抗网络的虚拟网络映射方法以及基于生成对抗网络的虚拟网络映射装置。
背景技术
网络虚拟化作为未来网络发展的关键技术之一,能够有效克服当前网络存在的“僵化”问题,实现多个虚拟网络同时共存于一个物理网络上。虚拟网络映射是网络虚拟化领域研究重点和难点,通过算法的不断优化,可以将有限的物理资源合理有效地分配给不同的虚拟网络,实现资源的最优化利用。
然而目前的大部分虚拟网络映射算法的采用启发式方案,递归地对每一个节点和链路进行映射,大大限制了映射算法的效率。
因此,希望有一种技术方案来解决或至少减轻现有技术的上述不足。
发明内容
本发明的目的在于提供一种基于生成对抗网络的虚拟网络映射方法以解决上述至少一方面的问题。
本发明的一个方面,提供一种基于生成对抗网络的虚拟网络映射方法,所述基于生成对抗网络的虚拟网络映射方法包括:
获取动态拓扑网络;
通过第一双组件图卷积网络获取动态拓扑网络中的动态拓扑网络特征;
获取虚拟网络的拓扑请求信息;
通过第二双组件图卷积网络获取拓扑请求信息中的虚拟网络请求特征;
获取经过训练的对抗模型;
将所述动态拓扑网络特征以及所述虚拟网络请求特征融合从而获取融合特征;
将所述融合特征输入至所述经过训练的对抗模型中从而获取处理信息。
可选地,所述基于生成对抗网络的虚拟网络映射方法包括:
所述动态拓扑网络特征包括网络节点特征以及链路相关性特征。
可选地,所述基于生成对抗网络的虚拟网络映射方法进一步包括:
训练所述对抗模型。
可选地,所述训练所述对抗模型包括:
获取真实拓扑集;
使用真实子拓扑集对所述对抗模型进行预训练;
获取训练集;
使用训练集对已经经过预训练的对抗模型进行训练,其中,训练采用奖励机制进行训练。
可选地,所述基于生成对抗网络的虚拟网络映射方法进一步包括:
获取所述处理信息所对应的判别值;
根据所述判别值调整所述对抗模型的参数。
本申请还提供了一种基于生成对抗网络的虚拟网络映射装置,所述基于生成对抗网络的虚拟网络映射装置包括:
动态拓扑网络获取模块,动态拓扑网络获取模块用于获取动态拓扑网络;
动态拓扑网络特征获取模块,所述动态拓扑网络特征获取模块用于通过第一双组件图卷积网络获取动态拓扑网络中的动态拓扑网络特征;
拓扑请求获取模块,所述拓扑请求获取模块用于获取虚拟网络的拓扑请求信息;
虚拟网络请求特征获取模块,所述虚拟网络请求特征获取模块用于通过第二双组件图卷积网络获取拓扑请求信息中的虚拟网络请求特征;
对抗模型获取模块,所述对抗模型获取模块用于获取经过训练的对抗模型;
融合模块,所述融合模块用于将所述动态拓扑网络特征以及所述虚拟网络请求特征融合从而获取融合特征;
计算模块,所述计算模块用于将所述融合特征输入至所述经过训练的对抗模型中从而获取处理信息。
可选地,所述动态拓扑网络特征包括网络节点特征以及链路相关性特征。
本申请还提供了一种电子设备,所述电子设备包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序,所述处理器执行计算机程序时能够实现如上所述的基于生成对抗网络的虚拟网络映射方法。
本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时能够实现如上所述的基于生成对抗网络的虚拟网络映射方法
有益效果
本申请的基于生成对抗网络的虚拟网络映射方法可以实现对实时在线到达的虚拟网络请求进行处理的接受率达到近100%,并且每个请求的处理时间在100ms以内。
附图说明
图1是本申请一实施例的基于生成对抗网络的虚拟网络映射方法的流程示意图。
图2是能够实现根据本申请一个实施例提供的基于生成对抗网络的虚拟网络映射方法的电子设备的示例性结构图。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行更加详细的描述。在附图中,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。所描述的实施例是本申请一部分实施例,而不是全部的实施例。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。下面结合附图对本申请的实施例进行详细说明。
图1是本申请一实施例的基于生成对抗网络的虚拟网络映射方法的流程示意图。
如图1所示的基于生成对抗网络的虚拟网络映射方法包括:
步骤1:获取动态拓扑网络;
步骤2:通过第一双组件图卷积网络获取动态拓扑网络中的动态拓扑网络特征;
步骤3:获取虚拟网络的拓扑请求信息;
步骤4:通过第二双组件图卷积网络获取拓扑请求信息中的虚拟网络请求特征;
步骤5:获取经过训练的对抗模型;
步骤6:将所述动态拓扑网络特征以及所述虚拟网络请求特征融合从而获取融合特征;
步骤7:将所述融合特征输入至所述经过训练的对抗模型中从而获取处理信息。
本申请的基于生成对抗网络的虚拟网络映射方法可以实现对实时在线到达的虚拟网络请求进行处理的接受率达到近100%,并且每个请求的处理时间在100ms以内。
在本实施例中,基于生成对抗网络的虚拟网络映射方法包括:
动态拓扑网络特征包括网络节点特征以及链路相关性特征。
在本实施例中,所述基于生成对抗网络的虚拟网络映射方法进一步包括:
训练对抗模型。
在本实施例中,训练所述对抗模型包括:
获取真实拓扑集;
使用真实子拓扑集对所述对抗模型进行预训练;
获取训练集;
使用训练集对已经经过预训练的对抗模型进行训练,其中,训练采用奖励机制进行训练。
在本实施例中,所述基于生成对抗网络的虚拟网络映射方法进一步包括:
获取所述处理信息所对应的判别值;
根据所述判别值调整所述对抗模型的参数。
下面以举例的方式对本申请的基于生成对抗网络的虚拟网络映射方法进行进一步阐述,可以理解的是,该举例并不构成对本申请的任何限制。
在本实施例中,硬件平台选用Dell Precision T7920塔式工作站,使用Python语言进行编程。
在本实施例中,基于生成对抗网络的虚拟网络映射方法进一步包括如下前置步骤:进行相关接口的初始化,当接收到实时到达的虚拟网络请求后,开始对请求的处理流程。
获取虚拟网络的拓扑请求信息;
通过第二双组件图卷积网络获取拓扑请求信息中的虚拟网络请求特征,具体而言,虚拟网络请求特征获取模块VN_feature()利用其双组件(节点和链路)对请求拓扑进行特征提取,
与此同时,获取动态拓扑网络;
通过第一双组件图卷积网络获取动态拓扑网络中的动态拓扑网络特征;具体而言,利用双组件图卷积神经网络对动态网络拓扑进行特征提取;
将动态拓扑网络特征以及虚拟网络请求特征融合从而获取融合特征;
获取经过训练的对抗模型;
将融合特征作为对抗模型的函数GAN()的输入,
得到针对此请求并结合考虑网络状态后的处理信息。
判别器返回对该动作的判别值(动作优良程度),
模型根据返回的值对神经网络参数进行调整。
在本实施例中,本申请首先进行动态拓扑的特征提取,引入双组件图卷积来显式地建模节点和链路的相关性,对非欧几里德域的网络拓扑进行自动特征提取。
同时,利用另一组双组件图卷积对虚拟网络的拓扑请求信息进行特征提取,充分挖掘虚拟网络请求的特征。
接着,获取经过训练的对抗模型,具体而言,对抗模型由生成器与判别器组成,将上述网络拓扑和虚拟网络请求特征作为输入,以真实的网络子拓扑作为样本,输入生成子拓扑。具体地,生成器从先验分布(即真实网络子拓扑)中获取样本,并生成表示拓扑的带节点和链路信息的拓扑G。G的节点和边分别与表示虚拟网络请求中每个虚拟节点要嵌入的物理节点位置和物理链路承载的虚拟链路信息。判别器从数据集和生成器中提取两个样本,并学习如何区分它们。使用改进的WGAN对生成器和判别器进行训练,使生成器学习匹配经验分布,并最终输出有效拓扑。
由于生成对抗模型不易收敛,训练不稳定,我们采用分阶段训练的方式。首先,使用真实子拓扑集对生成对抗模型进行预训练,使得模型可以生成符合规则的子拓扑,而不是盲目地生成不真实的拓扑。接着,在正式训练阶段,由于模型已可生成真实的拓扑,但生成的结果不一定是最使用与当前虚拟网络请求的结果,因此我们采用奖励机制,即针对一轮生成结果,得到对结果的判定值(结果的优良程度),基于此来进行训练(判定值高的生成结果会增加之后再次产生该动作的概率,反之亦然)。
本申请具有如下优点:
1、在虚拟网络映射问题中,首次将映射以非递归方式解决,以单步方式完成。
2、在虚拟网络映射问题中,首次使用双组件图卷积神经网络,对节点和链路状态同时进行特征提取,有效感知拓扑变化。
3、模型采用端到端训练,方便部署、调试。
本申请还提供了一种基于生成对抗网络的虚拟网络映射装置,所述基于生成对抗网络的虚拟网络映射装置包括动态拓扑网络获取模块、动态拓扑网络特征获取模块、拓扑请求获取模块、虚拟网络请求特征获取模块、对抗模型获取模块、融合模块以及计算模块;在本实施例中,
动态拓扑网络获取模块用于获取动态拓扑网络;
动态拓扑网络特征获取模块用于通过第一双组件图卷积网络获取动态拓扑网络中的动态拓扑网络特征;
拓扑请求获取模块用于获取虚拟网络的拓扑请求信息;
虚拟网络请求特征获取模块用于通过第二双组件图卷积网络获取拓扑请求信息中的虚拟网络请求特征;
对抗模型获取模块用于获取经过训练的对抗模型;
融合模块用于将所述动态拓扑网络特征以及所述虚拟网络请求特征融合从而获取融合特征;
计算模块用于将所述融合特征输入至所述经过训练的对抗模型中从而获取处理信息。
需要说明的是,前述对方法实施例的解释说明也适用于本实施例的系统,此处不再赘述。
本申请还提供了一种电子设备,包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序,处理器执行计算机程序时实现如上的基于生成对抗网络的虚拟网络映射方法。
本申请还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时能够实现如上的基于生成对抗网络的虚拟网络映射方法。
图2是能够实现根据本申请一个实施例提供的基于生成对抗网络的虚拟网络映射方法的电子设备的示例性结构图。
如图2所示,电子设备包括输入设备501、输入接口502、中央处理器503、存储器504、输出接口505以及输出设备506。其中,输入接口502、中央处理器503、存储器504以及输出接口505通过总线507相互连接,输入设备501和输出设备506分别通过输入接口502和输出接口505与总线507连接,进而与电子设备的其他组件连接。具体地,输入设备504接收来自外部的输入信息,并通过输入接口502将输入信息传送到中央处理器503;中央处理器503基于存储器504中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器504中,然后通过输出接口505将输出信息传送到输出设备506;输出设备506将输出信息输出到电子设备的外部供用户使用。
也就是说,图2所示的电子设备也可以被实现为包括:存储有计算机可执行指令的存储器;以及一个或多个处理器,该一个或多个处理器在执行计算机可执行指令时可以实现结合图1描述的基于生成对抗网络的虚拟网络映射方法。
在一个实施例中,图2所示的电子设备可以被实现为包括:存储器504,被配置为存储可执行程序代码;一个或多个处理器503,被配置为运行存储器504中存储的可执行程序代码,以执行上述实施例中的人机多轮对话方法。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动,媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数据多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
此外,显然“包括”一词不排除其他单元或步骤。装置权利要求中陈述的多个单元、模块或装置也可以由一个单元或总装置通过软件或硬件来实现。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,模块、程序段、或代码的一部分包括一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地标识的方框实际上可以基本并行地执行,他们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或总流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
在本实施例中所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现装置/终端设备的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在本实施例中,装置/终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。本申请虽然以较佳实施例公开如上,但其实并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此,本申请的保护范围应当以本申请权利要求所界定的范围为准。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
虽然,上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (9)
1.一种基于生成对抗网络的虚拟网络映射方法,其特征在于,所述基于生成对抗网络的虚拟网络映射方法包括:
获取动态拓扑网络;
通过第一双组件图卷积网络获取动态拓扑网络中的动态拓扑网络特征;
获取虚拟网络的拓扑请求信息;
通过第二双组件图卷积网络获取拓扑请求信息中的虚拟网络请求特征;
获取经过训练的对抗模型;
将所述动态拓扑网络特征以及所述虚拟网络请求特征融合从而获取融合特征;
将所述融合特征输入至所述经过训练的对抗模型中从而获取处理信息。
2.如权利要求1所述的基于生成对抗网络的虚拟网络映射方法,其特征在于,所述基于生成对抗网络的虚拟网络映射方法包括:
所述动态拓扑网络特征包括网络节点特征以及链路相关性特征。
3.如权利要求2所述的基于生成对抗网络的虚拟网络映射方法,其特征在于,所述基于生成对抗网络的虚拟网络映射方法进一步包括:
训练所述对抗模型。
4.如权利要求3所述的基于生成对抗网络的虚拟网络映射方法,其特征在于,所述训练所述对抗模型包括:
获取真实拓扑集;
使用真实子拓扑集对所述对抗模型进行预训练;
获取训练集;
使用训练集对已经经过预训练的对抗模型进行训练,其中,训练采用强化学习的奖励机制。
5.如权利要求1所述的基于生成对抗网络的虚拟网络映射方法,其特征在于,所述基于生成对抗网络的虚拟网络映射方法进一步包括:
获取所述处理信息所对应的判别值;
根据所述判别值调整所述对抗模型的参数。
6.一种基于生成对抗网络的虚拟网络映射装置,其特征在于,所述基于生成对抗网络的虚拟网络映射装置包括:
动态拓扑网络获取模块,动态拓扑网络获取模块用于获取动态拓扑网络;
动态拓扑网络特征获取模块,所述动态拓扑网络特征获取模块用于通过第一双组件图卷积网络获取动态拓扑网络中的动态拓扑网络特征;
拓扑请求获取模块,所述拓扑请求获取模块用于获取虚拟网络的拓扑请求信息;
虚拟网络请求特征获取模块,所述虚拟网络请求特征获取模块用于通过第二双组件图卷积网络获取拓扑请求信息中的虚拟网络请求特征;
对抗模型获取模块,所述对抗模型获取模块用于获取经过训练的对抗模型;
融合模块,所述融合模块用于将所述动态拓扑网络特征以及所述虚拟网络请求特征融合从而获取融合特征;
计算模块,所述计算模块用于将所述融合特征输入至所述经过训练的对抗模型中从而获取处理信息。
7.如权利要求6所述的基于生成对抗网络的虚拟网络映射装置,其特征在于,所述动态拓扑网络特征包括网络节点特征以及链路相关性特征。
8.一种电子设备,其特征在于,所述电子设备包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序,所述处理器执行计算机程序时能够实现如权利要求1至5中任意一项所述的基于生成对抗网络的虚拟网络映射方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时能够实现如权利要求1至5中任意一项所述的基于生成对抗网络的虚拟网络映射方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111004153.XA CN113726692B (zh) | 2021-08-30 | 2021-08-30 | 一种基于生成对抗网络的虚拟网络映射方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111004153.XA CN113726692B (zh) | 2021-08-30 | 2021-08-30 | 一种基于生成对抗网络的虚拟网络映射方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113726692A true CN113726692A (zh) | 2021-11-30 |
CN113726692B CN113726692B (zh) | 2023-04-28 |
Family
ID=78679012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111004153.XA Active CN113726692B (zh) | 2021-08-30 | 2021-08-30 | 一种基于生成对抗网络的虚拟网络映射方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113726692B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115862417A (zh) * | 2023-02-28 | 2023-03-28 | 中电运行(北京)信息技术有限公司 | 一种集成攻防演练学习的虚拟仿真系统及仿真方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170126500A1 (en) * | 2015-11-02 | 2017-05-04 | International Business Machines Corporation | Automatic redistribution of virtual machines as a growing neural gas |
US20190044838A1 (en) * | 2017-09-22 | 2019-02-07 | Intel IP Corporation | Connection point related performance measurements in a network function virtualization environment |
CN111106960A (zh) * | 2019-12-23 | 2020-05-05 | 北京邮电大学 | 一种虚拟网络的映射方法、映射装置及可读存储介质 |
CN111200550A (zh) * | 2020-01-07 | 2020-05-26 | 中国烟草总公司郑州烟草研究院 | 一种虚拟网络映射方法及装置 |
CN112436992A (zh) * | 2020-11-10 | 2021-03-02 | 北京邮电大学 | 基于图卷积网络的虚拟网络映射方法及装置 |
CN112887142A (zh) * | 2021-01-26 | 2021-06-01 | 贵州大学 | 一种虚拟化无线接入边缘云中web应用切片生成方法 |
US20210209938A1 (en) * | 2020-09-25 | 2021-07-08 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus, system, and computer-readable medium for traffic pattern prediction |
CN113193984A (zh) * | 2021-03-31 | 2021-07-30 | 西安交通大学 | 一种空天地一体化网络资源映射方法及系统 |
US20210248181A1 (en) * | 2020-02-11 | 2021-08-12 | Samsung Electronics Co., Ltd. | Electronic device and control method thereof |
-
2021
- 2021-08-30 CN CN202111004153.XA patent/CN113726692B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170126500A1 (en) * | 2015-11-02 | 2017-05-04 | International Business Machines Corporation | Automatic redistribution of virtual machines as a growing neural gas |
US20190044838A1 (en) * | 2017-09-22 | 2019-02-07 | Intel IP Corporation | Connection point related performance measurements in a network function virtualization environment |
CN111106960A (zh) * | 2019-12-23 | 2020-05-05 | 北京邮电大学 | 一种虚拟网络的映射方法、映射装置及可读存储介质 |
CN111200550A (zh) * | 2020-01-07 | 2020-05-26 | 中国烟草总公司郑州烟草研究院 | 一种虚拟网络映射方法及装置 |
US20210248181A1 (en) * | 2020-02-11 | 2021-08-12 | Samsung Electronics Co., Ltd. | Electronic device and control method thereof |
US20210209938A1 (en) * | 2020-09-25 | 2021-07-08 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus, system, and computer-readable medium for traffic pattern prediction |
CN112436992A (zh) * | 2020-11-10 | 2021-03-02 | 北京邮电大学 | 基于图卷积网络的虚拟网络映射方法及装置 |
CN112887142A (zh) * | 2021-01-26 | 2021-06-01 | 贵州大学 | 一种虚拟化无线接入边缘云中web应用切片生成方法 |
CN113193984A (zh) * | 2021-03-31 | 2021-07-30 | 西安交通大学 | 一种空天地一体化网络资源映射方法及系统 |
Non-Patent Citations (4)
Title |
---|
ZHONGXIA YAN等: "Automatic Virtual Network Embedding: A Deep Reinforcement Learning Approach With Graph Convolutional Networks", 《IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS》 * |
李硕朋等: "图神经网络及其在通信网络领域应用综述", 《北京工业大学学报》 * |
王威丽等: "5G网络人工智能化的基本框架和关键技术", 《中兴通讯技术》 * |
王聪等: "基于拓扑预配置的公平虚拟网络映射算法", 《计算机研究与发展》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115862417A (zh) * | 2023-02-28 | 2023-03-28 | 中电运行(北京)信息技术有限公司 | 一种集成攻防演练学习的虚拟仿真系统及仿真方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113726692B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20190070969A (ko) | 블록체인 기반 데이터 프로세싱 방법 및 디바이스 | |
CN113535399B (zh) | 一种nfv资源调度方法、装置以及系统 | |
US11494614B2 (en) | Subsampling training data during artificial neural network training | |
CN113297396B (zh) | 基于联邦学习的模型参数更新方法、装置及设备 | |
CN111080304A (zh) | 一种可信关系识别方法、装置及设备 | |
CN103838626A (zh) | 一种处理串行任务的数据处理装置及方法 | |
CN116627662B (zh) | 边缘计算的资源处理方法、装置、存储介质及电子设备 | |
CN116822422B (zh) | 数字逻辑电路的分析优化方法及相关设备 | |
TWI752486B (zh) | 訓練方法、特徵提取方法、裝置及電子設備 | |
CN110309629A (zh) | 一种网页代码加固方法、装置及设备 | |
CN113726692B (zh) | 一种基于生成对抗网络的虚拟网络映射方法及装置 | |
US20230289618A1 (en) | Performing knowledge graph embedding using a prediction model | |
CN104866310A (zh) | 知识数据的处理方法和系统 | |
CN116644180A (zh) | 文本匹配模型的训练方法、训练系统和文本标签确定方法 | |
CN116305161A (zh) | 一种智能合约的漏洞检测方法及装置 | |
CN115392491A (zh) | 基于知识蒸馏和联邦学习的模型训练方法及装置 | |
CN115204395A (zh) | 数据的处理方法、装置及设备 | |
CN114638998A (zh) | 模型更新方法、装置、系统及设备 | |
CN112381214A (zh) | 网络模型生成方法、装置及电子设备 | |
CN118113444A (zh) | 一种任务处理方法、装置及电子设备和存储介质 | |
CN115358391B (zh) | 神经网络的规模拓展方法、装置、电子设备及存储介质 | |
CN111260038B (zh) | 卷积神经网络的实现方法、装置、电子设备及存储介质 | |
CN111033532B (zh) | 生成对抗网络的训练方法和系统、电子设备和存储介质 | |
CN115840910A (zh) | 一种训练样本的生成方法、装置、存储介质及电子设备 | |
CN113705778A (zh) | 一种空中多智能体训练方法及装置 |
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 |