CN114567563B - 网络拓扑模型的训练方法、网络拓扑的重构方法及装置 - Google Patents
网络拓扑模型的训练方法、网络拓扑的重构方法及装置 Download PDFInfo
- Publication number
- CN114567563B CN114567563B CN202210334149.8A CN202210334149A CN114567563B CN 114567563 B CN114567563 B CN 114567563B CN 202210334149 A CN202210334149 A CN 202210334149A CN 114567563 B CN114567563 B CN 114567563B
- Authority
- CN
- China
- Prior art keywords
- network
- network topology
- reconstructed
- sample
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012549 training Methods 0.000 title claims description 65
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000004088 simulation Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 8
- 230000003287 optical effect Effects 0.000 description 11
- 230000009471 action Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- H04L41/12—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
- H04L41/142—Network analysis or design using statistical or mathematical 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
Abstract
本申请提供一种网络拓扑模型的训练方法、网络拓扑的重构方法及装置，在网络拓扑的重构方法中，通过获取待重构网络中的每个设备的网络流量信息，将待重构网络中的每个设备的网络流量信息输入至网络拓扑模型中，获取待重构网络的目标网络拓扑。通过网络拓扑模型获取目标网络拓扑，代替了人工处理过程，提高处理效率和准确性。
Description
技术领域
本申请涉及网络拓扑技术领域，尤其涉及一种网络拓扑模型的训练方法、网络拓扑的重构方法及装置。
背景技术
随着互联网技术的迅猛发展，互联网中的设备数量日渐增多，导致设备构成的网络拓扑纷繁复杂，因此需要对网络拓扑进行重构，从而提高网络资源的利用率，实现网络资源的合理化分配。
现有技术中，网络拓扑的重构通常是规划人员获取互联网中各设备的数据传输参数，利用工具平台对该数据传输参数进行人工计算和分析，从而获取网络资源利用率最高的网络拓扑，并根据该网络拓扑对各设备进行重新布局，从而达到目的。
然而，上述方案中，网络拓扑的重构需要规划人员人工根据物联网中各设备的数据传输参数进行多次计算，可能存在处理时间长，效率低，无法保证计算的准确性的问题。
发明内容
本申请提供一种网络拓扑模型的训练方法、网络拓扑的重构方法及装置，以解决处理时间长，效率低，无法保证计算的准确性的问题。
第一方面，本申请实施例提供一种网络拓扑模型的训练方法，包括：
获取训练样本集，所述训练样本集包括多个样本网络的样本网络拓扑；
根据所述训练样本集，每个样本网络拓扑中每个设备的样本网络延迟时长以及每个样本网络拓扑中每个设备的样本网络流量信息进行模型训练，获得网络拓扑模型，所述网络拓扑模型用于根据待重构网络中的每个设备的网络流量信息，获取待重构网络的目标网络拓扑。
第二方面，本申请实施例提供一种网络拓扑的重构方法，包括：
获取待重构网络中的每个设备的网络流量信息；
将所述待重构网络中的每个设备的网络流量信息输入至网络拓扑模型中，获取待重构网络的目标网络拓扑，所述网络拓扑模型是预先根据多个样本网络的样本网络拓扑，每个样本网络拓扑中每个设备的样本网络延迟时长以及每个样本网络拓扑中每个设备的样本网络流量信息进行模型训练得到的。
在第二方面的一种可能设计中，在所述获取待重构网络的目标网络拓扑之后，所述方法还包括：
根据所述目标网络拓扑，生成待重构网络中的每个设备对应的目标路由信息；
根据待重构网络中的每个设备对应的目标路由信息，向所述待重构网络发送网络拓扑重构指令，所述网络拓扑重构指令用于控制待重构网络中的每个设备根据对应的目标路由信息与其他设备进行重新连接。
在第二方面的另一种可能设计中，所述获取待重构网络中的每个设备的网络流量信息，包括：
获取待重构网络中的每个设备的网络延迟时长；
在所述待重构网络中的所有设备的网络延迟时长的累加和大于预设延迟时长时，获取待重构网络中的每个设备的网络流量信息。
可选的，在所述获取待重构网络的目标网络拓扑之后，所述方法还包括：
根据所述目标网络拓扑，生成目标网络拓扑矩阵；
根据所述目标网络拓扑矩阵对网络拓扑仿真环境进行配置，所述网络拓扑仿真环境是根据待重构网络中的每个设备的连接与互访关系构建得到的。
第三方面，本申请实施例提供一种网络拓扑模型的训练装置，包括：
获取模块，用于获取训练样本集，所述训练样本集包括多个样本网络的样本网络拓扑；
训练模块，用于根据所述训练样本集，每个样本网络拓扑中每个设备的样本网络延迟时长以及每个样本网络拓扑中每个设备的样本网络流量信息进行模型训练，获得网络拓扑模型，所述网络拓扑模型用于根据待重构网络中的每个设备的网络流量信息，获取待重构网络的目标网络拓扑。
第四方面，本申请实施例提供一种网络拓扑的重构装置，包括：
获取模块，用于获取待重构网络中的每个设备的网络流量信息；
处理模块，用于将所述待重构网络中的每个设备的网络流量信息输入至网络拓扑模型中，获取待重构网络的目标网络拓扑，所述网络拓扑模型是预先根据多个样本网络的样本网络拓扑，每个样本网络拓扑中每个设备的样本网络延迟时长以及每个样本网络拓扑中每个设备的样本网络流量信息进行模型训练得到的。
在第四方面的一种可能设计中，在所述获取待重构网络的目标网络拓扑之后，所述装置还包括：
所述处理模块，还用于根据所述目标网络拓扑，生成待重构网络中的每个设备对应的目标路由信息；
发送模块，用于根据待重构网络中的每个设备对应的目标路由信息，向所述待重构网络发送网络拓扑重构指令，所述网络拓扑重构指令用于控制待重构网络中的每个设备根据对应的目标路由信息与其他设备进行重新连接。
在第四方面的另一种可能设计中，所述获取模块，具体用于：
获取待重构网络中的每个设备的网络延迟时长；
在所述待重构网络中的所有设备的网络延迟时长的累加和大于预设延迟时长时，获取待重构网络中的每个设备的网络流量信息。
可选的，在所述获取待重构网络的目标网络拓扑之后，所述处理模块，还用于：
根据所述目标网络拓扑，生成目标网络拓扑矩阵；
根据所述目标网络拓扑矩阵对网络拓扑仿真环境进行配置，所述网络拓扑仿真环境是根据待重构网络中的每个设备的连接与互访关系构建得到的。
第五方面，本申请实施例提供一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序指令，所述处理器执行所述计算机程序指令时用于实现第一方面，第二方面以及在第一方面和第二方面中的各可能设计提供的方法。
第六方面，本申请实施例可提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现第一方面，第二方面以及在第一方面和第二方面中的各可能设计提供的方法。
第七方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时用于实现第一方面，第二方面以及在第一方面和第二方面中的各可能设计提供的方法。
本申请实施例提供的网络拓扑模型的训练方法、网络拓扑的重构方法及装置，在网络拓扑的重构方法中，通过获取待重构网络中的每个设备的网络流量信息，将待重构网络中的每个设备的网络流量信息输入至网络拓扑模型中，获取待重构网络的目标网络拓扑。通过网络拓扑模型获取目标网络拓扑，代替了人工处理过程，提高处理效率和准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1A为本申请实施例提供的网络拓扑的重构方法的一种应用场景示意图；
图1B为本申请实施例提供的电子设备的架构示意图；
图2为本申请实施例提供的网络拓扑模型的训练方法实施例一的流程示意图；
图3为本申请实施例提供的网络拓扑的重构方法实施例一的流程示意图；
图4为本申请实施例提供的网络拓扑的重构方法实施例二的流程示意图；
图5为本申请实施例提供的网络拓扑的重构方法实施例三的流程示意图；
图6为本申请实施例提供的网络拓扑模型的训练装置的结构示意图；
图7为本申请实施例提供的网络拓扑的重构装置的结构示意图；
图8为本申请实施例提供的电子设备的结构示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
为使本申请实施例的目的、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清楚、完整地描述，显然，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。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。
在介绍本申请的实施例之前，首先对本申请实施例的应用背景进行解释：
随着互联网技术和物联网技术的迅猛发展，以及互联网用户数量在全球范围内的激增，位于云服务器的数据存储量及计算需求量逐步增多，使得当前时代由互联网时代逐渐过渡到了数据技术时代。然而，在数据流量需求的不断增大，以及下一代高性能数据中心对处理速率需求和链路带宽需求的不断提升的情况下，传统的电交换网络已经无法高效承载高速数据交互的需求。同时，随着云计算、物联网、流媒体行业的快速发展，部署在数据中心中的应用类型日趋多样化，不同应用类型的流量分布特征差异较大，而传统的数据中心的电交换网络都是基于固定的网络连接结构，其适应性和灵活性差，无法保证网络性能。
近年来，在交换技术方面，得益于光交换对链路速率和数据的透明性，为了解决上述电交换网络存在的问题，数据中心通常采用光电混合互连网络代替传统的电交换网络，从而可以改变网络连接结构，打破了传统电交换网络在带宽和功耗等方面的局限性，同时避免了全光交换网络的快速控制和冲突解决问题。综上所述，光电混合组网技术具备灵活的链路连接特性，这为网络拓扑重构以适配不同应用和服务产生的各种流量分布提供了可能性。
现有技术中，在光电混合互连网络的网络资源的利用率较低，网络性能较差时，可以通过人工处理的方式对该光电混合互连网络的网络拓扑进行重构。具体的，规划人员获取互联网中各设备的数据传输参数，利用工具平台对该数据传输参数进行人工计算和分析，从而获取网络资源利用率最高的网络拓扑，并根据该网络拓扑对各设备进行重新布局，从而达到目的。
然而，上述方案中，网络拓扑的重构需要规划人员人工根据物联网中各设备的数据传输参数进行多次计算，可能存在处理时间长，效率低，无法保证计算的准确性的问题。
针对上述问题，本申请的发明构思如下：在对网络拓扑进行重构时，在目前的方案中，由于人工没有办法保证处理过程的严谨性，导致处理得到的重构后的网络拓扑的准确性不能得到保证。基于此，发明人发现，如果能获取一个网络拓扑模型，该网络拓扑模型能够代替人工处理过程，则可以解决人工处理的重构后的网络拓扑的准确度低的问题，也可以节约计算时间，提高计算效率。
示例性的，本申请实施例提供的网络拓扑的重构方法可以应用于图1A所示的一种应用场景示意图中。图1A为本申请实施例提供的网络拓扑的重构方法的一种应用场景示意图，用以解决上述技术问题。如图1A所示，该应用场景可以包括：电子设备11以及网络12，该网络12包括至少一个设备(如图1A中的架顶交换机121，架顶交换机122，架顶交换机123，架顶交换机124，架顶交换机125，架顶交换机126以及光交换开关127)。
其中，网络12中相邻的架顶交换机相连，形成基于电交换的环结构，同时每个架顶交换机通过光电转换接口与光交换开关127相连，光交换开关127用于对电子分组信息与光信号之间进行转换。
在本实施例中，电子设备11可以实现为数据中心中的设备。电子设备11存储有网络拓扑模型，该网络拓扑模型既可以为该电子设备11预先根据训练样本集，每个样本网络拓扑中每个设备的样本网络延迟时长以及每个样本网络拓扑中每个设备的样本网络流量信息进行模型训练得到的，还可以是从其他数据存储设备中获取的。
其中，电子设备11获取网络12中每个架顶交换机的网络流量信息，并根据将网络12中每个架顶交换机的网络流量信息输入电子设备11中存储的网络拓扑模型，从而获取网络12的目标网络拓扑。
进一步的，图1B为本申请实施例提供的电子设备的架构示意图。如图1B所示，电子设备11分为智慧层以及控制层。其中，智慧层用于存储网络12的网络拓扑仿真环境以及网络拓扑模型；控制层包括控制器，该控制器可以为软件定义网络(Software DefinedNetwork，SDN)控制器，还可以为现有技术中存在的控制器，本申请实施例对此不进行具体限制。
其中，控制器用于获取光交换开关发送的每个架顶交换机的网络流量信息，还用于根据目标网络拓扑，生成待重构网络中的每个设备对应的目标路由信息，并根据待重构网络中的每个设备对应的目标路由信息，向待重构网络发送网络拓扑重构指令。
可以理解的是，本申请实施例的执行主体可以是终端设备，例如，计算机、平板电脑等，也可以是服务器，例如，后台的处理平台等。因而，本实施例以终端设备和服务器统称为电子设备进行解释说明，关于该电子设备具体为终端设备，还是服务器，其可以实际情况确定。
下面，通过具体实施例对本申请的技术方案进行详细说明。
需要说明的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为本申请实施例提供的网络拓扑模型的训练方法实施例一的流程示意图。如图2所示，该网络拓扑模型的训练方法可以包括如下步骤：
S21、获取训练样本集。
其中，训练样本集包括多个样本网络的样本网络拓扑。每个样本网络的样本网络拓扑用于表示样本网络中各设备的连接关系以及物理布局。
可选的，每个样本网络的样本网络拓扑可以通过每个样本网络的网络拓扑仿真环境获取，网络拓扑仿真环境是根据样本网络中的每个设备的连接与互访关系构建得到的。
可选的，训练样本集中的多个样本网络的样本网络拓扑可以通过列表的形式进行表示。
示例性的，训练样本集中的多个样本网络的样本网络拓扑可以如表1所示：
表1
应理解，表1仅是对各样本网络及对应的样本网络拓扑的示例。具体实现时，不同样本网络对应的样本网络拓扑可以是相同的，也可以是不同的，本申请实施例对此不进行具体限制。
其中，每个样本网络的样本网络拓扑可以通过拓扑邻接矩阵的对角矩阵进行表示。
S22、根据训练样本集，每个样本网络拓扑中每个设备的样本网络延迟时长以及每个样本网络拓扑中每个设备的样本网络流量信息进行模型训练，获得网络拓扑模型。
其中，网络拓扑模型用于根据待重构网络中的每个设备的网络流量信息，获取待重构网络的目标网络拓扑。
可选的，网络拓扑模型包括两个子网络拓扑模型，该子网络拓扑模型可以为深度神经网络(Deep Neural Networks，DNNs)。
在本申请实施例提供的网络拓扑模型的训练方法，通过获取训练样本集，根据训练样本集，每个样本网络拓扑中每个设备的样本网络延迟时长以及每个样本网络拓扑中每个设备的样本网络流量信息进行模型训练，获得网络拓扑模型，该网络拓扑模型能够代替人工获取待重构网络的目标网络拓扑的处理过程，从而提高处理效率和准确性。
结合上述实施例中的网络拓扑模型的训练方案，下面通过一种具体的实例对该方案进行举例说明。
电子设备获取每个样本网络拓扑中每个设备的样本网络流量信息，状态信号以及奖励信号，其中，状态信号也就是上述实施例中的多个样本网络的样本网络拓扑，奖励信号则为每个样本网络拓扑中每个设备的样本网络延迟时长。每个设备的样本网络流量信息，状态信号以及奖励信号通过SDN控制器来进行交互。在进行模型训练过程中，根据奖励信号对模型进行优化，以使获取训练好的网络拓扑模型，该网络拓扑模型能够最大化期望的奖励(也就是最小化网络延迟时长)。
在得到上述网络拓扑模型之后，可以使用该网络拓扑模型，获取待重构网络的目标网络拓扑。下面结合具体地实施例对使用该网络拓扑模型，获取待重构网络的目标网络拓扑的方法进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
具体实现时，网络拓扑的重构方法的执行主体也可以为终端或者服务器等具有处理能力的电子设备。应理解，该执行网络拓扑的重构方法的电子设备，与，执行上述网络拓扑模型构建方法的电子设备，可以是同一设备，也可以是不同设备。
图3为本申请实施例提供的网络拓扑的重构方法实施例一的流程示意图。如图3所示，该网络拓扑模型的训练方法可以包括如下步骤：
S31、获取待重构网络中的每个设备的网络流量信息。
在一种可实现的方式中，获取待重构网络中的每个设备的网络延迟时长，在待重构网络中的所有设备的网络延迟时长的累加和大于预设延迟时长时，获取待重构网络中的每个设备的网络流量信息。
在另一种可实现的方式中，获取待重构网络中的每个设备的网络延迟时长，在待重构网络中的任一设备的网络延迟时长大于预设延迟时长时，获取待重构网络中的每个设备的网络流量信息。
在再一种可实现的方式中，获取待重构网络中的队列排队的缓存量，在该缓存量大于预设缓存量时，获取待重构网络中的每个设备的网络流量信息。
在上述几种可实现的方式中，通过待重构网络中的每个设备的网络延迟或该待重构网络中的队列排队的缓存量，判断是否需要对该待重构网络进行网络拓扑的重构处理，避免了冗余的工作量，提高了工作效率。
其中，电子设备可以根据预设频率从待重构网络中的光交换开关获取待重构网络中的每个设备的网络流量，并根据待重构网络中的每个设备的网络流量，生成网络流量信息。其中，网络流量信息可以通过矩阵形式进行表示。
举例来说，预设频率可以为1分钟1次，1分钟2次，还可以为1分钟3次或者其他频率值，可以根据实际需求情况进行限定，本申请实施例对此不进行限定。
S32、将待重构网络中的每个设备的网络流量信息输入至网络拓扑模型中，获取待重构网络的目标网络拓扑。
其中，网络拓扑模型是预先根据多个样本网络的样本网络拓扑，每个样本网络拓扑中每个设备的样本网络延迟时长以及每个样本网络拓扑中每个设备的样本网络流量信息进行模型训练得到的。
其中，待重构网络的目标网络拓扑可以通过拓扑邻接矩阵的完整形式表示。
本申请实施例提供的网络拓扑的重构方法，通过获取待重构网络中的每个设备的网络流量信息，将待重构网络中的每个设备的网络流量信息输入至网络拓扑模型中，获取待重构网络的目标网络拓扑。通过网络拓扑模型获取目标网络拓扑，代替了人工处理过程，提高处理效率和准确性。
本申请实施例提供的网络拓扑的重构方案，解决了现有技术中固定的网络架构无法适应动态业务的流量变化，限制数据的交换速度，网络延迟时长较长、吞吐量和功耗较大的问题，能够有效地提高网络资源的利用率与网络的业务承载能力。
图4为本申请实施例提供的网络拓扑的重构方法实施例二的流程示意图。如图4所示，基于上述任一实施例，在获取待重构网络的目标网络拓扑之后，该网络拓扑模型的训练方法还包括以下步骤：
S41、根据目标网络拓扑，生成待重构网络中的每个设备对应的目标路由信息。
S42、根据待重构网络中的每个设备对应的目标路由信息，向待重构网络发送网络拓扑重构指令。
网络拓扑重构指令用于控制待重构网络中的每个设备根据对应的目标路由信息与其他设备进行重新连接。
在一种可能实现的方式中，电子设备可以向待重构网络中的光交换开关发送携带待重构网络中的每个设备对应的目标路由信息的网络拓扑重构指令，以便于后续光交换开关可以根据每个设备对应的目标路由信息对每个设备之间重新配置交叉连接。
本申请实施例提供的网络拓扑待重构网络的模型的训练方法，通过根据目标网络拓扑，生成待重构网络中的每个设备对应的目标路由信息，根据待重构网络中的每个设备对应的目标路由信息，向待重构网络发送网络拓扑重构指令，从而实现待重构网络的网络拓扑的动态改变，提高待重构网络的性能。
图5为本申请实施例提供的网络拓扑的重构方法实施例三的流程示意图。如图5所示，基于上述任一实施例，在获取待重构网络的目标网络拓扑之后，该网络拓扑模型的训练方法还包括以下步骤：
S51、根据目标网络拓扑，生成目标网络拓扑矩阵。
S52、根据目标网络拓扑矩阵对网络拓扑仿真环境进行配置。
其中，网络拓扑仿真环境是根据待重构网络中的每个设备的连接与互访关系构建得到的。该网络拓扑仿真环境用于表示待重构网络中的每个设备之间真实的连接方式。
本申请实施例提供的网络拓扑模型的训练方法，通过根据目标网络拓扑，生成目标网络拓扑矩阵，根据目标网络拓扑矩阵对网络拓扑仿真环境进行配置，在根据目标网络拓扑对待重构网络进行动态改变时，同时对网络拓扑仿真环境进行同步配置，以便于后续根据网络拓扑仿真环境获取待重构网络当前的网络拓扑。
结合上述实施例中的网络拓扑的重构方案，下面通过一种具体的实例对该方案进行举例说明。
电子设备将待重构网络中的每个设备的网络流量信息输入至网络拓扑模型中，从而获取动作信号，该动作信号则为待重构网络的目标网络拓扑。具体的，网络拓扑模型根据待重构网络中的每个设备的网络流量信息生成连续的动作空间Rn作为第一步输出，并根据待重构网络中的每个设备的网络流量信息在动作空间Rn中生成初始动作a(这可能不是一个有效的动作，即)。进一步的，根据K最近邻算法(K-Nearest Neighbor，K-NN)选出K个动作，将K个动作中价值最大(也就是最小的网络延迟时长)的行为作为动作信号进行输出。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图6为本申请实施例提供的网络拓扑模型的训练装置的结构示意图。如图6所示，该网络拓扑模型的训练装置包括：
获取模块61，用于获取训练样本集，训练样本集包括多个样本网络的样本网络拓扑；
训练模块62，用于根据训练样本集，每个样本网络拓扑中每个设备的样本网络延迟时长以及每个样本网络拓扑中每个设备的样本网络流量信息进行模型训练，获得网络拓扑模型，网络拓扑模型用于根据待重构网络中的每个设备的网络流量信息，获取待重构网络的目标网络拓扑。
本申请实施例提供的网络拓扑模型的训练装置，可用于执行上述任一实施例中的网络拓扑模型的训练方法，其实现原理和技术效果类似，在此不再赘述。
图7为本申请实施例提供的网络拓扑的重构装置的结构示意图。如图7所示，该网络拓扑的重构装置包括：
获取模块71，用于获取待重构网络中的每个设备的网络流量信息；
处理模块72，用于将待重构网络中的每个设备的网络流量信息输入至网络拓扑模型中，获取待重构网络的目标网络拓扑，网络拓扑模型是预先根据多个样本网络的样本网络拓扑，每个样本网络拓扑中每个设备的样本网络延迟时长以及每个样本网络拓扑中每个设备的样本网络流量信息进行模型训练得到的。
在本申请实施例的一种可能设计中，在获取待重构网络的目标网络拓扑之后，该装置还包括：
处理模块72，还用于根据目标网络拓扑，生成待重构网络中的每个设备对应的目标路由信息；
发送模块，用于根据待重构网络中的每个设备对应的目标路由信息，向待重构网络发送网络拓扑重构指令，网络拓扑重构指令用于控制待重构网络中的每个设备根据对应的目标路由信息与其他设备进行重新连接。
在本申请实施例的另一种可能设计中，获取模块71，具体用于：
获取待重构网络中的每个设备的网络延迟时长；
在待重构网络中的所有设备的网络延迟时长的累加和大于预设延迟时长时，获取待重构网络中的每个设备的网络流量信息。
可选的，在获取待重构网络的目标网络拓扑之后，处理模块72，还用于：
根据目标网络拓扑，生成目标网络拓扑矩阵；
根据目标网络拓扑矩阵对网络拓扑仿真环境进行配置，网络拓扑仿真环境是根据待重构网络中的每个设备的连接与互访关系构建得到的。
本申请实施例提供的网络拓扑的重构装置，可用于执行上述任一实施例中的网络拓扑的重构方法，其实现原理和技术效果类似，在此不再赘述。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。此外，这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
图8为本申请实施例提供的电子设备的结构示意图。如图8所示，该电子设备11可以包括：处理器81、存储器82及存储在存储器82上并可在处理器81上运行的计算机程序指令，处理器81执行计算机程序指令时实现前述任一实施例提供的网络拓扑模型的训练方法和/或网络拓扑的重构方法。
可选的，该电子设备11的上述各个器件之间可以通过系统总线连接。
存储器82可以是单独的存储单元，也可以是集成在处理器中的存储单元。处理器的数量为一个或者多个。
可选的，电子设备11还可以包括与其他设备进行交互的接口。
应理解，处理器81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)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。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
可选的，处理器81对应于图1B的实施例中的控制器。
系统总线可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。存储器可能包括随机存取存储器(randomaccess memory，RAM)，也可能还包括非易失性存储器(non-volatile memory，NVM)，例如至少一个磁盘存储器。
实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一可读取存储器中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储器(存储介质)包括：只读存储器(read-only memory，ROM)、RAM、快闪存储器、硬盘、固态硬盘、磁带(英文：magnetic tape)、软盘(英文：floppy disk)、光盘(英文：optical disc)及其任意组合。
本申请实施例提供的电子设备，可用于执行上述任一方法实施例提供的网络拓扑模型的训练方法和/或网络拓扑的重构方法，其实现原理和技术效果类似，在此不再赘述。
本申请实施例提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行上述网络拓扑模型的训练方法和/或网络拓扑的重构方法。
上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器，电可擦除可编程只读存储器，可擦除可编程只读存储器，可编程只读存储器，只读存储器，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
可选的，将可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。
本申请实施例还提供一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序存储在计算机可读存储介质中，至少一个处理器可以从该计算机可读存储介质中读取该计算机程序，至少一个处理器执行计算机程序时可实现上述网络拓扑模型的训练方法和/或网络拓扑的重构方法。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (6)
1.一种网络拓扑模型的训练方法，其特征在于，包括：
获取训练样本集，所述训练样本集包括多个样本网络的样本网络拓扑；
根据所述训练样本集，每个样本网络拓扑中每个设备的样本网络延迟时长以及每个样本网络拓扑中每个设备的样本网络流量信息进行模型训练，获得网络拓扑模型，所述网络拓扑模型包括两个子网络拓扑模型，所述子网络拓扑模型为深度神经网络，所述网络拓扑模型用于根据待重构网络中的每个设备的网络流量信息，获取待重构网络的目标网络拓扑以供根据所述目标网络拓扑，生成待重构网络中的每个设备对应的目标路由信息；根据待重构网络中的每个设备对应的目标路由信息，向所述待重构网络发送网络拓扑重构指令，所述网络拓扑重构指令用于控制待重构网络中的每个设备根据对应的目标路由信息与其他设备进行重新配置交叉连接；根据所述目标网络拓扑，生成目标网络拓扑矩阵；根据所述目标网络拓扑矩阵对网络拓扑仿真环境进行配置，所述网络拓扑仿真环境是根据待重构网络中的每个设备的连接与互访关系构建得到的，其中，所述待重构网络中的每个设备的网络流量信息是在所述待重构网络中的任一设备的网络延迟时长大于预设延迟时长时获取的。
2.一种网络拓扑的重构方法，其特征在于，包括：
获取待重构网络中的每个设备的网络流量信息；
将所述待重构网络中的每个设备的网络流量信息输入至网络拓扑模型中，获取待重构网络的目标网络拓扑，所述网络拓扑模型是预先根据多个样本网络的样本网络拓扑，每个样本网络拓扑中每个设备的样本网络延迟时长以及每个样本网络拓扑中每个设备的样本网络流量信息进行模型训练得到的，所述网络拓扑模型包括两个子网络拓扑模型，所述子网络拓扑模型为深度神经网络；
所述获取待重构网络中的每个设备的网络流量信息，包括：
获取待重构网络中的每个设备的网络延迟时长；
在所述待重构网络中的任一设备的网络延迟时长大于预设延迟时长时，获取待重构网络中的每个设备的网络流量信息；
在所述获取待重构网络的目标网络拓扑之后，所述方法还包括：
根据所述目标网络拓扑，生成待重构网络中的每个设备对应的目标路由信息；
根据待重构网络中的每个设备对应的目标路由信息，向所述待重构网络发送网络拓扑重构指令，所述网络拓扑重构指令用于控制待重构网络中的每个设备根据对应的目标路由信息与其他设备进行重新配置交叉连接；
根据所述目标网络拓扑，生成目标网络拓扑矩阵；
根据所述目标网络拓扑矩阵对网络拓扑仿真环境进行配置，所述网络拓扑仿真环境是根据待重构网络中的每个设备的连接与互访关系构建得到的。
3.一种网络拓扑模型的训练装置，其特征在于，包括：
获取模块，用于获取训练样本集，所述训练样本集包括多个样本网络的样本网络拓扑；
训练模块，用于根据所述训练样本集，每个样本网络拓扑中每个设备的样本网络延迟时长以及每个样本网络拓扑中每个设备的样本网络流量信息进行模型训练，获得网络拓扑模型，所述网络拓扑模型包括两个子网络拓扑模型，所述子网络拓扑模型为深度神经网络，所述网络拓扑模型用于根据待重构网络中的每个设备的网络流量信息，获取待重构网络的目标网络拓扑以供根据所述目标网络拓扑，生成待重构网络中的每个设备对应的目标路由信息；根据待重构网络中的每个设备对应的目标路由信息，向所述待重构网络发送网络拓扑重构指令，所述网络拓扑重构指令用于控制待重构网络中的每个设备根据对应的目标路由信息与其他设备进行重新配置交叉连接；根据所述目标网络拓扑，生成目标网络拓扑矩阵；根据所述目标网络拓扑矩阵对网络拓扑仿真环境进行配置，所述网络拓扑仿真环境是根据待重构网络中的每个设备的连接与互访关系构建得到的，其中，所述待重构网络中的每个设备的网络流量信息是在所述待重构网络中的任一设备的网络延迟时长大于预设延迟时长时获取的。
4.一种网络拓扑的重构装置，其特征在于，包括：
获取模块，用于获取待重构网络中的每个设备的网络流量信息；
处理模块，用于将所述待重构网络中的每个设备的网络流量信息输入至网络拓扑模型中，获取待重构网络的目标网络拓扑，所述网络拓扑模型是预先根据多个样本网络的样本网络拓扑，每个样本网络拓扑中每个设备的样本网络延迟时长以及每个样本网络拓扑中每个设备的样本网络流量信息进行模型训练得到的，所述网络拓扑模型包括两个子网络拓扑模型，所述子网络拓扑模型为深度神经网络；
所述获取模块，具体用于获取待重构网络中的每个设备的网络延迟时长；在所述待重构网络中的任一设备的网络延迟时长大于预设延迟时长时，获取待重构网络中的每个设备的网络流量信息；
所述处理模块，还用于根据所述目标网络拓扑，生成待重构网络中的每个设备对应的目标路由信息；根据待重构网络中的每个设备对应的目标路由信息，向所述待重构网络发送网络拓扑重构指令，所述网络拓扑重构指令用于控制待重构网络中的每个设备根据对应的目标路由信息与其他设备进行重新配置交叉连接；根据所述目标网络拓扑，生成目标网络拓扑矩阵；根据所述目标网络拓扑矩阵对网络拓扑仿真环境进行配置，所述网络拓扑仿真环境是根据待重构网络中的每个设备的连接与互访关系构建得到的。
5.一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序指令，其特征在于，所述处理器执行所述计算机程序指令时用于实现如权利要求1至2任一项所述的方法。
6.一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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至2任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210334149.8A CN114567563B (zh) | 2022-03-31 | 2022-03-31 | 网络拓扑模型的训练方法、网络拓扑的重构方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210334149.8A CN114567563B (zh) | 2022-03-31 | 2022-03-31 | 网络拓扑模型的训练方法、网络拓扑的重构方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114567563A CN114567563A (zh) | 2022-05-31 |
| CN114567563B true CN114567563B (zh) | 2024-04-12 |
Family
ID=81720627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210334149.8A Active CN114567563B (zh) | 2022-03-31 | 2022-03-31 | 网络拓扑模型的训练方法、网络拓扑的重构方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114567563B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115348177B (zh) * | 2022-08-17 | 2023-10-20 | 西安热工研究院有限公司 | 一种工控系统网络拓扑安全重构方法、装置及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101557300A (zh) * | 2008-04-10 | 2009-10-14 | 华为技术有限公司 | 一种网络中的拓扑重构方法、装置及设备 |
| JP2011223533A (ja) * | 2010-04-14 | 2011-11-04 | Panasonic Corp | 通信デバイスの実ネットワークトポロジーにおけるゲートウェイ発見のための装置及び方法 |
| JP2014183538A (ja) * | 2013-03-21 | 2014-09-29 | Kddi R & D Laboratories Inc | 無線ネットワークシステムおよび無線機 |
| CN110807230A (zh) * | 2019-10-29 | 2020-02-18 | 天津大学 | 一种自主学习优化物联网拓扑结构鲁棒性的方法 |
| CN112733311A (zh) * | 2019-10-10 | 2021-04-30 | 北京邮电大学 | 卫星通信仿真方法及卫星通信仿真平台 |
| CN113054651A (zh) * | 2019-12-26 | 2021-06-29 | 华为技术服务有限公司 | 一种网络拓扑优化方法、装置以及系统 |
| CN113489654A (zh) * | 2021-07-06 | 2021-10-08 | 国网信息通信产业集团有限公司 | 一种路由选择方法、装置、电子设备及存储介质 |
| CN114124823A (zh) * | 2021-10-18 | 2022-03-01 | 西安电子科技大学 | 面向高动态网络拓扑下的自适应路由方法、系统、设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11972343B2 (en) * | 2018-06-11 | 2024-04-30 | Inait Sa | Encoding and decoding information |
| FR3088463A1 (fr) * | 2018-11-09 | 2020-05-15 | Adagos | Procede de construction de reseau de neurones pour la simulation de systemes reels |
-
2022
- 2022-03-31 CN CN202210334149.8A patent/CN114567563B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101557300A (zh) * | 2008-04-10 | 2009-10-14 | 华为技术有限公司 | 一种网络中的拓扑重构方法、装置及设备 |
| JP2011223533A (ja) * | 2010-04-14 | 2011-11-04 | Panasonic Corp | 通信デバイスの実ネットワークトポロジーにおけるゲートウェイ発見のための装置及び方法 |
| JP2014183538A (ja) * | 2013-03-21 | 2014-09-29 | Kddi R & D Laboratories Inc | 無線ネットワークシステムおよび無線機 |
| CN112733311A (zh) * | 2019-10-10 | 2021-04-30 | 北京邮电大学 | 卫星通信仿真方法及卫星通信仿真平台 |
| CN110807230A (zh) * | 2019-10-29 | 2020-02-18 | 天津大学 | 一种自主学习优化物联网拓扑结构鲁棒性的方法 |
| CN113054651A (zh) * | 2019-12-26 | 2021-06-29 | 华为技术服务有限公司 | 一种网络拓扑优化方法、装置以及系统 |
| CN113489654A (zh) * | 2021-07-06 | 2021-10-08 | 国网信息通信产业集团有限公司 | 一种路由选择方法、装置、电子设备及存储介质 |
| CN114124823A (zh) * | 2021-10-18 | 2022-03-01 | 西安电子科技大学 | 面向高动态网络拓扑下的自适应路由方法、系统、设备 |
Non-Patent Citations (4)
| Title |
|---|
| Dragonfly-of-Torus: A Reconfigurable Network Topology for High-Performance Computing;Zuoqing Zhao等;《2021 IEEE 9th International Conference on Information, Communication and Networks》;20211128;全文 * |
| Reconfigurable Network Topology Based on Deep Reinforcement Learning in Software-Defined Data-Center Networks;Wen Yang等;《IEEE》;20201027;全文 * |
| 数据中心中光交换技术研究的现状与挑战;郭秉礼，黄善国;《中兴通讯技术》;20190930;全文 * |
| 数据中心光互连网络拓扑可重构研究;杨雯等;《光通信研究》;20211029;引言0至结束语4，图1-6 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114567563A (zh) | 2022-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709107B (zh) | 一种含大规模电力电子设备的电力网络仿真方法及系统 | |
| Li et al. | Data processing delay optimization in mobile edge computing | |
| CN113037786B (zh) | 智能算力调度方法、装置和系统 | |
| CN105450588A (zh) | 一种基于rdma的数据传输方法及rdma网卡 | |
| CN110012044B (zh) | 动态工作移转方法及服务器 | |
| CN113300881B (zh) | 基于5g网络的编排调度方法、装置、设备及存储介质 | |
| CN110308986B (zh) | 基于优化调度的容器云上分布式训练数据通信的方法 | |
| CN108304256B (zh) | 一种边缘计算中低开销的任务调度方法及装置 | |
| CN114567563B (zh) | 网络拓扑模型的训练方法、网络拓扑的重构方法及装置 | |
| CN106168993B (zh) | 电网实时仿真分析系统 | |
| CN115460216A (zh) | 算力资源调度方法和装置、算力资源调度设备、系统 | |
| WO2023207035A1 (zh) | 一种数据同步方法、装置、设备及存储介质 | |
| WO2021109665A1 (zh) | 一种数据处理装置、方法、基站和存储介质 | |
| Routaib et al. | Modeling and evaluating a cloudlet-based architecture for mobile cloud computing | |
| CN116627662A (zh) | 边缘计算的资源处理方法、装置、存储介质及电子设备 | |
| CN109844774B (zh) | 一种并行反卷积计算方法、单引擎计算方法及相关产品 | |
| CN112631778A (zh) | 一种基于fpga云的计算优化方法、系统、存储介质及设备 | |
| CN111147603A (zh) | 一种推理服务网络化的方法及装置 | |
| CN111225045A (zh) | 一种hive高可用预警方法，设备及计算机可读存储介质 | |
| CN107979085B (zh) | 一种动态电力网络拓扑建模方法及系统 | |
| Kovalenko | Analysis of productivity of distributed systems with service oriented architecture under conditions of limited link and buffer resources of telecommunication network | |
| CN107205152B (zh) | 基于片上网络通信量的h.265编码器建模方法 | |
| Ueno et al. | VCSN: Virtual circuit-switching network for flexible and simple-to-operate communication in HPC FPGA cluster | |
| CN114201727A (zh) | 数据的处理方法、处理器、人工智能芯片及电子设备 | |
| CN110738017A (zh) | 分布式集成电路仿真方法、装置、计算设备及存储介质 |
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 |