CN115242663B - 基于时间相关图卷积的虚拟网络流量预测方法 - Google Patents
基于时间相关图卷积的虚拟网络流量预测方法 Download PDFInfo
- Publication number
- CN115242663B CN115242663B CN202210905275.4A CN202210905275A CN115242663B CN 115242663 B CN115242663 B CN 115242663B CN 202210905275 A CN202210905275 A CN 202210905275A CN 115242663 B CN115242663 B CN 115242663B
- Authority
- CN
- China
- Prior art keywords
- time
- link
- network
- flow
- matrix
- 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
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
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
- 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
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于时间相关图卷积的虚拟网络的流量预测方法,主要解决数据中心虚拟网络中流量预测精度欠佳,资源利用率和网络吞吐量低的问题。其实现方案为:通过虚拟网络拓扑结构构建链路流量关系图G;统计历史数据中各个时刻上所有链路的流量值;计算两两链路流量之间的最大时间互相关系数,对其归一化处理后获得时间相关矩阵ATC;构建流量特征矩阵Xt;用ATC替换原图卷积神经网络的邻接矩阵,生成时间相关图卷积神经网络,并用ATC与Xt进行卷积运算,对该网络进行训练,预测出下一个时刻虚拟网络中链路的流量值。本发明能精准表征链路流量之间的时间相关性,提升了虚拟网络的流量预测精度,可用于数据中心网络的资源分配。
Description
技术领域
本发明属于通信技术领域,具体涉及一种虚拟网络流量预测方法,可用于数据中心网络的资源分配。
背景技术
数据中心承载的业务由多个计算任务合作完成,计算任务之间的链路构成虚拟网络。虚拟网络映射将任务节点映射于服务器的容器之中,容器之间通过有线网络进行连接。虚拟网络映射技术支持数据中心计算资源、存储资源和网络资源的共享,可有效提升数据中心资源利用率,因此提升数据中心虚拟网络流量预测精度已经成为研究的热点。
虚拟网络流量预测指的是在一个已知业务的虚拟网络拓扑下,给定各条链路上一段时间的历史流量数据,预测每条链路未来一段时间内的流量数据大小。由于链路之间的连接关系,虚拟网络流量受邻接节点的影响,由于容器之间的启动存在先后顺序,虚拟网络各链路的流量呈现一定的相关性。现有的网络流量预测工作集中在单链路流量领域,主要包括:传统的线性预测方法和基于神经网络的预测方法。
传统的线性预测方法,主用通过统计学的方法处理时间序列,将现在和过去的时间序列进行线性拟合,得到未来的数据。该方法需要人工设置多种参数,且由于网络流量的复杂性,简单的线性模型难以对数据的非线性特征进行建模,使得预测误差较大。
基于神经网络的预测方法,其中最适用于对拓扑图进行建模的方法是图卷积神经网络GCN预测模型。对于大量图数据,使用GCN网络学习每个节点上的特征可以获取节点的空间特征。但传统的GCN网络假定了图中各节点时间同步,而虚拟网络中各任务的执行存在时间先后顺序,所以传统的GCN网络无法精准表征虚拟网络链路的时间特征。
综上,现有的网络流量预测方法,由于没有充分考虑虚拟网络链路之间的时间先后关系及流量的时间特征复杂多变性,导致流量预测的精度降低,难以准确判断网络中的流量传输情况,制约了数据中心资源利用率。
发明内容
本发明目的在于针对上述现有技术的不足,提出一种基于时间相关图卷积的虚拟网络的流量预测方法,以获取流量更复杂的空时特征,提高预测的准确率和计算效率,进而快速分析虚拟网络容器的占用情况及资源使用量,有效提升数据中心的资源利用率。
本发明的技术方案是:在现有GCN网络中,利用斯皮尔曼相关系数,分析虚拟网络各链路流量之间的时间先后关系,据此构建GCN网络的邻接矩阵,生成时间相关图卷积网络,提高了虚拟网络流量的预测准确率。实现步骤包括如下:
(1)构建链路流量关系图G:
(1a)将虚拟网络拓扑图中的链路li映射为链路流量关系图中的节点vi,i∈[1,N],其中,N为节点个数;
(1b)将虚拟网络中的两条邻接链路li与lj映射为链路流量关系图中的邻接节点vi与vj,j∈[1,N];
(2)获取流量特征序列:
(2a)在t时刻,根据虚拟网络每条链路上传输的数据包数量,使用网络流量解析软件Wireshark对数据包数量进行统计,该数据包数量即为链路li的流量值;
(2b)统计历史数据中各个时刻上的所有链路的流量值,构造各条链路上的流量序列X1,…,Xj,…,XN;
(3)构建时间相关矩阵ATC:
(3a)用斯皮尔曼相关系数计算第i条链路li与第j条链路lj之间的时间互相关系数ρi,j,τ,t:
其中,t为当前时刻,T为序列中元素选取的个数,τ为两条链路流量相差的时刻,τ不同,互相关系数ρi,j,τ,t也不相同,表示链路li在t-τ时刻的流量大小,/>表示链路lj在t时刻的流量大小,ρi,j,τ,t越大表示相关性越大;
(3b)将虚拟网络各条链路上的所有历史流量数据X1,…,Xj,…,XN输入斯皮尔曼相关系数公式,计算所有历史流量数据的时间互相关系数ρi,j,τ,t;
(3c)选取链路li与lj的最大互相关系数ρi,j,τ,t表示时间相关矩阵中的一个系数根据(3b)计算出的所有链路最大互相关系数构造维度为N×N的时间相关矩阵ATC;
(3d)使用softmax激活函数对每条链路最大相关系数按照权重总和为1分配权重的大小:
其中,矩阵中的第i行第j列元素
(4)构造链路流量特征矩阵Xt:
(4a)统计虚拟网络在当前时刻t之前M个时刻的所有链路上的流量值,构建流量特征矩阵:其中/>是维度为N×N的矩阵,p∈[0,M];
(5)使用时间相关矩阵ATC替换GCN网络中的邻接矩阵,生成时间相关图卷积网络;
(6)将流量特征矩阵Xt和时间相关矩阵ATC输入到时间相关图卷积网络中,预测t+1时刻虚拟网络中每条链路上的流量值:
(6a)定义损失函数其中,/>为t+1时刻链路li上的实际流量值,/>为t+1时刻链路li上的预测流量值;
(6b)以最小化Loss值为目标训练时间相关图卷积网络直至收敛,输出的流量特征矩阵即为最终预测的t+1时刻虚拟网络中每条链路上的流量值。
与现有技术相比,本发明的优点在于:
1.本发明由于建立了虚拟网络拓扑结构图的对偶图,即链路流量关系图,将虚拟网络中的链路流量变成输入的节点特征,便于对所有链路上流量关联关系的计算,能够提高计算的效率。
2.本发明由于对传统的图卷积神经网络GCN进行改进,利用斯皮尔曼相关函数计算链路之间的互相关系数,构建了时间相关矩阵替代传统GCN网络的邻接矩阵,与现有技术相比,所挖掘到的流量的时空特征更加全面,有助于预测准确率的提高。从而可快速推断出每条链路的占用情况和虚拟机的部署状态,有效提升数据中心网络资源的利用率。
附图说明
图1是本发明的实现流程图;
图2是本发明中构建链路流量关系图G的示意图;
图3是本发明中生成的时间相关图卷积网络的结构图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
参照图1,本实例的实现步骤如下:
步骤1,构建虚拟网络的图G。
数据中心承载的业务由多个计算任务合作完成,计算任务及其任务之间的链路构成虚拟网络,每个计算任务为虚拟网络中的节点,节点间的链路为虚拟链路,仅承载任务节点之间的流量。
参照图2,本步骤的具体实现如下
(1.1)将虚拟网络拓扑图中的链路li映射为链路流量关系图中的节点vi,i∈[1,N],其中,N为节点个数;
本实例中,所获取的虚拟网络拓扑结构如图2(a)所示,其包含5个顶点和5条链路;
(1.2)将虚拟网络中的两条邻接边li与lj映射为链路流量关系图中的邻接节点vi与vj,j∈[1,N];
本实例中,虚拟网络拓扑结构中顶点1和2、顶点1和3、顶点1和4、顶点3和5、顶点4和5之间的连接链路l1、l2、l3、l4、l5映射为链路流量关系图中的节点v1、v2、v3、v4、v5。虚拟网络拓扑结构中的两条邻接边在链路流量关系图中亦为邻接关系,即相邻链路l1和l2映射为的v1和v2之间也有一条连边;最终形成节点v1与v2、v1与v3、v2与v3、v2与v4、v3与v5、v4与v5之间相连,共得到6条边,这6条边和5个节点即链路流量关系图G,如图2(b)所示。
步骤2,获取虚拟网络每条链路流量序列。
(2.1)在t时刻,根据虚拟网络每条链路上传输的数据包数量,使用网络流量解析软件Wireshark对数据包数量进行统计,该数据包数量即为链路li的流量值;
(2.2)统计历史数据中各个时刻上的所有链路的流量值,构造各条链路上的流量序列X1,…,Xj,…,XN;
本实例中,一共有6条虚拟网络链路,参照图2,N=6。
步骤3,构建时间相关矩阵ATC:
(3.1)用斯皮尔曼相关系数计算链路第i条li与第j条链路lj之间的时间互相关系数ρi,j,τ,t:
其中,t为当前时刻,T为序列中元素选取的个数,τ为两条链路流量相差的时刻,τ不同,互相关系数ρi,j,τ,t也不相同,表示链路li在t-τ时刻的流量大小,/>表示链路lj在t时刻的流量大小,ρi,j,τ,t越大表示相关性越大;
(3.2)将虚拟网络各条链路上的所有历史流量数据X1,…,Xj,…,XN输入斯皮尔曼相关系数公式,计算所有历史流量数据的时间互相关系数ρi,j,τ,t;
(3.3)选取链路li与lj的最大互相关系数ρi,j,τ,t表示时间相关矩阵中的一个系数根据(3.2)计算出的所有链路最大互相关系数构造维度为N×N的时间相关矩阵ATC;
(3.4)使用softmax激活函数对每条链路最大相关系数按照权重总和为1分配权重的大小:
其中,矩阵中的第i行第j列元素
本实例中,链路流量关系图中共有6条链路,两两之间计算出最大时间互相关系数为一个6×6的矩阵ATC,通过softmax激活函数计算后为:
其中,矩阵的每一行表示一条链路与其他链路之间的互相关系数,softmax函数使得每行元素总和相加为1。
步骤4,构建流量特征矩阵Xt。
统计虚拟网络在当前时刻t之前M个时刻的所有链路上的流量值,构建流量特征矩阵Xt:
其中,是维度为N×N的矩阵,p∈[0,M];
本实例中,Xt的维度为6×6。
步骤5,生成时间相关图卷积神经网络。
参照图3,本步骤的具体实现如下:
选用现有图卷积神经网络,其包括卷积层,池化层和全连接层,其中卷积层参数包括邻接矩阵A、流量特征矩阵Xt、以及图卷积神经网络参数矩阵W;
用步骤3构建的时间相关矩阵ATC替换现有图卷积神经网络的邻接矩阵A,生成时间相关图卷积神经网络。
本实例中,设置时间相关图卷积网络的参数为:卷积层个数设置为2,每个卷积层中卷积核个数设置为12,卷积核大小设置为3×3,全连接层个数设置为1。
步骤6,将流量特征矩阵Xt和时间相关矩阵ATC输入到时间相关图卷积网络中,预测t+1时刻虚拟网络中每条链路上的流量值。
(6.1)定义损失函数其中,/>为t+1时刻链路li上的实际流量值,/>为t+1时刻链路li上的预测流量值;
(6.2)以最小化Loss值为目标训练时间相关图卷积网络直至收敛,输出的流量特征矩阵即为最终预测的t+1时刻虚拟网络中每条链路上的流量值。
(6.21)设置学习率为α,设置网络收敛的阈值为γ,随机初始化时间相关图卷积网络中的卷积核参数;
(6.22)将流量特征矩阵Xt与时间相关矩阵ATC输入时间相关图卷积网络进行卷积计算;
(6.23)利用真实流量值和预测值/>通过损失函数/>计算误差大小,根据误差值判断时间相关图卷积网络是否收敛:
若误差值小于阈值γ,则网络收敛,停止训练并输出最终预测结果;
否则,返回(6.22)。
以上描述仅是本发明的一个具体实例,并未构成对本发明的任何限制,显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修改和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (3)
1.一种基于时间相关图卷积的虚拟网络流量预测方法,其特征在于,包括:
(1)构建链路流量关系图G:
(1a)将虚拟网络拓扑图中的链路li映射为链路流量关系图中的节点vi,i∈[1,N],其中,N为节点个数;
(1b)将虚拟网络中的两条邻接链路li与lj映射为链路流量关系图中的邻接节点vi与vj,j∈[1,N];
(2)获取流量特征序列:
(2a)在t时刻,根据虚拟网络每条链路上传输的数据包数量,使用网络流量解析软件Wireshark对数据包数量进行统计,该数据包数量即为链路li的流量值;
(2b)统计历史数据中各个时刻上的所有链路的流量值,构造各条链路上的流量特征序列X1,…,Xj,…,XN;
(3)构建时间相关矩阵ATC:
(3a)用斯皮尔曼相关系数计算第i条链路li与第j条链路lj之间的时间互相关系数ρi,j,τ,t:
其中,t为当前时刻,T为序列中元素选取的个数,τ为两条链路流量相差的时刻,τ不同,互相关系数ρi,j,τ,t也不相同,表示链路li在t-τ时刻的流量大小,/>表示链路lj在t时刻的流量大小,ρi,j,τ,t越大表示相关性越大;
(3b)将虚拟网络各条链路上的所有历史流量数据X1,…,Xj,…,XN输入斯皮尔曼相关系数公式,计算所有历史流量数据的时间互相关系数ρi,j,τ,t;
(3c)选取链路li与lj的最大互相关系数ρi,j,τ,t表示时间相关矩阵中的一个系数根据(3b)计算出的所有链路最大互相关系数构造维度为N×N的时间相关矩阵ATC;
(3d)使用softmax激活函数对每条链路最大相关系数按照权重总和为1分配权重的大小:
其中,矩阵中的第i行第j列元素
(4)构造链路流量特征矩阵Xt:
(4a)统计虚拟网络在当前时刻t之前M个时刻的所有链路上的流量值,构建流量特征矩阵:其中/>是维度为N×N的矩阵,p∈[0,M];
(5)使用时间相关矩阵ATC替换GCN网络中的邻接矩阵,生成时间相关图卷积网络;
(6)将流量特征矩阵Xt和时间相关矩阵ATC输入到时间相关图卷积网络中,预测t+1时刻虚拟网络中每条链路上的流量值:
(6a)定义损失函数其中,/>为t+1时刻链路li上的实际流量值,为t+1时刻链路li上的预测流量值;
(6b)以最小化Loss值为目标训练时间相关图卷积网络直至收敛,输出的流量特征矩阵即为最终预测的t+1时刻虚拟网络中每条链路上的流量值。
2.根据权利要求1所述的方法,其特征在于:所述(5)中生成的时间相关图卷积网络,选用现有图卷积神经网络,其包括卷积层,池化层和全连接层,其中卷积层参数包括邻接矩阵A、流量特征矩阵Xt、以及图卷积神经网络参数矩阵W,用(3)中构建的时间相关矩阵ATC替换现有图卷积神经网络的邻接矩阵A,生成时间相关图卷积神经网络。
3.根据权利要求1所述的方法,其特征在于:所述(6b)中对时间相关图卷积网络进行训练,实现如下:
6b1)设置学习率为α,设置网络收敛的阈值为γ,随机初始化时间相关图卷积网络中的卷积核参数;
6b2)将流量特征矩阵Xt与时间相关矩阵ATC输入时间相关图卷积网络进行图卷积计算;
6b3)利用真实流量值和预测值/>通过损失函数/>计算其误差大小;
6b4)根据误差值判断时间相关图卷积网络是否收敛:
若误差值小于阈值γ,则网络收敛,停止训练并输出最终预测结果;
否则,返回6b2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210905275.4A CN115242663B (zh) | 2022-07-29 | 2022-07-29 | 基于时间相关图卷积的虚拟网络流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210905275.4A CN115242663B (zh) | 2022-07-29 | 2022-07-29 | 基于时间相关图卷积的虚拟网络流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115242663A CN115242663A (zh) | 2022-10-25 |
CN115242663B true CN115242663B (zh) | 2023-07-18 |
Family
ID=83678278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210905275.4A Active CN115242663B (zh) | 2022-07-29 | 2022-07-29 | 基于时间相关图卷积的虚拟网络流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115242663B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113053115A (zh) * | 2021-03-17 | 2021-06-29 | 北京工商大学 | 一种基于多尺度图卷积网络模型的交通预测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018013148A1 (en) * | 2016-07-15 | 2018-01-18 | University Of Connecticut | Systems and methods for outage prediction |
CN109191846B (zh) * | 2018-10-12 | 2021-03-09 | 国网浙江省电力有限公司温州供电公司 | 一种交通出行流量预测方法 |
CN111081010B (zh) * | 2018-10-18 | 2022-08-02 | 阿里巴巴集团控股有限公司 | 一种交通流量或旅行时间的预测方法和设备 |
US11403643B2 (en) * | 2020-01-24 | 2022-08-02 | Adobe Inc. | Utilizing a time-dependent graph convolutional neural network for fraudulent transaction identification |
GB2593180A (en) * | 2020-03-17 | 2021-09-22 | Univ Court Univ Of Edinburgh | A distributed network traffic data decomposition method |
CN112911626B (zh) * | 2021-02-01 | 2022-05-31 | 福州大学 | 基于多图卷积的无线网络流量预测方法 |
CN112910710B (zh) * | 2021-02-08 | 2022-04-01 | 清华大学 | 网络流量时空预测方法、装置、计算机设备和存储介质 |
CN113935548A (zh) * | 2021-11-14 | 2022-01-14 | 北京工业大学 | 基于图变换的动态多图卷积网络交通流量预测方法 |
CN114205250A (zh) * | 2021-12-09 | 2022-03-18 | 西安电子科技大学 | 基于时空网络stn的虚拟网络链路流量预测方法 |
-
2022
- 2022-07-29 CN CN202210905275.4A patent/CN115242663B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113053115A (zh) * | 2021-03-17 | 2021-06-29 | 北京工商大学 | 一种基于多尺度图卷积网络模型的交通预测方法 |
Non-Patent Citations (1)
Title |
---|
基于时空多图卷积网络的交通站点流量预测;荣斌;武志昊;刘晓辉;赵苡积;林友芳;景一真;;计算机工程(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115242663A (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200273347A1 (en) | Joint order dispatching and fleet management for online ride-sharing platforms | |
CN107172166A (zh) | 面向工业智能化服务的云雾计算系统 | |
CN102567391A (zh) | 一种分类预测混合模型的建立方法及装置 | |
CN105743763B (zh) | 一种基于学习和推理的虚拟网络映射方法 | |
Zhang et al. | Dynamic field estimation using wireless sensor networks: Tradeoffs between estimation error and communication cost | |
CN106780064A (zh) | 一种区域划分方法、装置及网络设备 | |
WO2023216489A1 (zh) | 算力网络节点评价及操作方法和装置 | |
US6473721B1 (en) | Factory traffic monitoring and analysis apparatus and method | |
CN102629341A (zh) | 一种基于用户地理位置信息的Web服务QoS在线预测方法 | |
CN108196957A (zh) | 一种云环境下的主机负载预测方法 | |
CN104363104A (zh) | 一种面向用户需求的海量多元数据态势显示系统与方法 | |
CN104794644A (zh) | 一种面向智能服务引擎的任务众包方法 | |
CN101399708B (zh) | 一种建立网络性能模型的方法和设备 | |
CN116489038A (zh) | 网络流量的预测方法、装置、设备和介质 | |
CN108415775A (zh) | 一种基于服务质量的资源确定方法及系统 | |
CN115242663B (zh) | 基于时间相关图卷积的虚拟网络流量预测方法 | |
CN113541986B (zh) | 5g切片的故障预测方法、装置及计算设备 | |
CN112287503B (zh) | 用于交通需求预测的动态空间网络构建方法 | |
CN114172819A (zh) | Nfv网元的需求资源预测方法、系统、电子设备和存储介质 | |
Han et al. | Wireless sensor network routing optimization based on improved ant colony algorithm in the Internet of Things | |
CN114217944A (zh) | 一种神经网络的针对模型并行的动态负载均衡方法 | |
US6785736B1 (en) | Method and system for optimizing the network path of mobile programs | |
CN111245701B (zh) | 一种基于最大加权匹配的链路优先虚拟网络映射方法 | |
CN108650191A (zh) | 一种虚拟化网络中映射策略的决策方法 | |
CN117290090A (zh) | 节点协同资源分配方法、装置、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 |