CN114666263A - 高动态的智能路由确定方法、装置、电子设备及存储介质 - Google Patents
高动态的智能路由确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114666263A CN114666263A CN202210547939.4A CN202210547939A CN114666263A CN 114666263 A CN114666263 A CN 114666263A CN 202210547939 A CN202210547939 A CN 202210547939A CN 114666263 A CN114666263 A CN 114666263A
- Authority
- CN
- China
- Prior art keywords
- communication node
- sample
- predicted
- determining
- graph
- 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
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
- H04L45/12—Shortest path evaluation
- H04L45/121—Shortest path evaluation by minimising delays
-
- 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
- G06N3/08—Learning methods
-
- 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
- H04L45/14—Routing performance; Theoretical aspects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种高动态的智能路由确定方法、装置、电子设备及存储介质,可以应用于计算机技术领域。该高动态的智能路由确定方法包括:根据待预测网络路由图和待预测网络路由图中每两个直接相连的通信节点之间的时延,确定特征矩阵和原始邻接矩阵;利用训练后的图神经网络模型处理特征矩阵和原始邻接矩阵,得到第一特征向量和第二特征向量;根据第一特征向量和第二特征向量,确定待预测网络路由图中每两个通信节点之间的预测时延;以及根据当前通信节点、目的通信节点、待预测网络路由图和预测时延,确定当前通信节点的下一跳通信节点,以确定从当前通信节点传输至目的通信节点的目标路由路径。
Description
技术领域
本发明涉及计算机技术领域,具体涉及网络路由技术领域,更具体地涉及一种高动态的智能路由确定方法、装置、电子设备及存储介质。
背景技术
在确定数据包的传输路由路径时,目前采用的路由确定算法包括,根据待预测的网络路由图中每两个直接相连的通信节点之间的时延,确定传输总时延最小的路由路径,并未考虑网络路由图中每个通信节点的动态性。此外,目前采用的路由确定算法在应对网络规模较大的网络拓扑图的情况时,运算效率较低。
发明内容
鉴于上述问题,本发明提供了提高路由路径确定效率的高动态的智能路由确定方法、装置、电子设备及存储介质。
根据本发明的一个方面,提供了一种高动态的智能路由确定方法,包括:根据待预测网络路由图和待预测网络路由图中每两个直接相连的通信节点之间的时延,确定特征矩阵和原始邻接矩阵;利用训练后的图神经网络模型处理特征矩阵和原始邻接矩阵,得到第一特征向量和第二特征向量;根据第一特征向量和第二特征向量,确定待预测网络路由图中每两个通信节点之间的预测时延;以及根据当前通信节点、目的通信节点、待预测网络路由图和预测时延,确定当前通信节点的下一跳通信节点,以确定从当前通信节点传输至目的通信节点的目标路由路径。
根据本发明的实施例,利用训练后的图神经网络模型处理特征矩阵和原始邻接矩阵,得到第一特征向量和第二特征向量包括:利用训练后的图神经网络模型处理特征矩阵和原始邻接矩阵,得到第一特征向量;根据待预测网络路由图和原始邻接矩阵,确定更新邻接矩阵;以及利用训练后的图神经网络模型处理特征矩阵和更新邻接矩阵,得到第二特征向量。
根据本发明的实施例,根据待预测网络路由图和原始邻接矩阵,确定更新邻接矩阵包括:针对待预测网络路由图中每个通信节点,根据待预测网络路由图,确定与每个通信节点直接相连的至少一个第一通信节点和与每个通信节点间接相连的至少一个第二通信节点;以及根据至少一个第一通信节点和至少一个第二通信节点,对原始邻接矩阵进行更新,得到更新邻接矩阵。
根据本发明的实施例,根据第一特征向量和第二特征向量,确定待预测网络路由图中每两个通信节点之间的预测时延包括:将第一特征向量和第二特征向量进行特征融合,得到目标特征矩阵;以及根据目标特征矩阵,得到待预测网络路由图中每两个通信节点之间的预测时延。
根据本发明的实施例,根据当前通信节点、目的通信节点、待预测网络路由图和预测时延,确定当前通信节点的下一跳通信节点包括:根据待预测网络路由图,确定与当前通信节点直接相连的至少一个目标通信节点;以及根据每个目标通信节点与目的通信节点之间的预测时延,在至少一个目标通信节点中确定当前通信节点的下一跳通信节点。
根据本发明的实施例,一种高动态的智能路由确定方法还包括:根据样本网络路由图集合,确定样本特征矩阵和样本原始邻接矩阵,样本网络路由图集合包括多个样本网络路由图和多个样本网络路由图各自的标签,标签指示了样本网络路由图中每两个通信节点之间的时延;利用图神经网络模型处理样本特征矩阵和样本原始邻接矩阵,得到样本第一特征向量和样本第二特征向量;根据样本第一特征向量和样本第二特征向量,确定样本网络路由图中每两个通信节点之间的样本预测时延;以及根据样本预测时延和标签之间的差异,训练图神经网络模型,得到训练后的图神经网络模型。
根据本发明的实施例,根据样本预测时延和标签,训练图神经网络模型,得到训练后的图神经网络模型包括:确定样本预设时延和标签之间的损失函数值,作为图神经网络模型的损失值;以及根据损失值,调整图神经网络模型的参数,以得到训练后的图神经网络模型。
本发明的另一方面提供了一种高动态的智能路由确定装置,包括:第一确定模块,用于根据待预测网络路由图和待预测网络路由图中每两个直接相连的通信节点之间的时延,确定特征矩阵和原始邻接矩阵;得到模块,用于利用训练后的图神经网络模型处理特征矩阵和原始邻接矩阵,得到第一特征向量和第二特征向量;预测模块,用于根据第一特征向量和第二特征向量,确定待预测网络路由图中每两个通信节点之间的预测时延;以及第二确定模块,用于根据当前通信节点、目的通信节点、待预测网络路由图和预测时延,确定当前通信节点的下一跳通信节点,以确定从当前通信节点传输至目的通信节点的目标路由路径。
本发明的另一方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器执行上述高动态的智能路由确定方法。
本发明的另一面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述高动态的智能路由确定方法。
本发明通过利用训练好的图神经网络模型,对待预测网络路由图进行快速预测,确定待预测网络路由图中每两个通信节点之间的预测时延。进而根据该预测时延和待预测网络路由图,确定从源通信节点至目的通信节点的目标路由路径。该训练好的图神经网络模型包括两个特征提取器,极大地提高了对待预测网络路由图的特征提取能力,以提高得到的预测时延的准确性。此外,在对图神经网络模型训练时,将采集得到的一段时间内的多个连续样本网络路由图,输入图神经网络模型进行训练,以实现训练后的图神经网络模型在预测待预测网络路由图中每两个通信节点之间的预测时延时,考虑网络路由图中每个通信节点的动态性。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本发明实施例的高动态的智能路由确定方法、装置、电子设备及存储介质的应用场景图;
图2示意性示出了根据本发明实施例的高动态的智能路由确定方法的流程图;
图3示意性示出了根据本发明另一实施例的用于高动态的智能路由确定的图神经网络模型的训练方法的流程图;
图4示意性示出了根据本发明另一实施例的用于高动态的智能路由确定方法的原理图;
图5示意性示出了根据本发明另一实施例的用于高动态的智能路由确定方法的原理图;
图6示意性示出了根据本发明实施例的高动态的智能路由确定装置的结构框图;以及
图7示意性示出了根据本发明实施例的适于实现高动态的智能路由确定方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本发明的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本发明的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本发明实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本发明的实施例提供了一种高动态的智能路由确定方法,根据待预测网络路由图和待预测网络路由图中每两个直接相连的通信节点之间的时延,确定特征矩阵和原始邻接矩阵;利用训练后的图神经网络模型处理特征矩阵和原始邻接矩阵,得到第一特征向量和第二特征向量;根据第一特征向量和第二特征向量,确定待预测网络路由图中每两个通信节点之间的预测时延;以及根据当前通信节点、目的通信节点、待预测网络路由图和预测时延,确定当前通信节点的下一跳通信节点,以确定从当前通信节点传输至目的通信节点的目标路由路径。
图1示意性示出了根据本发明实施例的高动态的智能路由确定的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括终端设备101、102、103、网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本发明实施例所提供的高动态的智能路由确定方法一般可以由服务器105执行。相应地,本发明实施例所提供的高动态的智能路由确定装置一般可以设置于服务器105中。本发明实施例所提供的高动态的智能路由确定方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本发明实施例所提供的高动态的智能路由确定装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图5对公开实施例的高动态的智能路由确定方法进行详细描述。
图2示意性示出了根据本发明实施例的高动态的智能路由确定方法的流程图。
如图2所示,该实施例的高动态的智能路由确定方法包括操作S210~操作S240,该高动态的智能路由确定方法可以由服务器执行。
在操作S210,根据待预测网络路由图和待预测网络路由图中每两个直接相连的通信节点之间的时延,确定特征矩阵和原始邻接矩阵。
根据本发明的实施例,待预测网络路由图例如可以是基于网络拓扑图确定。待预测网络路由图包括多个通信节点和各个通信节点之间的连接关系,通信节点例如表征一个网络端口,例如可以是用于支持网络连接的端口,包括交换机、网关、路由器和防火墙等,例如还可以是用于信息交换的源点和目标点,包括用户计算机上的网卡接口。每两个直接相连的通信节点之间的时延可以包括传播时延、发送时延、排队时延和处理时延中至少一个。
根据待预测网络路由图中每两个直接相连的通信节点之间的时延,确定用于输入训练后的图神经网络模型的特征矩阵。根据待预测网络路由图中多个通信节点之间的连接关系,确定用于输入训练后的图神经网络的原始邻接矩阵。
在基于时延确定特征矩阵时,可以直接将该时延的数值作为特征矩阵中的数值,例如,通信节点A1与通信节点A2之间的时延为0.3,则特征矩阵中的第一行第二列的数据为0.3。在基于时延确定特征矩阵时,还可以对该时延的数值进行归一化处理,得到更新数值,将该更新数值作为特征矩阵中的数值。
在基于连接关系确定原始邻接矩阵时,可以确定直接相连的两个通信节点(一跳邻居)在矩阵中对应的数值为1,没有直接相连的两个通信节点在矩阵中对应的数值为0,得到原始邻接矩阵。例如,在通信节点A1与通信节点A2直接相连的情况下,则原始邻接矩阵中的第一行第二列的数据为1,在通信节点A1与通信节点A6没有直接相连的情况下,则原始邻接矩阵中的第一行第六列的数据为0。
在操作S220,利用训练后的图神经网络模型处理特征矩阵和原始邻接矩阵,得到第一特征向量和第二特征向量。
根据本发明的实施例,该训练后的图神经网络模型包括训练后的第一特征提取器和训练后的第二特征提取器,该训练后的第一特征提取器和训练后的第二特征提取器的网络结构例如可以相同,该训练后的第一特征提取器的权重参数和该训练后的第二特征提取器的权重参数例如可以不同。
将该原始邻接矩阵进行预处理,得到更新邻接矩阵。将特征矩阵和原始邻接矩阵输入训练后的第一特征提取器,得到第一特征向量。将特征矩阵和更新邻接矩阵输入训练后的第二特征提取器,得到第二特征向量。
根据本发明另一个实施例,操作S220还包括:利用训练后的图神经网络模型处理特征矩阵和始邻接矩阵,得到第一特征向量;根据待预测网络路由图和原始邻接矩阵,确定更新邻接矩阵;以及利用训练后的图神经网络模型处理特征矩阵和更新邻接矩阵,得到第二特征向量。
根据待预测网络路由图和原始邻接矩阵,确定更新邻接矩阵例如可以包括:针对待预测网络路由图中每个通信节点,根据待预测网络路由图,确定与每个通信节点直接相连的至少一个第一通信节点和与每个通信节点间接相连的至少一个第二通信节点;以及根据至少一个第一通信节点和至少一个第二通信节点,对原始邻接矩阵进行更新,得到更新邻接矩阵。
间接相连例如可以包括两个通信节点之间通过一个通信节点相连接(两跳邻居),例如,在通信节点A1与通信节点A6之间通过A2相连接的情况下,通信节点A1与通信节点A6为间接相连。在原始邻接矩阵中与第一通信节点对应的数值保持不变,将在原始邻接矩阵中与第二通信节点对应的数值由0更新为0.5,类似地,对原始邻接矩阵进行更新,得到更新邻接矩阵。例如,在通信节点A1与通信节点A2直接相连的情况下,则更新邻接矩阵中的第一行第二列的数据依旧为1,在通信节点A1与通信节点A6之间通过A2相连接的情况下,则更新邻接矩阵中的第一行第六列的数据为0.5。可以理解的是,间接相连为两跳邻居的通信节点仅作为示例以利于理解本发明,本发明对此不做限定。
例如,训练后的第一特征提取器和训练后的第二特征提取器的网络结构例如均由两个卷积层组成。训练后的第一特征提取器和训练后的第二特征提取器中每个卷积层的输出向量可以采用以下公式(1)和公式(2)计算得到:
其中,表示利用训练后的第一特征提取器确定的第层卷积层的输出向量,
表示Relu函数,是由原始邻接矩阵与单位矩阵的和构成的矩阵,表示的度对角矩阵,表示利用训练后的第一特征提取器确定的第-1层卷积层的输出向量,表示该训
练后的第一特征提取器中第层卷积层的权重参数矩阵。
其中,表示利用训练后的第二特征提取器确定的第层卷积层的输出向量,
表示一种激活函数(Relu函数),是由更新邻接矩阵与单位矩阵的和构成的矩阵,表示
的度对角矩阵,表示利用训练后的第二特征提取器确定的第-1层卷积层的输出向量,表示该训练后的第二特征提取器中第层卷积层的权重参数矩阵。
在操作S230,根据第一特征向量和第二特征向量,确定待预测网络路由图中每两个通信节点之间的预测时延。
根据本发明的实施例,训练后的图神经网络模型还包括训练后的预测器,该训练后的预测器的网络结构例如可以为训练后的两层全连接层组成,该全连接可以为任意结构的全连接层,本发明对此不做限定。利用该预测器,处理该第一特征向量和第二特征向量,得到待预测网络路由图的预测时延矩阵,该预测时延矩阵包括该待预测路由图中每两个通信节点之间的预测时延。
根据本发明另一个实施例,操作S230还包括将第一特征向量和第二特征向量进行特征融合,得到目标特征矩阵;以及根据目标特征矩阵,得到待预测网络路由图中每两个通信节点之间的预测时延。
特征融合包括将第一特征向量和第二特征向量进行拼接,得到目标特征矩阵,例如,第一特征向量和第二特征向量均为N*1的向量,则经过特征融合后,得到的目标特征矩阵为2N*1的矩阵。
将得到的目标特征矩阵输入预测器,得到待预测路由图的预测时延矩阵,该预测时延矩阵包括该待预测路由图中每两个通信节点之间的预测时延。
本发明由于通过训练后的图神经网络模型预测待预测路由图中每两个通信节点之间的预测时延,而并非直接预测目标路由路径,实现了预测效率更高,且避免了热编码带来的信息损失。此外,待预测路由图中每两个通信节点之间的预测时延也可以对多路径的情况进行表征。
在操作S240,根据当前通信节点、目的通信节点、待预测网络路由图和预测时延,确定当前通信节点的下一跳通信节点,以确定从当前通信节点传输至目的通信节点的目标路由路径。
根据本发明的实施例,当前通信节点例如可以是表征需要传输的数据包所在的通信节点,目的通信节点例如可以是表征该需要传输的数据包需要传输至的终止通信节点。例如,需要传输的数据包在电子设备1产生,该数据包需要传输至电子设备6,该数据包从电子设备1传输至电子设备6需要经过电子设备3。通信节点A1、通信节点A3和通信节点A6分别表征电子设备1的网络端口、电子设备3的网络端口和电子设备6的网络端口。在该数据包目标前由通信节点A1传输至A3的情况下,当前通信节点为通信节点A3,目的通信节点为A6。初始时,当前通信节点均为源通信节点。
确定待预测网络路由图包括的多个通信节点,在该多个通信节点中去除源通信节点,得到至少一个通信节点。根据预测时延,在该至少一个通信节点中确定当前通信节点的下一跳通信节点。在确定下一跳通信节点后,根据待预测网络路由图,确定该下一跳通信节点是否与目的通信节点直接相连。在确定该下一跳通信节点与目的通信节点直接相连的情况下,确定目标路由路径为从源节点传输至下一跳通信节点,再从该下一跳通信节点传输至目的通信节点,以完成数据包的传输。在确定该下一跳通信节点与目的通信节点不直接相连的情况下,将该下一跳通信节点作为当前通信节点,确定该当前通信节点的下一跳通信节点,直至确定下一跳通信节点与目的通信节点直接相连为止,确定从源通信节点至目的通信节点依次经过的下一跳通信节点,以得到从源通信节点传输至目的通信节点的目标路由路径。
根据本发明另一个实施例,操作S240还包括:根据待预测网络路由图,确定与当前通信节点直接相连的至少一个目标通信节点;以及根据每个目标通信节点与目的通信节点之间的预测时延,在至少一个目标通信节点中确定当前通信节点的下一跳通信节点。
根据待预测网络路由图,确定与源通信节点直接连接的至少一个通信节点,确定该至少一个通信节点中的每个通信节点为至少一个目标通信节点。根据该源通信节点,在得到的预测时延矩阵中确定该至少一个目标通信节点分别与目的通信节点之间的预测时延,得到至少一个目标预测时延。在该至少一个目标预测时延中,确定最小的目标预测时延,并将与该最小的目标预测时延对应的通信节点作为下一跳通信节点。
图3示意性示出了根据本发明实施例的用于高动态的智能路由确定的图神经网络模型的训练方法的流程图。
如图3所示,该实施例的高动态的智能路由确定方法包括操作S310~操作S340,该用于高动态的智能路由确定的图神经网络模型的训练方法可以由服务器执行。
在操作S310,根据样本网络路由图集合,确定样本特征矩阵和样本原始邻接矩阵,样本网络路由图集合包括多个样本网络路由图和多个样本网络路由图各自的标签,标签指示了样本网络路由图中每两个通信节点之间的时延。
根据本发明的实施例,样本网络路由图集合包括的多个样本网络路由图由一段时间内多个连续网络拓扑图确定的,样本网络路由图包括多个样本通信节点、各个样本通信节点之间的连接关系,和每两个直接相连的样本通信节点之间的样本时延。例如,在T0-T1时间段内的网络情况中确定样本网络路由集合,具体为,获取预设时隙t,根据该预设时隙t,在T0-T1时间段内的网络情况中,获取多个连续的网络拓扑图,包括T0时刻的网络情况的网络拓扑图、T0+t时刻的网络情况的网络拓扑图、T0+2t时刻的网络情况的网络拓扑图…T1时刻的网络情况的网络拓扑图。根据该多个连续的网络拓扑图,确定多个样本网络路由图。
根据该样本时延,确定样本特征矩阵。根据该网络路由图中各个样本通信节点之间的连接关系,确定样本原始邻接矩阵。
在操作S320,利用图神经网络模型处理样本特征矩阵和样本原始邻接矩阵,得到样本第一特征向量和样本第二特征向量。
根据本发明的实施例,图神经网络模型包括第一样本特征提取器和第二样本特征提取器,该第一样本特征提取器和第二样本特征提取器的网络结构例如可以相同,第一样本特征提取器和第二样本特征提取器的样本权重参数例如可以不同。第一样本特征提取器和第二样本特征提取器的网络结构例如均由两个卷积层组成。随机确定第一样本特征提取器的第一样本权重参数和第二样本特征提取器的第二样本权重参数,以构成第一样本特征提取器和第二样本特征提取器。
针对样本网络路由图中每个样本通信节点,根据样本网络路由图,确定与每个样本通信节点直接相连的至少一个第一样本通信节点和与每个样本通信节点间接相连的至少一个第二样本通信节点;以及根据至少一个样本第一通信节点和至少一个样本第二通信节点,对样本原始邻接矩阵进行更新,得到样本更新邻接矩阵。
将该样本原始邻接矩阵和样本特征向量输入第一样本特征提取器,得到样本第一特征向量,将该样本更新邻接矩阵和样本特征向量输入第二样本特征提取器,得到样本第二特征向量。
在操作S330,根据样本第一特征向量和样本第二特征向量,确定样本网络路由图中每两个通信节点之间的样本预测时延。
根据本发明的实施例,将样本第一特征向量和样本第二特征向量进行特征融合,得到样本目标特征矩阵;以及根据样本目标特征矩阵,得到样本网络路由图中每两个样本通信节点之间的预测时延。特征融合包括将样本第一特征向量和样本第二特征向量进行拼接,得到样本目标特征矩阵。
图神经网络模型还包括样本预测器,该样本预测器的网络结构例如可以为两层样本全连接层组成。将样本目标特征矩阵输入样本预测器,得到样本网络路由图的样本预测时延矩阵,该样本预测时延矩阵包括该样本网络路由图中每两个通信节点之间的样本预测时延。
在操作S340,根据样本预测时延和标签之间的差异,训练图神经网络模型,得到训练后的图神经网络模型。
根据本发明的实施例,确定与样本网络路由图中任意两个样本通信节点对应的标签和样本预测时延。根据该标签和样本预测时延之间的差异,调整图神经网络的参数,得到优化后的图神经网络模型。再将样本路由图输入该优化后的图神经网络模型,得到优化后的样本预测时延,再根据标签和该优化后的样本预测时延之间的差异,调整优化后的图神经网络的参数,直至该标签和优化后的样本预测时延之间的差异满足预设条件,确定该优化后的图神经网络模型为训练后的图神经网络模型。
根据本发明另一个实施例,操作S340还包括确定样本预设时延和标签之间的损失函数值,作为图神经网络模型的损失值;以及根据损失值,调整图神经网络模型的参数,以得到训练后的图神经网络模型。
确定与样本网络路由图中任意两个样本通信节点对应的标签和样本预测时延。利用损失函数,处理该标签和样本预测时延,得到损失函数值。示例性地,损失函数值可以采用以下公式(3)计算得到:
根据损失值,调整第一样本权重参数、第二样本权重参数和全连接层中的权重参数,以优化图神经网络模型,得到训练后的图神经网络模型。
图4示意性示出了根据本发明另一实施例的用于高动态的智能路由确定方法的原理图。该高动态的智能路由确定方法可由服务器执行。
根据本发明的实施例,根据待预测网络路由图,确定特征矩阵和原始邻接矩阵,并将该原始邻接矩阵和该特征矩阵作为第一输入401。将该第一输入401输入第一特征提取器,得到第一特征向量403。对该原始邻接矩阵进行数据预处理,得到更新邻接矩阵,并将该更新邻接矩阵和特征矩阵作为第二输入402。将该第二输入402输入第二特征提取器,得到第二特征向量404。
将第一特征向量403和第二特征向量404进行特征融合,得到目标特征矩阵405。将该目标特征矩阵输入至全连接层,得到待预测网络路由图中每两个通信节点之间的预测时延406。
本领域技术人员可以理解,以上实施例仅作为示例,本发明具体的待预测网络路由图包括通信节点的个数和每两个通信节点之间的连接关系的并不局限于此。
图5示意性示出了根据本发明另一实施例的用于高动态的智能路由确定方法的原理图。该高动态的智能路由确定方法可由服务器执行。
根据本发明的实施例,该待预测网络路由图501中的源通信节点为A2,目的通信节点为A7。将待预测网络路由图501输入图神经网络模型,得到待预测网络路由图中每两个通信节点之间的预测时延503。根据该待预测网络路由图501,确定与源通信节点A2直接相连的目标通信节点502包括,通信节点A1、通信节点A3、通信节点A4、通信节点A5和通信节点A6。
在待预测网络路由图中每两个通信节点之间的预测时延503中确定,该通信节点A1、通信节点A3、通信节点A4、通信节点A5和通信节点A6分别与目的通信节点A7的预测时延。根据目标通信节点502,和通信节点A1、通信节点A3、通信节点A4、通信节点A5和通信节点A6与目的通信节点A7的预测时延,进行目标路由路径决策。例如,在通信节点A1、通信节点A3、通信节点A4、通信节点A5和通信节点A6分别与目的通信节点A7的预测时延中,通信节点A3与目的通信节点A7的预测时延最小的情况下,确定通信节点A3为下一跳通信节点。根据待预测网络路由图501,确定通信节点A3与目的通信节点A7直接相连,则确定目标路由路径504为源通信节点A2至通信节点A3,再由通信节点A3至目的通信节点A7。
本领域技术人员可以理解,以上实施例仅作为示例,本发明具体通信节点的个数和每两个通信节点之间的连接关系并不局限于此。
基于上述高动态的智能路由确定方法,本发明还提供了一种高动态的智能路由确定装置。以下将结合图6对该装置进行详细描述。
图6示意性示出了根据本发明实施例的高动态的智能路由确定装置的结构框图。
如图6所示,该实施例的高动态的智能路由确定装置600包括第一确定模块610、得到模块620、预测模块630和第二确定模块640。
第一确定模块610用于根据待预测网络路由图和待预测网络路由图中每两个直接相连的通信节点之间的时延,确定特征矩阵和原始邻接矩阵。在一实施例中,第一确定模块610可以用于执行前文描述的操作S210,在此不再赘述。
得到模块620用于利用训练后的图神经网络模型处理特征矩阵和原始邻接矩阵,得到第一特征向量和第二特征向量。在一实施例中,得到模块620可以用于执行前文描述的操作S220,在此不再赘述。
根据本发明实施例,得到模块620还用于利用训练后的图神经网络模型处理特征矩阵和原始邻接矩阵,得到第一特征向量;根据待预测网络路由图和原始邻接矩阵,确定更新邻接矩阵;以及利用训练后的图神经网络模型处理特征矩阵和更新邻接矩阵,得到第二特征向量。
根据本发明实施例,得到模块620还用于针对待预测网络路由图中每个通信节点,根据待预测网络路由图,确定与每个通信节点直接相连的至少一个第一通信节点和与每个通信节点间接相连的至少一个第二通信节点;以及根据至少一个第一通信节点和至少一个第二通信节点,对原始邻接矩阵进行更新,得到更新邻接矩阵。
预测模块630用于根据第一特征向量和第二特征向量,确定待预测网络路由图中每两个通信节点之间的预测时延。在一实施例中,预测模块630可以用于执行前文描述的操作S230,在此不再赘述。
根据本发明实施例,预测模块630还用于将第一特征向量和第二特征向量进行特征融合,得到目标特征矩阵;以及根据目标特征矩阵,得到待预测网络路由图中每两个通信节点之间的预测时延。
第二确定模块640用于根据当前通信节点、目的通信节点、待预测网络路由图和预测时延,确定当前通信节点的下一跳通信节点,以确定从当前通信节点传输至目的通信节点的目标路由路径。在一实施例中,第二确定模块640可以用于执行前文描述的操作S240,在此不再赘述。
根据本发明实施例,第二确定模块640还用于根据待预测网络路由图,确定与当前通信节点直接相连的至少一个目标通信节点;以及根据每个目标通信节点与目的通信节点之间的预测时延,在至少一个目标通信节点中确定当前通信节点的下一跳通信节点。
根据本发明的另一个实施例,高动态的智能路由确定装置600还包括第三确定模块、样本得到模块、样本预测模块和训练模块。
第三确定模块用于根据样本网络路由图集合,确定样本特征矩阵和样本原始邻接矩阵,样本网络路由图集合包括多个样本网络路由图和多个样本网络路由图各自的标签,标签指示了样本网络路由图中每两个通信节点之间的时延。在一实施例中,第三确定模块可以用于执行前文描述的操作S310,在此不再赘述。
样本得到模块用于利用图神经网络模型处理样本特征矩阵和样本原始邻接矩阵,得到样本第一特征向量和样本第二特征向量。在一实施例中,样本得到模块可以用于执行前文描述的操作S320,在此不再赘述。
样本预测模块用于根据样本第一特征向量和样本第二特征向量,确定样本网络路由图中每两个通信节点之间的样本预测时延。在一实施例中,样本预测模块可以用于执行前文描述的操作S330,在此不再赘述。
训练模块用于根据样本预测时延和标签之间的差异,训练图神经网络模型,得到训练后的图神经网络模型。在一实施例中,训练模块可以用于执行前文描述的操作S340,在此不再赘述。
根据本发明的实施例,训练模块还用于确定样本预设时延和标签之间的损失函数值,作为图神经网络模型的损失值;以及根据损失值,调整图神经网络模型的参数,以得到训练后的图神经网络模型。
根据本发明的实施例,第一确定模块610、得到模块620、预测模块630和第二确定模块640中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本发明的实施例,第一确定模块610、得到模块620、预测模块630和第二确定模块640中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一确定模块610、得到模块620、预测模块630和第二确定模块640中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图7示意性示出了根据本发明实施例的适于实现高动态的智能路由确定方法的电子设备的方框图。
如图7所示,根据本发明实施例的电子设备700包括处理器701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM703中,存储有电子设备700操作所需的各种程序和数据。处理器701、ROM702以及RAM703通过总线704彼此相连。处理器701通过执行ROM702和/或RAM703中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意,程序也可以存储在除ROM702和RAM703以外的一个或多个存储器中。处理器701也可以通过执行存储在一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例,电子设备700还可以包括输入/输出(I/O)接口705,输入/输出(I/O)接口705也连接至总线704。电子设备700还可以包括连接至I/O接口705的以下部件中的一项或多项:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
本发明还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本发明实施例的方法。
根据本发明的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本发明的实施例,计算机可读存储介质可以包括上文描述的ROM702和/或RAM703和/或ROM702和RAM703以外的一个或多个存储器。
本发明的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本发明实施例所提供的物品推荐方法。
在该计算机程序被处理器701执行时执行本发明实施例的系统/装置中限定的上述功能。根据本发明的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分709被下载和安装,和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时,执行本发明实施例的系统中限定的上述功能。根据本发明的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本发明的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本发明的各个实施例和/或权项中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本发明中。特别地,在不脱离本发明精神和教导的情况下,本发明的各个实施例和/或权项中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上对本发明的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本发明的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本发明的范围由所附权项及其等同物限定。不脱离本发明的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本发明的范围之内。
Claims (10)
1.一种高动态的智能路由确定方法,包括:
根据待预测网络路由图和所述待预测网络路由图中每两个直接相连的通信节点之间的时延,确定特征矩阵和原始邻接矩阵;
利用训练后的图神经网络模型处理所述特征矩阵和所述原始邻接矩阵,得到第一特征向量和第二特征向量;
根据所述第一特征向量和所述第二特征向量,确定所述待预测网络路由图中每两个通信节点之间的预测时延;以及
根据当前通信节点、目的通信节点、所述待预测网络路由图和所述预测时延,确定所述当前通信节点的下一跳通信节点,以确定从所述当前通信节点传输至所述目的通信节点的目标路由路径。
2.根据权利要求1所述的方法,其中,所述利用训练后的图神经网络模型处理所述特征矩阵和所述原始邻接矩阵,得到第一特征向量和第二特征向量包括:
利用训练后的图神经网络模型处理所述特征矩阵和所述原始邻接矩阵,得到第一特征向量;
根据所述待预测网络路由图和所述原始邻接矩阵,确定更新邻接矩阵;以及
利用所述训练后的图神经网络模型处理所述特征矩阵和所述更新邻接矩阵,得到第二特征向量。
3.根据权利要求2所述的方法,其中,所述根据所述待预测网络路由图和所述原始邻接矩阵,确定更新邻接矩阵包括:
针对所述待预测网络路由图中每个通信节点,根据所述待预测网络路由图,确定与所述每个通信节点直接相连的至少一个第一通信节点和与所述每个通信节点间接相连的至少一个第二通信节点;以及
根据所述至少一个第一通信节点和所述至少一个第二通信节点,对所述原始邻接矩阵进行更新,得到更新邻接矩阵。
4.根据权利要求1所述的方法,其中,所述根据所述第一特征向量和所述第二特征向量,确定所述待预测网络路由图中每两个通信节点之间的预测时延包括:
将所述第一特征向量和所述第二特征向量进行特征融合,得到目标特征矩阵;以及
根据所述目标特征矩阵,得到所述待预测网络路由图中每两个通信节点之间的预测时延。
5.根据权利要求1所述的方法,其中,所述根据当前通信节点、目的通信节点、所述待预测网络路由图和所述预测时延,确定所述当前通信节点的下一跳通信节点包括:
根据所述待预测网络路由图,确定与当前通信节点直接相连的至少一个目标通信节点;以及
根据每个目标通信节点与目的通信节点之间的所述预测时延,在所述至少一个目标通信节点中确定所述当前通信节点的下一跳通信节点。
6.根据权利要求1所述的方法,还包括:
根据样本网络路由图集合,确定样本特征矩阵和样本原始邻接矩阵,所述样本网络路由图集合包括多个样本网络路由图和多个样本网络路由图各自的标签,所述标签指示了所述样本网络路由图中每两个通信节点之间的时延;
利用图神经网络模型处理所述样本特征矩阵和所述样本原始邻接矩阵,得到样本第一特征向量和样本第二特征向量;
根据所述样本第一特征向量和所述样本第二特征向量,确定所述样本网络路由图中每两个通信节点之间的样本预测时延;以及
根据所述样本预测时延和所述标签之间的差异,训练所述图神经网络模型,得到训练后的图神经网络模型。
7.根据权利要求6所述的方法,其中,所述根据所述样本预测时延和所述标签,训练所述图神经网络模型,得到训练后的图神经网络模型包括:
确定所述样本预设时延和所述标签之间的损失函数值,作为所述图神经网络模型的损失值;以及
根据所述损失值,调整所述图神经网络模型的参数,以得到训练后的图神经网络模型。
8.一种高动态的智能路由确定装置,包括:
第一确定模块,用于根据待预测网络路由图和所述待预测网络路由图中每两个直接相连的通信节点之间的时延,确定特征矩阵和原始邻接矩阵;
得到模块,用于利用训练后的图神经网络模型处理所述特征矩阵和所述原始邻接矩阵,得到第一特征向量和第二特征向量;
预测模块,用于根据所述第一特征向量和所述第二特征向量,确定所述待预测网络路由图中每两个通信节点之间的预测时延;以及
第二确定模块,用于根据当前通信节点、目的通信节点、所述待预测网络路由图和所述预测时延,确定所述当前通信节点的下一跳通信节点,以确定从所述当前通信节点传输至所述目的通信节点的目标路由路径。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210547939.4A CN114666263A (zh) | 2022-05-20 | 2022-05-20 | 高动态的智能路由确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210547939.4A CN114666263A (zh) | 2022-05-20 | 2022-05-20 | 高动态的智能路由确定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114666263A true CN114666263A (zh) | 2022-06-24 |
Family
ID=82038147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210547939.4A Pending CN114666263A (zh) | 2022-05-20 | 2022-05-20 | 高动态的智能路由确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114666263A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115333958A (zh) * | 2022-08-15 | 2022-11-11 | 中国电信股份有限公司 | 软件定义网络性能预测方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102573000A (zh) * | 2012-01-06 | 2012-07-11 | 清华大学 | 基于直接/间接矩阵的无线自组织网络保护路由生成算法 |
WO2019081781A1 (en) * | 2017-10-27 | 2019-05-02 | Deepmind Technologies Limited | NEURAL GRAPH NETWORK SYSTEMS FOR GENERATING STRUCTURED REPRESENTATIONS OF OBJECTS |
CN110659723A (zh) * | 2019-09-03 | 2020-01-07 | 腾讯科技(深圳)有限公司 | 基于人工智能的数据处理方法、装置、介质及电子设备 |
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 |
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 |
-
2022
- 2022-05-20 CN CN202210547939.4A patent/CN114666263A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102573000A (zh) * | 2012-01-06 | 2012-07-11 | 清华大学 | 基于直接/间接矩阵的无线自组织网络保护路由生成算法 |
WO2019081781A1 (en) * | 2017-10-27 | 2019-05-02 | Deepmind Technologies Limited | NEURAL GRAPH NETWORK SYSTEMS FOR GENERATING STRUCTURED REPRESENTATIONS OF OBJECTS |
CN110659723A (zh) * | 2019-09-03 | 2020-01-07 | 腾讯科技(深圳)有限公司 | 基于人工智能的数据处理方法、装置、介质及电子设备 |
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 |
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 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115333958A (zh) * | 2022-08-15 | 2022-11-11 | 中国电信股份有限公司 | 软件定义网络性能预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111682954A (zh) | 管理微服务的网络 | |
CN110390493B (zh) | 任务管理方法、装置、存储介质及电子设备 | |
CN110601978B (zh) | 流量分发控制方法和装置 | |
CN111368973A (zh) | 用于训练超网络的方法和装置 | |
CN116233262B (zh) | 基于边缘网络架构的微服务部署与请求路由方法及系统 | |
CN110650209A (zh) | 实现负载均衡的方法和装置 | |
Karschau et al. | Renormalization group theory for percolation in time-varying networks | |
CN111475392B (zh) | 生成预测信息的方法、装置、电子设备和计算机可读介质 | |
CN114666263A (zh) | 高动态的智能路由确定方法、装置、电子设备及存储介质 | |
CN111044062B (zh) | 路径规划、推荐方法和装置 | |
CN114297278A (zh) | 批量数据快速写入方法、系统和装置 | |
CN114598530A (zh) | 工控防火墙白名单规则匹配方法、装置及相关设备 | |
CN112152879B (zh) | 网络质量确定方法、装置、电子设备和可读存储介质 | |
CN113255950B (zh) | 一种优化物流网络的方法和装置 | |
CN110796543B (zh) | 基于关系网络的定制信息获取方法、装置及电子设备 | |
CN110347973B (zh) | 用于生成信息的方法和装置 | |
CN115955685A (zh) | 多智能体协同路由方法、设备及计算机存储介质 | |
CN115473838A (zh) | 网络请求的处理方法、装置、计算机可读介质及电子设备 | |
CN114859935A (zh) | 应用于多节点组网的路径规划方法、装置、产品及介质 | |
CN111580882B (zh) | 应用程序启动方法、装置、计算机系统和介质 | |
CN110941683B (zh) | 获取空间中对象属性信息的方法、装置、介质和电子设备 | |
US20170286181A1 (en) | Deployment and execution of sensing and computational tasks in a network of computing devices | |
CN115604273A (zh) | 用于管理计算系统的方法、设备和程序产品 | |
CN112988738A (zh) | 用于区块链的数据分片方法和装置 | |
CN117251035B (zh) | 散热控制方法、装置、电子设备和计算机可读介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220624 |
|
RJ01 | Rejection of invention patent application after publication |