CN115333958A - 软件定义网络性能预测方法、装置、电子设备及存储介质 - Google Patents
软件定义网络性能预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115333958A CN115333958A CN202210975635.8A CN202210975635A CN115333958A CN 115333958 A CN115333958 A CN 115333958A CN 202210975635 A CN202210975635 A CN 202210975635A CN 115333958 A CN115333958 A CN 115333958A
- Authority
- CN
- China
- Prior art keywords
- network
- information
- hypergraph
- predicted
- routing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 99
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 16
- 238000004088 simulation Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000011161 development Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/50—Testing arrangements
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开提供了一种软件定义网络性能预测方法、装置、电子设备及存储介质，涉及软件定义网络技术领域。该方法包括，获取待预测网络的网络拓扑信息、路由配置信息，根据网络拓扑信息、路由配置信息，确定待预测网络的路由超图；获取待预测网络的网络流量信息，根据网络流量信息，确定待预测网络中端到端流量矩阵信息；将超图邻接矩阵信息、端到端流量矩阵信息输入预先训练好的超图神经网络中，输出待预测网络的性能预测信息。本公开基于网络拓扑信息、路由配置信息构建路由超图，使用超图神经网络，从路由超图端到端流量矩阵中挖掘空间特征并学习输出端到端网络性能的预测，能够提高了网络运行质量。
Description
技术领域
本公开涉及软件定义网络技术领域，尤其涉及一种软件定义网络性能预测方法、装置、电子设备及存储介质。
背景技术
在软件定义网络中，主被动网络性能测量技术可用于监控网络运行质量和理解认识网络行为，进而帮助实现网络结构的优化和网络服务质量的改善。但主被动网络性能测量技术需要向网络长时间注入大量的反复穿越网络路径的测量包，会增加网络负载而导致网络运行状况改变；此外，主被动网络性能测量技术仅能针对某些链路或端到端路径进行测量，难以获取网络全局的性能信息，评估路径性能也显得被动且滞后，无法迅速响应流量调整和实时协助QoS部署。
现有技术中，基于深度学习技术的智能网络性能估计方法，以网络端到端流量矩阵、网络拓扑为输入，经过编解码神经网络、图神经网络等深度模型学习网络空间特征和流量特征后输出端到端性能估计值，但此方法没有考虑路由策略对空间特征和网络性能的影响，不能准确预测网络运行质量。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种软件定义网络性能预测方法、装置、电子设备及存储介质，至少在一定程度上克服相关技术中不能准确预测网络运行质量问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种软件定义网络性能预测方法，包括：获取待预测网络的网络拓扑信息、路由配置信息，根据所述网络拓扑信息、路由配置信息，确定待预测网络的路由超图，其中，所述路由超图包括待预测网络的超图邻接矩阵信息；获取待预测网络的网络流量信息，根据所述网络流量信息，确定待预测网络中端到端流量矩阵信息；将所述超图邻接矩阵信息、端到端流量矩阵信息输入预先训练好的超图神经网络中，输出待预测网络的性能预测信息。
在本公开的一个实施例中，将所述超图邻接矩阵信息、端到端流量矩阵信息输入预先训练好的超图神经网络中，输出待预测网络的性能预测信息，包括：将所述超图邻接矩阵信息、端到端流量矩阵信息作为输入信息，输入预先训练好的超图神经网络中，使得所述超图神经网络的卷积层对所述输入信息进行超边特征学习，获得超边特征，将所述超边特征依次输入激活层和线性输出层进行计算后输出端到端的网络性能指标数值矩阵；将所述网络性能指标数值矩阵确定为所述待预测网络的性能预测信息。
在本公开的一个实施例中，所述方法还包括：获取待预测网络的目标策略信息，其中，所述目标策略信息表征预设的网络拓扑信息、路由配置信息；根据所述待预测网络的目标策略信息，确定待预测网络的网络拓扑信息、路由配置信息。
在本公开的一个实施例中，在获取待预测网络的网络拓扑信息、路由配置信息，根据所述网络拓扑信息、路由配置信息，确定待预测网络的路由超图之中，所述方法还包括：获取待预测网络的网络拓扑信息、路由配置信息；根据所述网络拓扑信息、路由配置信息，将所述网络拓扑信息、路由配置信息中的网络节点以集合方式进行连接，将路由配置信息中的路由确定为超边构成路由超图，其中，所述路由超图包括以节点为行、超边为列的超图邻接矩阵信息。
在本公开的一个实施例中，在将所述超图邻接矩阵信息、端到端流量矩阵信息输入预先训练好的超图神经网络中，输出待预测网络的性能预测信息之后，所述方法还包括：将所述待预测网络的性能预测信息发送到网络节点，使得所述网络节点按照所述待预测网络的性能预测信息进行配置。
在本公开的一个实施例中，所述方法还包括：获取网络建模开源数据集，其中，所述网络建模开源数据集包括网络拓扑信息、路由配置信息、流量分布信息、仿真过程产生的时延信息和抖动信息；将所述网络建模开源数据集作为训练集，对超图卷积网络进行模型训练，确定所述超图神经网络。
在本公开的一个实施例中，所述方法还包括：对超图卷积网络进行模型训练中使用均方误差损失函数来降低真实数据与预测估计结果之间的差异。
根据本公开的另一个方面，提供一种软件定义网络性能预测装置，包括：路由超图配置模块，用于获取待预测网络的网络拓扑信息、路由配置信息，根据所述网络拓扑信息、路由配置信息，确定待预测网络的路由超图，其中，所述路由超图包括待预测网络的超图邻接矩阵信息；矩阵信息配置模块，用于获取待预测网络的网络流量信息，根据所述网络流量信息，确定待预测网络中端到端流量矩阵信息；性能预测模块，用于将所述超图邻接矩阵信息、端到端流量矩阵信息输入预先训练好的超图神经网络中，输出待预测网络的性能预测信息。
根据本公开的再一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的软件定义网络性能预测方法。
根据本公开的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的软件定义网络性能预测方法。
根据本公开的另一个方面，提供一种计算机程序产品，包括计算机指令，所述计算机指令存储在计算机可读存储介质中，所述计算机指令被处理器执行时实现上述任一项所述软件定义网络性能预测方法的操作指令。
本公开的实施例所提供的一种软件定义网络性能预测方法，获取待预测网络的网络拓扑信息、路由配置信息，根据网络拓扑信息、路由配置信息，确定待预测网络的路由超图，其中，路由超图包括待预测网络的超图邻接矩阵信息；获取待预测网络的网络流量信息，根据网络流量信息，确定待预测网络中端到端流量矩阵信息；将超图邻接矩阵信息、端到端流量矩阵信息输入预先训练好的超图神经网络中，输出待预测网络的性能预测信息。本公开基于网络拓扑信息、路由配置信息构建路由超图，使用超图神经网络，从路由超图端到端流量矩阵中挖掘空间特征并学习输出端到端网络性能的预测，能够提高了网络运行质量。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出本公开实施例中一种软件定义网络性能预测系统结构的示意图；
图2示出本公开实施例中一种软件定义网络性能预测方法流程图；
图3示出本公开实施例中又一种软件定义网络性能预测方法流程图；
图4示出本公开实施例中再一种软件定义网络性能预测方法流程图；
图5示出本公开实施例中另外一种软件定义网络性能预测方法流程图；
图6示出本公开实施例中一种软件定义网络性能预测方法的具体实例的流程图；
图7示出本公开实施例中一种软件定义网络性能预测方法的具体实例的流程图；
图8示出本公开实施例中一种软件定义网络性能预测系统结构的具体实例的示意图；
图9示出本公开实施例中一种软件定义网络性能预测装置示意图；
图10示出本公开实施例中一种电子设备的结构框图；
图11示出本公开实施例中一种计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
为了便于理解，下面首先对本公开涉及到的几个名词进行解释如下：
QoS：Quality of Service，服务质量；
SDN：Software Defined Network，软件定义网络；
HGNN：Hypergraph Neural Network，超图神经网络；
CPU：Central Processing Unit，中央处理器；
ReLU函数：Linear rectification function，线性整流函数；
OpenFlow，一种网络通信协议，属于数据链路层，能够控制网上交换器或路由器的转发平面，借此改变网络数据包所走的网络路径；
OpenSketch，一个通用的、抽象的测量框架，采用抽样的压缩计数方法，并将得到的流量信息存储在名为Sketch的数据结构中；
Telemetry，遥感勘测，一项远程的从物理设备或虚拟设备上高速采集数据的技术，设备通过推模式(Push Mode)周期性的主动向采集器上送设备的接口流量统计、CPU或内存数据等信息，相对传统拉模式(Pull Mode)的一问一答式交互，提供了更实时更高速的数据采集功能。
图1示出了可以应用于本公开实施例的软件定义网络性能预测方法或软件定义网络性能预测装置的示例性系统架构的示意图。
如图1所示，软件定义网络系统架构100可以包括SDN控制组件101，路由超图神经网络模型102和网络设备103。
网络设备103可以是各种接入网络的电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、可穿戴设备、增强现实设备、虚拟现实设备、网络打印机、网络摄像头等。
系统运行时，首先，网络运维人员105下发目标策略意图至SDN控制组件101，SDN控制组件将目标策略意图中的网络拓扑、路由策略等网络预设配置输入路由超图神经网络模型102；软件定义网络的控制平面可通过OpenFlow、OpenSketch或Telemetry等测量技术获取网络流量状态情况，并输入路由超图神经网络模型；路由超图神经网络模型获取到网络预设配置和网络流量矩阵(相当于上述网络流量状态情况)输入之后，实时计算得到的网络端到端时延、抖动等性能情况，并输出至SDN控制组件；SDN控制组件根据预设的优化配置(相当于上述目标策略意图中的网络拓扑、路由策略等预设配置)和估计的网络运行质量结合判断，是否将优化配置实际下发至网络设备上。
本领域技术人员可以知晓，图1中的SDN控制组件，路由超图神经网络模型，网络设备的数量仅仅是示意性的，根据实际需要，可以具有任意数目的终端设备、网络和服务器。本公开实施例对此不作限定。
下面结合附图及实施例对本示例实施方式进行详细说明。
图2示出本公开实施例中一种软件定义网络性能预测方法流程图，如图2所示，本公开实施例中提供的软件定义网络性能预测方法包括如下步骤：
S202，获取待预测网络的网络拓扑信息、路由配置信息，根据网络拓扑信息、路由配置信息，确定待预测网络的路由超图，其中，路由超图包括待预测网络的超图邻接矩阵信息。
需要说明的是，上述网络可以是由若干节点和连接这些节点的链路构成，表示诸多对象及其相互联系。上述网络拓扑信息可以是用传输介质互连各种设备的物理布局，指构成网络的成员间特定的物理的即真实的、或者逻辑的即虚拟的排列方式，例如，如果两个网络的连接结构相同我们就说它们的网络拓扑相同，尽管它们各自内部的物理接线、节点间距离可能会有不同。上述路由配置信息可以是路由策略，一种比基于目标网络进行路由更加灵活的数据包路由转发机制，例如，应用了路由策略，路由器将通过路由图决定如何对需要路由的数据包进行处理，路由图决定了一个数据包的下一跳转发路由器。
S204，获取待预测网络的网络流量信息，根据网络流量信息，确定待预测网络中端到端流量矩阵信息。
需要说明的是，上述网络流量可以是网络上传输的数据量。上述端到端可以是网络连接，例如，网络要通信，必须在两端(源和目的)间建立连接，一旦建立连接，就为端到端的连接，即端到端是逻辑链路，这条路可能经过了很复杂的物理路线，但两端主机只认为是有两端的连接，而且一旦通信完成，这个连接就释放了，物理线路可能又被别的应用用来建立连接。
S206，将超图邻接矩阵信息、端到端流量矩阵信息输入预先训练好的超图神经网络中，输出待预测网络的性能预测信息。
需要说明的是，上述超图可以是以作者为节点，以成果为边集，描述该类网络特性，例如，对于普通图，一个边只能和两个顶点相连；而对于超图，则推广为广义的边，即可以和任意个数的顶点相连的超边。
本公开基于网络拓扑信息、路由配置信息构建路由超图，使用超图神经网络，从路由超图端到端流量矩阵中挖掘空间特征并学习输出端到端网络性能的预测，能够提高了网络运行质量。
在本公开的一个实施例中，如图3所示，本公开实施例中提供的软件定义网络性能预测方法可以通过如下步骤来确定待预测网络的性能预测信息，能够准确预测出待预测网络的性能预测信息：
S302，将超图邻接矩阵信息、端到端流量矩阵信息作为输入信息，输入预先训练好的超图神经网络中，使得超图神经网络的卷积层对输入信息进行超边特征学习，获得超边特征，将超边特征依次输入激活层和线性输出层进行计算后输出端到端的网络性能指标数值矩阵；
S304，将网络性能指标数值矩阵确定为待预测网络的性能预测信息。
在本公开的一个实施例中，如图4所示，本公开实施例中提供的软件定义网络性能预测方法可以通过如下步骤来确定待预测网络的网络拓扑信息、路由配置信息，能够根据不同需求的目标策略信息预测出不同的待预测网络的性能预测信息：
S402，获取待预测网络的目标策略信息，其中，目标策略信息表征预设的网络拓扑信息、路由配置信息；
S404，根据待预测网络的目标策略信息，确定待预测网络的网络拓扑信息、路由配置信息。
在本公开的一个实施例中，如图5所示，本公开实施例中提供的软件定义网络性能预测方法可以通过如下步骤来确定待预测网络的路由超图，能够将网络的信息转化为超图形式：
S502，获取待预测网络的网络拓扑信息、路由配置信息；
S504，根据网络拓扑信息、路由配置信息，将网络拓扑信息、路由配置信息中的网络节点以集合方式进行连接，将路由配置信息中的路由确定为超边构成路由超图，其中，路由超图包括以节点为行、超边为列的超图邻接矩阵信息。
在本公开的一个实施例中，如图6所示，本公开实施例中提供的软件定义网络性能预测方法可以通过如下步骤来发送待预测网络的性能预测信息，能够将待预测网络的性能预测信息配置到网络节点提高网络节点的网络运行质量：
S602，将待预测网络的性能预测信息发送到网络节点，使得网络节点按照待预测网络的性能预测信息进行配置。
在本公开的一个实施例中，如图7所示，本公开实施例中提供的软件定义网络性能预测方法可以通过如下步骤来确定超图神经网络，能够将路由策略对空间特征和网络性能的影响建立在模型中：
S702，获取网络建模开源数据集，其中，网络建模开源数据集包括网络拓扑信息、路由配置信息、流量分布信息、仿真过程产生的时延信息和抖动信息；
S704，将网络建模开源数据集作为训练集，对超图卷积网络进行模型训练，确定超图神经网络。
在一个实施例中，对超图卷积网络进行模型训练中使用均方误差损失函数来降低真实数据与预测估计结果之间的差异。
本公开能根据网络拓扑、路由策略和端到端流量矩阵等元素输入计算输出包括时延、抖动和丢包率等端到端网络性能指标情况。
图8示出了另一种可以应用于本公开实施例的软件定义网络性能预测方法或软件定义网络性能预测装置的示例性系统架构的具体实例的示意图。
如图8所示，软件定义网络系统架构800可以包括路由超图构建模块801，超图卷积网络模块802。
超图构建模块801用于路由超图构建过程，超图卷积网络模块802用于超图卷积神经网络性能估计过程。
超图构建模块在路由超图构建过程中，基于网络拓扑和路由机制等IP网络主要元素信息，将路由机制中的每条路由分别视为一条超边构成路由超图，此时网络节点以集合方式进行连接，而不以简单图的成对方式连接。以路由相关性基础的超边连接方式，能高阶且有效地表达IP网络拓扑、路由机制和网络节点之间蕴含的复杂空间相关性。此外，使用以节点为行、超边为列的邻接矩阵表示超图结构。
超图构建模块801中IP网络的一个端到端流量经过C->B->A->E路由(从C经过B，再进过A，到达E)进行传输转发，路由超图使用超边将该路由涉及的C、B、A和E节点连接起来，超图邻接矩阵表示超图结构。
路由超图的数学表示为HG＝(V,E,W)，其中V表示节点集合、E表示超边集合(也即路由集合)、W表示超边权重对角矩阵。
路由超图邻接矩阵表示为H，Hve其中每个元素通过如下公式(1)表示为：
此外，节点度矩阵D和超边度矩阵B分别通过如下公式(2)、公式(3)表示为：
其中，W表示超边权重矩阵，e表示超边集合中的一项，e表示超边集合，v表示节点集合，v表示节点集合中的一项。
超图卷积网络模块802在超图卷积神经网络性能估计过程中，用于超图卷积网络由两层超图卷积层组成，首先以路由超图邻接矩阵和端到端流量矩阵作为输入，经过超图卷积过程对超边特征学习后，将超边特征先后输入ReLU激活层和线性输出层计算端到端的网络性能指标数值矩阵。两层超图卷积层数学通过如下公式(4)、公式(5)表示为：
其中，f表示两层超图卷积层数，σ表示ReLU激活层，X表示端到端流量矩阵，H表示超图邻接矩阵，
表示标准归一化超图矩阵，θ(1)和θ(2)分别表示第一层卷积和第二层卷积的可训练参数。
此外，超图卷积神经网络中的超图卷积过程是一次节点到边到节点的特征转换过程，而这个过程很适合用于探索路由和网络节点之间的复杂空间共现性特征，同时能捕获网络流量与网络性能之间的非线性映射关系。
超图卷积网络模块802在超边特征聚集过程中，每条超边从连接的节点上聚集特征并形成新的超边特征；接着，经过节点特征聚集过程，每个节点从涉及的超边上聚合特征形成新的节点特征。当网络中的流量发生时，每个网络节点会汇聚并按路由指引转发经过该节点的流量，同时每条端到端路由的性能状态也会受所含的网络节点情况影响。由此可见，超图卷积过程与网络流量运作过程相一致，其原生地适用于挖掘路由超图中的复杂高阶空间特征，并完美地支持端到端路径的时延特征计算。
另外，模型在训练过程使用均方误差损失函数来降低真实数据与预测估计结果之间的差异。该损失函数数学表示如下公式(6)：
其中，Loss表示损失函数，Y表示真实数据值，
表示预测值，Lreg是L2正则函数，λ表示参数。
在一个实施例中，使用基于NSFNet网络拓扑在OMNET++上仿真产生的网络建模开源数据集进行模型训练，数据集主要包括网络拓扑、路由配置和流量分布等输入配置信息，以及仿真过程产生的如时延、抖动等网络性能指标测量值。
本公开使用超图对网络拓扑、路由策略等空间特征进行高阶建模，所构建的路由超图能充分表示网络节点和路由配置间的复杂空间相关性；而现有技术单纯使用简单图来建模网络拓扑，以作为网络性能估计模型的特征输入，但未考虑路由配置信息、以及网络节点与路由间的复杂关系对网络性能的影响。
本公开对应使用超图神经网络来探索挖掘路由超图中蕴含的丰富特征，对此进行建模学习后输出估计得到的端到端网络性能指标值；而现有技术使用编解码神经网络、图神经网络等深度学习模型来学习拓扑中的空间特征，此类模型受限于数学原理和模型架构而具有相对较弱的特征学习能力。
本公开基于路由配置等信息，使用超图结构而非简单图结构，对网络空间中的节点连接关系进行高阶建模，所形成的路由超图蕴含丰富且复杂的空间特征信息，能对网络空间信息和路由信息进行高阶建模，更有效地表示网络空间特征。
本公开使用超图神经网络而非图神经网络，挖掘路由超图中动态的点边交互信息和复杂的空间共现性，并输出网络性能估计情况，具有更强空间特征学习能力，可实现准确的网络端到端性能估计。
本公开能够面向应用业务的高级服务等级约定。使用超图神经网络模型可帮助寻找低时延、高可靠、低丢包率的路由方案，提高QoS的可用性，为实时监控、视频会议和视频直播等QoS敏感业务提供清晰可量化的服务保障。网络优化配置仿真验证。将待调整的网络拓扑、路由策略和流量分布等配置信息，输入已训练好的网络性能估计模型，计算得到的网络运行质量可供运维人员预判参考。本公开能够使运营商能更加快速、高效地为政企客户提供满意的专线服务；使运营商能更迅速、低成本地优化调整网络结构以提高网络运行质量。
基于同一发明构思，本公开实施例中还提供了一种软件定义网络性能预测装置，如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似，因此该装置实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。
图9示出本公开实施例中一种软件定义网络性能预测装置示意图，如图9所示，该装置包括：路由超图配置模块91，矩阵信息配置模块92，性能预测模块93，目标策略信获取模块94，信息发送模块95和超图神经网络训练模块96。
其中，路由超图配置模块91，用于获取待预测网络的网络拓扑信息、路由配置信息，根据网络拓扑信息、路由配置信息，确定待预测网络的路由超图，其中，路由超图包括待预测网络的超图邻接矩阵信息；矩阵信息配置模块92，用于获取待预测网络的网络流量信息，根据网络流量信息，确定待预测网络中端到端流量矩阵信息；性能预测模块93，用于将超图邻接矩阵信息、端到端流量矩阵信息输入预先训练好的超图神经网络中，输出待预测网络的性能预测信息。
在本公开的一个实施例中，上述性能预测模块还用于：将超图邻接矩阵信息、端到端流量矩阵信息作为输入信息，输入预先训练好的超图神经网络中，使得超图神经网络的卷积层对输入信息进行超边特征学习，获得超边特征，将超边特征依次输入激活层和线性输出层进行计算后输出端到端的网络性能指标数值矩阵；将网络性能指标数值矩阵确定为待预测网络的性能预测信息。
在本公开的一个实施例中，上述软件定义网络性能预测装置还包括目标策略信获取模块94，用于获取待预测网络的目标策略信息，其中，目标策略信息表征预设的网络拓扑信息、路由配置信息；根据待预测网络的目标策略信息，确定待预测网络的网络拓扑信息、路由配置信息。
在本公开的一个实施例中，上述路由超图配置模块还用于：获取待预测网络的网络拓扑信息、路由配置信息；根据网络拓扑信息、路由配置信息，将网络拓扑信息、路由配置信息中的网络节点以集合方式进行连接，将路由配置信息中的路由确定为超边构成路由超图，其中，路由超图包括以节点为行、超边为列的超图邻接矩阵信息。
在本公开的一个实施例中，上述软件定义网络性能预测装置还包括信息发送模块95，用于将待预测网络的性能预测信息发送到网络节点，使得网络节点按照待预测网络的性能预测信息进行配置。
在本公开的一个实施例中，上述软件定义网络性能预测装置还包括超图神经网络训练模块96，用于获取网络建模开源数据集，其中，网络建模开源数据集包括网络拓扑信息、路由配置信息、流量分布信息、仿真过程产生的时延信息和抖动信息；将网络建模开源数据集作为训练集，对超图卷积网络进行模型训练，确定超图神经网络。
在本公开的一个实施例中，上述超图神经网络训练模块还用于：对超图卷积网络进行模型训练中使用均方误差损失函数来降低真实数据与预测估计结果之间的差异。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图10来描述根据本公开的这种实施方式的电子设备1000。图10显示的电子设备1000仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示，电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于：上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同系统组件(包括存储单元1020和处理单元1010)的总线1030。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1010执行，使得所述处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
例如，所述处理单元1010可以执行上述方法实施例的如下步骤：获取待预测网络的网络拓扑信息、路由配置信息，根据网络拓扑信息、路由配置信息，确定待预测网络的路由超图，其中，路由超图包括待预测网络的超图邻接矩阵信息；获取待预测网络的网络流量信息，根据网络流量信息，确定待预测网络中端到端流量矩阵信息；将超图邻接矩阵信息、端到端流量矩阵信息输入预先训练好的超图神经网络中，输出待预测网络的性能预测信息。
例如，所述处理单元1010可以执行上述方法实施例的如下步骤：将超图邻接矩阵信息、端到端流量矩阵信息作为输入信息，输入预先训练好的超图神经网络中，使得超图神经网络的卷积层对输入信息进行超边特征学习，获得超边特征，将超边特征依次输入激活层和线性输出层进行计算后输出端到端的网络性能指标数值矩阵；将网络性能指标数值矩阵确定为待预测网络的性能预测信息。
例如，所述处理单元1010可以执行上述方法实施例的如下步骤：获取待预测网络的目标策略信息，其中，目标策略信息表征预设的网络拓扑信息、路由配置信息；根据待预测网络的目标策略信息，确定待预测网络的网络拓扑信息、路由配置信息。
例如，所述处理单元1010可以执行上述方法实施例的如下步骤：获取待预测网络的网络拓扑信息、路由配置信息；根据网络拓扑信息、路由配置信息，将网络拓扑信息、路由配置信息中的网络节点以集合方式进行连接，将路由配置信息中的路由确定为超边构成路由超图，其中，路由超图包括以节点为行、超边为列的超图邻接矩阵信息。
例如，所述处理单元1010可以执行上述方法实施例的如下步骤：将待预测网络的性能预测信息发送到网络节点，使得网络节点按照待预测网络的性能预测信息进行配置。
例如，所述处理单元1010可以执行上述方法实施例的如下步骤：获取网络建模开源数据集，其中，网络建模开源数据集包括网络拓扑信息、路由配置信息、流量分布信息、仿真过程产生的时延信息和抖动信息；将网络建模开源数据集作为训练集，对超图卷积网络进行模型训练，确定超图神经网络。
例如，所述处理单元1010可以执行上述方法实施例的如下步骤：对超图卷积网络进行模型训练中使用均方误差损失函数来降低真实数据与预测估计结果之间的差异。
存储单元1020可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)10201和/或高速缓存存储单元10202，还可以进一步包括只读存储单元(ROM)10203。
存储单元1020还可以包括具有一组(至少一个)程序模块10205的程序/实用工具10204，这样的程序模块10205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1030可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1000也可以与一个或多个外部设备1040(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1000交互的设备通信，和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1050进行。并且，电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1000使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，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可读信号介质或者可读存储介质。图11示出本公开实施例中一种计算机可读存储介质的示意图，如图11所示，该计算机可读存储介质1100上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
例如，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：获取待预测网络的网络拓扑信息、路由配置信息，根据网络拓扑信息、路由配置信息，确定待预测网络的路由超图，其中，路由超图包括待预测网络的超图邻接矩阵信息；获取待预测网络的网络流量信息，根据网络流量信息，确定待预测网络中端到端流量矩阵信息；将超图邻接矩阵信息、端到端流量矩阵信息输入预先训练好的超图神经网络中，输出待预测网络的性能预测信息。
在一些实施例中，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：将超图邻接矩阵信息、端到端流量矩阵信息作为输入信息，输入预先训练好的超图神经网络中，使得超图神经网络的卷积层对输入信息进行超边特征学习，获得超边特征，将超边特征依次输入激活层和线性输出层进行计算后输出端到端的网络性能指标数值矩阵；将网络性能指标数值矩阵确定为待预测网络的性能预测信息。
在一些实施例中，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：获取待预测网络的目标策略信息，其中，目标策略信息表征预设的网络拓扑信息、路由配置信息；根据待预测网络的目标策略信息，确定待预测网络的网络拓扑信息、路由配置信息。
在一些实施例中，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：获取待预测网络的网络拓扑信息、路由配置信息；根据网络拓扑信息、路由配置信息，将网络拓扑信息、路由配置信息中的网络节点以集合方式进行连接，将路由配置信息中的路由确定为超边构成路由超图，其中，路由超图包括以节点为行、超边为列的超图邻接矩阵信息。
在一些实施例中，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：将待预测网络的性能预测信息发送到网络节点，使得网络节点按照待预测网络的性能预测信息进行配置。
在一些实施例中，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：获取网络建模开源数据集，其中，网络建模开源数据集包括网络拓扑信息、路由配置信息、流量分布信息、仿真过程产生的时延信息和抖动信息；将网络建模开源数据集作为训练集，对超图卷积网络进行模型训练，确定超图神经网络。
在一些实施例中，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：对超图卷积网络进行模型训练中使用均方误差损失函数来降低真实数据与预测估计结果之间的差异。
本公开中的计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、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)、光纤、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。
在本公开中，计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可选地，计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
在具体实施时，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公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“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、作为一个独立的软件包执行、部分在用户计算设备上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)。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种软件定义网络性能预测方法，其特征在于，包括：
获取待预测网络的网络拓扑信息、路由配置信息，根据所述网络拓扑信息、路由配置信息，确定待预测网络的路由超图，其中，所述路由超图包括待预测网络的超图邻接矩阵信息；
获取待预测网络的网络流量信息，根据所述网络流量信息，确定待预测网络中端到端流量矩阵信息；
将所述超图邻接矩阵信息、端到端流量矩阵信息输入预先训练好的超图神经网络中，输出待预测网络的性能预测信息。
2.根据权利要求1所述的软件定义网络性能预测方法，其特征在于，将所述超图邻接矩阵信息、端到端流量矩阵信息输入预先训练好的超图神经网络中，输出待预测网络的性能预测信息，包括：
将所述超图邻接矩阵信息、端到端流量矩阵信息作为输入信息，输入预先训练好的超图神经网络中，使得所述超图神经网络的卷积层对所述输入信息进行超边特征学习，获得超边特征，将所述超边特征依次输入激活层和线性输出层进行计算后输出端到端的网络性能指标数值矩阵；
将所述网络性能指标数值矩阵确定为所述待预测网络的性能预测信息。
3.根据权利要求1所述的软件定义网络性能预测方法，其特征在于，所述方法还包括：
获取待预测网络的目标策略信息，其中，所述目标策略信息表征预设的网络拓扑信息、路由配置信息；
根据所述待预测网络的目标策略信息，确定待预测网络的网络拓扑信息、路由配置信息。
4.根据权利要求1所述的软件定义网络性能预测方法，其特征在于，在获取待预测网络的网络拓扑信息、路由配置信息，根据所述网络拓扑信息、路由配置信息，确定待预测网络的路由超图之中，所述方法还包括：
获取待预测网络的网络拓扑信息、路由配置信息；
根据所述网络拓扑信息、路由配置信息，将所述网络拓扑信息、路由配置信息中的网络节点以集合方式进行连接，将路由配置信息中的路由确定为超边构成路由超图，其中，所述路由超图包括以节点为行、超边为列的超图邻接矩阵信息。
5.根据权利要求1所述的软件定义网络性能预测方法，其特征在于，在将所述超图邻接矩阵信息、端到端流量矩阵信息输入预先训练好的超图神经网络中，输出待预测网络的性能预测信息之后，所述方法还包括：
将所述待预测网络的性能预测信息发送到网络节点，使得所述网络节点按照所述待预测网络的性能预测信息进行配置。
6.根据权利要求1所述的软件定义网络性能预测方法，其特征在于，所述方法还包括：
获取网络建模开源数据集，其中，所述网络建模开源数据集包括网络拓扑信息、路由配置信息、流量分布信息、仿真过程产生的时延信息和抖动信息；
将所述网络建模开源数据集作为训练集，对超图卷积网络进行模型训练，确定所述超图神经网络。
7.根据权利要求6所述的软件定义网络性能预测方法，其特征在于，所述方法还包括：
对超图卷积网络进行模型训练中使用均方误差损失函数来降低真实数据与预测估计结果之间的差异。
8.一种软件定义网络性能预测装置，其特征在于，包括：
路由超图配置模块，用于获取待预测网络的网络拓扑信息、路由配置信息，根据所述网络拓扑信息、路由配置信息，确定待预测网络的路由超图，其中，所述路由超图包括待预测网络的超图邻接矩阵信息；
矩阵信息配置模块，用于获取待预测网络的网络流量信息，根据所述网络流量信息，确定待预测网络中端到端流量矩阵信息；
性能预测模块，用于将所述超图邻接矩阵信息、端到端流量矩阵信息输入预先训练好的超图神经网络中，输出待预测网络的性能预测信息。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～7中任意一项所述软件定义网络性能预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～7中任意一项所述的软件定义网络性能预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210975635.8A CN115333958A (zh) | 2022-08-15 | 2022-08-15 | 软件定义网络性能预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210975635.8A CN115333958A (zh) | 2022-08-15 | 2022-08-15 | 软件定义网络性能预测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115333958A true CN115333958A (zh) | 2022-11-11 |
Family
ID=83924555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210975635.8A Pending CN115333958A (zh) | 2022-08-15 | 2022-08-15 | 软件定义网络性能预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115333958A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116248522A (zh) * | 2023-05-11 | 2023-06-09 | 中国电信股份有限公司四川分公司 | 一种业务意愿与确定性网络切片关联方法 |
| CN117424848A (zh) * | 2023-12-19 | 2024-01-19 | 广东省科技基础条件平台中心 | 基于机器学习的节点调用优化方法、系统、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200396135A1 (en) * | 2019-06-17 | 2020-12-17 | International Business Machines Corporation | Automatic prediction of behavior and topology of a network using limited information |
| 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 |
| CN113792768A (zh) * | 2021-08-27 | 2021-12-14 | 清华大学 | 超图神经网络分类方法和装置 |
| CN114422381A (zh) * | 2021-12-14 | 2022-04-29 | 西安电子科技大学 | 通信网络流量预测方法、系统、存储介质及计算机设备 |
| CN114666263A (zh) * | 2022-05-20 | 2022-06-24 | 中国科学技术大学 | 高动态的智能路由确定方法、装置、电子设备及存储介质 |
| CN114745283A (zh) * | 2022-03-01 | 2022-07-12 | 杭州中奥科技有限公司 | 网络信息保护方法、装置和电子设备 |
-
2022
- 2022-08-15 CN CN202210975635.8A patent/CN115333958A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200396135A1 (en) * | 2019-06-17 | 2020-12-17 | International Business Machines Corporation | Automatic prediction of behavior and topology of a network using limited information |
| 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 |
| CN113792768A (zh) * | 2021-08-27 | 2021-12-14 | 清华大学 | 超图神经网络分类方法和装置 |
| CN114422381A (zh) * | 2021-12-14 | 2022-04-29 | 西安电子科技大学 | 通信网络流量预测方法、系统、存储介质及计算机设备 |
| CN114745283A (zh) * | 2022-03-01 | 2022-07-12 | 杭州中奥科技有限公司 | 网络信息保护方法、装置和电子设备 |
| CN114666263A (zh) * | 2022-05-20 | 2022-06-24 | 中国科学技术大学 | 高动态的智能路由确定方法、装置、电子设备及存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116248522A (zh) * | 2023-05-11 | 2023-06-09 | 中国电信股份有限公司四川分公司 | 一种业务意愿与确定性网络切片关联方法 |
| CN116248522B (zh) * | 2023-05-11 | 2023-09-22 | 中国电信股份有限公司四川分公司 | 一种业务意愿与确定性网络切片关联方法 |
| CN117424848A (zh) * | 2023-12-19 | 2024-01-19 | 广东省科技基础条件平台中心 | 基于机器学习的节点调用优化方法、系统、设备及介质 |
| CN117424848B (zh) * | 2023-12-19 | 2024-03-26 | 广东省科技基础条件平台中心 | 基于机器学习的节点调用优化方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Manzoor et al. | Performance analysis and route optimization: redistribution between EIGRP, OSPF & BGP routing protocols | |
| CN115333958A (zh) | 软件定义网络性能预测方法、装置、电子设备及存储介质 | |
| WO2020112436A1 (en) | 3s-chain: smart, secure, and software-defined networking (sdn)-powered blockchain-powered networking and monitoring system | |
| EP3320653A1 (en) | Parallelized network traffic flow availability simulation using stochastic process and traffic engineering algorithms | |
| CN113411221B (zh) | 电力通信网络故障仿真验证方法、装置、设备和存储介质 | |
| CN113408139B (zh) | 电力通信网络路径控制仿真验证方法、装置、设备和介质 | |
| US11616708B1 (en) | Estimating end-to-end network traffic demand and loss | |
| US20180062958A1 (en) | Neural network learning methods to identify network ports responsible for packet loss or delay | |
| US11811614B2 (en) | Assigning routing paths based on interior gateway protocol metric optimization | |
| CN104518899A (zh) | 网络路由流量仿真方法和装置 | |
| CN111404815B (zh) | 一种基于深度学习的有约束路由选择方法 | |
| CN113992259A (zh) | 一种时隙资源拓展图的构建方法 | |
| Sanagavarapu et al. | Sdpredictnet-a topology based sdn neural routing framework with traffic prediction analysis | |
| CN108494597B (zh) | 智能光网络仿真系统及方法 | |
| Liu et al. | Scalability of network-failure resilience: Analysis using multi-layer probabilistic graphical models | |
| Qu et al. | Learning-based multi-drone network edge orchestration for video analytics | |
| US11368380B1 (en) | Estimating end-to-end network packet loss | |
| Alsulami et al. | A real application enabled traffic generator for networking ai model development | |
| WO2023134377A1 (zh) | 一种网络配置方法、装置及系统 | |
| Kurniawan et al. | Mobile computing and communications-driven fog-assisted disaster evacuation techniques for context-aware guidance support: A survey | |
| KR101913745B1 (ko) | 소프트웨어 정의 네트워크에서 데이터 평면 애플리케이션을 활용하여 전송 경로를 설정하는 장치 및 방법 | |
| US9158871B2 (en) | Graph modeling systems and methods | |
| Gadallah et al. | A seven-dimensional state flow traffic modelling for multi-controller Software-Defined Networks considering multiple switches | |
| Obelovska et al. | Analysis and Comparison of Routing and Switching Processes in Campus Area Networks Using Cisco Packet Tracer | |
| Ding et al. | GROM: A generalized routing optimization method with graph neural network and deep reinforcement learning |
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 |