CN114205251A - 基于时空特征的交换机链路资源预测方法 - Google Patents
基于时空特征的交换机链路资源预测方法 Download PDFInfo
- Publication number
- CN114205251A CN114205251A CN202111499978.3A CN202111499978A CN114205251A CN 114205251 A CN114205251 A CN 114205251A CN 202111499978 A CN202111499978 A CN 202111499978A CN 114205251 A CN114205251 A CN 114205251A
- Authority
- CN
- China
- Prior art keywords
- network
- gru
- link
- nodes
- information
- 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
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/12—Avoiding congestion; Recovering from congestion
- H04L47/127—Avoiding congestion; Recovering from congestion by using congestion prediction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (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
本发明公开了一种基于时空特征的交换机链路资源预测方法,主要解决现有数据中心网络中链路拥塞、网络能效比和资源利用率低的问题。其方案为:根据各层交换机连接关系构建链路的图结构;设计由改进的门循环网络、图卷积神经网络、改进的门循环网络级联构成的改进型空间门循环网络S‑GRU+;根据每条链路的历史负载特征值构建网络模型的训练集和测试集;根据图结构建立链路之间的邻接矩阵;利用训练集和邻接矩阵训练S‑GRU+网络;将测试集和邻接矩阵输入到训练好的S‑GRU+网络,输出下一时刻每条链路负载信息的预测值。本发明提高了链路载荷的预测准确率,提升了网络能效比和资源利用率,可用于数据中心路由调度和资源的分配与调度。
Description
技术领域
本发明属于通信技术领域,特别涉及一种交换机链路资源的预测方法,可用于数据中心路由调度和资源的分配与调度。
背景技术
近年来,云计算、大数据、物联网新兴产业的快速发展,全球数据信息量呈现爆炸式的增长趋势。数据中心维护着数以万计的具有计算能力和存储能力的设备,其作为新型基础设施平台支撑着新兴产业的发展。随着大数据、云计算典型分布式计算应用类型和数量的不断增加以及数据中心网络规模的快速扩张,造成数据中心网络链路拥塞难避免,导致数据栈中心资源利用率和网络能效比低下。
传统方法是通过SDN控制器获取每条链路的负载信息,并将其与每条链路的最大带宽比对,获取链路当前是否拥塞,从而对路由进行调度,此类方法在已经拥塞的情况下进行调度,无法捕获链路负载的复杂时空特征,对链路资源造成浪费,增加了传输时延,严重影响网络性能。
由于网络拓扑的高度非线性和复杂性,传统方法无法提前获取链路的拥塞情况,因而目前通过网络链路资源的特征预测链路负载信息去实现路由和资源的及时调度,成为了主流方法,其中经典统计模型和机器学习模型是两个主要代表。
自回归综合移动平均ARIMA及其变体是基于经典统计模型的最综合方法之一,然而,这种模型受到时间序列平稳性假设的限制,在链路负载特征处理中,无法有效提取随时间动态变化的特征。递归神经网络RNN是机器学习模型中处理时间序列的典型代表,特别是长短期记忆网络LSTM和门循环单元GRU,消除了传统RNN的梯度消失问题,使其预测更加准确。
VINAYAKUMAR等人发表在2017年计算进展国际会议上的文章《Applying deeplearning approaches for network traffic prediction》提出利用LSTM模型获取骨干网的链路信息的时间特征,来对真实的骨干网链路负载信息进行预测的方法,其将网络的23个对等节点的链路负载经过预处理作为输入,经过6个lstm隐藏层单元,得到输出。该方法由于将23个对等节点网络拓扑直接转换为一维向量,丢弃了链路之间的空间特征信息,只是单一地考虑了链路负载的时间特征,不能准确预测网络链路负载信息。
综上,传统的SDN方法虽然准确但却无法保障时延,而自回归综合移动平均ARIMA和递归神经网络能捕获链路负载的时间特征,却没有考虑时空相关性,难以从输入中联合提取空间和时间联合特征,无法准确预测链路负载信息。
发明内容
本发明目的在于针对上述现有技术的不足,提出一种基于时空特征的交换机链路资源预测方法,以联合提取链路负载的空间特征和时间特征,提高链路负载信息的预测准确率。
实现本发明目的的技术思路是:通过利用图卷积神经网络GCN提取链路负载的空间特征;通过对门循环单元GRU网络结构的改变,去除GRU的重置门,以减少网络参数,并在加块训练速度的同时保留历史信息;通过利用改变的GRU网络提取链路负载的时间特征,准确预测链路负载信息,为及时实现路由和资源的调度奠定基础。
根据上述思路,本发明的实现方案如下:
1.一种基于时空特征的交换机链路资源预测方法,其特征在于,包括:
(1)将所有交换机之间的每条链路映射成一个节点,并将部署于同一台交换机的节点相互连接,构建链路负载之间的图结构;
(2)设计改进型空间门循环网络S-GRU+模型:
(2a)将改进的门循环单元网络GRU+、图卷积神经网络GCN、改进的门循环单元网络GRU+和输出层网络依次纵向级联,组成改进型空间门循环单元;
(2b)将多个改进型空间门循环单元中的GRU+横向级联,构成改进型空间门循环网络S-GRU+模型;
(3)构建S-GRU+网络模型的数据集:
(3a)每隔固定的时间间隔,通过软件定义网络SDN控制器向所有交换机发送“端口统计量请求消息”指令,获取和存储交换机之间所有链路负载信息xt,并将其作为节点的链路负载特征值:
(3b)用获取τ个时间间隔的交换机之间所有链路负载信息xt构成数据集:
其中,xt∈RN表示所有节点在时间t时刻的链路负载特征值;
(3c)将数据集X按照4:1的比例划分为训练集X1和测试集X2;
(4)根据每条链路空间位置信息,构建链路之间关联关系的邻接矩阵A:
(4a)定义链路的图结构为无向图G=(V,E),其中V是节点集,E是两个节点之的边集;
(4b)根据链路的无向图,构建N个节点空间位置关系的N*N维邻接矩阵A:
其中,aij为图结构上任意两个节点i和j的相互连接情况,若aij等于1则表示节点i与节点j相连,否则,为0表示两节点之间无连接,i,j∈[1,N];
(5)将训练集X1和邻接矩阵A输入S-GRU+网络模型,通过反向传播算法对其进行训练,得到训练好的S-GRU+网络模型;
(6)将测试集X2和邻接矩阵A输入到训练完成的S-GRU+网络模型,输出结果即为预测的每条链路负载。
本发明与现有技术相比,具有如下优点:
第一,本发明根据交通车流预测和数据中心网络链路场景的相似性,将广泛应用于交通车流预测的GCN模型,用于提取链路负载的空间特征,并利用GRU的时间特征提取能力,来提取链路负载的时间特征,联合考虑链路负载信息的时空特征,可在链路发生拥塞之前准确地预测出数据中心网络链路负载信息,及时实现路由调度和资源分配,避免了链路拥塞,提高了网络能效比。
第二,本发明针对数据中心网络的复杂时空特性,构建了S-GRU+的时空特征网络模型,即首先利用改进的GRU+提取链路负载的时间特征,再将提取的时间特征和邻接矩阵输入到GCN网络,实现了从时间特征到空间特征的空间状态快速传播。同时由于删除了GRU的重置门,利用更新门综合考虑新输入的信息和隐藏层历史信息,减少了网络训练参数,加快了网络模型的收敛速度,降低了网络模型的训练时间。
附图说明
图1是本发明的实现流程图;
图2是本发明中的交换机链路映射图;
图3是本发明中构建的S-GRU+网络模型图;
图4是图3中每个改进型空间门循环单元的结构图。
具体实施方式
以下结合附图和具体实施例,对本发明作进一步详细描述。
参照图1,本发明的实现步骤如下:
步骤1,构建链路负载之间的图结构。
数据中心网络由核心层交换机、汇聚层交换机、边缘交换机及其之间的链路组成,在数据中心网络中,数据通过交换机之间的链路进行传输,
参照图2,本步骤具体实现如下:
将所有交换机之间的每条链路映射成一个节点,并将部署于同一台交换机的节点相互连接,构建链路负载之间的图结构;
本实施例中,共有五台交换机,分别为A,B,C,D,E,交换机之间共有五条链路,分别为l1、l2、l3、l4、l5,如图2(a)所示。
步骤2,设计改进型空间门循环网络S-GRU+模型。
(2.1)删除原有门循环单元网络GRU中的重置门,利用更新门综合考虑新输入的信息和隐藏层历史信息,以避免原有门循环单元网络GRU中重置门对隐藏层历史信息进行过滤,无法充分利用隐藏层的历史信息,形成改进的门循环单元网络GRU+;
(2.2)将改进的门循环单元网络GRU+、图卷积神经网络GCN、改进的门循环单元网络GRU+依次纵向级联组成的改进型空间门循环单元网络,如图4,其中:
该更新门zt,通过sigmod函数调整新输入信息xt和隐藏层历史信息ht-1的权重,即:zt=σ(Wxzxt+Whzht-1+bz),式中,σ表示sigmod函数,Wxz、Whz分别表示更新门zt的新输入信息xt和隐藏层历史信息ht-1的权重参数,Wxh、Whh分别表示单元状态新输入信息xt和隐藏层历史信息ht-1的权重参数,bz、bh分别表示更新门zt和单元状态的偏置参数;
所述GCN单元通过对上一层GRU+单元输出的节点特征ht和邻接矩阵A进行图卷积运算,得到空间特征信息:并将空间特征信息y输入给下一层GRU+单元,作为下一层GRU+单元的输入,式中,I表示单位矩阵,表示的度矩阵,W表示权重参数,Relu表示激活函数;
(2.3)将多个改进型空间门循环单元网络中的GRU+横向级联,构成改进型空间门循环网络S-GRU+模型;
本实施例中,改进型空间门循环单元网络的个数设置为5,5个改进型空间门循环单元网络GRU+之间横向级联,构成改进型空间门循环网络S-GRU+模型,如图3所示。
步骤3,构建S-GRU+网络模型的数据集。
(3.1)每隔固定的时间间隔,通过软件定义网络SDN控制器向所有交换机发送“端口统计量请求消息”指令,获取和存储交换机之间所有链路负载信息xt,并将其作为节点的链路负载特征值:
(3.2)用获取τ个时间间隔的交换机之间所有链路负载信息xt构成数据集:
X=(x1,x2,…,xt,…,xτ)T,
其中,xt∈RN表示所有节点在时间t时刻的链路负载特征值;
(3.3)将数据集X按照4:1的比例划分为训练集X1和测试集X2。
步骤4,根据每条链路空间位置信息,构建链路之间关联关系的邻接矩阵A。
(4.1)定义链路的图结构为无向图G=(V,E),其中V是节点集,E是两个节点之的边集;
本实施例中,将图2(a)中五条链路l1、l2、l3、l4、l5映射为图2(b)中五个顶点v1、v2、v3、v4、v5。其中,链路l1、k2连接在交换机A上,映射到图2(b)中的节点v1、v2相互连接;链路l1、l3连接在交换机C上,映射到图2(b)中节点v1、v3相互连接;链路k2、k4连接在交换机D上,映射到图2(b)中节点v2、v4相互连接;链路l3、l4连接在交换机A上,映射到图2(b)中节点v3、v4相互连接;链路l3、k5连接在交换机A上,映射到图2(b)中节点v3、v5相互连接;链路l4、l5连接在交换机A上,映射到图2(b)中节点v4、v5相互连接;
(4.2)根据链路的无向图G,构建N个节点空间位置关系的N*N维邻接矩阵A:
其中,aij为图结构上任意两个节点i和j的相互连接情况,若aij等于1则表示节点i与节点j相连,否则,为0表示两节点之间无连接,i,j∈[1,N];
参照图2(b),本实施例中,节点v1、v2相互连接,则a12=1,a21=1;节点v1、v3相互连接,则a13=1,a31=1;节点v2、v4相互连接,则a24=1,a42=1;节点v3、v4相互连接,则a34=1,a43=1;节点v3、v5相互连接,则a35=1,a53=1;节点v4、v5相互连接,则a45=1,a54=1;其余元素都为0,得到的邻接矩阵A如下:
步骤5,将训练集X1和邻接矩阵A输入到S-GRU+网络模型,通过反向传播算法对其进行训练,得到训练好的S-GRU+网络模型。
(5.1)将训练集X1作为输入,输入到第一个改进的门循环GRU+网络层提取时间特征,得到输出Hl+1;
(5.2)将第一层网络输出Hl+1和邻接矩阵A输入GCN网络层提取出空间特征,得到输出Hl+2;
(5.3)将第二层网络输出Hl+2作为输入,输入到第二个改进的门循环GRU+网络层提取间特征,得到输出Hl+3;
其中,xt-τ表示t-τ时刻的所有节点负载特征值,Wθ表示S-GRU+网络模型的权重;
步骤6,将测试集X2和邻接矩阵A输入到训练好的S-GRU+网络模型,输出结果即为预测的每条链路负载。
以上描述仅是本发明的一个具体实例,并未构成对本发明的任何限制,显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修改和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (4)
1.一种基于时空特征的交换机链路资源预测方法,其特征在于,包括:
(1)将所有交换机之间的每条链路映射成一个节点,并将部署于同一台交换机的节点相互连接,构建链路负载之间的图结构;
(2)设计改进型空间门循环网络S-GRU+模型:
(2a)将改进的门循环单元网络GRU+、图卷积神经网络GCN、改进的门循环单元网络GRU+和输出层网络依次纵向级联,组成改进型空间门循环单元;
(2b)将多个改进型空间门循环单元中的GRU+横向级联,构成改进型空间门循环网络S-GRU+模型;
(3)构建S-GRU+网络模型的数据集:
(3a)每隔固定的时间间隔,通过软件定义网络SDN控制器向所有交换机发送“端口统计量请求消息”指令,获取和存储交换机之间所有链路负载信息xt,并将其作为节点的链路负载特征值:
(3b)用获取τ个时间间隔的交换机之间所有链路负载信息xt构成数据集:
X=(x1,x2,…,xt,…,xτ)T,
其中,xt∈RN表示所有节点在时间t时刻的链路负载特征值;
(3c)将数据集X按照4:1的比例划分为训练集X1和测试集X2;
(4)根据每条链路空间位置信息,构建链路之间关联关系的邻接矩阵A:
(4a)定义链路的图结构为无向图G=(V,E),其中V是节点集,E是两个节点之的边集;
(4b)根据链路的无向图,构建N个节点空间位置关系的N*N维邻接矩阵A:
其中,aij为图结构上任意两个节点i和j的相互连接情况,若aij等于1则表示节点i与节点j相连,否则,为0表示两节点之间无连接,i,j∈[1,N];
(5)将训练集X1和邻接矩阵A输入S-GRU+网络模型,通过反向传播算法对其进行训练,得到训练好的S-GRU+网络模型;
(6)将测试集X2和邻接矩阵A输入到训练完成的S-GRU+网络模型,输出结果即为预测的每条链路负载。
zt=σ(Wxzxt+Whzht-1+bz)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111499978.3A CN114205251B (zh) | 2021-12-09 | 2021-12-09 | 基于时空特征的交换机链路资源预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111499978.3A CN114205251B (zh) | 2021-12-09 | 2021-12-09 | 基于时空特征的交换机链路资源预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114205251A true CN114205251A (zh) | 2022-03-18 |
CN114205251B CN114205251B (zh) | 2022-12-02 |
Family
ID=80651718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111499978.3A Active CN114205251B (zh) | 2021-12-09 | 2021-12-09 | 基于时空特征的交换机链路资源预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114205251B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115987816A (zh) * | 2022-12-15 | 2023-04-18 | 中国联合网络通信集团有限公司 | 网络流量预测方法、装置、电子设备和可读存储介质 |
CN116192666A (zh) * | 2023-02-09 | 2023-05-30 | 西安电子科技大学 | 一种基于时空相关的网络节点和链路剩余资源预测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866314A (zh) * | 2019-10-22 | 2020-03-06 | 东南大学 | 多层双向门控循环单元网络的旋转机械剩余寿命预测方法 |
CN111245673A (zh) * | 2019-12-30 | 2020-06-05 | 浙江工商大学 | 一种基于图神经网络的sdn时延感知方法 |
CN112289034A (zh) * | 2020-12-29 | 2021-01-29 | 四川高路交通信息工程有限公司 | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 |
US20210034949A1 (en) * | 2019-07-31 | 2021-02-04 | Dell Products L.P. | Systems and methods for predicting information handling resource failures using deep recurrent neural network with a modified gated recurrent unit having missing data imputation |
CN112350876A (zh) * | 2021-01-11 | 2021-02-09 | 南京信息工程大学 | 一种基于图神经网络的网络流量预测方法 |
US20210133569A1 (en) * | 2019-11-04 | 2021-05-06 | Tsinghua University | Methods, computing devices, and storage media for predicting traffic matrix |
CN112766464A (zh) * | 2021-01-31 | 2021-05-07 | 西安电子科技大学 | 基于时空聚合的灵活动态网络链路预测方法、系统及应用 |
CN113053115A (zh) * | 2021-03-17 | 2021-06-29 | 北京工商大学 | 一种基于多尺度图卷积网络模型的交通预测方法 |
CN113158543A (zh) * | 2021-02-02 | 2021-07-23 | 浙江工商大学 | 一种软件定义网络性能智能预测方法 |
CN113505536A (zh) * | 2021-07-09 | 2021-10-15 | 兰州理工大学 | 一种优化的基于时空图卷积网络的交通流预测模型 |
-
2021
- 2021-12-09 CN CN202111499978.3A patent/CN114205251B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210034949A1 (en) * | 2019-07-31 | 2021-02-04 | Dell Products L.P. | Systems and methods for predicting information handling resource failures using deep recurrent neural network with a modified gated recurrent unit having missing data imputation |
CN110866314A (zh) * | 2019-10-22 | 2020-03-06 | 东南大学 | 多层双向门控循环单元网络的旋转机械剩余寿命预测方法 |
US20210133569A1 (en) * | 2019-11-04 | 2021-05-06 | Tsinghua University | Methods, computing devices, and storage media for predicting traffic matrix |
CN111245673A (zh) * | 2019-12-30 | 2020-06-05 | 浙江工商大学 | 一种基于图神经网络的sdn时延感知方法 |
CN112289034A (zh) * | 2020-12-29 | 2021-01-29 | 四川高路交通信息工程有限公司 | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 |
CN112350876A (zh) * | 2021-01-11 | 2021-02-09 | 南京信息工程大学 | 一种基于图神经网络的网络流量预测方法 |
CN112766464A (zh) * | 2021-01-31 | 2021-05-07 | 西安电子科技大学 | 基于时空聚合的灵活动态网络链路预测方法、系统及应用 |
CN113158543A (zh) * | 2021-02-02 | 2021-07-23 | 浙江工商大学 | 一种软件定义网络性能智能预测方法 |
CN113053115A (zh) * | 2021-03-17 | 2021-06-29 | 北京工商大学 | 一种基于多尺度图卷积网络模型的交通预测方法 |
CN113505536A (zh) * | 2021-07-09 | 2021-10-15 | 兰州理工大学 | 一种优化的基于时空图卷积网络的交通流预测模型 |
Non-Patent Citations (6)
Title |
---|
HANHONG SHI: "Short-Term Load Forecasting Based on Adabelief Optimized Temporal Convolutional Network and Gated Recurrent Unit Hybrid Neural Network", 《IEEE》 * |
姚程文等: "基于CNN-GRU混合神经网络的负荷预测方法", 《电网技术》 * |
宋元隆等: "基于图卷积神经网络的SDN网络流量预测", 《计算机科学》 * |
张建晋等: "面向季节性时空数据的预测式循环网络及其在城市计算中的应用", 《计算机学报》 * |
杜爽等: "基于神经网络模型的网络流量预测综述", 《无线电通信技术》 * |
郝建华等: "数据中心网络基于路径关键度的拥塞避免重路由方法", 《电力信息与通信技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115987816A (zh) * | 2022-12-15 | 2023-04-18 | 中国联合网络通信集团有限公司 | 网络流量预测方法、装置、电子设备和可读存储介质 |
CN116192666A (zh) * | 2023-02-09 | 2023-05-30 | 西安电子科技大学 | 一种基于时空相关的网络节点和链路剩余资源预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114205251B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109887282B (zh) | 一种基于层级时序图卷积网络的路网交通流预测方法 | |
CN113053115B (zh) | 一种基于多尺度图卷积网络模型的交通预测方法 | |
Mousavi et al. | Traffic light control using deep policy‐gradient and value‐function‐based reinforcement learning | |
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
WO2022077797A1 (zh) | 量子线路的确定方法、装置、设备及存储介质 | |
CN114205251B (zh) | 基于时空特征的交换机链路资源预测方法 | |
CN108122032A (zh) | 一种神经网络模型训练方法、装置、芯片和系统 | |
CN111585811B (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 | |
CN114422382B (zh) | 网络流量预测方法、计算机装置、产品及存储介质 | |
CN111917642B (zh) | 分布式深度强化学习的sdn网络智慧路由数据传输方法 | |
CN112364913A (zh) | 一种基于核心数据集的联邦学习通信量优化方法及系统 | |
WO2024032121A1 (zh) | 一种基于云边端协同的深度学习模型推理加速方法 | |
Xu et al. | Living with artificial intelligence: A paradigm shift toward future network traffic control | |
CN113691993B (zh) | 基于图神经网络的5g连通簇基站群流量预测方法及系统 | |
Tian et al. | Spatio-temporal position prediction model for mobile users based on LSTM | |
Cenggoro et al. | Dynamic bandwidth management based on traffic prediction using Deep Long Short Term Memory | |
CN111314171A (zh) | 一种sdn路由性能预测和优化的方法、设备及介质 | |
CN117668743A (zh) | 一种关联时空关系的时序数据预测方法 | |
CN115001978B (zh) | 一种基于强化学习模型的云租户虚拟网络智能映射方法 | |
CN115544307A (zh) | 基于关联矩阵的有向图数据特征提取与表达方法和系统 | |
Yuxiang et al. | A Loss-aware Continuous Hopfield Neural Network (CHNN)-based Mapping Algorithm in Optical Network-on-Chip (ONoC) | |
CN117014355A (zh) | 一种基于ddpg深度强化学习算法的tssdn动态路由决策方法 | |
Cao et al. | Layered model aggregation based federated learning in mobile edge networks | |
Lu et al. | Apso-based optimization algorithm of lstm neural network model | |
CN109816046A (zh) | 基于极限学习机的深度聚集式分类方法及系统 |
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 |