CN114584871B - 弹性光网络的频谱分配方法、装置、存储介质和设备 - Google Patents
弹性光网络的频谱分配方法、装置、存储介质和设备 Download PDFInfo
- Publication number
- CN114584871B CN114584871B CN202210458407.3A CN202210458407A CN114584871B CN 114584871 B CN114584871 B CN 114584871B CN 202210458407 A CN202210458407 A CN 202210458407A CN 114584871 B CN114584871 B CN 114584871B
- Authority
- CN
- China
- Prior art keywords
- network
- spectrum allocation
- link topology
- target
- current
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
-
- 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/82—Miscellaneous aspects
- H04L47/829—Topology based
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
- H04Q2011/0086—Network resource allocation, dimensioning or optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种弹性光网络的频谱分配方法、装置、存储介质和设备,所述方法包括:当接收到目标流量请求时,获取目标流量请求、待调整分区的弹性光网络的当前环境状态以及已训练的目标频谱分配行动网络;将当前环境状态的各个当前候选路径转换成当前链路拓扑信息;将当前链路拓扑信息输入到目标频谱分配行动网络,通过第一图卷积神经网络进行特征提取,再通过第一递归神经网络进行特征聚合,得到各个当前候选路径的路径级特征,再通过第一全连接层和柔性最大传递函数层进行概率转换,得到对应的当前候选路径的频谱分配概率,并根据频谱分配概率输出目标频谱分配动作。可降低弹性光网络在频谱分配过程中以及分配后出现的阻塞概率。
Description
技术领域
本申请涉及弹性光网络的频谱分区的技术领域,具体涉及一种弹性光网络的频谱分配方法、装置、存储介质和设备。
背景技术
弹性光网络(Elastic Optical Network, EON)以其大吞吐量和传输灵活性的优势受到广泛关注,成为最有前途的下一代骨干网架构。然而路由和频谱分配(RSA)是弹性光网络的一个关键问题。为一个流量请求找到最佳的路由和频谱是NP困难(计算复杂性理论中最重要的复杂性类之一)的,这意味着它极难得到适合大型网络环境的最优解。
为了突破上述局限性,近年来深度强化学习(DRL)得到了广泛的研究。DRL是一种通过与环境(如光网络)交互来优化策略(如RSA决策)的工具。在基于DRL的RSA框架中,输入状态表示和特征提取是必不可少的,但是,现有技术在网络特征提取中,都是只针对节点进行特征提取,导致特征提取和利用的效果并不理想,使弹性光网络的频谱分配结果降低阻塞概率的效果差。
发明内容
本申请的目的在于克服现有技术中的缺点与不足,提供一种弹性光网络的频谱分配方法、装置、存储介质和设备,可以降低弹性光网络在频谱分配过程中以及分配后出现的阻塞概率。
本申请的一个实施例提供一种弹性光网络的频谱分配方法,包括:
当接收到目标流量请求时,获取所述目标流量请求、待调整分区的弹性光网络的当前环境状态以及已训练的目标频谱分配行动网络;其中,所述当前环境状态包括所述弹性光网络的频谱可用性分布和若干个所述目标流量请求对应的当前候选路径;所述当前候选路径根据目标流量请求的源节点、目的节点和频谱需求,以及所述弹性光网络的当前网络状态的频谱可用性分布得到;所述频谱分配行动网络包括第一图卷积神经网络、第一递归神经网络、第一全连接层和柔性最大传递函数层;
将所述当前环境状态的各个当前候选路径转换成当前链路拓扑信息;
将所述当前链路拓扑信息输入到所述第一图卷积神经网络进行特征提取,得到所述链路拓扑信息的链路拓扑特征;将所述链路拓扑特征输入到所述第一递归神经网络进行特征聚合,得到各个所述当前候选路径的路径级特征;将所述目标流量请求、所述频谱可用性分布和所述路径级特征输入到所述第一全连接层和柔性最大传递函数层进行概率转换,得到各个所述路径级特征对应的所述当前候选路径的频谱分配概率,并根据所述频谱分配概率输出所述目标频谱分配动作。
相对于现有技术,本申请的弹性光网络的频谱分配方法,首先将弹性光网络接收到目标流量请求时的当前环境状态,再将当前环境状态中的各个当前候选路径转换成当前链路拓扑信息,然后将当前链路拓扑信息输入到已训练的目标频谱分配行动网络,所述目标频谱分配行动网络通过第一图卷积神经网络提取得到所述链路拓扑信息的链路拓扑特征,通过第一递归神经网络聚合得到各个所述候选路径的路径级特征,再通过第一全连接层和柔性最大传递函数层得到各个所述路径级特征对应的所述候选路径的频谱分配概率,并根据所述频谱分配概率输出所述目标频谱分配动作,可以在接收到流量请求时,从弹性光网络的环境状态的各个可选路径中,选择出一个有效降低阻塞概率的目标路径作为频谱分配动作,从而降低弹性光网络在频谱分配时以及分配后出现的阻塞概率。
在一个实施例中,所述目标频谱分配行动网络的训练步骤,包括:
获取若干个样本弹性光网络接收到第一流量请求时的第一环境状态以及预设数量的第二流量请求时的第二环境状态;所述第一环境状态包括若干个与所述第一流量请求对应的第一候选路径;所述第二流量请求的接收时间晚于所述第一流量请求的接收时间,所述第二环境状态包括若干个与所述第二流量请求对应的第二候选路径;
将所述第一环境状态的各个第一候选路径转换成第一链路拓扑信息;将所述第二环境状态的各个第二候选路径转换成第二链路拓扑信息;
将所述第一链路拓扑信息和所述第二链路拓扑信息分别输入到预构建的初始频谱分配行动网络,得到第一频谱分配动作以及预设数量的第二频谱分配动作;
获取所述第一频谱分配动作对应的第一瞬时奖励以及预设数量的所述第二频谱分配动作对应的第二瞬时奖励;
将所述第一链路拓扑信息和第一瞬时奖励,以及最后一个所述第二流量请求的所述第二链路拓扑信息和对应的第二瞬时奖励,输入到预构建的频谱分配批评网络,得到第一价值函数和第二价值函数;
根据所述第一瞬时奖励、多个所述第二瞬时奖励、所述第一价值函数和所述第二价值函数,获得优势函数;所述优势函数用于指示所述初始频谱分配行动网络和所述频谱分配批评网络的网络参数调整方向;
根据所述优势函数调整所述初始频谱分配行动网络的网络参数,得到所述目标频谱分配行动网络。
通过获取若干个样本弹性光网络接收到所述第一流量请求和若干个第二流量请求时的环境状态、链路拓扑信息、对应的频谱分配动作以及对应的瞬时奖励得到所述优势函数,再根据所述优势函数调整所述初始频谱分配行动网络的网络参数,得到用于输出所述目标频谱分配动作的目标频谱分配行动网络,使弹性光网络执行目标频谱分配动作后,可以降低接收到后续的其他流量请求时出现的阻塞概率。
在一个实施例中,所述频谱分配批评网络包括第二图卷积神经网络、第二递归神经网络、第二全连接层和线性输出层;
所述将所述第一链路拓扑信息和第一瞬时奖励,以及最后一个所述第二流量请求的所述第二链路拓扑信息和对应的第二瞬时奖励,输入到预构建的频谱分配批评网络,得到第一价值函数和第二价值函数的步骤,包括:
将所述第一链路拓扑信息输入到所述第二图卷积神经网络进行特征提取,得到第一链路拓扑特征;将所述第一链路拓扑特征输入到所述第二递归神经网络进行特征聚合,得到各个所述第一候选路径的第一路径级特征;将所述第一路径级特征输入到所述第二全连接层和线性输出层进行价值转化,得到各个所述第一候选路径对应的第一价值函数;
将所述最后一个第二流量请求的所述第二链路拓扑信息输入到所述第二图卷积神经网络进行特征提取,得到第二链路拓扑特征;将所述第二链路拓扑特征输入到所述第二递归神经网络进行特征聚合,得到对应的各个所述第二候选路径的第二路径级特征;将所述第二路径级特征输入到所述第二全连接层和线性输出层进行价值转化,得到与最后一个第二流量请求对应的各个第二候选路径对应的第二价值函数。
可以通过所述频谱分配批评网络得到预测的第一价值函数和第二价值函数。
在一个实施例中,所述根据所述第一瞬时奖励、多个所述第二瞬时奖励、所述第一价值函数和所述第二价值函数,获得优势函数,包括:
通过以下公式,计算出所述优势函数:
其中,为所述优势函数;为所述流量请求的顺序;为排序是第1个的流量请求;为排序是最后1个的流量请求;为对应的流量请求的频谱分配动作;为预设的折扣因子;为接收到对应的流量请求的瞬时奖励;为所述第一流量请求和所述第二流量请求的总数量;为所述第一价值函数;为所述第二价值函数。
通过上述公式计算出的优势函数,结合了第一瞬时奖励对未来数据的形象,以及未来的频谱分配动作的瞬时奖励对未来数据的影响,使所述优势函数对于网络参数的调整方向具有更好的指示作用。
在一个实施例中,所述根据所述优势函数调整所述初始频谱分配行动网络的网络参数,得到所述目标频谱分配行动网络的步骤,包括:
通过以下公式,调整所述目标频谱分配行动网络的网络参数:
可以通过所述优势函数对所述目标频谱分配行动网络的网络参数进行优化调整,使所述目标频谱分配行动网络可以有效选择出一个有效降低阻塞概率的目标路径作为频谱分配动作。
在一个实施例中,还包括:根据所述优势函数调整所述频谱分配批评网络的网络参数。
在一个实施例中,所述根据所述优势函数调整所述频谱分配批评网络的网络参数的步骤,包括:
通过以下公式,调整所述目标频谱分配批评网络的网络参数:
可以通过所述优势函数对所述目标频谱分配批评网络的网络参数进行优化调整,从而提高所述目标频谱分配批评网络预测的第一价值函数和第二价值函数的准确性。
本申请的一个实施例还提供一种弹性光网络的频谱分配装置,包括:
数据和网络获取模块,当接收到目标流量请求时,获取所述目标流量请求、待调整分区的弹性光网络的当前环境状态以及已训练的目标频谱分配行动网络;其中,所述当前环境状态包括所述弹性光网络的频谱可用性分布和若干个所述目标流量请求对应的当前候选路径;所述当前候选路径根据目标流量请求的源节点、目的节点和频谱需求,以及所述弹性光网络的当前网络状态的频谱可用性分布得到;所述频谱分配行动网络包括第一图卷积神经网络、第一递归神经网络、第一全连接层和柔性最大传递函数层;
拓扑转换模块,用于将所述当前环境状态的各个当前候选路径转换成当前链路拓扑信息;
目标频谱分配动作获取模块,将所述当前链路拓扑信息输入到所述第一图卷积神经网络进行特征提取,得到所述链路拓扑信息的链路拓扑特征;将所述链路拓扑特征输入到所述第一递归神经网络进行特征聚合,得到各个所述当前候选路径的路径级特征;将所述目标流量请求、所述频谱可用性分布和所述路径级特征输入到所述第一全连接层和柔性最大传递函数层进行概率转换,得到各个所述路径级特征对应的所述当前候选路径的频谱分配概率,并根据所述频谱分配概率输出所述目标频谱分配动作。
相对于现有技术,本申请的弹性光网络的频谱分配装置,首先将弹性光网络接收到目标流量请求时的当前环境状态,再将当前环境状态中的各个当前候选路径转换成当前链路拓扑信息,然后将当前链路拓扑信息输入到已训练的目标频谱分配行动网络,所述目标频谱分配行动网络通过第一图卷积神经网络提取得到所述链路拓扑信息的链路拓扑特征,通过第一递归神经网络聚合得到各个所述候选路径的路径级特征,再通过第一全连接层和柔性最大传递函数层得到各个所述路径级特征对应的所述候选路径的频谱分配概率,并根据所述频谱分配概率输出所述目标频谱分配动作,可以在接收到流量请求时,从弹性光网络的环境状态的各个可选路径中,选择出一个有效降低阻塞概率的目标路径作为频谱分配动作,从而降低弹性光网络在频谱分配时以及分配后出现的阻塞概率。
本申请的一个实施例还提供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实现如上所述的弹性光网络的频谱分配方法的步骤。
本申请的一个实施例还提供一种计算机设备,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的弹性光网络的频谱分配方法的步骤。
附图说明
图1为本申请一个实施例的弹性光网络的频谱分配方法的流程图。
图2为本申请一个实施例的弹性光网络的频谱分配方法的弹性光网络的链路示意图。
图3为本申请一个实施例的弹性光网络的频谱分配方法的拓扑变换简化图。
图4为本申请一个实施例的弹性光网络的频谱分配方法的频谱分配行动网络的结构示意图。
图5为本申请一个实施例的弹性光网络的频谱分配方法的目标频谱分配行动网络的训练流程图。
图6为本申请一个实施例的弹性光网络的频谱分配装置的模块连接示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作在一个实施例中地详细描述。
应当明确,所描述的实施例仅仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,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它实施例,都属于本申请实施例保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于区别类似的对象,而不必用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A 和/或 B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1,其是本申请一个实施例的弹性光网络的频谱分配方法的流程图,包括以下步骤:
S10:当接收到目标流量请求时,获取所述目标流量请求、待调整分区的弹性光网络的当前环境状态以及已训练的目标频谱分配行动网络;其中,所述当前环境状态包括所述弹性光网络的频谱可用性分布和若干个所述目标流量请求对应的当前候选路径;所述当前候选路径根据目标流量请求的源节点、目的节点和频谱需求,以及所述弹性光网络的当前网络状态的频谱可用性分布得到;所述频谱分配行动网络包括第一图卷积神经网络、第一递归神经网络、第一全连接层和柔性最大传递函数层。
所述目标流量请求是指当前接收到的流量请求,而流量请求包括源节点、目的节点和频谱需求三部分,当所述待调整分区的弹性光网络接收到所述目标流量请求时,会根据所述源节点、目的节点和频谱需求,以及所述弹性光网络的当前环境状态的频谱可用性分布得到若干个所述当前候选路径,具体表现为根据源节点、目标节点,通过最短路径算法(dijkstra算法)得到拓扑上源节点和目标节点间的若干个候选路径。所述频谱需求是对应的流量请求所需的频谱槽个数,其中,频谱槽是链路中存储和传输数据的单元。
所述当前环境状态包括所述弹性光网络的频谱可用性分布和若干个所述当前候选路径,其中,所述弹性光网络的频谱可用性分布包括当前可用的频谱槽的数量,由连续的多个频谱槽构成的频谱块,以及所述频谱块是否满足所述频谱需求的情况。
而所述当前候选路径是满足所述目标流量请求的源节点、目的节点和频谱需求的由至少一条链路形成的路径,所述当前候选路径的起始节点对应为所述目标流量请求的源节点,终点节点对应为所述目标流量请求的目的节点,且其包含的链路需要满足所述频谱需求。
S20:将所述当前环境状态的各个当前候选路径转换成当前链路拓扑信息。
其中,所述当前链路拓扑信息包括各个当前候选路径的节点特征和链路特征,其中,节点特征采用一维向量表示,所述链路特征采用邻接矩阵的形式表示。
请参阅图2-3,图2为弹性光网络的链路示意图,其中黑色填充的圆表示节点,节点中的白色数字为节点编号,白色填充的圆表示两个节点之间的链路,圆内黑色的数字表示链路编号,圆外的黑色数字表示链路对应的路径距离。例如所述目标流量请求的源节点为节点1、目的节点为节点4和频谱需求为50Gbps,根据图2所示,可以得到3个当前候选路径:路径1(链路1→链路5)、路径2(链路2→链路8→链路12)和路径3(链路2→链路7→链路5),通过所述步骤S2,进行拓扑变化,得到如图3所述的拓扑变换简化图(TSG)以及各个当前候选路径的节点特征和链路特征。
其中,表示转置;而中的各个元素表示对应的链路与该路径的关系,以路径1(链路1→链路5)为例,中与链路1对应的第一个元素和与链路5对应的一个元素的值都是1,表示链路1和链路5与路径1存在关联关系,而表示其他链路的元素的值都是0,表示其他链路与路径1不存在关联关系,如链路2和中的元素2。
链路特征通过链路关系得到,具体体现为链路特征中包括多个元素,表示当前候选路径中链路和链路的关系,例如以路径1(链路1→链路5)和路径2(链路2→链路8→链路12)为例,路径1对应的元素为,因此取值为1,路径2对应的元素为和,因此和取值为1,而本例子的链路特征如下矩阵所示:
S30:将所述当前链路拓扑信息输入到所述第一图卷积神经网络进行特征提取,得到所述链路拓扑信息的链路拓扑特征;将所述链路拓扑特征输入到所述第一递归神经网络进行特征聚合,得到各个所述当前候选路径的路径级特征;将所述目标流量请求、所述频谱可用性分布和所述路径级特征输入到所述第一全连接层和柔性最大传递函数层进行概率转换,得到各个所述路径级特征对应的所述当前候选路径的频谱分配概率,并根据所述频谱分配概率输出所述目标频谱分配动作。
具体地,在步骤S30中,将所述当前链路拓扑信息输入到所述第一图卷积神经网络进行特征提取,得到所述链路拓扑信息的链路拓扑特征,其过程如下公式所示:
其中,为其中一个所述当前候选路径第层节点的特征,且对于输入层,为所述当前链路拓扑信息的节点特征;为其中一个所述当前候选路径的第层节点的特征,也可以表示为所述链路拓扑信息的链路拓扑特征;为非线性激活函数;属于输入图的度矩阵。它是一个对角矩阵,其中每个对角元素给出相应节点的度数,;,其中为所述链路特征,是N × N单位矩阵;为权值矩阵,是一个N × F矩阵,受到所述目标频谱分配行动网络的网络参数影响。
所述将所述链路拓扑特征输入到所述第一递归神经网络进行特征聚合,得到各个所述当前候选路径的路径级特征,如下公式所示:
请参阅图4,由于将所述链路拓扑特征输入到所述第一递归神经网络进行特征聚合,得到各个所述当前候选路径的路径级特征是通过循环结构实现的。因此所述第一图卷积神经网络包括多个第一图卷积模块(图4中的、、……)、循环开关(图4中的、……)和存储器(图4中的、……),各个所述第一图卷积模块依次通过所述循环开关和存储器与所述第一递归神经网络(图4中的Simple RNNLayer)连接,各个所述第一图卷积模块的输入为所述链路特征(图4中的A)和对应的当前候选路径的节点特征(图4中的、……),而由于循环结构需要序列形式的输入,因此每个所述第一图卷积模块的对应的节点特征都会以序列的形式输入,且序列的长度是所述弹性光网络中所有可能路径的最大光纤链路数。当所述第一图卷积模块的循环次数小于对应的当前候选路径的链路数量时,对应的循环开关处于闭合状态,使所述第一图卷积模块的输出存储到所述存储器和所述第一递归神经网络,当所述第一图卷积模块的循环次数大于或等于对应的当前候选路径的链路数量时,对应的循环开关处于断开状态,此时所述存储器保存的所述链路拓扑特征不会再更新,但会保持输出给所述第一递归神经网络,直到输出次数达到所述弹性光网络中所有可能路径的最大光纤链路数,使所述第一递归神经网络可以顺利将所有所述当前候选路径的链路拓扑特征进行聚合,得到所有当前候选路径的路径级特征。
所述将所述路径级特征输入到所述第一全连接层(图4中的Fully-connectedLayers)和柔性最大传递函数层进行概率转换,得到各个所述路径级特征对应的所述当前候选路径的频谱分配概率,并根据所述频谱分配概率输出所述目标频谱分配动作,包括:
结合所述目标流量请求(图4中的Traffice Request)和所述当前环境状态的频谱可用性分布(Spectrum Availability Distribution),将所述路径级特征转换为单个目标一维向量,所述目标一维向量的大小与所述当前候选路径的数量一致,然后通过柔性最大传递函数层(softmax层)将所述目标一维向量转换为(0,1)的概率一维向量,且所述概率一维向量中所有元素的和为1,从而得到对应的所述当前候选路径的频谱分配概率,再根据所述频谱分配概率输出所述目标频谱分配动作。
相对于现有技术,本申请的弹性光网络的频谱分配方法,首先将弹性光网络接收到目标流量请求时的当前环境状态,再将当前环境状态中的各个当前候选路径转换成当前链路拓扑信息,然后将当前链路拓扑信息输入到已训练的目标频谱分配行动网络,所述目标频谱分配行动网络通过第一图卷积神经网络提取得到所述链路拓扑信息的链路拓扑特征,通过第一递归神经网络聚合得到各个所述候选路径的路径级特征,再通过第一全连接层和柔性最大传递函数层得到各个所述路径级特征对应的所述候选路径的频谱分配概率,并根据所述频谱分配概率输出所述目标频谱分配动作,可以在接收到流量请求时,从弹性光网络的环境状态的各个可选路径中,选择出一个有效降低阻塞概率的目标路径作为频谱分配动作,从而降低弹性光网络在频谱分配时以及分配后出现的阻塞概率。
请参阅图5,在一个可行的实施例中,所述目标频谱分配行动网络的训练步骤,包括:
S101:获取若干个样本弹性光网络接收到第一流量请求时的第一环境状态以及预设数量的第二流量请求时的第二环境状态;所述第一环境状态包括若干个与所述第一流量请求对应的第一候选路径;所述第二流量请求的接收时间晚于所述第一流量请求的接收时间,所述第二环境状态包括若干个与所述第二流量请求对应的第二候选路径。
S102:将所述第一环境状态的各个第一候选路径转换成第一链路拓扑信息;将所述第二环境状态的各个第二候选路径转换成第二链路拓扑信息。
S103:将所述第一链路拓扑信息和所述第二链路拓扑信息分别输入到预构建的初始频谱分配行动网络,得到第一频谱分配动作以及预设数量的第二频谱分配动作。
S104:获取所述第一频谱分配动作对应的第一瞬时奖励以及预设数量的所述第二频谱分配动作对应的第二瞬时奖励。
其中,所述第一瞬时奖励和所述第二瞬时奖励分别表示对应的所述第一频谱分配动作和所述第二频谱分配动作是否可以执行或是否遭到阻塞,例如,若所述样本弹性光网络可以顺利执行所述第一频谱分配动作,或所述样本弹性光网络执行所述第一频谱分配动作没有出现阻塞的情况,那么对应的所述第一瞬时奖励取值为正值;若所述样本弹性光网络无法顺利执行所述第一频谱分配动作,或所述样本弹性光网络执行所述第一频谱分配动作出现了阻塞的情况,那么对应的所述第一瞬时奖励取值为负值。
S105:将所述第一链路拓扑信息和第一瞬时奖励,以及最后一个所述第二流量请求的所述第二链路拓扑信息和对应的第二瞬时奖励,输入到预构建的频谱分配批评网络,得到第一价值函数和第二价值函数。
所述第一价值函数和所述第二价值函数分别是对应的所述第一瞬时奖励和所述第二瞬时奖励对所述样本弹性光网络的未来频谱分配情况的影响,因此所述第一价值函数为:
S106:根据所述第一瞬时奖励、多个所述第二瞬时奖励、所述第一价值函数和所述第二价值函数,获得优势函数;所述优势函数用于指示所述初始频谱分配行动网络和所述频谱分配批评网络的网络参数调整方向。
S107:根据所述优势函数调整所述初始频谱分配行动网络的网络参数,得到所述目标频谱分配行动网络。
其中,所述目标频谱分配行动网络是指输出的所述目标频谱分配动作能顺利执行,且后续出现的阻塞概率小于预设值的频谱分配行动网络。
在本实施例中,通过获取若干个样本弹性光网络接收到所述第一流量请求和若干个第二流量请求时的环境状态、链路拓扑信息、对应的频谱分配动作以及对应的瞬时奖励得到所述优势函数,再根据所述优势函数调整所述初始频谱分配行动网络的网络参数,得到用于输出所述目标频谱分配动作的目标频谱分配行动网络,使弹性光网络执行目标频谱分配动作后,可以降低接收到后续的其他流量请求时出现的阻塞概率。
在一个可行的实施例中,所述频谱分配批评网络包括第二图卷积神经网络、第二递归神经网络、第二全连接层和线性输出层;
所述步骤S105:将所述第一链路拓扑信息和第一瞬时奖励,以及最后一个所述第二流量请求的所述第二链路拓扑信息和对应的第二瞬时奖励,输入到预构建的频谱分配批评网络,得到第一价值函数和第二价值函数的步骤,包括:
S1051:将所述第一链路拓扑信息输入到所述第二图卷积神经网络进行特征提取,得到第一链路拓扑特征;将所述第一链路拓扑特征输入到所述第二递归神经网络进行特征聚合,得到各个所述第一候选路径的第一路径级特征;将所述第一路径级特征输入到所述第二全连接层和线性输出层进行价值转化,得到各个所述第一候选路径对应的第一价值函数。
S1052:将所述最后一个第二流量请求的所述第二链路拓扑信息输入到所述第二图卷积神经网络进行特征提取,得到第二链路拓扑特征;将所述第二链路拓扑特征输入到所述第二递归神经网络进行特征聚合,得到对应的各个所述第二候选路径的第二路径级特征;将所述第二路径级特征输入到所述第二全连接层和线性输出层进行价值转化,得到与最后一个第二流量请求对应的各个第二候选路径对应的第二价值函数。
在本实施例中,通过所述步骤S1051-S1052,可以通过所述频谱分配批评网络得到预测的第一价值函数和第二价值函数。
在一个可行的实施例中,所述步骤S106:根据所述第一瞬时奖励、多个所述第二瞬时奖励、所述第一价值函数和所述第二价值函数,获得优势函数,包括:
通过以下公式,计算出所述优势函数:
其中,为所述优势函数;为所述流量请求的顺序;为排序是第1个的流量请求;为排序是最后1个的流量请求;为对应的流量请求的频谱分配动作;为预设的折扣因子;为接收到对应的流量请求的瞬时奖励;为所述第一流量请求和所述第二流量请求的总数量;为所述第一价值函数;为所述第二价值函数。
通过上述公式计算出的优势函数,结合了第一瞬时奖励对未来数据的形象,以及未来的频谱分配动作的瞬时奖励对未来数据的影响,使所述优势函数对于网络参数的调整方向具有更好的指示作用。
在一个可行的实施例中,所述步骤S107:根据所述优势函数调整所述初始频谱分配行动网络的网络参数,得到所述目标频谱分配行动网络的步骤,包括:
通过以下公式,调整所述目标频谱分配行动网络的网络参数:
其中,只是为了将调整前后的所述目标频谱分配行动网络的网络参数进行区分的参数表示符号,以方便理解调整所述目标频谱分配行动网络的网络参数的公式,在实际试验和应用中,每次获取到的参数后,都会将的参数赋值给,使所述目标频谱分配行动网络可以及时更新参数及实现对应的功能。
可以通过所述优势函数对所述目标频谱分配行动网络的网络参数进行优化调整,使所述目标频谱分配行动网络可以有效选择出一个有效降低阻塞概率的目标路径作为频谱分配动作。
在一个可行的实施例中,还包括:根据所述优势函数调整所述频谱分配批评网络的网络参数。
具体地,所述根据所述优势函数调整所述频谱分配批评网络的网络参数的步骤,包括:
通过以下公式,调整所述目标频谱分配批评网络的网络参数:
其中,只是为了将调整前后的所述目标频谱分配批评网络的网络参数进行区分的参数表示符号,以方便理解调整所述目标频谱分配批评网络的网络参数的公式。在实际试验和应用中,每次获取到的参数后,都会将的参数赋值给,使所述目标频谱分配批评网络可以及时更新参数及实现对应的功能。
可以通过所述优势函数对所述目标频谱分配批评网络的网络参数进行优化调整,从而提高所述目标频谱分配批评网络预测的第一价值函数和第二价值函数的准确性。
在一个实施例中,所述频谱分配批评网络还可以通过与所述目标频谱分配行动网络一起工作,从而通过所述频谱分配批评网络获取待调整分区的弹性光网络工作时对应的价值函数,并根据获取的价值函数继续优化所述目标频谱分配行动网络。
请参阅图6,本申请的一个实施例还提供一种弹性光网络的频谱分配装置,包括:
数据和网络获取模块100,当接收到目标流量请求时,获取所述目标流量请求、待调整分区的弹性光网络的当前环境状态以及已训练的目标频谱分配行动网络;其中,所述当前环境状态包括所述弹性光网络的频谱可用性分布和若干个所述目标流量请求对应的当前候选路径;所述当前候选路径根据目标流量请求的源节点、目的节点和频谱需求,以及所述弹性光网络的当前网络状态的频谱可用性分布得到;所述频谱分配行动网络包括第一图卷积神经网络、第一递归神经网络、第一全连接层和柔性最大传递函数层;
拓扑转换模块200,用于将所述当前环境状态的各个当前候选路径转换成当前链路拓扑信息;
目标频谱分配动作获取模块300,将所述当前链路拓扑信息输入到所述第一图卷积神经网络进行特征提取,得到所述链路拓扑信息的链路拓扑特征;将所述链路拓扑特征输入到所述第一递归神经网络进行特征聚合,得到各个所述当前候选路径的路径级特征;将所述目标流量请求、所述频谱可用性分布和所述路径级特征输入到所述第一全连接层和柔性最大传递函数层进行概率转换,得到各个所述路径级特征对应的所述当前候选路径的频谱分配概率,并根据所述频谱分配概率输出所述目标频谱分配动作。
相对于现有技术,本申请的弹性光网络的频谱分配装置,首先将弹性光网络接收到目标流量请求时的当前环境状态,再将当前环境状态中的各个当前候选路径转换成当前链路拓扑信息,然后将当前链路拓扑信息输入到已训练的目标频谱分配行动网络,所述目标频谱分配行动网络通过第一图卷积神经网络提取得到所述链路拓扑信息的链路拓扑特征,通过第一递归神经网络聚合得到各个所述候选路径的路径级特征,再通过第一全连接层和柔性最大传递函数层得到各个所述路径级特征对应的所述候选路径的频谱分配概率,并根据所述频谱分配概率输出所述目标频谱分配动作,可以在接收到流量请求时,从弹性光网络的环境状态的各个可选路径中,选择出一个有效降低阻塞概率的目标路径作为频谱分配动作,从而降低弹性光网络在频谱分配时以及分配后出现的阻塞概率。
本申请的一个实施例还提供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,其特征在于:所述计算机程序被处理器执行时实现如上所述的弹性光网络的频谱分配方法的步骤。
本申请的一个实施例还提供一种计算机设备,其特征在于:包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的弹性光网络的频谱分配方法的步骤。
Claims (10)
1.一种弹性光网络的频谱分配方法,其特征在于,包括:
当接收到目标流量请求时,获取所述目标流量请求、待调整分区的弹性光网络的当前环境状态以及已训练的目标频谱分配行动网络;其中,所述当前环境状态包括所述弹性光网络的频谱可用性分布和若干个所述目标流量请求对应的当前候选路径;所述当前候选路径根据目标流量请求的源节点、目的节点和频谱需求,以及所述弹性光网络的当前网络状态的频谱可用性分布得到;所述频谱分配行动网络包括第一图卷积神经网络、第一递归神经网络、第一全连接层和柔性最大传递函数层;
将所述当前环境状态的各个当前候选路径转换成当前链路拓扑信息;
将所述当前链路拓扑信息输入到所述第一图卷积神经网络进行特征提取,得到所述链路拓扑信息的链路拓扑特征;将所述链路拓扑特征输入到所述第一递归神经网络进行特征聚合,得到各个所述当前候选路径的路径级特征;将所述目标流量请求、所述频谱可用性分布和所述路径级特征输入到所述第一全连接层和柔性最大传递函数层进行概率转换,得到各个所述路径级特征对应的所述当前候选路径的频谱分配概率,并根据所述频谱分配概率输出所述目标频谱分配动作;
其中,将所述当前链路拓扑信息输入到所述第一图卷积神经网络进行特征提取,得到所述链路拓扑信息的链路拓扑特征,其过程如下公式所示:
其中,为其中一个所述当前候选路径第层节点的特征,且对于输入层,为所述当前链路拓扑信息的节点特征;为其中一个所述当前候选路径的第层节点的特征,也可以表示为所述链路拓扑信息的链路拓扑特征;为非线性激活函数;属于输入图的度矩阵,所述输入图的度矩阵是一个对角矩阵,其中每个对角元素给出相应节点的度数,;,其中为链路特征,是N × N单位矩阵;为权值矩阵,是一个N × F矩阵,受到所述目标频谱分配行动网络的网络参数影响;
所述将所述链路拓扑特征输入到所述第一递归神经网络进行特征聚合,得到各个所述当前候选路径的路径级特征,如下公式所示:
2.根据权利要求1所述的弹性光网络的频谱分配方法,其特征在于,所述目标频谱分配行动网络的训练步骤,包括:
获取若干个样本弹性光网络接收到第一流量请求时的第一环境状态以及预设数量的第二流量请求时的第二环境状态;所述第一环境状态包括若干个与所述第一流量请求对应的第一候选路径;所述第二流量请求的接收时间晚于所述第一流量请求的接收时间,所述第二环境状态包括若干个与所述第二流量请求对应的第二候选路径;
将所述第一环境状态的各个第一候选路径转换成第一链路拓扑信息;将所述第二环境状态的各个第二候选路径转换成第二链路拓扑信息;
将所述第一链路拓扑信息和所述第二链路拓扑信息分别输入到预构建的初始频谱分配行动网络,得到第一频谱分配动作以及预设数量的第二频谱分配动作;
获取所述第一频谱分配动作对应的第一瞬时奖励以及预设数量的所述第二频谱分配动作对应的第二瞬时奖励;
将所述第一链路拓扑信息和第一瞬时奖励,以及最后一个所述第二流量请求的所述第二链路拓扑信息和对应的第二瞬时奖励,输入到预构建的频谱分配批评网络,得到第一价值函数和第二价值函数;
根据所述第一瞬时奖励、多个所述第二瞬时奖励、所述第一价值函数和所述第二价值函数,获得优势函数;所述优势函数用于指示所述初始频谱分配行动网络和所述频谱分配批评网络的网络参数调整方向;
根据所述优势函数调整所述初始频谱分配行动网络的网络参数,得到所述目标频谱分配行动网络。
3.根据权利要求2所述的弹性光网络的频谱分配方法,其特征在于,
所述频谱分配批评网络包括第二图卷积神经网络、第二递归神经网络、第二全连接层和线性输出层;
所述将所述第一链路拓扑信息和第一瞬时奖励,以及最后一个所述第二流量请求的所述第二链路拓扑信息和对应的第二瞬时奖励,输入到预构建的频谱分配批评网络,得到第一价值函数和第二价值函数的步骤,包括:
将所述第一链路拓扑信息输入到所述第二图卷积神经网络进行特征提取,得到第一链路拓扑特征;将所述第一链路拓扑特征输入到所述第二递归神经网络进行特征聚合,得到各个所述第一候选路径的第一路径级特征;将所述第一路径级特征输入到所述第二全连接层和线性输出层进行价值转化,得到各个所述第一候选路径对应的第一价值函数;
将所述最后一个第二流量请求的所述第二链路拓扑信息输入到所述第二图卷积神经网络进行特征提取,得到第二链路拓扑特征;将所述第二链路拓扑特征输入到所述第二递归神经网络进行特征聚合,得到对应的各个所述第二候选路径的第二路径级特征;将所述第二路径级特征输入到所述第二全连接层和线性输出层进行价值转化,得到与最后一个第二流量请求对应的各个第二候选路径对应的第二价值函数。
6.根据权利要求4所述的弹性光网络的频谱分配方法,其特征在于,还包括:根据所述优势函数调整所述频谱分配批评网络的网络参数。
8.一种弹性光网络的频谱分配装置,其特征在于,包括:
数据和网络获取模块,当接收到目标流量请求时,获取所述目标流量请求、待调整分区的弹性光网络的当前环境状态以及已训练的目标频谱分配行动网络;其中,所述当前环境状态包括所述弹性光网络的频谱可用性分布和若干个所述目标流量请求对应的当前候选路径;所述当前候选路径根据目标流量请求的源节点、目的节点和频谱需求,以及所述弹性光网络的当前网络状态的频谱可用性分布得到;所述频谱分配行动网络包括第一图卷积神经网络、第一递归神经网络、第一全连接层和柔性最大传递函数层;
拓扑转换模块,用于将所述当前环境状态的各个当前候选路径转换成当前链路拓扑信息;
目标频谱分配动作获取模块,将所述当前链路拓扑信息输入到所述第一图卷积神经网络进行特征提取,得到所述链路拓扑信息的链路拓扑特征;将所述链路拓扑特征输入到所述第一递归神经网络进行特征聚合,得到各个所述当前候选路径的路径级特征;将所述目标流量请求、所述频谱可用性分布和所述路径级特征输入到所述第一全连接层和柔性最大传递函数层进行概率转换,得到各个所述路径级特征对应的所述当前候选路径的频谱分配概率,并根据所述频谱分配概率输出所述目标频谱分配动作;
其中,将所述当前链路拓扑信息输入到所述第一图卷积神经网络进行特征提取,得到所述链路拓扑信息的链路拓扑特征,其过程如下公式所示:
其中,为其中一个所述当前候选路径第层节点的特征,且对于输入层,为所述当前链路拓扑信息的节点特征;为其中一个所述当前候选路径的第层节点的特征,也可以表示为所述链路拓扑信息的链路拓扑特征;为非线性激活函数;属于输入图的度矩阵;所述输入图的度矩阵是一个对角矩阵,其中每个对角元素给出相应节点的度数,;,其中为链路特征,是N × N单位矩阵;为权值矩阵,是一个N × F矩阵,受到所述目标频谱分配行动网络的网络参数影响;
所述将所述链路拓扑特征输入到所述第一递归神经网络进行特征聚合,得到各个所述当前候选路径的路径级特征,如下公式所示:
9.一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,其特征在于:所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的弹性光网络的频谱分配方法的步骤。
10.一种计算机设备,其特征在于:包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的弹性光网络的频谱分配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210458407.3A CN114584871B (zh) | 2022-04-28 | 2022-04-28 | 弹性光网络的频谱分配方法、装置、存储介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210458407.3A CN114584871B (zh) | 2022-04-28 | 2022-04-28 | 弹性光网络的频谱分配方法、装置、存储介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114584871A CN114584871A (zh) | 2022-06-03 |
CN114584871B true CN114584871B (zh) | 2022-08-05 |
Family
ID=81778483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210458407.3A Active CN114584871B (zh) | 2022-04-28 | 2022-04-28 | 弹性光网络的频谱分配方法、装置、存储介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114584871B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115484520B (zh) * | 2022-11-02 | 2023-04-18 | 华南师范大学 | 弹性光网络的频谱分配网络获取方法和频谱分配方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111246320A (zh) * | 2020-01-08 | 2020-06-05 | 郑州大学 | 一种云-雾弹性光网络中的深度强化学习流量疏导方法 |
CN111586502A (zh) * | 2020-03-26 | 2020-08-25 | 北京邮电大学 | 弹性光网络中的资源分配方法及系统 |
CN112383477A (zh) * | 2020-10-22 | 2021-02-19 | 国网电力科学研究院有限公司 | 一种面向数据中心光网络的路由和频谱分配方法及装置 |
CN112383846A (zh) * | 2020-11-13 | 2021-02-19 | 国网河南省电力公司信息通信公司 | 面向云-雾弹性光网络提前预留请求的频谱资源分配方法 |
CN113438173A (zh) * | 2021-08-30 | 2021-09-24 | 华南师范大学 | 路由和频谱分配方法、装置、存储介质以及电子设备 |
CN113965837A (zh) * | 2021-12-21 | 2022-01-21 | 华南师范大学 | 光网络动态频谱分区方法、装置、存储介质和计算机设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110011922B (zh) * | 2019-04-07 | 2020-06-05 | 西安电子科技大学 | 弹性光网络中采用业务预测与频谱转换的rsa方法 |
CN111049579B (zh) * | 2019-12-13 | 2021-05-04 | 苏州大学 | 防止基于人工智能的传输质量预测失败的保护方法及系统 |
US11146349B2 (en) * | 2020-03-09 | 2021-10-12 | Huawei Technologies Canada Co., Ltd. | System and method for elastic optical networks |
CN113849313A (zh) * | 2021-09-30 | 2021-12-28 | 郑州大学 | 一种节能的云-边弹性光网络中计算任务链部署方法 |
-
2022
- 2022-04-28 CN CN202210458407.3A patent/CN114584871B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111246320A (zh) * | 2020-01-08 | 2020-06-05 | 郑州大学 | 一种云-雾弹性光网络中的深度强化学习流量疏导方法 |
CN111586502A (zh) * | 2020-03-26 | 2020-08-25 | 北京邮电大学 | 弹性光网络中的资源分配方法及系统 |
CN112383477A (zh) * | 2020-10-22 | 2021-02-19 | 国网电力科学研究院有限公司 | 一种面向数据中心光网络的路由和频谱分配方法及装置 |
CN112383846A (zh) * | 2020-11-13 | 2021-02-19 | 国网河南省电力公司信息通信公司 | 面向云-雾弹性光网络提前预留请求的频谱资源分配方法 |
CN113438173A (zh) * | 2021-08-30 | 2021-09-24 | 华南师范大学 | 路由和频谱分配方法、装置、存储介质以及电子设备 |
CN113965837A (zh) * | 2021-12-21 | 2022-01-21 | 华南师范大学 | 光网络动态频谱分区方法、装置、存储介质和计算机设备 |
Non-Patent Citations (2)
Title |
---|
A Subcarrier-Slot Autonomous Partition Scheme Based on;Xin Wang;《Asia Communications and Photonics Conference》;20200210;全文 * |
Spectrum Continuity and Contiguity Aware State Representation for Deep;Liufei Xu;《2021 Optoelectronics Global Conference》;20211227;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114584871A (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111625361B (zh) | 一种基于云端服务器和IoT设备协同的联合学习框架 | |
CN114286413B (zh) | Tsn网络联合路由选择与流分配方法及相关设备 | |
Salehisadaghiani et al. | Distributed Nash equilibrium seeking via the alternating direction method of multipliers | |
CN114584871B (zh) | 弹性光网络的频谱分配方法、装置、存储介质和设备 | |
CN113705959A (zh) | 网络资源分配方法及电子设备 | |
CN111404815B (zh) | 一种基于深度学习的有约束路由选择方法 | |
EP3982588A1 (en) | Homomorphic operation accelerator and homomorphic operation performing device including the same | |
WO2022042262A1 (zh) | Otn网络资源优化方法及装置、计算机设备和存储介质 | |
CN110635833B (zh) | 一种基于深度学习的功率分配方法及分配装置 | |
Panahi et al. | Optimal channel-sensing scheme for cognitive radio systems based on fuzzy q-learning | |
CN117202377A (zh) | 基于双深q网络和冲突度算法的网络无冲突资源分配方法 | |
Zihayat et al. | Two-phase pareto set discovery for team formation in social networks | |
CN111683010A (zh) | 基于光缆网光路的双路由的生成方法及装置 | |
CN113992520B (zh) | 一种虚拟网络资源的部署方法和系统 | |
Alpcan et al. | An information analysis of iterative algorithms for network utility maximization and strategic games | |
CN116189277A (zh) | 训练方法和装置、手势识别方法、电子设备及存储介质 | |
CN107889115A (zh) | 基于马氏决策的机会频谱接入方法 | |
Moneesh et al. | Cooperative Spectrum Sensing using DQN in CRN | |
TWI833461B (zh) | 規劃方法及其通訊裝置 | |
CN117876156B (zh) | 基于多任务电力物联终端监测方法、电力物联终端及介质 | |
CN115580573B (zh) | 服务功能链路径规划方法及相关设备 | |
CN116341685B (zh) | 基于联合注意力的分布式计算卸载模型训练方法和系统 | |
JP7428831B2 (ja) | Otnネットワークリソース最適化方法および装置、コンピュータデバイスならびに記憶媒体 | |
CN115442324B (zh) | 消息生成方法、装置、消息管理设备以及存储介质 | |
Geranmayeh et al. | Machine Learning Based Beam Selection for Maximizing Wireless Network Capacity |
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 |