CN114124725A - 基于复杂网络模型的量子通信网络可靠度全面评估方法 - Google Patents
基于复杂网络模型的量子通信网络可靠度全面评估方法 Download PDFInfo
- Publication number
- CN114124725A CN114124725A CN202111089532.3A CN202111089532A CN114124725A CN 114124725 A CN114124725 A CN 114124725A CN 202111089532 A CN202111089532 A CN 202111089532A CN 114124725 A CN114124725 A CN 114124725A
- Authority
- CN
- China
- Prior art keywords
- reliability
- network
- quantum communication
- communication network
- node
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 130
- 238000011156 evaluation Methods 0.000 title claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000010276 construction Methods 0.000 claims abstract description 5
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 74
- 238000000034 method Methods 0.000 claims description 27
- 230000002457 bidirectional effect Effects 0.000 claims description 12
- 230000004224 protection Effects 0.000 claims description 10
- 230000035945 sensitivity Effects 0.000 claims description 6
- 238000007363 ring formation reaction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a 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
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
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)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供基于复杂网络模型的量子通信网络可靠度全面评估方法,所述方法包括建立量子通信网络系统复杂网络模型,采集所述量子通信网络基本网络状态数据和计算可靠性指标数据,依托深度学习算法进行所述量子通信网络可靠性预测,和得出所述量子通信网络预测结果并进行评估优化。本发明中通过对量子通信网络所有节点、边及路径的可靠性进行评估,可以直接了解网络可靠性的分布状况,评估结果可用于指导量子通信网络的规划、建设、运行、管理和维护,有利于提高量子通信网络的可靠性管理水平。
Description
技术领域
本发明涉及量子通信网络的技术领域,更具体地,涉及一种基于复杂网络模型的量子通信网络可靠度全面评估方法。
背景技术
复杂网络理论是分析量子通信网络结构和演化的有效工具。复杂网络实际上是各种实际系统的拓扑抽象,复杂网络理论则是从统计的角度考察网络中节点和边的性质,这些性质的不同意味着网络内部结构的不同,而网络内部结构的不同将导致系统功能有所差异。目前,研究者提出的复杂网络的主要特征有度、度分布、平均路径长度、聚类系数、介数等,可以从各个侧面反映实际网络的结构特征,并以此为基础分析其网络性能。复杂网络理论模型构造简洁,从研究对象的实际拓扑连接关系出发,通过复杂网络理论工具,分析对象的聚类程度、节点重要度、系统脆弱性等物理特性,评估效率高。
一般网络中,可靠性评估都是以历史数据为基础,这种方法仅仅针对当下网络状态进行可靠性评估和优化,不能对未来存在的可靠性风险进行预测,从而难以实现整体网络的远期可靠性指标的预测和采取相应的保障方法。
发明内容
为了解决上述问题,本发明提供一种基于复杂网络模型的量子通信网络可靠度全面评估方法,所述方法包括以下步骤:
步骤1:建立量子通信网络系统复杂网络模型;
步骤2:采集所述量子通信网络基本网络状态数据和计算可靠性指标数据;
步骤3:依托深度学习算法进行所述量子通信网络可靠性预测;
步骤4:得出所述量子通信网络预测结果并进行评估优化。
在一种实施方式中,步骤1中将所述量子通信网络系统抽象成为复杂网络模型,依次构建量子通信网络系统复杂网络节点、边、加强平均路径的可靠性加权度指标模型,最后完成量子通信网络系统复杂网络模型搭建。
在一种实施方式中,采用以下复杂网络节点可靠性加权度指标模型分析评估量子通信网络系统复杂网络的节点的可靠性:
式中:
dr(v)表示节点v的可靠性加权度指标;
v表示复杂网络的节点;
r(v)表示复杂网络中节点v的可靠度;
vi表示复杂网络中可靠性受节点v影响的节点;
Ev表示可靠性受节点v影响的节点集合;
在一种实施方式中,采用以下复杂网络边的可靠性加权度指标模型分析评估量子通信网络系统复杂网络的边的可靠性:
式中:
dr(e)表示边e的可靠性加权度指标;
e表示复杂网络的边;
vj表示复杂网络中可靠性受边e影响的节点;
r(e)表示边e的可靠度;
Ee表示可靠性受边e影响的节点集合;
在一种实施方式中,采用以下复杂网络加权平均路径的可靠度指标模型分析评估量子通信网络系统复杂网络的路径的可靠性:
式中:
dr(ij)表示加权平均路径的可靠度指标;
i表示复杂网络中的节点;
j表示复杂网络中的不同于节点i的另一节点;
f表示复杂网络的节点i和j的最短路径上的边;
dij表示节点i和j的最短路径距离。
所述复杂网络加权平均路径是所有节点两两之间可靠性加权距离的平均值:
式中:
L表示复杂网络任意两个节点的平均路径长度;
N表示网络节点数。
在一种实施方式中,根据量子通信网络系统复杂网络节点、边、加强平均路径信息,采集量子通信网络一段运行时间内的基本网络信息的运行数据,生成d1维基本网络信息向量F′={Pk,Dk′}其中,Dk′表示基本网络信息向量中的第k个参数向量,k表示向量F′的基本网络信息中的参数向量的总个数,Pk为前缀向量,用于区分不同的基本网络信息参数向量Dk′,编码位数m=log2K;所述基本网络信息包括网络的拓扑结构信息、业务信息、节点信息。
在一种实施方式中,根据量子通信网络一段运行时间内的基本网络信息的运行数据,计算确定衡量量子通信网络可靠性的指标的运行数据,生成d2维可靠性指标向量R′={Pl,Cl′},其中,Cl′表示可靠性指标向量中的第1个指标向量,1表示向量R′中衡量量子通信网络可靠性的指标向量的总个数,Pl为前缀向量,用于区分不同的指标向量Cl′,编码位数n=log2L。
在一种实施方式中,根据所述量子通信网络的基本网络信息的历史数据计算确定衡量量子通信网络可靠性的指标的历史数据,所述衡量量子通信网络可靠性的指标包括衡量网络结构可靠性、网络节点可靠性和网络业务能力可靠性的指标。
在一种实施方式中,根据量子通信网络一段运行时间内的基本网络信息的运行数据,生成d1维基本网络信息向量F′={Pk,Dk′},并将F′作为预先设置的最优第一深度置信网络模型的输入特征向量,将最优第一深度置信网络模型的输出结果作为预先设置的最优第一双向长短时记忆网络LSTM的输入特征向量,将所述最优第一双向长短时记忆网络LSTM的输出结果经过解码器解码后得到量子通信网络下一运行时间段基本网络信息向量中k个参数的预测值。
在一种实施方式中,根据量子通信网络一段运行时间内的基本网络信息的运行数据,计算确定衡量量子通信网络可靠性的指标的运行数据,生成d2维可靠性指标向量R′={Pl,Cl′},并将R′作为预先设置的最优第二深度置信网络模型的输入特征向量,将最优第二深度置信网络模型的输出结果作为预先设置的最优第二双向长短时记忆网络LSTM的输入特征向量,将所述最优第二双向长短时记忆网络LSTM的输出结果经过解码器解码后得到量子通信网络下一运行时间段衡量量子通信网络可靠性的指标向量中1个指标的预测值。
在一种实施方式中,根据量子通信网络一段运行时间内的基本网络信息的运行数据,计算确定衡量量子通信网络可靠性的指标的运行数据包括:
计算确定衡量量子通信网络网络结构可靠性的指标nR,其计算公式为:
式中,nR为网络拓扑结构保护比例,其中,NRN为网络中拓扑保护(成环或主备)数量,TRN表示网络拓扑总数。
在一种实施方式中,计算确定衡量量子通信网络网络节点可靠性的指标cRi和fpi,其计算公式为:
式中,cRi为i节点的吞吐容量利用率,ci为i节点当前的已用容量,CMi为i节点的总吞吐容量;fpi表示i节点的故障概率,NSFi为周期内i节点故障信息的采样数量,NFi为采样周期内i节点发生故障的次数。
在一种实施方式中,计算确定衡量量子通信网络网络业务能力可靠性的指标Rij,其计算公式为:
式中,Rij表示i节点和j节点间密钥的资源利用率,Wij为i节点和j节点间可使用密钥量,NWij为生成密钥总量。
在一种实施方式中,基于采集的量子通信网络一段运行时间内的基本网络信息的运行数据,得到量子通信网络下一运行时间段基本网络信息向量中全部参数的预测值;和基于计算确定的衡量量子通信网络可靠性的指标的运行数据,得到量子通信网络下一运行时间段可靠性指标向量中全部参数的预测值。
本发明中通过对量子通信网络所有节点、边及路径的可靠性进行评估,可以直接了解网络可靠性的分布状况,评估结果可用于指导量子通信网络的规划、建设、运行、管理和维护,有利于提高量子通信网络的可靠性管理水平。
本发明实施例提出的基于复杂网络模型的量子通信网络可靠度全面评估方法,将量子通信网络系统抽象为复杂网络模型,采用长短时记忆网络LSTM(LSTM:Long ShortTerm Mermory network,长短时记忆网络)和深度置信网络(DBN:Deep Belief Networks)算法分别对网络中的状态数据和计算的可靠性指标数据进行特征提取和预测,预测得出下一有效时间段内的网络状态和相应的可靠性指标。之后通过对预测的可靠性指标进行评估,若不满足标准阈值,则需要进行网络优化以提高网络的可靠性。优化时则结合预测到的下一有效时间段内的网络基本数据,选择相应的节点优化、通道优化以及业务层级的优化,提高网络的整体可靠性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是根据本发明的一个具体实施例提出的基于复杂网络模型的量子通信网络可靠度全面评估方法流程图。
图2是根据本发明的一个具体实施例提出的量子通信网络复杂网络模型建立示意图。
具体实施方式
为了使本领域技术领域人员更好地理解本申请中的技术方案,下面将结合实施例对本发明作进一步说明,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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它实施例,都应当属于本申请保护的范围。下面结合附图及实施例对本发明作进一步描述。
如图1所述,本发明实施例提出了一种基于复杂网络模型的量子通信网络可靠度全面评估方法。该方法包括以下四个步骤。
步骤1:建立量子通信网络系统复杂网络模型。
如图2所示,将量子通信网络系统抽象成为复杂网络模型,依次构建量子通信网络系统复杂网络节点、边、加强平均路径的可靠性加权度指标模型,最后完成量子通信网络系统复杂网络模型搭建。
1.采用以下复杂网络节点可靠性加权度指标模型分析评估量子通信网络系统复杂网络的节点的可靠性:
式中:
dr(v)表示节点v的可靠性加权度指标;
v表示复杂网络的节点;
r(v)表示复杂网络中节点v的可靠度;
vi表示复杂网络中可靠性受节点v影响的节点;
Ev表示可靠性受节点v影响的节点集合;
2.采用以下复杂网络边的可靠性加权度指标模型分析评估量子通信网络系统复杂网络的边的可靠性:
式中:
dr(e)表示边e的可靠性加权度指标;
e表示复杂网络的边;
vj表示复杂网络中可靠性受边e影响的节点;
r(e)表示边e的可靠度;
Ee表示可靠性受边e影响的节点集合;
3.采用以下复杂网络加权平均路径的可靠度指标模型分析评估量子通信网络系统复杂网络的路径的可靠性:
式中:
dr(ij)表示加权平均路径的可靠度指标;
i表示复杂网络中的节点;
j表示复杂网络中的不同于节点i的另一节点;
f表示复杂网络的节点i和j的最短路径上的边;
dij表示节点i和j的最短路径距离。
所述复杂网络加权平均路径是所有节点两两之间可靠性加权距离的平均值:
式中:
L表示复杂网络任意两个节点的平均路径长度;
N表示网络节点数。
步骤2:采集基本网络状态数据和计算可靠性指标数据
1.依据上述复杂网络模型的节点、边、路径距离信息,采集量子通信网络一段运行时间内的基本网络信息的运行数据,生成d1维基本网络信息向量F′={Pk,Dk′}其中,Dk′表示基本网络信息向量中的第k个参数向量,k表示向量F′的基本网络信息中的参数向量的总个数,Pk为前缀向量,用于区分不同的基本网络信息参数向量Dk′,编码位数m=log2K。
2.根据量子通信网络一段运行时间内的基本网络信息的运行数据,计算确定衡量量子通信网络可靠性的指标的运行数据,生成d2维可靠性指标向量R′={Pl,Cl′},其中,Cl′表示可靠性指标向量中的第1个指标向量,l表示向量R′中衡量量子通信网络可靠性的指标向量的总个数,Pl为前缀向量,用于区分不同的指标向量Cl′,编码位数n=log2L。
3.采集量子通信网络的基本网络信息的历史数据,所述基本网络信息包括网络的拓扑结构信息,业务信息,节点信息。根据所述量子通信网络的基本网络信息的历史数据计算确定衡量量子通信网络可靠性的指标的历史数据,所述衡量量子通信网络可靠性的指标包括衡量网络结构可靠性、网络节点可靠性和网络业务能力可靠性的指标。
步骤3:依托深度学习算法进行可靠性预测。
依据上述方法采集的量子通信网络一段运行时间内的基本网络信息的运行数据,生成d1维基本网络信息向量F′={Pk,Dk′},并将F′作为预先设置的最优第一深度置信网络模型的输入特征向量,将最优第一深度置信网络模型的输出结果作为预先设置的最优第一双向长短时记忆网络LSTM的输入特征向量,将所述最优第一双向长短时记忆网络LSTM的输出结果经过解码器解码后得到量子通信网络下一运行时间段基本网络信息向量中k个参数的预测值。
根据量子通信网络一段运行时间内的基本网络信息的运行数据,计算确定衡量量子通信网络可靠性的指标的运行数据,生成d2维可靠性指标向量R′={Pl,Cl′},并将R′作为预先设置的最优第二深度置信网络模型的输入特征向量,将最优第二深度置信网络模型的输出结果作为预先设置的最优第二双向长短时记忆网络LSTM的输入特征向量,将所述最优第二双向长短时记忆网络LSTM的输出结果经过解码器解码后得到量子通信网络下一运行时间段衡量量子通信网络可靠性的指标向量中1个指标的预测值。
根据上面所述方法,所述根据量子通信网络一段运行时间内的基本网络信息的运行数据,计算确定衡量量子通信网络可靠性的指标的运行数据包括:
计算确定衡量量子通信网络网络结构可靠性的指标nR,其计算公式为:
式中,nR为网络拓扑结构保护比例,其中,NRN为网络中拓扑保护(成环或主备)数量,TRN表示网络拓扑总数。
计算确定衡量量子通信网络网络节点可靠性的指标cRi和fpi,其计算公式为:
式中,cRi为i节点的吞吐容量利用率,ci为i节点当前的已用容量,CMi为i节点的总吞吐容量;fpi表示i节点的故障概率,NSFi为周期内i节点故障信息的采样数量,NFi为采样周期内i节点发生故障的次数。
计算确定衡量量子通信网络网络业务能力可靠性的指标Rij,其计算公式为:
式中,Rij表示i节点和j节点间密钥的资源利用率,Wij为i节点和j节点间可使用密钥量,NWij为生成密钥总量。
步骤4:得出预测结果并进行评估优化。
基于采集的量子通信网络一段运行时间内的基本网络信息的运行数据,得到量子通信网络下一运行时间段基本网络信息向量中全部参数的预测值。基于计算确定的衡量量子通信网络可靠性的指标的运行数据,得到量子通信网络下一运行时间段可靠性指标向量中全部参数的预测值。
根据上述方法,当所述量子通信网络下一运行时间段L个指标的预测值中的至少一个不满足预先设定的对应指标的指标阈值时,结合所述量子通信网络下一运行时间段基本网络信息向量中K个参数的预测值进行量子通信网络的网络优化包括:
当下一运行时间段中衡量业务能力可靠性指标的预测值不符合设定的标准阈值时,进行业务优化,根据下一运行时间段基本网络信息向量中K个参数的预测值对业务进行重路由以提升网络可靠性。
当下一运行时间段中衡量网络节点可靠性指标的预测值不符合设定的标准阈值时,进行节点优化,对故障节点进行紧急维修并实施业务保护措施以提升网络可靠性。
当下一运行时间段中衡量网络结构可靠性指标的预测值不符合设定的标准阈值时,进行网络整体优化,根据下一运行时间段基本网络信息向量中K个参数的预测值,通过修改网络拓扑结构来提高网络整体可靠性。
本发明提供一种基于复杂网络模型的量子通信网络可靠度全面评估方法。所述方法和系统依据复杂网络模型和深度学习,采用长短时记忆网络LSTM和深度置信网络算法分别对网络中的状态数据和计算的可靠性指标数据进行特征提取和预测,预测得出下一有效时间段内的网络状态和相应的可靠性指标。之后通过对预测的可靠性指标进行评估,若不满足标准阈值,则需要进行网络优化以提高网络的可靠性,优化时则结合预测到的下一有效时间段内的网络基本数据,选择相应的光缆优化、节点优化以及业务层级的优化,提高网络的整体可靠性。
本领域的技术人员容易理解的是,在不冲突的前提下,上述各有利方式可以自由地组合、叠加。
以上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。以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (14)
1.基于复杂网络模型的量子通信网络可靠度全面评估方法,其特征在于,所述方法包括以下步骤:
步骤1:建立量子通信网络系统复杂网络模型;
步骤2:采集所述量子通信网络基本网络状态数据和计算可靠性指标数据;
步骤3:依托深度学习算法进行所述量子通信网络可靠性预测;
步骤4:得出所述量子通信网络预测结果并进行评估优化。
2.根据权利要求1所述的量子通信网络可靠度全面评估方法,其特征在于,步骤1中将所述量子通信网络系统抽象成为复杂网络模型,依次构建量子通信网络系统复杂网络节点、边、加强平均路径的可靠性加权度指标模型,最后完成量子通信网络系统复杂网络模型搭建。
6.根据权利要求2所述的量子通信网络可靠度全面评估方法,其特征在于,根据量子通信网络系统复杂网络节点、边、加强平均路径信息,采集量子通信网络一段运行时间内的基本网络信息的运行数据,生成d1维基本网络信息向量F′={Pk,Dk′}其中,Dk′表示基本网络信息向量中的第k个参数向量,k表示向量F′的基本网络信息中的参数向量的总个数,Pk为前缀向量,用于区分不同的基本网络信息参数向量Dk′,编码位数m=log2K;所述基本网络信息包括网络的拓扑结构信息、业务信息、节点信息。
7.根据权利要求6所述的量子通信网络可靠度全面评估方法,其特征在于,根据量子通信网络一段运行时间内的基本网络信息的运行数据,计算确定衡量量子通信网络可靠性的指标的运行数据,生成d2维可靠性指标向量R′={Pl,Cl′},其中,Cl′表示可靠性指标向量中的第l个指标向量,l表示向量R′中衡量量子通信网络可靠性的指标向量的总个数,Pl为前缀向量,用于区分不同的指标向量Cl′,编码位数n=log2L。
8.根据权利要求7所述的量子通信网络可靠度全面评估方法,其特征在于,根据所述量子通信网络的基本网络信息的历史数据计算确定衡量量子通信网络可靠性的指标的历史数据,所述衡量量子通信网络可靠性的指标包括衡量网络结构可靠性、网络节点可靠性和网络业务能力可靠性的指标。
9.根据权利要求8所述的量子通信网络可靠度全面评估方法,其特征在于,根据量子通信网络一段运行时间内的基本网络信息的运行数据,生成d1维基本网络信息向量F′={Pk,Dk′},并将F′作为预先设置的最优第一深度置信网络模型的输入特征向量,将最优第一深度置信网络模型的输出结果作为预先设置的最优第一双向长短时记忆网络LSTM的输入特征向量,将所述最优第一双向长短时记忆网络LSTM的输出结果经过解码器解码后得到量子通信网络下一运行时间段基本网络信息向量中k个参数的预测值。
10.根据权利要求8所述的量子通信网络可靠度全面评估方法,其特征在于,根据量子通信网络一段运行时间内的基本网络信息的运行数据,计算确定衡量量子通信网络可靠性的指标的运行数据,生成d2维可靠性指标向量R′={Pl,Cl′},并将R′作为预先设置的最优第二深度置信网络模型的输入特征向量,将最优第二深度置信网络模型的输出结果作为预先设置的最优第二双向长短时记忆网络LSTM的输入特征向量,将所述最优第二双向长短时记忆网络LSTM的输出结果经过解码器解码后得到量子通信网络下一运行时间段衡量量子通信网络可靠性的指标向量中l个指标的预测值。
14.根据权利要求11所述的量子通信网络可靠度全面评估方法,其特征在于,基于采集的量子通信网络一段运行时间内的基本网络信息的运行数据,得到量子通信网络下一运行时间段基本网络信息向量中全部参数的预测值;和基于计算确定的衡量量子通信网络可靠性的指标的运行数据,得到量子通信网络下一运行时间段可靠性指标向量中全部参数的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111089532.3A CN114124725A (zh) | 2021-09-16 | 2021-09-16 | 基于复杂网络模型的量子通信网络可靠度全面评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111089532.3A CN114124725A (zh) | 2021-09-16 | 2021-09-16 | 基于复杂网络模型的量子通信网络可靠度全面评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114124725A true CN114124725A (zh) | 2022-03-01 |
Family
ID=80441405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111089532.3A Pending CN114124725A (zh) | 2021-09-16 | 2021-09-16 | 基于复杂网络模型的量子通信网络可靠度全面评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114124725A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024025328A1 (ko) * | 2022-07-27 | 2024-02-01 | 주식회사 큐심플러스 | 양자정보기술 시스템 설계/검증 및 사용자 이용 편의성 향상 처리 장치 및 방법 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070058554A1 (en) * | 2005-09-14 | 2007-03-15 | Alcatel | Method of networking systems reliability estimation |
CN111062464A (zh) * | 2019-10-24 | 2020-04-24 | 中国电力科学研究院有限公司 | 一种基于深度学习的电力通信网可靠性预测和保障方法和系统 |
CN111191867A (zh) * | 2018-11-19 | 2020-05-22 | 国网经济技术研究院有限公司 | 电力系统复杂网络的可靠性评估方法 |
CN111953543A (zh) * | 2020-08-14 | 2020-11-17 | 国科量子通信网络有限公司 | 一种基于pca-ahp的量子通信网络可靠性状况的评估方法 |
CN112651183A (zh) * | 2021-01-19 | 2021-04-13 | 广西大学 | 一种量子分布式对抗统一深度哈希网络的可靠性评估方法 |
-
2021
- 2021-09-16 CN CN202111089532.3A patent/CN114124725A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070058554A1 (en) * | 2005-09-14 | 2007-03-15 | Alcatel | Method of networking systems reliability estimation |
CN111191867A (zh) * | 2018-11-19 | 2020-05-22 | 国网经济技术研究院有限公司 | 电力系统复杂网络的可靠性评估方法 |
CN111062464A (zh) * | 2019-10-24 | 2020-04-24 | 中国电力科学研究院有限公司 | 一种基于深度学习的电力通信网可靠性预测和保障方法和系统 |
CN111953543A (zh) * | 2020-08-14 | 2020-11-17 | 国科量子通信网络有限公司 | 一种基于pca-ahp的量子通信网络可靠性状况的评估方法 |
CN112651183A (zh) * | 2021-01-19 | 2021-04-13 | 广西大学 | 一种量子分布式对抗统一深度哈希网络的可靠性评估方法 |
Non-Patent Citations (1)
Title |
---|
付凯等: ""动态融合复杂网络节点重要度评估方法"", 《哈尔滨工业大学学报》, vol. 49, no. 10, pages 112 - 119 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024025328A1 (ko) * | 2022-07-27 | 2024-02-01 | 주식회사 큐심플러스 | 양자정보기술 시스템 설계/검증 및 사용자 이용 편의성 향상 처리 장치 및 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647900B (zh) | 基于深度神经网络的安全态势智能预测方法、装置及系统 | |
CN111062464B (zh) | 一种基于深度学习的电力通信网可靠性预测和保障方法和系统 | |
CN111694879B (zh) | 一种多元时间序列异常模式预测方法及数据采集监控装置 | |
CN113032238B (zh) | 基于应用知识图谱的实时根因分析方法 | |
CN104463351A (zh) | 基于电力业务需求的通信带宽预测方法及装置 | |
CN111242171A (zh) | 网络故障的模型训练、诊断预测方法、装置以及电子设备 | |
CN101572623A (zh) | 基于主客观组合评价的网络性能综合评价方法 | |
CN103455842B (zh) | 贝叶斯算法和MapReduce相结合的信任度量方法 | |
CN111343650B (zh) | 一种基于跨域数据和对抗损失的城市尺度无线业务流量预测方法 | |
CN103428704B (zh) | 一种频谱感知方法及装置 | |
CN113852432A (zh) | 基于rcs-gru模型的频谱预测感知方法 | |
US7313095B1 (en) | Method for estimating telecommunication network traffic using link weight changes | |
Wang et al. | Artificial intelligence and wireless communications | |
CN114124725A (zh) | 基于复杂网络模型的量子通信网络可靠度全面评估方法 | |
CN117078048A (zh) | 基于数字孪生的智慧城市资源管理方法及系统 | |
Mouronte-López | Modeling the public transport networks: A study of their efficiency | |
US7363386B1 (en) | Method for estimating a traffic matrix in a communication network using non-stationary data | |
KR102656115B1 (ko) | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 | |
CN115632887A (zh) | 一种区块链网络异常数据检测方法、装置及设备 | |
CN112488805B (zh) | 基于多元回归时间序列分析的长租市场预警方法 | |
Cui et al. | A2: Agnostic aggregation in wireless sensor networks | |
CN117692026B (zh) | 一种电力线通信的链路感知方法及装置 | |
CN111327494A (zh) | 一种多域sdn网络流量态势评估方法及系统 | |
CN114090651B (zh) | 基于双通道图神经网络自编码器的交通流异常数据判断方法 | |
Wan et al. | Research on vulnerability assessment method of electric power network based on graph neural |
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 |