CN114599043A - 一种基于深度强化学习的空天地一体化网络资源分配方法 - Google Patents

一种基于深度强化学习的空天地一体化网络资源分配方法 Download PDF

Info

Publication number
CN114599043A
CN114599043A CN202210211932.5A CN202210211932A CN114599043A CN 114599043 A CN114599043 A CN 114599043A CN 202210211932 A CN202210211932 A CN 202210211932A CN 114599043 A CN114599043 A CN 114599043A
Authority
CN
China
Prior art keywords
network
node
virtual
space
air
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
Application number
CN202210211932.5A
Other languages
English (en)
Inventor
张培颖
洪延榕
王亚琪
甘鹏
孙浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202210211932.5A priority Critical patent/CN114599043A/zh
Publication of CN114599043A publication Critical patent/CN114599043A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提供了一种基于深度强化学习的空天地一体化网络资源分配方法。由于传统地基网络所面临的基站损坏、通信故障等一系列问题，本发明基于空天地一体化网络，利用深度强化学习技术，对网络中的资源问题进行了优化。通过网络建模、属性设置、策略网络的搭建、特征提取以及训练与测试完成网络资源的分配过程。本发明提供的技术方案在空天地一体化网络领域具有重要的研究意义，并在虚拟请求接受率、长期平均收益、收益成本比等方面具有良好性能。

Description

一种基于深度强化学习的空天地一体化网络资源分配方法
技术领域
本发明涉及一种空天地一体化网络中的资源分配方法，特别涉及应用深度强化学习先进技术的资源分配方法。
背景技术
如今，电子信息技术迅速发展，物联网应用也越来越广泛，各种业务的需求量以及全球服务需求大幅增长，传统的地面无线通信已经不能保证通信服务的需求。且在地震、火山喷发、洪水等一些自然灾害的破坏下，地面基站、信号塔都会出现通信故障等问题，导致网络传输不成功，用户接收不到无线信号。这给用户以及服务供应商都造成了不同程度的影响。为了克服地基网络的这种弊端，也为了实现全球的通信覆盖，空天地一体化网络应运而生。空天地一体化网络旨在为全球用户提供更加全面的三维网络连接，拥有覆盖范围广，灵活性与可靠性高等优势。由于空天地一体化网络还处于研究的起步阶段，许多技术性问题还亟待解决。空天地一体化网络的异构性，时变性和自组织性等特征带来了整合、部署、覆盖和容量等方面的难题，其中空天地一体化网络资源的编排算法是亟待研究的重点问题。
众多信息产业层出不穷，给互联网架构带来了严峻的挑战，传统的互联网架构还采用设计初期的“尽力而为”的交付模式，其早已无法满足新协议的部署和各种新型分布式应用的需求，网络僵化问题日益严重。这也导致传统的地基通信网络无法满足空天地一体化的网络资源分配任务。针对网络僵化问题，网络虚拟化技术的发展为互联网架构带来了多元化的特性，被认为是解决互联网僵化问题的有效途径之一。虚拟网络映射作为网络虚拟化研究的核心问题，其本质正是网络资源的编排与分配。因此，为了解决空天地一体化中的资源分配问题，可将空天地一体化抽象为物理网络，执行虚拟网络资源与物理网络资源的之间的映射，即基于虚拟网络架构下的多域虚拟网络映射问题。
目前的大多数研究工作都只停留在基于启发式的虚拟网络映射算法。但是传统的基于启发式的算法，往往遵循静态程序，采取手工制定的规则和假设，容易陷入局部最优解。并且伴随着虚拟网络请求的不断到来以及时间的推进，往往会索取较大的计算资源并且不能自动优化。例如传统的粒子群算法中，粒子之间相互在自己的搜索空间中搜索个体极值，并且在与整个系统中的其他粒子相互交流调整运动方向得到全局最优解。但是，像这种启发式算法得到的解往往不是最优解，导致映射策略不佳，并且随着时间的推进不能够自动优化。
近年来，大数据、机器学习和人工智能取得了令人兴奋的突破，取得了自然语言理解和对象检测等最先进的成果。高科技领域已经渗透到人们生活中的各行各业。机器学习已然成为目前人工智能领域研究的热点。机器学习算法往往先采集一些已有的数据集进行训练，自行学习其中的相关信息，以达到分类或者预测的目的。其中以深度学习(DeepLearning，DL)和强化学习(Reinforcement Learning，RL)作为代表的机器学习算法在解决高维度决策方面体现出巨大优势。通常将拥有优异感知能力的深度学习算法与拥有优异决策能力的强化学习算法结合，二者结合后的产物即为深度强化学习(Deep ReinforcementLearning，DRL)算法。深度强化学习属于人工智能领域一个新的研究热点，并能够通过端对端的学习方式实现从原始输入到输出的直接控制。因此，我们可以应用深度强化学习方法解决虚拟网络映射过程中可能存在的问题，高效地完成对空天地一体化网络资源的合理分配。研究证明深度强化学习方法在资源分配问题中取得了较好的应用效果。
基于对目前空天地一体化网络的深入调研，研究还面临着许多挑战。大多数现实情况是空天地一体化网络代表三层网络，虚拟网络服务需要跨多个底层物理网络域，每个底层物理网络域隶属不同的管理单位，单域映射算法无法满足用户跨域虚拟网络映射的需求。其次，对于空天地一体化网络资源分配问题，从虚拟网络映射算法的角度解决问题的资料有限，该领域拥有广阔的研发前景。综上所述，为了克服传统地面通信网络的种种弊端，空天地一体化网络具有重大的现实意义。而深度强化学习算法作为人工智能领域的一种新兴技术，非常适合解决多维异构网络资源的优化问题。因此，设计一种基于深度强化学习技术的空天地一体化网络资源分配方法，可以有效满足用户业务的需求。
发明内容
本发明的目的在于提出一种针对空天地一体化的网络资源分配方法，以解决传统地基通信网络存在的弊端。本发明具体针对空天地一体化网络的异构性，时变性和自组织性等特征，采用人工智能算法中的深度强化学习技术对多域物理网络资源进行协同智能管控，提出了一种基于深度强化学习的空天地一体化网络资源分配方法。
本发明所采用的技术方案如下：根据空天地一体化网络异构性，时变性和自组织性的特征，把网络拓扑抽象为一个图结构，为空天地一体化网络建立网络模型；其次根据用户的差异化需求与网络的实际情况，为网络节点和链路设置合理的网络属性；利用深度强化学习技术搭建神经网络模型策略网络，将其作为学习代理参与训练；从底层物理网络中提取五种重要特征组成特征矩阵作为策略网络的输入；从而深度强化学习代理实现训练与测试，完成空天地一体化网络中的资源分配。最终，通过设置网络评价指标验证所提出方法的性能。
所述的空天地一体化网络建立网络模型，用顶点来代替网络节点，用边来代替网络链路，将空天地一体化网络建模为无向带权图
Figure BDA0003531434570000031
其中
Figure BDA0003531434570000032
分别指代空基网络，天基网络和地基网络，NP代表网络节点，LP代表网络链路。同样的，虚拟网络请求也可被抽象为加权无向图Gv＝{Nv,Lv}，并且在每个虚拟网络请求(VNR)中，Nv表示虚拟节点的集合，Lv代表虚拟链路的集合。
所述的为网络节点和链路设置合理的网络属性，在空天地一体化所建模的物理网络中，
Figure BDA0003531434570000033
和
Figure BDA0003531434570000034
分别代表节点属性与链路属性。每个节点均具有功能性或非功能性属性，包括CPU资源属性。此外，每条链路也均具有功能性或非功能性属性，包括带宽(BW)资源属性。在虚拟网络中，Nv中的每个虚拟节点nv对CPU都有要求，所映射到的物理节点需满足虚拟节点的资源需求，可以将其定义为CPU(nv)。并且Lv中的每个虚拟链路lv有带宽需求，所映射到的物理链路上的带宽资源也需大于或等于虚拟链路所需资源，可以将其定义为BW(lv)。
所述的策略网络的搭建，利用神经网络的基本元素搭建一个四层的策略网络模型，包括输入层、卷积层、softmax层和输出层。在输入层，计算特征矩阵并将其作为输入传递给策略网络，然后将特征矩阵传入到一个卷积层。在卷积层，接受上层传递的特殊矩阵，对其进行卷积计算，产生一个表示每个节点可用资源的向量。然后，该向量被传输到softmax层，为每个物理节点产生一个概率，该概率表示如果将这个虚拟节点映射到该节点，能够产生更好结果的可能性。输出层则选择出具有足够CPU资源的物理节点进行输出。
所述的从底层物理网络中提取五种重要特征组成特征矩阵，物理网络有许多属性可以作为底层物理网络节点的特征。本文选取CPU、度、带宽总和、该节点到其他已经映射的物理节点的平均距离以及节点时延。提取这些特征信息之后，对其进行归一化处理得到特征向量，将所有的特征向量拼接起来组成特征矩阵。特征矩阵将作为学习代理的输入。随着物理网络的不停变换，特征矩阵也会随之更新。
所述的实现训练与测试，完成空天地一体化网络的资源分配，其特征在于：选取2000个虚拟请求集合，1000个作为训练集，1000个作为测试集。在训练阶段，根据策略网络输出可用物理节点的概率，从这些可用节点分布中生成一个样本，并选择一个节点作为候选节点。迭代这个过程，直到该虚拟请求中的所有虚拟节点都被分配，然后再通过最短路径算法完成对虚拟链路的映射，完成对空天地一体化网络资源的分配过程。
所述的通过设置网络评价指标验证所提出方法的性能，其特征在于：选取虚拟网络请求接受率、长期平均收益、长期收益成本比三项指标判定所提出的基于深度强化学习的空天地一体化网络资源分配方法的性能。
性能评估模型是一组用于评估算法性能的指标，包括每个指标的计算方式。指标包括虚拟网络请求接受率、长期平均收益、长期收益成本比。
各个指标的计算方式如下所示：
(1)虚拟网络请求接受率：
一段时间t∈(0,T)内的虚拟网络请求接受率可以定义如下：
Figure BDA0003531434570000041
其中，VNRaccept表示成功映射到物理网络的虚拟网络请求的个数，VNRarrive表示到达的所有虚拟网络请求的个数。
(2)长期收益成本比：
本发明将在时间t映射收益定义为虚拟请求所需的计算资源和带宽资源的总和，可以表述为：
Figure BDA0003531434570000042
将在时间t映射虚拟网络的成本定义为底层网络物理资源的总和，可以用以下公式表示：
Figure BDA0003531434570000043
其中
Figure BDA0003531434570000044
是一个布尔变量，
Figure BDA0003531434570000045
表示链路的映射关系。当底层物理链路分配带宽资源给虚拟链路时，
Figure BDA0003531434570000046
否则，
Figure BDA0003531434570000047
基于以上公式，可以将一段时间t∈(0,T)内的收益成本比公式定义如下：
Figure BDA0003531434570000048
(3)长期平均收益：
一段时间t∈(0,T)内的长期平均收益可以定义如下：
Figure BDA0003531434570000049
本发明提供的技术方案带来的有益效果是：(1)本发明以空天地一体化网络为背景，发明了基于深度强化学习的空天地一体化网络资源分配方法，为人工智能领域和跨域虚拟网络映射算法两者的结合提供了理论与实践依据。(2)本发明摒弃了传统的启发式算法求解，采用先进的机器学习技术辅助资源分配过程，实验证明机器学习技术的优势要远远高于传统的启发式算法。(3)本发明具体针对空天地一体化网络异构性、时变性的特征，建立网络模型，并用神经网络元素搭建策略网络参与训练，实时了解底层网络资源量，从而对网络资源进行合理分配。
附图说明
为了更清楚地说明本发明的技术方案，下面将对发明内容中所需要使用的附图作简要地介绍。
图1是一个由3个节点和3条链路组成的虚拟网络请求图。节点分别为a、b、c，节点旁边矩形框里的数字代表节点所需的CPU资源，链路旁边的数字代表链路映射所需的带宽资源。
图2是一个由三个域组成的底层物理网络图。将空天地一体化网络分别建模为空、天、地三个域，域与域相互连接，每个域之间也包括节点与链路。同虚拟网络请求图一样，节点旁边矩形框里的数字代表节点所需的CPU资源，链路旁边的数字代表链路映射所需的带宽资源。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明实施方式作进一步地详细描述。本发明将策略网络参与训练与测试，将节点提取的五种属性作为策略网络的输入。
CPU：底层物理网络的CPU资源对策略网络具有着不可忽视的作用。拥有更高CPU资源的节点意味着可以承载更多的虚拟节点。
度(DEG)：每个节点的度表示与此节点相连的链路数。一个结点的度越高，意味着在通过此节点拥有更大的几率能够找到与其他节点的路径。
带宽总和(SUM)：与每个节点相连的链路的带宽之和。一个结点带宽总和越高意味着映射到此节点拥有更多好的链路路径选择，更有机会满足链路映射的带宽需求。
该节点到其他已经映射物理节点的平均距离(AVG)：即表示该节点到其他已经映射物理节点的平均距离。如果虚拟网络请求中已经有一个结点已经映射，那么选择接近那些已经映射的底层物理节点可以降低链路带宽代价，该属性越小的物理节点被映射的概率越大。
节点时延：对于某些用户的请求对时延要求较高，只有满足时延要求的节点才能进行资源分配。因此将时延作为策略网络的输入特征。
首先对策略网络中的参数进行随机初始化，并对其进行阶段性训练。对于每次迭代的每个虚拟节点，从底层网络中提取特征矩阵作为策略网络的输入。策略网络输出一组该虚拟节点可以映射的物理节点以及每个节点的概率。这个概率表示该虚拟节点映射到这个物理节点会产生更好的映射方案的似然性。在训练阶段，由于模型初始化是随机的，如果简单地选择概率最大的节点作为候选节点，意味着输出可能会存在偏差。为此，本文根据策略网络模型输出的可用物理节点的概率，从这些可用物理节点分布中生成一个样本，并选择一个节点作为候选节点。迭代这个过程，直到该虚拟请求中的所有虚拟节点都被分配，然后继续进行链路映射。如果没有满足资源条件的物理节点，则会导致映射失败。对于链路映射，本文采用广度优先搜索来寻找每对节点之间的最短路径，完成链路映射。
本实例设定底层网络总共包含三个域，其中，每个基底节点的计算能力和时延是一个实数，服从0和100的均匀分布，以及每一个链路的带宽是一个遵循均匀分布在0到50之间的实数。另外，生成了许多虚拟请求，每个请求有2-10个虚拟节点。每个虚拟节点的计算能力要求均匀分布在0～50个单元之间。每个虚拟链路的带宽要求在0到50个单元之间均匀分布。虚拟节点以0.5的概率连接，以上变量均服从均匀分布。此外，虚拟网络请求的数量遵循泊松分布，在10个时间单位上平均有4个请求。每个请求的持续时间遵循指数分布，平均1000个时间单位。
基于以上实验条件，完成空天地一体化网络的资源分配。由于我们将人工神经网络中的策略网络作为学习代理，可以实时了解到网络节点所剩资源情况，以便做出更合理的分配策略。最后根据上述所提到的三种评价指标评判所提出方法的性能。事实证明，相较于其他启发式算法，应用深度强化学习技术的资源分配方法在虚拟网络请求接受率、长期平均收益、长期平均收益成本比方面更具有明显优势。

Claims (7)

1.一种基于深度强化学习的空天地一体化网络资源分配方法，其特征在于：根据空天地一体化网络异构性，时变性和自组织性的特征，把网络拓扑抽象为一个图结构，为空天地一体化网络建立网络模型；其次根据用户的差异化需求与网络的实际情况，为网络节点和链路设置合理的网络属性；利用深度强化学习技术搭建神经网络模型策略网络，将其作为学习代理参与训练；从底层物理网络中提取五种重要特征组成特征矩阵作为策略网络的输入；从而深度强化学习代理实现训练与测试，完成空天地一体化网络中的资源分配。最终，通过设置网络评价指标验证所提出方法的性能。
2.根据权利要求1所述的空天地一体化网络建立网络模型，其特征在于：将空天地一体化网络建模为无向带权图
Figure FDA0003531434560000011
其中
Figure FDA0003531434560000012
分别指代天基网络，空基网络和陆基网络，NP代表网络节点，LP代表网络链路。同样的，虚拟网络请求也可被抽象为加权无向图Gv＝{Nv,Lv}，并且在每个虚拟网络请求(VNR)中，Nv表示虚拟节点的集合，Lv代表虚拟链路的集合。
3.根据权利要求1所述的为网络节点和链路设置合理的网络属性，其特征在于：在空天地一体化所建模的物理网络中，
Figure FDA0003531434560000013
和
Figure FDA0003531434560000014
分别代表节点属性与链路属性。每个节点均具有功能性或非功能性属性，包括CPU资源属性。此外，每条链路也均具有功能性或非功能性属性，包括带宽(BW)资源属性。在虚拟网络中，Nv中的每个虚拟节点nv对CPU都有要求，可以将其定义为CPU(nv)。并且Lv中的每个虚拟链路lv有带宽需求，可以将其定义为BW(lv)。
4.根据权利要求1所述的策略网络的搭建，其特征在于：利用神经网路的基本元素搭建一个四层的策略网络模型，包括输入层、卷积层、softmax层和输出层。在输入层，计算特征矩阵并将其作为输入传递给策略网络，然后将特征矩阵传入到一个卷积层。在卷积层，接受上层传递的特殊矩阵，对其进行卷积计算，产生一个表示每个节点可用资源的向量。然后，该向量被传输到softmax层，为每个物理节点产生一个概率，该概率表示如果将这个虚拟节点映射到该节点，能够产生更好结果的可能性。输出层则选择出具有足够CPU资源的物理节点进行输出。
5.根据权利要求1所述的从底层物理网络中提取五种重要特征组成特征矩阵，其特征在于：物理网络有许多属性可以作为底层物理网络节点的特征。本文选取CPU、度、带宽总和、该节点到其他已经映射的物理节点的平均距离以及节点时延。提取这些特征信息之后，对其进行归一化处理得到特征向量，将所有的特征向量拼接起来组成特征矩阵。特征矩阵将作为学习代理的输入。随着物理网络的不停变换，特征矩阵也会随之更新。
6.根据权利要求1所述的实现训练与测试，完成空天地一体化网络的资源分配，其特征在于：选取2000个虚拟请求集合，1000个作为训练集，1000个作为测试集。在训练阶段，根据策略网络输出可用物理节点的概率，从这些可用节点分布中生成一个样本，并选择一个节点作为候选节点。迭代这个过程，直到该虚拟请求中的所有虚拟节点都被分配，然后继续进行链路映射，完成对网络资源的分配过程。
7.根据权利要求1所述的通过设置网络评价指标验证所提出方法的性能，其特征在于：选取虚拟网络请求接受率、长期平均收益、长期收益成本比三项指标判定所提出的基于深度强化学习的空天地一体化网络资源分配方法的性能。
CN202210211932.5A 2022-03-04 2022-03-04 一种基于深度强化学习的空天地一体化网络资源分配方法 Pending CN114599043A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210211932.5A CN114599043A (zh) 2022-03-04 2022-03-04 一种基于深度强化学习的空天地一体化网络资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210211932.5A CN114599043A (zh) 2022-03-04 2022-03-04 一种基于深度强化学习的空天地一体化网络资源分配方法

Publications (1)

Publication Number Publication Date
CN114599043A true CN114599043A (zh) 2022-06-07

Family

ID=81808002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210211932.5A Pending CN114599043A (zh) 2022-03-04 2022-03-04 一种基于深度强化学习的空天地一体化网络资源分配方法

Country Status (1)

Country Link
CN (1) CN114599043A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116074199A (zh) * 2022-12-28 2023-05-05 西安电子科技大学 6g空天地场景细粒度按需服务方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116074199A (zh) * 2022-12-28 2023-05-05 西安电子科技大学 6g空天地场景细粒度按需服务方法

Similar Documents

Publication Publication Date Title
CN113316118B (zh) 基于任务认知的无人机集群网络自组织系统及方法
CN109818786B (zh) 一种云数据中心应用可感知的分布式多资源组合路径最优选取方法
CN108009710A (zh) 基于相似度和TrustRank算法的节点测试重要度评估方法
CN107453928B (zh) 一种电力通信网节点重要度评价方法及装置
CN109150627A (zh) 基于动态资源需求及拓扑感知的虚拟网络映射的构建方法
CN110401564B (zh) 基于相对混合择优的指挥控制超网络模型构建方法
CN108053037A (zh) 一种基于两网融合的配电网抢修策略制定方法及装置
CN111935724B (zh) 基于异步深度强化学习的无线传感器网络拓扑优化方法
CN106685745B (zh) 一种网络拓扑构建方法及装置
CN113641500A (zh) 一种综合信任评价的海上边缘计算卸载方法
Abdoos et al. Holonification of a network of agents based on graph theory
Zhang et al. Evolving pseudofractal networks
CN113037546A (zh) 基于深度强化学习的安全性虚拟网络映射方法
Rahbari et al. Fast and fair computation offloading management in a swarm of drones using a rating-based federated learning approach
Zhang et al. Deep reinforcement learning algorithm for latency-oriented IIoT resource orchestration
Zhang et al. Multi-target-aware dynamic resource scheduling for cloud-fog-edge multi-tier computing network
CN112183820A (zh) 基于线性规划的有向网络链路预测方法
CN114599043A (zh) 一种基于深度强化学习的空天地一体化网络资源分配方法
Zhang et al. Resource and delay aware fine-grained service offloading in collaborative edge computing
CN114629769A (zh) 自组织网络的流量图谱生成方法
CN114792187A (zh) 基于意愿和信任双重约束的群智感知团队招募方法及系统
CN109120438B (zh) 一种机会网络下的数据协同传输方法及系统
CN113572690B (zh) 面向可靠性的用电信息采集业务的数据传输方法
US11973662B1 (en) Intelligent mapping method for cloud tenant virtual network based on reinforcement learning model
CN109255376A (zh) 一种基于自适应度惩罚和社区信息的预测网络连边的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication