CN114567588A - 基于时延预测及双蚁群的软件定义网络QoS路由算法 - Google Patents
基于时延预测及双蚁群的软件定义网络QoS路由算法 Download PDFInfo
- Publication number
- CN114567588A CN114567588A CN202210451701.1A CN202210451701A CN114567588A CN 114567588 A CN114567588 A CN 114567588A CN 202210451701 A CN202210451701 A CN 202210451701A CN 114567588 A CN114567588 A CN 114567588A
- Authority
- CN
- China
- Prior art keywords
- network
- link
- ant
- ant colony
- pheromone
- 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
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/02—Topology update or discovery
- H04L45/08—Learning-based routing, e.g. using neural networks or artificial intelligence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
- H04L45/121—Shortest path evaluation by minimising delays
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Abstract
本发明公开了基于时延预测及双蚁群的软件定义网络QoS路由算法。包括步骤:搭建网络时延预测网络,并选取网络流量的时延数据样本对所述网络时延预测网络进行训练;将SDN网络中的网络流量输入所述网络时延预测网络,所述网络时延预测网络采集所述网络流量的历史时延数据,并基于所述网络流量的历史时延数据进行预测,然后输出所述网络流量的预测时延数据;采用双蚁群算法,基于所述网络流量的预测时延数据在所述SDN网络中寻找最优路径用来传递网络流量。本发明基于时延预测网络引导双蚁群算法计算得出时延更低、占用带宽更少的路径用来传输网络数据,大大降低了网络传输过程中的丢包率,提高了网络传输的效率。
Description
技术领域
本发明涉及通信技术领域,尤其涉及基于时延预测及双蚁群的软件定义网络QoS路由算法。
背景技术
随着网络技术的高速发展,网络规模的扩大和应用数量的增加,使得用户对网络的服务质量保证提出了新的要求,亟需高效的路由算法对业务流的服务质量(Quality OfService,QoS)需求进行保障。但是传统的网络架构复杂,难以获取全局视图,限制了路由算法的设计和部署,无法提供理想的QoS保障。一旦网络发生拥塞,传统的路由协议不能及时地调整策略来适应流量的分布,从而导致高延时、丢包和抖动。
软件定义网络是近年来一种新兴的网络架构,受到广泛关注,它基于逻辑控制与数据转发分离的思想,简化了网络业务的部署,可以灵活的满足不同用户的差异化需求,为研发网络新应用和未来互联网技术提供了一种新的解决方案。
但是软件定义网络(Software Defined Network,简称SDN)通常依靠OpenFlow协议统计网络链路上的时延,再把时延带入算法,但这样的统计具有滞后性,如果网络中发生拥塞,不能立即做出反应来调整流量,往往会导致端到端时延、抖动和丢包率。
发明内容
针对以上问题,本发明提出基于时延预测及双蚁群的软件定义网络Qos路由算法。
为实现本发明的目的,提供基于时延预测及双蚁群的软件定义网络QoS路由算法,包括如下步骤:
S1:搭建网络时延预测网络,并选取样本网络流量对所述网络时延预测网络进行训练;
S2:将SDN网络中的网络流量输入所述网络时延预测网络,所述网络时延预测网络采集所述网络流量的历史时延数据,并基于所述网络流量的历史时延数据进行预测,然后输出所述网络流量的预测时延数据;
S3:采用双蚁群算法,基于所述网络流量的预测时延数据在所述SDN网络中寻找最优路径用来传递网络流量。
进一步地,所述网络时延预测网络包括:注意力模块、图卷积模块、门控循环单元和全连接层;所述注意力模块,用于计算注意力权重和注意力量;所述图卷积模块,用于提取所述历史流量的时延数据的空间特征;所述门控循环单元,用于提取所述历史流量的时延数据的时间特征;所述网络流量按顺序依次输入所述注意力模块、所述图卷积模块和所述门控循环单元,最后经过所述全连接层线性变换后输出,完成对所述网络流量时延数据的预测。
进一步地,所述步骤S3具体包括如下步骤:
(1)建立彼此独立的主蚁群系统和副蚁群系统,设定所述主蚁群系统和所述副蚁群系统的路径起始节点和路径目标节点,并初始化各蚁群参数,初始
化所述主蚁群系统链路上的信息素初始值和所述副蚁群系统链路上的信
息素初始值,所述主蚁群系统和副蚁群系统的蚂蚁数量均为m,总的迭代
次数为,当前迭代次数为,且,其中,表示每段链路的源节点,表示每段链
路的目标节点;
(3)所述每只蚂蚁根据各自下一段链路的信息素浓度和启发式信息,计算
出各自从当前节点转移到下一节点的转移概率,再利用轮盘赌法选择转移概率最大
的下一节点作为下一目的节点,并转移到此下一目的节点,再将此下一目的节点添加到各
蚂蚁对应的禁忌链表tab中;
(4)查询所述禁忌链表tab,判断当前节点是否为路径目标节点,如果当前节点为
路径目标节点,则将此蚂蚁从路径起始节点到路径目标节点的路径花费值与当前全
局最优解的路径花费值对比,若所述路径花费值小于当前全局最优解的路径花
费值,则将此蚂蚁从路径起始节点到路径目标节点的路径设为新的全局最优解,并进
入步骤(5),反之则直接进入步骤(5);如果当前节点不是路径目标节点,则直接返回上述步
骤(3)进行下一次的节点转移;其中,全局最优解的初始值为第一只到达路径目标结点的蚂
蚁的转移路径;
(6)根据所述主蚁群系统和所述副蚁群系统网络拓扑中各链路的信息
素更新规则,分别对所述主蚁群系统和所述副蚁群系统网络拓扑中各链路的
信息素进行更新;再根据信息素浓度的矫正规则,对更新后的链路在时刻的
信息素浓度进行矫正;
其中,表示链路的信息素浓度,表示链路的启发式信息,表示每
只蚂蚁在寻路时自动生成的一个随机数,且,表示伪随机概率阈值,
表示蚂蚁当前能够前往的节点的集合,且中不包括所述蚂蚁对应的禁忌链
表tab中已有的节点;
其中,和分别表示各链路的信息素浓度和启发式信息的权重因子,且
所述主蚁群系统网络拓扑中各链路的信息素浓度的权重因子和所述副蚁群系统网络拓扑中各链路的信息素浓度的权重因子的关系表示为:;所述主
蚁群系统网络拓扑中各链路的启发式信息的权重因子和所述副蚁群系统网络
拓扑中各链路的启发式信息的权重因子的关系表示为:;
进一步地,所述步骤(6)中,蚁群系统内各链路的信息素更新规则如下:
进一步地,所述步骤(7)中,所述蚁群系统间信息素浓度的更新规则如下:
其中,表示动态更新因子,表示所述主蚁群系统网络拓扑中链路在时刻的信息素浓度,表示所述副蚁群系统网络拓扑中链路在时
刻的信息素浓度,表示所述主蚁群系统网络拓扑中链路在时
刻时的信息素浓度表示所述副蚁群系统网络拓扑中链路在时刻的信息素浓度;
跟现有技术相比,本发明具有以下有益的技术效果:
(1)本发明对网络中路由选取时的链路花费进行优化,从而可以保障服务质量的问题。
(2)本发明通过基于注意力、图卷积模块和门控循环单元的网络时延预测网络对网络流量的时延进行预测,实现对链路拥塞风险的判断和预防,有效启发蚁群避开拥塞链路。
(3)本发明定义了时延保障系数和时延预测等级以对时延需求和网络流量时延状态进行描述。
(4)本发明设置两个蚁群系统进行最优解的搜索,并在蚁群系统进行信息素更新时,自适应地调整每次迭代后蚁群系统之间的信息素交换,有效降低搜索陷入局部最优解的可能性。
(5)本发明改进了蚁群转移概率公式,采用了动态变化的概率因子实时调整蚂蚁的寻路机制,以此来平衡蚂蚁寻路过程中的对先验知识的利用程度。
附图说明
图1是一个实施例的基于时延预测及双蚁群的软件定义网络QoS路由算法的流程示意图;
图2是一个是实施例的网络时延预测网络的结构示意图;
图3是一个实施例的双蚁群算法的流程示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参考图1所示,图1为一个实施例的基于时延预测及双蚁群的软件定义网络QoS路由算法的流程示意图,包括如下步骤:
S1:搭建网络时延预测网络,并选取样本网络流量对所述网络时延预测网络进行训练;
S2:将SDN网络中的网络流量输入所述网络时延预测网络,所述网络时延预测网络采集所述网络流量的历史时延数据,并基于所述网络流量的历史时延数据进行预测,然后输出所述网络流量的预测时延数据;
S3:采用双蚁群算法,基于所述网络流量的预测时延数据在所述SDN网络中寻找最优路径用来传递网络流量。
在一个实施例中,所述网络时延预测网络包括:注意力模块、图卷积模块、门控循环单元和全连接层;
所述注意力模块,用于计算注意力权重和注意力量;
所述图卷积模块,用于提取所述历史流量的时延数据的空间特征;
所述门控循环单元,用于提取所述历史流量的时延数据的时间特征;
所述网络流量按顺序依次输入所述注意力模块、所述图卷积模块和所述门控循环单元,最后经过所述全连接层线性变换后输出,完成对所述网络流量时延数据的预测。
如图2所示,在一个实施例中,首先将采集到的网络流量的前一段时间的链路时延数据输入注意力模块,利用注意力机制模块,对输入的网络流量的时延数据进行学习,从而构建出时空注意力矩阵,然后,将注意力模块的输出输入图卷积模块,获取网络流量的时延数据的空间特征,再经过门控循环单元卷积提取网络流量的时延数据的时间特征,最后,再经过一个全连接层,通过线性变换得出最终的输出结果。
在一个实施例中,所述步骤S3具体包括如下步骤:
(1)建立彼此独立的主蚁群系统和副蚁群系统,设定所述主蚁群系统和所述副蚁群系统的路径起始节点和路径目标节点,并初始化各蚁群参数,初始
化所述主蚁群系统链路上的信息素初始值和所述副蚁群系统链路上的信
息素初始值,所述主蚁群系统和副蚁群系统的蚂蚁数量均为m,总的迭代
次数为,当前迭代次数为,且,其中,表示每段链路的源节点,表示每段链
路的目标节点;
(3)所述每只蚂蚁根据各自下一段链路的信息素浓度和启发式信息,计算
出各自从当前节点转移到下一节点的转移概率,再利用轮盘赌法选择转移概率最大
的下一节点作为下一目的节点,并转移到此下一目的节点,再将此下一目的节点添加到各
蚂蚁对应的禁忌链表tab中;
(4)查询所述禁忌链表tab,判断当前节点是否为路径目标节点,如果当前节点为
路径目标节点,则将此蚂蚁从路径起始节点到路径目标节点的路径花费值与当前全
局最优解的路径花费值对比,若所述路径花费值小于当前全局最优解的路径花
费值,则将此蚂蚁从路径起始节点到路径目标节点的路径设为新的全局最优解,并进
入步骤(5),反之则直接进入步骤(5);如果当前节点不是路径目标节点,则直接返回上述步
骤(3)进行下一次的节点转移;其中,全局最优解的初始值为第一只到达路径目标结点的蚂
蚁的转移路径;
(6)根据所述主蚁群系统和所述副蚁群系统网络拓扑中各链路的信息
素更新规则,分别对所述主蚁群系统和所述副蚁群系统网络拓扑中各链路的
信息素进行更新;再根据信息素浓度的矫正规则,对更新后的链路在时刻的
信息素浓度进行矫正;
如图3所示,在一个实施例中,首先将网络流量输入网络时延预测网络,网络时延
预测网络提取网络流量的前一段时间的时延数据,并基于前一段时间的时延数据进行预测
再得到未来一段时间的时延数据,然后将其转化为时延预测等级,0~10ms时DPL=1,11~50ms
时DPL=2,51~100ms时DPL=3,101~150ms时DPL=4,150ms以上时DPL=5。然后初始化蚁群的迭
代次数,并设置当前迭代次数。每只蚂蚁根据各条链路上的信息素计算出
转移概率,再利用轮盘赌法选择下一节点进行转移,并将此节点添加到各个蚂蚁的禁忌
表中。判断当前节点是否为路径目标节点,若是路径目标节点,则利用搜索到的结果与原全
局最优解对比,若搜索到的结果小于原全局最优解,则搜索结果为新的全局最优解,若不
是,则进行下一轮的转移,直到所有蚂蚁找出路径目的节点,完成全局最优解的更新。然后
进行蚁群内信息素的更新,为下一轮迭代提供指导。之后为了降低搜索陷入局部最优解,进
行蚁群间信息素的更新。再进行下一轮迭代,当迭代结束时,输出全局最优解。
其中,表示链路的信息素浓度,表示链路的启发式信息,表示每
只蚂蚁在寻路时自动生成的一个随机数,且,表示伪随机概率阈值,
表示蚂蚁当前能够前往的节点的集合,且中不包括所述蚂蚁对应的禁忌链
表tab中已有的节点;
其中,和分别表示各链路的信息素浓度和启发式信息的权重因子,
且所述主蚁群系统网络拓扑中各链路的信息素浓度的权重因子和所述副蚁群系
统网络拓扑中各链路的信息素浓度的权重因子的关系表示为:;
所述主蚁群系统网络拓扑中各链路的启发式信息的权重因子和所述副蚁群系统网络拓扑中各链路的启发式信息的权重因子的关系表示为:;
网络时延预测网络基于注意力机制、门控循环单元和图卷积对SDN中的网络流量的时延进行预测。
注意力量加权后的数据为:
对预测效果影响较大的时间段会给予更大的权重,使得在预测中更多地关注包括峰值流量和流量突然变化的时期。
在用图卷积模块提取注意力加权后的数据的空间特征后,再利用门控循环单元提取时间特征。
使用L2范数构建损失函数Loss,其中λ为超参数。
同时设计时延保障系数(Delay Guarantee Factor,DGF)来对于用户的时延需求
TD进行描述。由于对于时延需求的保障较为复杂,且具有较高的不可控性,因此采用了定性
的方式对于时延保障系数进行描述,描述了用户的业务流量对于流量的容忍能力,总
计包含5级,时延保障系数值越小说明对于时延的容忍程度越低:
在一个实施例中,所述步骤(6)中,蚁群系统内各链路的信息素更新规则如下:
在一个实施例中,所述步骤(7)中,所述蚁群系统间信息素浓度的更新规则如下:
其中,表示动态更新因子,表示所述主蚁群系统网络拓扑中链路在时刻的信息素浓度,表示所述副蚁群系统网络拓扑中链路在时
刻的信息素浓度,表示所述主蚁群系统网络拓扑中链路在时
刻时的信息素浓度表示所述副蚁群系统网络拓扑中链路在时刻的信息素浓度;
在本技术方案中,链路表示从一个结点到相邻结点的一段物理线路,中间没有任
何其他的交换结点;路径表示一组首尾相连的链路的集合,例如,“双蚁群算法在网络中寻
找最优的路径”中的路径指的是从源节点到目标节点蚂蚁所经过的链路的集合;路径花费表示构成路径的链路花费之和;全局最优解表示双蚁群算法所能找到的从路
径起始节点到路径目标节点的路径花费值最小的那条路径。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本申请实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.基于时延预测及双蚁群的软件定义网络QoS路由算法,其特征在于,包括如下步骤:
S1:搭建网络时延预测网络,并选取样本网络流量对所述网络时延预测网络进行训练;
S2:将SDN网络中的网络流量输入所述网络时延预测网络,所述网络时延预测网络采集所述网络流量的历史时延数据,并基于所述网络流量的历史时延数据进行预测,然后输出所述网络流量的预测时延数据;
S3:采用双蚁群算法,基于所述网络流量的预测时延数据在所述SDN网络中寻找最优路径用来传递网络流量。
2.根据权利要求1所述的基于时延预测及双蚁群的软件定义网络QoS路由算法,其特征在于,所述网络时延预测网络包括:注意力模块、图卷积模块、门控循环单元和全连接层;
所述注意力模块,用于计算注意力权重和注意力量;
所述图卷积模块,用于提取所述历史流量的时延数据的空间特征;
所述门控循环单元,用于提取所述历史流量的时延数据的时间特征;
所述网络流量按顺序依次输入所述注意力模块、所述图卷积模块和所述门控循环单元,最后经过所述全连接层线性变换后输出,完成对所述网络流量时延数据的预测。
3.根据权利要求2所述的基于时延预测及双蚁群的软件定义网络QoS路由算法,其特征在于,所述步骤S3具体包括如下步骤:
(1)建立彼此独立的主蚁群系统和副蚁群系统,设定所述主蚁群系统
和所述副蚁群系统的路径起始节点和路径目标节点,并初始化各蚁群参数,初始化所
述主蚁群系统链路上的信息素初始值和所述副蚁群系统链路上的信息
素初始值 ,所述主蚁群系统和副蚁群系统的蚂蚁数量均为m,总的迭代次
数为,当前迭代次数为N,且,其中,表示每段链路的源节点,表示每段链路
的目标节点;
(3)所述每只蚂蚁根据各自下一段链路的信息素浓度和启发式信息,计算出各
自从当前节点转移到下一节点的转移概率,再利用轮盘赌法选择转移概率最大的
下一节点作为下一目的节点,并转移到此下一目的节点,再将此下一目的节点添加到各蚂
蚁对应的禁忌链表tab中;
(4)查询所述禁忌链表tab,判断当前节点是否为路径目标节点,如果当前节点为路径
目标节点,则将此蚂蚁从路径起始节点到路径目标节点的路径花费值与当前全局最
优解的路径花费值对比,若所述路径花费值小于当前全局最优解的路径花费值,则将此蚂蚁从路径起始节点到路径目标节点的路径设为新的全局最优解,并进入
步骤(5),反之则直接进入步骤(5);如果当前节点不是路径目标节点,则直接返回上述步骤
(3)进行下一次的节点转移;其中,全局最优解的初始值为第一只到达路径目标结点的蚂蚁
的转移路径;
(6)根据所述主蚁群系统和所述副蚁群系统网络拓扑中各链路的信息素
更新规则,分别对所述主蚁群系统和所述副蚁群系统网络拓扑中各链路的
信息素进行更新;再根据信息素浓度的矫正规则,对更新后的链路在
时刻的信息素浓度进行矫正;
其中,表示链路的信息素浓度,表示链路的启发式信息,表示每
只蚂蚁在寻路时自动生成的一个随机数,且表示伪随机概率阈值,表示蚂蚁当前能够前往的节点的集合,且中不包括所述蚂蚁对应的禁忌链表tab中已有的节点;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210451701.1A CN114567588B (zh) | 2022-04-27 | 2022-04-27 | 基于时延预测及双蚁群的软件定义网络Qos路由方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210451701.1A CN114567588B (zh) | 2022-04-27 | 2022-04-27 | 基于时延预测及双蚁群的软件定义网络Qos路由方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114567588A true CN114567588A (zh) | 2022-05-31 |
CN114567588B CN114567588B (zh) | 2022-08-05 |
Family
ID=81720896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210451701.1A Active CN114567588B (zh) | 2022-04-27 | 2022-04-27 | 基于时延预测及双蚁群的软件定义网络Qos路由方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114567588B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114760669A (zh) * | 2022-06-13 | 2022-07-15 | 南京邮电大学 | 一种基于流量预测的路由决策方法及系统 |
CN116233871A (zh) * | 2023-01-17 | 2023-06-06 | 广州爱浦路网络技术有限公司 | 一种xr服务增强方法、计算机装置和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105847151A (zh) * | 2016-05-25 | 2016-08-10 | 安徽大学 | 一种面向软件定义网络的多约束QoS路由策略设计方法 |
CN108322925A (zh) * | 2018-01-29 | 2018-07-24 | 东北大学 | 超密度异构融合网络中区分业务类型的传输路径计算方法 |
CN109165718A (zh) * | 2018-08-07 | 2019-01-08 | 华北电力大学(保定) | 基于并行蚁群算法的网络重构方法和系统 |
CN110730131A (zh) * | 2019-10-22 | 2020-01-24 | 电子科技大学 | 基于改进蚁群的SDN卫星网络多QoS约束路由方法 |
WO2020244299A1 (zh) * | 2019-06-03 | 2020-12-10 | 中兴通讯股份有限公司 | 一种实现重路由的方法及装置 |
-
2022
- 2022-04-27 CN CN202210451701.1A patent/CN114567588B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105847151A (zh) * | 2016-05-25 | 2016-08-10 | 安徽大学 | 一种面向软件定义网络的多约束QoS路由策略设计方法 |
CN108322925A (zh) * | 2018-01-29 | 2018-07-24 | 东北大学 | 超密度异构融合网络中区分业务类型的传输路径计算方法 |
CN109165718A (zh) * | 2018-08-07 | 2019-01-08 | 华北电力大学(保定) | 基于并行蚁群算法的网络重构方法和系统 |
WO2020244299A1 (zh) * | 2019-06-03 | 2020-12-10 | 中兴通讯股份有限公司 | 一种实现重路由的方法及装置 |
CN110730131A (zh) * | 2019-10-22 | 2020-01-24 | 电子科技大学 | 基于改进蚁群的SDN卫星网络多QoS约束路由方法 |
Non-Patent Citations (1)
Title |
---|
展兴华: ""基于多种群蚁群算法的多约束QoS路由模型研究"", 《中国优秀博硕士论文全文数据库信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114760669A (zh) * | 2022-06-13 | 2022-07-15 | 南京邮电大学 | 一种基于流量预测的路由决策方法及系统 |
CN114760669B (zh) * | 2022-06-13 | 2022-09-02 | 南京邮电大学 | 一种基于流量预测的路由决策方法及系统 |
CN116233871A (zh) * | 2023-01-17 | 2023-06-06 | 广州爱浦路网络技术有限公司 | 一种xr服务增强方法、计算机装置和存储介质 |
CN116233871B (zh) * | 2023-01-17 | 2023-12-15 | 广州爱浦路网络技术有限公司 | 一种xr服务增强方法、计算机装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114567588B (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108521375B (zh) | 一种基于SDN的网络多业务流量QoS的传输及调度方法 | |
Chen et al. | RL-routing: An SDN routing algorithm based on deep reinforcement learning | |
CN114567588B (zh) | 基于时延预测及双蚁群的软件定义网络Qos路由方法 | |
CN107634911B (zh) | 一种信息中心网络中基于深度学习的自适应拥塞控制方法 | |
CN113328938B (zh) | 一种基于深度强化学习的网络自主智能管控方法 | |
CN112202672B (zh) | 一种基于业务服务质量需求的网络路由转发方法和系统 | |
CN108540384B (zh) | 软件定义网络中基于拥塞感知的智能重路由方法和装置 | |
Yao et al. | Machine learning aided load balance routing scheme considering queue utilization | |
CN109413707B (zh) | 无线网络环境下基于深度强化学习技术的智能路由方法 | |
CN114697229B (zh) | 一种分布式路由规划模型的构建方法及应用 | |
CN111245718A (zh) | 一种基于sdn情景感知的路由优化方法 | |
CN111245722A (zh) | 一种基于遗传算法的sdn数据中心网络流转发方法 | |
Pushpa Mettilsha et al. | RPR: Reliable path routing protocol to mitigate congestion in critical IoT applications | |
CN106658638B (zh) | 一种基于hh-vbf的时间序列预测方法 | |
CN113518039A (zh) | Sdn架构下基于深度强化学习的资源优化方法及系统 | |
CN116170370B (zh) | 一种基于注意力机制和深度强化学习的sdn多路径路由方法 | |
CN107171957A (zh) | 一种基于资源受限条件下的自适应dtn路由算法 | |
Meng et al. | Intelligent routing orchestration for ultra-low latency transport networks | |
CN114205300B (zh) | 一种能够在流量信息不完整情况下保证coflow传输截止期限的流量调度方法 | |
CN111555978B (zh) | 智能电网中具有节能和服务质量保证的sdn路由布置方法 | |
CN112333102B (zh) | 基于知识图谱的软件定义网络路由选择方法和系统 | |
Rao et al. | A deep learning-based constrained intelligent routing method | |
Qin et al. | MCRA: multicost rerouting algorithm in SDN | |
Masoumzadeh et al. | Deep blue: A fuzzy q-learning enhanced active queue management scheme | |
CN113177636A (zh) | 一种基于多约束条件的网络动态路由方法及系统 |
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 |