CN115379469A - 一种基于机器学习的多接入异构网络mptcp子流调度方法 - Google Patents
一种基于机器学习的多接入异构网络mptcp子流调度方法 Download PDFInfo
- Publication number
- CN115379469A CN115379469A CN202210968208.7A CN202210968208A CN115379469A CN 115379469 A CN115379469 A CN 115379469A CN 202210968208 A CN202210968208 A CN 202210968208A CN 115379469 A CN115379469 A CN 115379469A
- Authority
- CN
- China
- Prior art keywords
- path
- mptcp
- network
- sub
- list
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000010801 machine learning Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012706 support-vector machine Methods 0.000 claims description 33
- 230000005540 biological transmission Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 230000001413 cellular effect Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/12—Wireless traffic scheduling
- H04W72/1263—Mapping of traffic onto schedule, e.g. scheduled allocation or multiplexing of flows
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于机器学习的多接入异构网络MPTCP子流调度方法,包括:采集信息,选择合适的特征参数;根据特征参数生成用于训练预测模型的数据集;通过数据集训练构建好的预测模型;采集网络状态信息,通过训练好的预测模型预测得到路径影响因子;根据路径影响因子对MPTCP子流进行优化;基于优化后的MPTCP子流,获取到MPTCP子流动态配置。本发明可以通过对子流的灵活控制有效的提高吞吐量,动态调整子流的建立顺序,对MPTCP子流的主次关系进行了详细的判定,从而降低了因握手时间过长导致的连接建立过慢的影响,一定程度上减少设备下载文件以及接收数据的时间,并且能迅速的对网络变化做出反应。
Description
技术领域
本发明属于多无线接入技术领域,涉及MPTCP子流调度技术,具体涉及一种基于机器学习的多接入异构网络MPTCP子流调度方法。
背景技术
近年来,不断增长的移动用户、设备和应用程序带来了巨大的移动网络流量。随着工业互联网时代的到来,工厂变得更加智能化,工厂中智能机器人和智能流水线对网络的要求也越来越高。如今,第五代移动通信技术(5G)已经进入到我们的生活中,并在全国各地区得到了广泛的普及和应用。然而单一的蜂窝网络似乎无法满足工厂正常生产的需求,异构网络的部署一定程度上提高了系统的吞吐量,缓解了带宽的压力。现代移动设备通常配备多个网络接口,如WiFi接口和蜂窝接口,以实现访问多个网络的能力。这类移动设备不仅限于移动电话,还包括平板电脑、用户驻地设备甚至车辆。多接口的一个关键优势是,当网络或接口关闭时,设备仍然可以通过其他接口保持网络连接。在包括移动无线网络在内的当前网络环境中,单路径TCP(SPTCP)传输层协议被广泛用于TCP连接。然而,SPTCP带来的一个关键挑战是,应用程序必须通过其他接口重新建立新的TCP连接,以在当前连接或接口出现故障时实现服务的连续性。Multi-Path TCP(MPTCP)的出现有效的解决了这一问题,MPTCP可以同时利用一对主机之间的多条通信路径,一定程度上避免了因网络切换而产生的重连问题。MPTCP可以利用多个子流来聚合带宽、平衡负载和提高恢复能力。但MPTCP是一种端到端的协议,不能感知底层的网络状况。例如,同一连接的不同子流可能分布到同一路径。这种情况不会充分利用网络资源,会导致子流在同一路径上发生碰撞,从而导致网络拥塞。此外,由于多个子流具有不同的延迟,数据包在到达接收端时可能需要重新排序,从而导致传输性能严重下降。此外,MPTCP子流的数量是固定的,不能根据业务需求和网络资源进行调整。
相关论文针对MPTCP调度器贪婪特性带来的资源利用率降低的问题,提出了MPTCP路径动态控制方案,在对链路性能测量的基础上建立回归模型,通过预测模型输出的结果动态调整路径的配置,并通过SDN控制器对MPTCP连接进行全局控制。然而该方法在MPTCP连接建立过程中无法决定子流之间的主次关系,从而导致在主子流的选择很可能不是最优的,因为蜂窝网络的子流握手时间相对WiFi较长,一定程度上影响了总体吞吐量的提高,导致设备从服务器下载文件的速率变慢,消耗更多的时间和资源。
发明内容
发明目的:为了克服现有技术中存在的不足,提供一种基于机器学习的多接入异构网络MPTCP子流调度方法,可以通过对子流的灵活控制有效的提高吞吐量,动态调整子流的建立顺序,对MPTCP子流的主次关系进行了详细的判定,从而降低了因握手时间过长导致的连接建立过慢的影响,一定程度上减少设备下载文件以及接收数据的时间,并且能迅速的对网络变化做出反应。
技术方案:为实现上述目的,本发明提供一种基于机器学习的多接入异构网络MPTCP子流调度方法,包括如下步骤:
S1:采集信息,选择特征参数;
S2:根据特征参数生成用于训练预测模型的数据集;
S3:通过步骤S2的数据集训练构建好的预测模型;
S4:采集网络状态信息,通过训练好的预测模型预测得到路径影响因子;
S5:根据路径影响因子对MPTCP子流进行优化;
S6:基于优化后的MPTCP子流,获取到MPTCP子流动态配置。
进一步地,所述步骤S1中特征参数为包括初始路径集、最终路径集、路径影响因子、路径带宽、路径延迟和服务需求带宽。
进一步地,所述步骤S1中路径影响因子的计算公式如下:
其中,t为传输时间,TPi(t)为第i子流不参与传输时的吞吐量,TP(t)为t时刻总体吞吐量,IFi为第i个路径的影响因子。
进一步地,所述步骤S2中数据集的获取方式为:
通过路径带宽和路径延迟的比值,计算得到WiFi和蜂窝网络同时使用时的吞吐量以及两者分别断开连接时的吞吐量,从而计算出路径影响因子;
计算得到若干个路径影响因子形成数据集。
进一步地,所述步骤S3中构建好的预测模型为基于径向基核函数(RBF)的支持向量机(SVM),SVM是一类按监督学习方式对数据进行二元分类的广义线性分类器,其决策边界是对学习样本求解的最大边距超平面;SVM使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险,是一个具有稀疏性和稳健性的分类器。
进一步地,所述步骤S4中路径影响因子的获取方法为:
SVM预测模型以采集到的网络信息作为输入,通过复杂的计算后输出结果并以此作为路径影响因子。
SVM预测模型根据数据集训练得出回归模型,根据上述公式对采集到的路径信息进行多分类;假设数据集的类别有M类,即影响因子数值有M类,本质是一个符号函数,其结果为[-1,+1],当新数据xnew即采集的路径信息到来时,采用投票策略对数据进行分类,进而根据分类的结果决定影响因子的数值。
进一步地,所述步骤S5中子流的数量是影响传输性能的一个重要因素。如果所有子流的带宽都大于业务需求,则会增加网络源的消耗。但如果所有子流的带宽都小于服务需求,这种情况可能会导致拥塞并影响用户的QoE。通过对比用户带宽需求和当前网络能提供的带宽,控制器可以分析出所需的子流数量,并根据预测出的影响因子决定子流的建立顺序。
所以对MPTCP子流具体的优化过程为:
判断路径影响因子是否大于0:
如果否,删除列表N中路径影响因子小于0的路径,然后将其余路径放入列表M;
如果是,再判断服务需求带宽是否大于路径总带宽,如果是,则将列表N放入列表M,如果否,则将列表N根据路径影响因子从大到小进行排序后放入到列表M;
最后输出列表M。
进一步地,所述步骤S6具体为:
基于子流优化模块得到的路径信息,控制器通过OpenFlow协议控制蜂窝网络和无线网络与设备的连接,当数据包到达网络中启用SDN的交换机时,SDN控制器内置在交换机专有固件中的规则将引导交换机将数据包转发到何处。
有益效果:本发明与现有技术相比,可以通过对子流的灵活控制有效的提高吞吐量,动态调整子流的建立顺序,对MPTCP子流的主次关系进行了详细的判定,从而降低了因握手时间过长导致的连接建立过慢的影响,一定程度上减少了设备下载文件以及接收数据的时间,并且能迅速的对网络变化做出反应。
附图说明
图1是本发明方法的流程示意图;
图2是SVM算法原理图;
图3是本发明提出的基于机器学习的MPTCP子流动态控制框架图;
图4为对MPTCP子流进行优化的流程图;
图5为MPTCP子流动态配置的获取流程图;
图6为平均完成时间对比图;
图7为用户平均吞吐量对比图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提供提供一种基于机器学习的多接入异构网络MPTCP子流调度方法,如图1所示,包括如下步骤:
S1:采集信息,选择合适的特征参数:
本实施例中根据MPTCP不同路径的差异性分析子流对吞吐量的影响,从而确定特征参数的选择。特征参数选择指的是基于MPTCP子流的差异性选择合适的路径影响因子,依据子流在T时刻前后对总体吞吐量的贡献,包括正面和负面的影响;
在多接入异构网络场景下,不同接入网络之间性能往往存在着一定差异,主要表现在带宽和延迟的差别。例如,WiFi的RTT通常比蜂窝网络小很多,5G网络则拥有更大的带宽,因此当路径之间性能差异较大时MPTCP不一定比SPTCP拥有更好的吞吐量。MPTCP子流的影响因子(IF)可以定量解释当前子流对网络通信整体传输性能的贡献率。MPTCP子流的IF由多个子流并发传输中每个子流对整个传输的重要性定义。换言之,它是指对整个流量的吞吐量的影响程度,可分为正面影响和负面影响。当总体吞吐量增加而子流不参与传输时,子流对总体传输性能起负面作用。相反,当总体吞吐量在不使用该子流的情况下降低时,子流在总体传输性能中发挥积极作用。
本实施例中特征参数为包括初始路径集、最终路径集、路径影响因子、路径带宽、路径延迟和服务需求带宽;具体如下表1所示:
表1关键参数
路径影响因子的计算公式如下:
其中,t为传输时间,TPi(t)为第i子流不参与传输时的吞吐量,TP(t)为t时刻总体吞吐量,IFi为第i个路径的影响因子。
S2:根据特征参数生成用于训练预测模型的数据集:
实验研究表明,带宽和延迟的比率足以量化链路的质量,带宽和延迟比可以用来预测MPTCP相对于SPTCP的整体性能,而不是带宽容量和延迟的实际值。因此本实施例采用接入网的带宽和延迟比率作为输入,分别得到WiFi和蜂窝网络同时使用时的吞吐量以及两者分别断开连接时的吞吐量,从而计算出影响因子的数值;
需要大量的实验来生成足够多的数据点生成用于训练预测模型的数据集,从而进一步探索给定链路状态下预测MPTCP路径配置的模型。
因此,本实施例在Mininet-WiFi平台中放置两台主机,其都带有WiFi和蜂窝网络的接口,只改变两条链路的带宽和延迟比来生成吞吐量数据。
链路延迟比率都是1到1000之间的整数。对于每个延迟比,我们将带宽比设置为[0.1、0.125、0.25、0.5、1.0、2.0、4.0、6.0、8.0、10.0]中的数字之一,然后得出接入网络皆可用以及分别断开连接时的吞吐量,根据公式计算出影响因子。对于每条路径最终生成9990个三重数据D={RB,RD,Ωi}。
S3:通过步骤S2的数据集训练构建好的预测模型:
基于现有数据集通过多种回归分析方法可以获得预测模型。在尝试使用10倍交叉验证的多元回归模型后,得到的最佳预测模型是基于径向基核函数(RBF)的支持向量机(SVM)。
SVM是一类按监督学习方式对数据进行二元分类的广义线性分类器,其决策边界是对学习样本求解的最大边距超平面。SVM使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险,是一个具有稀疏性和稳健性的分类器。SVM可以通过核方法进行非线性分类,是常见的核学习方法之一。
本实施例中采用的是多分类SVM算法,传统的SVM算法只能对数据进行二元分类,无法满足本发明的要求。
SVM多分类问题描述如下:给定含N个样本的训练集X={(x1,y1),...,(xn,yn)},其中K维特征向量xN∈Rk,类标签yn∈{1,2,…,M},n=1,…,N。训练集数据共M个类。任务是找到决策函数y=f(x)(或者说一个规则)用于预测新数据的类别。
SVM多分类问题有多种解决方法,本发明选择的是成对分类方法(one-against-one,pairwise classification)。成对分类方法是基于binary SVM的,也叫one-against-one,pairwise classification)。one-against-one适合实际应用,也是LIBSVM库采用的方法。
设训练集数据共M个类,one-against-one方法是在每两个类之间都构造一个binary SVM。本实施例中以图2为例,共三类(二维)数据,虚线d12表示1类和2类数据之间的binary SVM的决策边界,d13表示1类和3类之间的决策边界,d23则表示2类和3类之间的决策边界。
对于第i类和第j类数据,训练一个binary SVM即求解二次规划问题:
其中,上标表示是i类和j类之间binary SVM的参数;下标t表示i类和j类的并集中样本的索引,φ表示输入空间到特征空间的非线性映射。
第i类和第j类之间binary SVM的决策函数:
其中,公式(2)用于判断数据是属于i类还是j类。
对于新数据,采用voting strategy(投票策略)进行分类:
每个binary SVM根据其决策函数对新数据Xnew有一个预测(投票),以i类和j类之间的binary SVM为例,若对Xnew的预测为i类,则i类得票加1;否则j类得票加1;
终得票最多的类别就是对Xnew的预测;
若出现平票的情况,简单地选择索引较小的那个类别作为对Xnew的分类。
S4:本实施例中提供一种如图3所示的基于机器学习的MPTCP子流动态控制架构,其具体的流程为:1、收集网络状态,即WiFi和5G链路的质量;2、根据预测的路径影响因子将各路径排序;3、为连接范围内的每个用户动态、主动地配置子流。
利用SDN和运行在集中式SDN控制器中的动态控制模块对系统进行了架构设计。SDN是一种新兴的体系结构,它在物理上将网络控制平面与数据转发平面分开,其中一个控制平面控制多个设备。该体系结构确保网络控制可编程,底层基础设施可抽象为上层应用程序和服务。具体来说,当数据包到达网络中支持SDN的交换机时,SDN控制器内置在交换机专有固件中的规则将引导交换机将数据包转发到何处。这些规则通过开放标准协议(如OpenFlow)从中央控制器中继到基础设施交换机。因此,可以依靠SDN的控制平面来实现上述目标。
SDN控制器持续监控网络状态,使用SVM预测模型得到路径影响因子,并对用户的MPTCP子流进行配置。这三个模块是在Ryu控制器中开发的。Ryu控制器通过OpenFlow协议与SDN交换机(如Open vSwitch)通信。控制器可以在解析端点的IP信息后,向端点发送修改子流编号值的命令。
基于机器学习的MPTCP子流动态控制流程具体为:
1)收集网络状态,即WiFi和5G链路的带宽和时延。信息采集模块定期检查每个用户当前可使用的网络,并向子流优化模块提供若干信息,以预测最佳路径选择,包括移动设备和网络系统之间的连接、无线信道测量,如链路带宽容量和链路传播延迟。OpenFlow协议有一个API,可以与交换机通信并收集所需信息。该模块通过Mininet-WiFi平台提供的方法将所有用户设备的移动性以及网络连接信息传送给下一个模块,以便子流优化模块集中式的处理用户所连接网络的带块以及延迟等信息。
2)SDN控制器收集到各链路网络状态后,步骤S3训练好的SVM预测模型以信息采集模块采集到的信息作为输入,通过复杂的计算后输出结果并以此作为路径的影响因子。根据各路径影响因子的数值对当前可用路径排序,影响因子越大则说明该路径对整体吞吐量提升越高,反之亦然。删除会产生负面影响的路径既影响因子为负的路径。在MPTCP的连接建立过程中,优先建立影响因子最高的子流,其他子流依次建立连接。在设备移动过程中根据网络的变化不断调整子流的连接,从而达到提升吞吐量的目的。
如果预测模型得到的各路径影响因子都为正值,假设当前网络的带宽无法满足此时的带宽需求,则需要各接入网络提供其当前最大带宽容量;此外若网络带宽超过用户所需的带宽,则根据影响因子的数值大小按顺序依次建立子流的连接。
除此之外如果某一路径的影响因子为负值,说明该路径对总体吞吐量的提升产生了负面作用,即该路径的加入会降低总体的吞吐量,则需要删除该低质量的路径。
如图4所示,上述对于根据路径影响因子对MPTCP子流进行优化的过程具体为判断路径影响因子是否大于0:
如果否,删除列表N中路径影响因子小于0的路径,然后将其余路径放入列表M;
如果是,再判断服务需求带宽是否大于路径总带宽,如果是,则将列表N放入列表M,如果否,则将列表N根据路径影响因子从大到小进行排序后放入到列表M;
最后输出列表M。
最后基于优化后的MPTCP子流,为连接范围内的每个用户动态、主动地配置子流:参照图5,基于子流优化模块得到的路径信息,控制器通过OpenFlow协议控制蜂窝网络和无线网络与设备的连接,当数据包到达网络中启用SDN的交换机时,SDN控制器内置在交换机专有固件中的规则将引导交换机将数据包转发到何处。
通过设置OpenFlow流表在边缘交换机上部署路径选择。在流表中,每个流条目都包含匹配的字段和操作集。一个简单的实现是使用每个网络接口的IP地址作为匹配字段,因为移动设备的每个接口在连接时都会被分配一个唯一的IP地址。使用的两个操作是是:Output,它指定匹配数据包应该转发到的输出端口;Drop,它丢弃匹配数据包;该部分的意义在于承接上一步的子流调度而做出具体的控制操作,具体操作包括子流的建立、删除以及建立的顺序,根据子流调度的结果为每个用户配置MPTCP子流。
为了验证本发明方法的效果,本实施例中将本发明调度方法和Default以及Blest调度方法进行对比,MPTCP默认调度器为MinRTT,它在RTT最低的子流上发送数据,直到它的拥塞窗口满,然后在RTT更高的子流上发送数据。Blest(BLocking ESTimation scheduler)作为发送窗口阻塞估计调度程序,它旨在最大限度地减少异构网络中的HoL阻塞,从而通过减少虚假重传的数量来增加容量聚合的潜力。
具体对比数据如图6和图7所示。
图6表示在用户带宽为10MB的情况下不同调度策略之间对于数据下载时间的对比,结果显示本发明方法平均完成时间较其他两种调度策略均有降低。
图7表示在设备移动过程中,用户平均吞吐量的对比。0到30秒用户使用SPTCP接入基站,30秒后进入WiFi的范围后,对比MPTCP不同的调度策略。结果显示在子流数量增加时,本发明提出的调度策略使连接更加稳定以及得到更高的平均吞吐量。
本实施例还提供一种适用于行业现场网的无线网络健康度评估系统,该系统包括网络接口、存储器和处理器;其中,网络接口,用于在与其他外部网元之间进行收发信息过程中,实现信号的接收和发送;存储器,用于存储能够在所述处理器上运行的计算机程序指令;处理器,用于在运行计算机程序指令时,执行上述共识方法的步骤。
本实施例还提供一种计算机存储介质,该计算机存储介质存储有计算机程序,在处理器执行所述计算机程序时可实现以上所描述的方法。所述计算机可读介质可以被认为是有形的且非暂时性的。非暂时性有形计算机可读介质的非限制性示例包括非易失性存储器电路(例如闪存电路、可擦除可编程只读存储器电路或掩膜只读存储器电路)、易失性存储器电路(例如静态随机存取存储器电路或动态随机存取存储器电路)、磁存储介质(例如模拟或数字磁带或硬盘驱动器)和光存储介质(例如CD、DVD或蓝光光盘)等。计算机程序包括存储在至少一个非暂时性有形计算机可读介质上的处理器可执行指令。计算机程序还可以包括或依赖于存储的数据。计算机程序可以包括与专用计算机的硬件交互的基本输入/输出系统(BIOS)、与专用计算机的特定设备交互的设备驱动程序、一个或多个操作系统、用户应用程序、后台服务、后台应用程序等。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (8)
1.一种基于机器学习的多接入异构网络MPTCP子流调度方法,其特征在于,包括如下步骤:
S1:采集信息,选择特征参数;
S2:根据特征参数生成用于训练预测模型的数据集;
S3:通过步骤S2的数据集训练构建好的预测模型;
S4:采集网络状态信息,通过训练好的预测模型预测得到路径影响因子;
S5:根据路径影响因子对MPTCP子流进行优化;
S6:基于优化后的MPTCP子流,获取到MPTCP子流动态配置。
2.根据权利要求1所述的一种基于机器学习的多接入异构网络MPTCP子流调度方法,其特征在于,所述步骤S1中特征参数为包括初始路径集、最终路径集、路径影响因子、路径带宽、路径延迟和服务需求带宽。
4.根据权利要求3所述的一种基于机器学习的多接入异构网络MPTCP子流调度方法,其特征在于,所述步骤S2中数据集的获取方式为:
通过路径带宽和路径延迟的比值,计算得到WiFi和蜂窝网络同时使用时的吞吐量以及两者分别断开连接时的吞吐量,从而计算出路径影响因子;
计算得到若干个路径影响因子形成数据集。
5.根据权利要求1所述的一种基于机器学习的多接入异构网络MPTCP子流调度方法,其特征在于,所述步骤S3中构建好的预测模型为基于径向基核函数(RBF)的支持向量机(SVM),SVM是一类按监督学习方式对数据进行二元分类的广义线性分类器,其决策边界是对学习样本求解的最大边距超平面;SVM使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险,是一个具有稀疏性和稳健性的分类器。
7.根据权利要求1所述的一种基于机器学习的多接入异构网络MPTCP子流调度方法,其特征在于,所述步骤S5的具体过程为:
判断路径影响因子是否大于0:
如果否,删除列表N中路径影响因子小于0的路径,然后将其余路径放入列表M;
如果是,再判断服务需求带宽是否大于路径总带宽,如果是,则将列表N放入列表M,如果否,则将列表N根据路径影响因子从大到小进行排序后放入到列表M;
最后输出列表M。
8.根据权利要求1所述的一种基于机器学习的多接入异构网络MPTCP子流调度方法,其特征在于,所述步骤S6具体为:
基于子流优化模块得到的路径信息,控制器通过OpenFlow协议控制蜂窝网络和无线网络与设备的连接,当数据包到达网络中启用SDN的交换机时,SDN控制器内置在交换机专有固件中的规则将引导交换机将数据包转发到何处。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210968208.7A CN115379469B (zh) | 2022-08-12 | 2022-08-12 | 一种基于机器学习的多接入异构网络mptcp子流调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210968208.7A CN115379469B (zh) | 2022-08-12 | 2022-08-12 | 一种基于机器学习的多接入异构网络mptcp子流调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115379469A true CN115379469A (zh) | 2022-11-22 |
CN115379469B CN115379469B (zh) | 2023-11-28 |
Family
ID=84064887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210968208.7A Active CN115379469B (zh) | 2022-08-12 | 2022-08-12 | 一种基于机器学习的多接入异构网络mptcp子流调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115379469B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116760777A (zh) * | 2023-08-22 | 2023-09-15 | 无锡车联天下信息技术有限公司 | 一种基于abea3c的多路径拥塞控制方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009037110A1 (en) * | 2007-09-20 | 2009-03-26 | Telefonaktiebolaget Lm Ericsson (Publ) | Quality of service-based antenna mapping in mimo communication systems |
US20140362765A1 (en) * | 2013-06-06 | 2014-12-11 | Apple Inc. | Multipath TCP Subflow Establishment and Control |
US20170290036A1 (en) * | 2016-03-31 | 2017-10-05 | At&T Intellectual Property I, L.P. | Facilitation of multipath scheduling |
CN107615729A (zh) * | 2015-09-23 | 2018-01-19 | 华为技术有限公司 | 数据传输方法及通信装置 |
US20180123948A1 (en) * | 2016-10-27 | 2018-05-03 | Nanning Fugui Precision Industrial Co., Ltd. | Transmission path optimization method and software-defined networking controller using the method |
CN109547505A (zh) * | 2019-01-26 | 2019-03-29 | 福州大学 | 基于强化学习的多径tcp传输调度方法 |
CN110278149A (zh) * | 2019-06-20 | 2019-09-24 | 南京大学 | 基于深度强化学习的多路径传输控制协议数据包调度方法 |
KR20200002439A (ko) * | 2018-06-29 | 2020-01-08 | 주식회사 케이티 | 소프트웨어 정의 네트워크 환경에서 기계 학습 기반의 경로 선택 장치 및 방법 |
CN110784399A (zh) * | 2019-11-04 | 2020-02-11 | 海南大学 | 一种mptcp网络多路径优化组合传输方法及系统 |
CN111064704A (zh) * | 2019-11-19 | 2020-04-24 | 中国科学院计算技术研究所 | 一种基于mptcp启动窗口自适应的数据传输方法、装置和介质 |
CN112671660A (zh) * | 2020-12-24 | 2021-04-16 | 海南大学 | 异构多路径传输网络系统多性能参数并行优化方法及装置 |
CN113207147A (zh) * | 2021-03-16 | 2021-08-03 | 网络通信与安全紫金山实验室 | 基于深度强化学习的mptcp拥塞控制方法及其存储介质 |
CN114554521A (zh) * | 2022-01-24 | 2022-05-27 | 清华大学 | 针对多路径传输协议的子流共享带宽瓶颈检测方法和装置 |
CN114710439A (zh) * | 2022-04-22 | 2022-07-05 | 南京南瑞信息通信科技有限公司 | 基于深度强化学习的网络能耗与吞吐量联合优化路由方法 |
-
2022
- 2022-08-12 CN CN202210968208.7A patent/CN115379469B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009037110A1 (en) * | 2007-09-20 | 2009-03-26 | Telefonaktiebolaget Lm Ericsson (Publ) | Quality of service-based antenna mapping in mimo communication systems |
US20140362765A1 (en) * | 2013-06-06 | 2014-12-11 | Apple Inc. | Multipath TCP Subflow Establishment and Control |
CN107615729A (zh) * | 2015-09-23 | 2018-01-19 | 华为技术有限公司 | 数据传输方法及通信装置 |
US20170290036A1 (en) * | 2016-03-31 | 2017-10-05 | At&T Intellectual Property I, L.P. | Facilitation of multipath scheduling |
US20180123948A1 (en) * | 2016-10-27 | 2018-05-03 | Nanning Fugui Precision Industrial Co., Ltd. | Transmission path optimization method and software-defined networking controller using the method |
CN107995108A (zh) * | 2016-10-27 | 2018-05-04 | 南宁富桂精密工业有限公司 | 网络路径优化方法及sdn控制器 |
KR20200002439A (ko) * | 2018-06-29 | 2020-01-08 | 주식회사 케이티 | 소프트웨어 정의 네트워크 환경에서 기계 학습 기반의 경로 선택 장치 및 방법 |
CN109547505A (zh) * | 2019-01-26 | 2019-03-29 | 福州大学 | 基于强化学习的多径tcp传输调度方法 |
CN110278149A (zh) * | 2019-06-20 | 2019-09-24 | 南京大学 | 基于深度强化学习的多路径传输控制协议数据包调度方法 |
CN110784399A (zh) * | 2019-11-04 | 2020-02-11 | 海南大学 | 一种mptcp网络多路径优化组合传输方法及系统 |
CN111064704A (zh) * | 2019-11-19 | 2020-04-24 | 中国科学院计算技术研究所 | 一种基于mptcp启动窗口自适应的数据传输方法、装置和介质 |
CN112671660A (zh) * | 2020-12-24 | 2021-04-16 | 海南大学 | 异构多路径传输网络系统多性能参数并行优化方法及装置 |
CN113207147A (zh) * | 2021-03-16 | 2021-08-03 | 网络通信与安全紫金山实验室 | 基于深度强化学习的mptcp拥塞控制方法及其存储介质 |
CN114554521A (zh) * | 2022-01-24 | 2022-05-27 | 清华大学 | 针对多路径传输协议的子流共享带宽瓶颈检测方法和装置 |
CN114710439A (zh) * | 2022-04-22 | 2022-07-05 | 南京南瑞信息通信科技有限公司 | 基于深度强化学习的网络能耗与吞吐量联合优化路由方法 |
Non-Patent Citations (1)
Title |
---|
彭智彬: ""SDN数据中心网络下基于强化学习的拥塞控制方法的研究"", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116760777A (zh) * | 2023-08-22 | 2023-09-15 | 无锡车联天下信息技术有限公司 | 一种基于abea3c的多路径拥塞控制方法 |
CN116760777B (zh) * | 2023-08-22 | 2023-10-20 | 无锡车联天下信息技术有限公司 | 一种基于abea3c的多路径拥塞控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115379469B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11296977B2 (en) | Analytics enabled radio access network (RAN)-aware content optimization using mobile edge computing | |
US10542487B2 (en) | Network edge based access network discovery and selection | |
CN110268749B (zh) | 基于动态准则的网络接入点之间的漫游 | |
Zeljković et al. | ABRAHAM: machine learning backed proactive handover algorithm using SDN | |
CN113115256B (zh) | 一种在线vmec服务网络选择的迁移方法 | |
Li et al. | MoRule: Optimized rule placement for mobile users in SDN-enabled access networks | |
CN115379469B (zh) | 一种基于机器学习的多接入异构网络mptcp子流调度方法 | |
Tlouyamma et al. | Channel selection algorithm optimized for improved performance in cognitive radio networks | |
Abusubaih | Intelligent wireless networks: challenges and future research topics | |
CN112559078B (zh) | 一种移动边缘计算服务器分级卸载任务方法及系统 | |
Huang et al. | Reinforcement learning-based hybrid spectrum resource allocation scheme for the high load of URLLC services | |
CN113543246B (zh) | 网络切换方法及设备 | |
Hsieh et al. | Delay-optimal scheduling for queueing systems with switching overhead | |
Hanif et al. | Traffic pattern based adaptive spectrum handoff strategy for cognitive radio networks | |
CN115809148A (zh) | 一种面向边缘计算的负载均衡任务调度方法及装置 | |
CN115843050A (zh) | 网络切片配置方法及系统、计算机可存储介质 | |
Kon et al. | Autonomous parameter optimization of a heterogeneous wireless network aggregation system using machine learning algorithms | |
EP4211884A1 (en) | Distributed traffic engineering at edge devices in a computer network | |
Verma et al. | A survey on spectrum mobility in cognitive radio network | |
KR101627625B1 (ko) | 어플리케이션과 네트워크가 융합 구동하는 멀티프로토콜 경로선택 시스템 및 방법 | |
Basu et al. | Switching constrained max-weight scheduling for wireless networks | |
Chatzistefanidis et al. | ML-based traffic steering for heterogeneous ultra-dense beyond-5G networks | |
Mohandas et al. | Signal processing with machine learning for context awareness in 5G communication technology | |
Chen et al. | A Machine Learning Based MPTCP Subflow Control Algorithm for Multi-access Heterogeneous Networks | |
US11860744B2 (en) | Communication network data fault detection and mitigation |
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 |