CN115733780B - 基于柔性以太网的动态自适应方法、系统、设备及介质 - Google Patents
基于柔性以太网的动态自适应方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115733780B CN115733780B CN202211506429.9A CN202211506429A CN115733780B CN 115733780 B CN115733780 B CN 115733780B CN 202211506429 A CN202211506429 A CN 202211506429A CN 115733780 B CN115733780 B CN 115733780B
- Authority
- CN
- China
- Prior art keywords
- network state
- data set
- flexible ethernet
- network
- layer
- 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
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了基于柔性以太网的动态自适应方法、系统、设备及介质,对柔性以太网进行主动和被动的协同测量,得到测量结果;依据测量结果,获取柔性以太网的网络状态;对网络状态进行持久化,对持久化后的数据进行预处理,形成网络状态数据集;对网络状态数据集进行分组,得到分组数据集;提取分组数据集的核心特征,得到压缩数据集;提取压缩数据集的高维特征向量,将高维特征向量与分组数据集中的时间序列数据结合,对结合后的数据进行训练,得到网络状态的预测模型,利用网络状态的预测模型预测网络状态;根据预测的网络状态,使用柔性以太网逻辑层对数据链路层与物理层进行解耦,动态修改柔性以太网逻辑层配置,实现柔性以太网的动态自适应。
Description
技术领域
本发明属于能源互联网及信息技术领域,涉及柔性以太网领域前沿技术和网络切片技术,具体涉及一种基于柔性以太网的动态自适应方法、系统、设备及介质。
背景技术
能源互联网具有丰富的含义,通过计算机科学、信息与通信技术和系统控制技术,将能源的全生命周期的各个阶段的信息进行双向交互,以此来优化能源的生产制造、运输存储和需求。基于能源互联网的概念,总的来说,能源互联网应当是安全可靠、动态经济、环保的能源互联网络。从世界能源技术发展与信息技术融合的趋势上看,能源互联网符合多种能源互通、互连、互操作的战略构想,成为能源行业的下一步发展方向。世界上许多国家都制定了加快能源互联网技术和产业发展的规划和政策。能源互联网不仅是电网的智能化,同时还需要在充分利用先进的信息通信技术的基础上,构建可靠、安全、稳定的能源互联网络。能源互联网通过传感测量技术、设备和控制手段,可以保障并支撑电网稳定、绿色运行。
能源互联网即是能源网络的信息化,也是信息技术在能源中的应用。电力通信网络在能源互联网中扮演了重要作用,电力通信网络不仅提高电网的信息化、数字化、智能化水平,还以互联网的理念提高以电力为代表的能源利用效率。因此能源互联网能够提高电力服务稳定性,降低能源服务的碳排放,提升风电太阳能等新能源利用效率等。能源互联网不仅是一种先进的能源生态理念,是一种横跨多个学科领域的交叉技术,更是一项意义重大、影响深远的系统工程。能源互联网不仅可以提升能源行业的经济效益,还会促进各种社会资源的优化调度,协调均衡。能源互联网以发电侧、电网侧、用电测为依托,涵盖发电、输电、配电、变电、储能、用电的全生命周期,以电力行业为代表,突出展示了能源互联、多能互补、梯级利用的巨大经济、社会、政治、环保效益。
电子通信网络可以帮助企业打造具有相对竞争优势的新型系统能源服务,提升企业的创新价值与创新能力,推动计算技术、通信技术、数据科学、自动控制多种学科与能源体系深度融合,推动能源互联网的新型基础设施建设,拓展能源市场的生态能力,促进能源行业的产业升级。信息技术的飞速发展也带动了世界经济、政治、文化格局的大变革,也悄无声息地影响着能源的建设与发展。随着传感、网络、计算机、通信、控制、自动化等多种技术与能源系统的交叉融合、协同发展,传统单一的能源网络正在进行变革与发展。电、热(冷)、气等各个领域的多种能源需求将逐渐成为一个整体,通过多能源协同供应和能源梯级利用来优化资源配置与能源协同。同时,综合能源服务蓬勃发展,用户多元动态的能源需求驱使能源开发技术不断完善,各种信息科学技术在综合能源服务行业得到了深入应用。
在现有的能源网络中,电力通信网络作为支撑能源互联网发展的核心基础,保障了能源互联网业务的安全、可靠服务能力。为了应对社会激增的能源需求与降本增效的企业发展目标,骨干通信网和泛在接入网共同组成了能源互联网中通信网。一方面,在骨干通信网中,主通信网拥有可靠的全光骨干网,连接着35kv及以上站,建成了高质量的电力通信骨干通信网。另外一方面,在配电网通信网络的建设中,联网的设备比较多,因此需要对大量设备进行实时监测,需要进行频繁的互操作,难以有效支撑配电网可观察、可测量、可控制的各种终端。
随着新能源在市场中的占比越来越高,特别是各种先进计量、分布式能源接入,能源互联网中的通信需求爆发式增长,亟需建设可靠、接入灵活的电力通信网络。能源互联网中的电力通信网亟需采用高效安全、动态灵活的新型通信系统,以符合高比例新能源接入对能源互联网通信提出的新要求。
在能源互联网中,电力通信网的各项业务具有细粒度、低时延、高可靠性等多维度的网络服务质量特征,迫切需要构建安全、实时、准确和可靠的电力通信网,以满足多维度业务需求的切片网络。目前的网络切片技术大多基于分组交换技术,在安全隔离、调度粒度、保障机制等方面与电力通信网的业务场景不匹配。采用柔性以太网技术可以有效改善上述业务场景中遇到的通信问题。柔性以太网(FlexE)是由国际标准组织光互联论坛(OIF)主导的一项新技术,可以较好地与IP/以太网技术连接,并提供基于以太网物理接口的切片隔离机制,从而承载能源互联网的多种服务。
目前,柔性以太网技术作为一种新型技术,尚未在通信领域获得广泛地应用。该技术还缺乏一种统一规范的实现方法,从而具体实现带宽按需分配、多速率承载等通信功能,进而解决不同客户业务需求与网络能力之间不平衡的问题。
发明内容
本发明的目的在于提供一种基于柔性以太网的动态自适应方法、系统、设备及介质,以解决现有技术存在的缺陷,本发明基于FlexE多粒度速率灵活可变的特点,结合了网络测量技术和深度学习技术,通过对FlexE Shim逻辑层配置动态自适应调配,有效提高网络承载方案灵活性,能够支持更加灵活的多速率承载。
为达到上述目的,本发明采用如下技术方案:
基于柔性以太网的动态自适应方法,包括:
对柔性以太网进行主动和被动的协同测量,得到测量结果;
依据测量结果,获取柔性以太网的网络状态;
对网络状态进行持久化,对持久化后的数据进行预处理,形成网络状态数据集;
对网络状态数据集进行分组,得到分组数据集;
提取分组数据集的核心特征,得到压缩数据集;
提取压缩数据集的高维特征向量,将高维特征向量与分组数据集中的时间序列数据结合,对结合后的数据进行训练,得到网络状态的预测模型,利用网络状态的预测模型预测网络状态;
根据预测的网络状态,使用柔性以太网逻辑层对数据链路层与物理层进行解耦,动态修改柔性以太网逻辑层配置,实现柔性以太网的动态自适应。
进一步地,所述对柔性以太网进行主动和被动的协同测量,具体为:使用网络测量工具基于带内网络遥测技术对柔性以太网进行主动和被动的协同测量;
所述网络测量工具包括Linux工具和应用层抓包工具。
进一步地,所述依据测量结果,获取柔性以太网的网络状态,具体为:依据测量结果,对柔性以太网的网络状况进行收集、携带、整理和上报,进而获取多层次的网络特征,将多层次的网络特征作为网络状态。
进一步地,所述对网络状态进行持久化,具体为:使用关系型数据库对网络状态进行数据持久化,所述关系型数据库为MySQL、Oracle或PostgreSQL;
所述对持久化后的数据进行预处理,具体为:对持久化后的数据进行清洗及降噪;
所述网络状态数据集包括传输层、网络层和数据链路层的网络特征。
进一步地,所述对网络状态数据集进行分组,得到分组数据集,具体为:对网络状态数据集进行数值化、归一化和降维处理,使用k-means聚类方法对数值化、归一化和降维处理后的网络状态数据集进行分组,得到分组数据集。
进一步地,所述提取分组数据集的核心特征,得到压缩数据集,具体为:将分组数据集转换为张量形式,以张量形式的分组数据集作为输入,使用卷积神经网络提取分组数据集的核心特征,得到压缩数据集;
所述卷积神经网络包括依次设置的卷积层、池化层、激活函数层、下采样层、全连接层和输出层。
进一步地,所述对结合后的数据进行训练,得到网络状态的预测模型,利用网络状态的预测模型预测网络状态,具体为:将结合后的数据输入LSTM网络进行训练,生成网络状态的预测模型,将网络状态的预测模型在本地进行持久化,利用持久化的预测模型预测网络状态。
基于柔性以太网的动态自适应系统,包括:
协同测量模块:用于对柔性以太网进行主动和被动的协同测量,得到测量结果;
网络状态获取模块:用于依据测量结果,获取柔性以太网的网络状态;
网络状态数据集获取模块:用于对网络状态进行持久化,对持久化后的数据进行预处理,形成网络状态数据集;
分组数据集获取模块:用于对网络状态数据集进行分组,得到分组数据集;
压缩数据集获取模块:用于提取分组数据集的核心特征,得到压缩数据集;
网络状态预测模块:用于提取压缩数据集的高维特征向量,将高维特征向量与分组数据集中的时间序列数据结合,对结合后的数据进行训练,得到网络状态的预测模型,利用网络状态的预测模型预测网络状态;
自适应模块:用于根据预测的网络状态,使用柔性以太网逻辑层对数据链路层与物理层进行解耦,动态修改柔性以太网逻辑层配置,实现柔性以太网的动态自适应。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述基于柔性以太网的动态自适应方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述基于柔性以太网的动态自适应方法的步骤。
与现有技术相比,本发明具有以下有益的技术效果:
本发明基于柔性以太网多粒度速率灵活可变的特点,结合网络测量技术,对柔性以太网进行主动和被动的协同测量,能够更准确地确定整体网络的状态信息。结合深度学习技术,对网络状态数据进行持久化、分组、压缩、提取高维特征,得到网络状态预测模型。利用网络状态预测模型,预测网络状态,动态修改柔性以太网逻辑层配置。通过对柔性以太网逻辑层配置动态自适应调配,有效提高网络承载方案灵活性,能够支持更加灵活的多速率承载,实现低丢包、低时延、低抖动,提高能源互联网中电力通信网典型场景的性能与功能。
附图说明
说明书附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明方法的整体流程图。
图2为FlexE与IEEE802.3以太网模型的对应关系图。
图3为FlexE通用架构图;
图4为本发明系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
如图1所示,本发明提供了一种基于柔性以太网的动态自适应方法,包括以下步骤:
步骤(1):对柔性以太网进行主动和被动的协同测量,得到测量结果;
使用带内网络遥测技术对柔性以太网进行主动和被动协同测量,得到测量结果,具体地,在完整的网络拓扑中,通过P4语言编程,为柔性以太网中的每个交换机开启带内遥测功能,使得当数据包经过该交换机时,能够在其包头中获取路径中的交换机状态数据,以此完成网络状态的采集。测量过程中,使用的网络测量工具用于对网络状态进行调试的ping、nslookup、traceroute、iperf等Linux工具,以及用于对柔性以太网中的数据包进行分析的Wireshark、Scapy等应用层抓包工具。
步骤(2):依据测量结果,获取柔性以太网的网络状态;
依据测量结果,对柔性以太网的网络状况进行收集、携带、整理和上报,进而获取多层次的网络特征,将多层次的网络特征作为网络状态。
步骤(3):对网络状态进行持久化,对持久化后的数据进行预处理,形成网络状态数据集;
使用关系型数据库对提取的网络状态进行数据持久化,进行数据持久化时,包括但不限于使用MySQL、Oracle、PostgreSQL等关系型数据库进行数据持久化,保证采集数据工作的可靠性,对持久化后的数据进行清洗及降噪,得到网络状态数据集,如图2所示,柔性以太网在传统以太网中的MAC层(数据链路层)和PCS层(物理编码子层)中插入FlexE Shim层(柔性以太网逻辑层),因此构建的网络状态数据集中包括传输层、网络层和数据链路层等层次的网络特征。
步骤(4):对网络状态数据集进行分组,得到分组数据集;
对构建的网络状态数据集进行分析,需要对网络状态数据集进行预处理:首先对网络状态数据集进行数值化,将网络协议代码、网络服务类型等维度转换为数值形式;其次,对网络状态数据集进行归一化,将归一化数值放大50倍,以获取更高的数据精度;最后,对网络状态数据集进行降维处理,去除其中对k-means聚类无用的维度。在预处理完毕后,采用k-means聚类方法进行多轮迭代,将网络状态数据集按照网络状态划分为多个簇,即对网络状态数据集进行分组,得到分组数据集。考虑到单一的算法可能效果不佳,还可对网络状态同时使用学习向量量化、高斯混合聚类、密度聚类等多种聚类方法进行对比分析验证。
步骤(5):提取分组数据集的核心特征,得到压缩数据集;
针对分组数据集,使用卷积神经网络(convolutional neural networks,CNN)提取分组数据集的核心特征,得到压缩数据集。具体地,首先将分组数据集转化为张量形式,以此作为CNN网络的输入源,并采用LeNet-5网络模型架构构建卷积神经网络,卷积神经网络包括3个卷积层、1个池化层、1个ReLu激活函数层、3个下采样层、1个全连接层和1个输出层。
步骤(6):提取压缩数据集的高维特征向量,将高维特征向量与分组数据集中的时间序列数据结合,对结合后的数据进行训练,得到网络状态的预测模型,利用网络状态的预测模型预测网络状态;
具体地,提取压缩数据集的高维特征向量,将高维特征向量与分组数据集中的时间序列数据结合,将结合后的数据输入LSTM网络进行训练,生成网络状态的预测模型,将网络状态的预测模型在本地进行持久化,利用持久化的预测模型预测网络状态。
步骤(7):根据预测的网络状态,使用柔性以太网逻辑层对数据链路层与物理层进行解耦,动态修改柔性以太网逻辑层配置,实现柔性以太网的动态自适应。
根据预测的网络状态,在MAC层(数据链路层)与PHY层(物理层)动态修改FlexEShim层(柔性以太网逻辑层)配置,实现FlexE的动态自适应。如图3所示,通过FlexE的通用架构,利用FlexE Shim层对MAC层与PHY层实现解耦,使用构建模型预测的网络状态,利用FlexE的Calendar(柔性以太网的业务映射表)机制,使FlexE Client(柔性以太网子接口)数据流按照不同的速率,在FlexE Group(柔性以太网物理层组)中对带宽进行分配。FlexE的Calendar机制根据FlexE Client数据流中实时要求的带宽大小,以及在FlexE Shim中的5G颗粒度的FlexE Slot(柔性以太网槽)分布,快速分配FlexE Group中所有可用的FlexESlot,最终生成FlexE Client到一个或多个FlexE Slot的映射,在FlexE Group中承载多个FlexE Client数据流。在比特流层面,每个64/66B原子数据块承载在一个FlexE Slot时隙中。在FlexE的Calendar机制中,将20blocks作为基本逻辑处理单元,将1023个20blocks作为Calendar组件。Calendar组件循环往复,最终构成5G颗粒度的FlexE Slot数据承载通道。
实施例二
本发明还提供一种基于柔性以太网的动态自适应系统,如图4所示,包括:
协同测量模块:用于对柔性以太网进行主动和被动的协同测量,得到测量结果;
具体地:使用网络测量工具基于带内网络遥测技术对柔性以太网进行主动和被动的协同测量;所述网络测量工具包括Linux工具和应用层抓包工具;
网络状态获取模块:用于依据测量结果,获取柔性以太网的网络状态;
具体地,依据测量结果,对柔性以太网的网络状况进行收集、携带、整理和上报,进而获取多层次的网络特征,将多层次的网络特征作为网络状态;
网络状态数据集获取模块:用于对网络状态进行持久化,对持久化后的数据进行预处理,形成网络状态数据集;
具体地,使用关系型数据库对网络状态进行数据持久化,所述关系型数据库为MySQL、Oracle或PostgreSQL,对持久化后的数据进行清洗及降噪,形成网络状态数据集,所述网络状态数据集包括传输层、网络层和数据链路层的网络特征;
分组数据集获取模块:用于对网络状态数据集进行分组,得到分组数据集;
具体地,对网络状态数据集进行数值化、归一化和降维处理,使用k-means聚类方法对数值化、归一化和降维处理后的网络状态数据集进行分组,得到分组数据集。
压缩数据集获取模块:用于提取分组数据集的核心特征,得到压缩数据集;
具体地,将分组数据集转换为张量形式,以张量形式的分组数据集作为输入,使用卷积神经网络提取分组数据集的核心特征,得到压缩数据集;所述卷积神经网络包括依次设置的卷积层、池化层、激活函数层、下采样层、全连接层和输出层。
网络状态预测模块:用于提取压缩数据集的高维特征向量,将高维特征向量与分组数据集中的时间序列数据结合,对结合后的数据进行训练,得到网络状态的预测模型,利用网络状态的预测模型预测网络状态;
具体地,提取压缩数据集的高维特征向量,将高维特征向量与分组数据集中的时间序列数据结合,将结合后的数据输入LSTM网络进行训练,生成网络状态的预测模型,将网络状态的预测模型在本地进行持久化,利用持久化的预测模型预测网络状态。
自适应模块:用于根据预测的网络状态,使用柔性以太网逻辑层对数据链路层与物理层进行解耦,动态修改柔性以太网逻辑层配置,实现柔性以太网的动态自适应。
实施例三
本发明还提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述基于柔性以太网的动态自适应方法的步骤。
实施例四
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述基于柔性以太网的动态自适应方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在发明待批的权利要求保护范围之内。
Claims (10)
1.基于柔性以太网的动态自适应方法,其特征在于,包括:
对柔性以太网进行主动和被动的协同测量,得到测量结果;
依据测量结果,获取柔性以太网的网络状态;
对网络状态进行持久化,对持久化后的数据进行预处理,形成网络状态数据集;
对网络状态数据集进行分组,得到分组数据集;
提取分组数据集的核心特征,得到压缩数据集;
提取压缩数据集的高维特征向量,将高维特征向量与分组数据集中的时间序列数据结合,对结合后的数据进行训练,得到网络状态的预测模型,利用网络状态的预测模型预测网络状态;
根据预测的网络状态,使用柔性以太网逻辑层对数据链路层与物理层进行解耦,动态修改柔性以太网逻辑层配置,实现柔性以太网的动态自适应。
2.根据权利要求1所述的基于柔性以太网的动态自适应方法,其特征在于,所述对柔性以太网进行主动和被动的协同测量,具体为:使用网络测量工具基于带内网络遥测技术对柔性以太网进行主动和被动的协同测量;
所述网络测量工具包括Linux工具和应用层抓包工具。
3.根据权利要求1所述的基于柔性以太网的动态自适应方法,其特征在于,所述依据测量结果,获取柔性以太网的网络状态,具体为:依据测量结果,对柔性以太网的网络状况进行收集、携带、整理和上报,进而获取多层次的网络特征,将多层次的网络特征作为网络状态。
4.根据权利要求3所述的基于柔性以太网的动态自适应方法,其特征在于,所述对网络状态进行持久化,具体为:使用关系型数据库对网络状态进行数据持久化,所述关系型数据库为MySQL、Oracle或PostgreSQL;
所述对持久化后的数据进行预处理,具体为:对持久化后的数据进行清洗及降噪;
所述网络状态数据集包括传输层、网络层和数据链路层的网络特征。
5.根据权利要求1所述的基于柔性以太网的动态自适应方法,其特征在于,所述对网络状态数据集进行分组,得到分组数据集,具体为:对网络状态数据集进行数值化、归一化和降维处理,使用k-means聚类方法对数值化、归一化和降维处理后的网络状态数据集进行分组,得到分组数据集。
6.根据权利要求1所述的基于柔性以太网的动态自适应方法,其特征在于,所述提取分组数据集的核心特征,得到压缩数据集,具体为:将分组数据集转换为张量形式,以张量形式的分组数据集作为输入,使用卷积神经网络提取分组数据集的核心特征,得到压缩数据集;
所述卷积神经网络包括依次设置的卷积层、池化层、激活函数层、下采样层、全连接层和输出层。
7.根据权利要求1所述的基于柔性以太网的动态自适应方法,其特征在于,所述对结合后的数据进行训练,得到网络状态的预测模型,利用网络状态的预测模型预测网络状态,具体为:将结合后的数据输入LSTM网络进行训练,生成网络状态的预测模型,将网络状态的预测模型在本地进行持久化,利用持久化的预测模型预测网络状态。
8.基于柔性以太网的动态自适应系统,其特征在于,包括:
协同测量模块:用于对柔性以太网进行主动和被动的协同测量,得到测量结果;
网络状态获取模块:用于依据测量结果,获取柔性以太网的网络状态;
网络状态数据集获取模块:用于对网络状态进行持久化,对持久化后的数据进行预处理,形成网络状态数据集;
分组数据集获取模块:用于对网络状态数据集进行分组,得到分组数据集;
压缩数据集获取模块:用于提取分组数据集的核心特征,得到压缩数据集;
网络状态预测模块:用于提取压缩数据集的高维特征向量,将高维特征向量与分组数据集中的时间序列数据结合,对结合后的数据进行训练,得到网络状态的预测模型,利用网络状态的预测模型预测网络状态;
自适应模块:用于根据预测的网络状态,使用柔性以太网逻辑层对数据链路层与物理层进行解耦,动态修改柔性以太网逻辑层配置,实现柔性以太网的动态自适应。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于柔性以太网的动态自适应方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于柔性以太网的动态自适应方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211506429.9A CN115733780B (zh) | 2022-11-28 | 2022-11-28 | 基于柔性以太网的动态自适应方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211506429.9A CN115733780B (zh) | 2022-11-28 | 2022-11-28 | 基于柔性以太网的动态自适应方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115733780A CN115733780A (zh) | 2023-03-03 |
CN115733780B true CN115733780B (zh) | 2023-05-12 |
Family
ID=85299069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211506429.9A Active CN115733780B (zh) | 2022-11-28 | 2022-11-28 | 基于柔性以太网的动态自适应方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115733780B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117354305B (zh) * | 2023-12-04 | 2024-02-06 | 中国信息通信研究院 | 一种互通协同管控方法和架构 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018228420A1 (zh) * | 2017-06-16 | 2018-12-20 | 中国移动通信有限公司研究院 | 一种传输网络系统、数据交换和传输方法、装置及设备 |
EP3902203A1 (en) * | 2019-07-12 | 2021-10-27 | Huawei Technologies Co., Ltd. | Port mode self-adaptive method and apparatus |
CN114745791A (zh) * | 2022-04-02 | 2022-07-12 | 国网江苏省电力有限公司信息通信分公司 | 一种电力业务切片编排和资源配置方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11620528B2 (en) * | 2018-06-12 | 2023-04-04 | Ciena Corporation | Pattern detection in time-series data |
-
2022
- 2022-11-28 CN CN202211506429.9A patent/CN115733780B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018228420A1 (zh) * | 2017-06-16 | 2018-12-20 | 中国移动通信有限公司研究院 | 一种传输网络系统、数据交换和传输方法、装置及设备 |
EP3902203A1 (en) * | 2019-07-12 | 2021-10-27 | Huawei Technologies Co., Ltd. | Port mode self-adaptive method and apparatus |
CN114745791A (zh) * | 2022-04-02 | 2022-07-12 | 国网江苏省电力有限公司信息通信分公司 | 一种电力业务切片编排和资源配置方法及装置 |
Non-Patent Citations (1)
Title |
---|
FlexE技术在能源互联网中的研究和应用;周飞飞等;《电力信息与通信技术》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115733780A (zh) | 2023-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428816A (zh) | 一种非侵入式负荷分解方法 | |
CN111182076B (zh) | 云边协同的智能电网监测系统及其资源分配和调度方法 | |
CN107463582A (zh) | 分布式部署Hadoop集群的方法及装置 | |
CN115733780B (zh) | 基于柔性以太网的动态自适应方法、系统、设备及介质 | |
CN107463706B (zh) | 一种基于Hadoop的海量录波数据存储和解析方法及系统 | |
Zhang et al. | Goal-oriented communications for the IoT and application to data compression | |
CN114218763A (zh) | 一种基于数字孪生的产线动态虚拟重组方法 | |
CN113485212A (zh) | 宽带卫星信号智能识别系统 | |
CN103258255B (zh) | 一种适用于电网管理系统的知识发现方法 | |
CN113780398A (zh) | 一种无线网络链路质量预测方法及系统 | |
CN106502856B (zh) | 一种信息处理方法及装置 | |
Ji et al. | Adaptive provisioning in-band network telemetry at computing power network | |
CN113505326B (zh) | 一种基于http协议族的动态编码数据传输控制方法 | |
Chen et al. | Research on network management technology of power line carrier communication in low-voltage distribution network based on digital twin | |
Zhou et al. | Tsengine: Enable efficient communication overlay in distributed machine learning in wans | |
CN109508354A (zh) | 一种并行处理系统 | |
Feng et al. | Study on multi-network traffic modeling in distribution communication network access service | |
CN112529419A (zh) | 一种基于相关性分析的电网数据透明应用方法及系统 | |
Zhang et al. | Workload forecasting with hybrid stochastic configuration networks in clouds | |
Ming et al. | Ensemble learning based sleeping cell detection in cloud radio access networks | |
Nan et al. | An Efficient Data-driven Traffic Prediction Framework for Network Digital Twin | |
Wang et al. | Large-Scale Measurements and Prediction of DC-WAN Traffic | |
Li et al. | Application research of energy data acquisition and analysis based on real-time stream processing platform | |
CN115225478B (zh) | 网络切片动态配置方法、装置、电子设备及存储介质 | |
CN114793200B (zh) | 一种基于电力物联网网络结构的重要物联节点识别方法 |
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 |