CN115883464A - 一种数字孪生光网络流量调控系统以及流量调控方法 - Google Patents
一种数字孪生光网络流量调控系统以及流量调控方法 Download PDFInfo
- Publication number
- CN115883464A CN115883464A CN202211520416.7A CN202211520416A CN115883464A CN 115883464 A CN115883464 A CN 115883464A CN 202211520416 A CN202211520416 A CN 202211520416A CN 115883464 A CN115883464 A CN 115883464A
- Authority
- CN
- China
- Prior art keywords
- optical network
- data
- module
- transmission
- delay
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 166
- 238000000034 method Methods 0.000 title claims abstract description 14
- 230000005540 biological transmission Effects 0.000 claims abstract description 90
- 238000010801 machine learning Methods 0.000 claims abstract description 31
- 230000001960 triggered effect Effects 0.000 claims abstract description 6
- 230000002452 interceptive effect Effects 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 239000013307 optical fiber Substances 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 230000003750 conditioning effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 7
- 206010033799 Paralysis Diseases 0.000 abstract description 3
- 230000001934 delay Effects 0.000 abstract description 3
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明了一种数字孪生光网络流量调控系统，通过光网络传输系统、数字交互系统以及数字孪生光网络系统构成，结合数字孪生光网络流量调控系统的流量调控方法，可实现网络智能网化管理，有效解决数据流量拥塞的问题，实现光网络资源合理分配，提高光网络数据传输效率，降低网络瘫痪的风险性，本发明流量调控方法利用数字孪生技术能够在虚拟空间中完成网络运行情况的映射，实现网络智能化管理；当光网络的某个网络设备的流量达或延时到预警值时将立即触发虚拟预警模块控制和机器学习模块，并找出解决方案，实现光网络资源合理分配和流量智能调控。
Description
技术领域
本发明涉及光学系统设计技术领域，具体为一种数字孪生光网络流量调控系统以及流量调控方法。
背景技术
光网络是一种通过光纤传输的高速通信网络，具备传输速率高、延时低、运行安全可靠性高等优点。光网络能够处理大量的流量数据，随着大数据、云计算、物联网等5G技术的迅猛发展,使得光网络应用范围越来越广。在传统的网络运维管理中，运维人员多是通过相关平台手动操作对网络流量进行调控，甚至需要专业人士到现场操作。
中国专利CN113381943A公开了一种智能组网通信处理方法及系统，其中的控制设备根据各网络设备在不同时间段的第一流量特征和第二流量特征进行分析，确定目标类型业务的维持状态，进而根据目标类型业务的维持状态下发相应的链路控制策略和限速策略，其有对流量有限制作用，但并未将网络资源合理分配，主动降低风险的技术方案。
发明内容
针对传统网络流量调控模式效率低、网络资源分布不合理、流量拥塞风险性高以及人工成本高等问题。本发明提出一种数字孪生光网络系统可实现网络智能网化管理，有效解决数据流量拥塞的问题，实现光网络资源合理分配，提高光网络数据传输效率，降低网络瘫痪的风险性。其中，一种数字孪生光网络流量调控系统，包括：
光网络传输系统，其由光网络设备构成，所述光网络设备之间通过光纤连接；
数字交互系统，其包括系统控制模块、数据采集模块和数据传输模块，所述系统控制模块是将数字孪生光网络系统结合真实光网络传输系统进行配置；所述数据采集模块负责收集网络设备推送的端口流量和延时数据；所述数据传输模块主要负责实现接收数据采集模块的数据，并将其发送至数字孪生光网络系统；
数字孪生光网络系统，其包括预警模块和机器学习模块，所述预警模块是对光网络设备的流量进行监测，当监测出的流量超出预警值时做出预警处理，并找出最优的流量调控方案；所述机器学习模块是根据当前光网络设备的传输流量以及各光网络设备的传输能力找到当前最优的数据流量传输方案。
优选的，所述预警模块包括流量分析模块，所述流量分析模块对节点流量进行分析，通过telemetry技术获取各个光网络设备链路的传输速率Gj,为了保证流量正常传输，光网络设备总链路传输速率Gi不大于该节点光网络设备总带宽Bi，即Gi≤βBi,其中
Gj表示第i个光网络设备的第j条链路端口的传输速率，Gi表示i个设备的总链路速率，Bi表示光网络设备能同时所有处理数据链路的总带宽，β表示预警机制的数据流量的传输因子。
优选的，所述预警模块还包括与流量分析模块连接的延时分析模块，所述延时分析模块将光网络设备某条链路端口的延时定义为当前链路输入开始至下一节点端口输入结束记为T(i,j),表示第i节点的第j条链路的链路延时,为了保证数据流量高速传输，链路的数据延时必须小于设置的预警延时，即T(i,j)≤αTd,α表示预警机制的延时传输因子，Td表示链路的总延时要求。
优选的，所述预警模块还包括同时与延时分析模块和流量分析模块连接的预警处理模块，所述预警处理模块通过判断各节点的数据流量带宽和延时，满足Gi≤βBi且T(i，j)≤αTd，则数据正常传输；反之，预警模块将触发机器学习模块，重新训练出最优的光网络数据流量传输路径。
优选的，所述机器学习模块包括模型设计模块，所述模型设计模块根据实际光网络物理传输选择机器学习以DNN神经网络为模型，确定以下公式为输入输出关系：
公式中f(Z)表示激活函数，bi表示神经网络的偏置值，ωi和ξi分别光网络设备链路数据和传输时延的权重，Gi表示光网络设备的总链路传输速率，Ti表示第i个与第i+1个光网络设备之间的链路延时，其中包含了i节点设备延时。
优选的，所述激活函数f(Z)选择采用tanh函数的形式，其表达式如下：
通过机器学习模块中参数优化模块选择梯度下降的优化方式，并且将未知参数以向量的方式表示，定义θi＝[bi,ωi,ξi]，则损失函数为Li＝L(θi)，梯度函数采用公式
进行，其中Gradi表示第i次迭代后的值，梯度参数θi+1＝θi-η·Gradi演变，η表示学习率，为常数项。
优选的，一种流量调控方法，包括：
步骤S1：根据历史数据构建初始光网络模型完成后，数字交互系统中的系统控制模块下发Telemetry订阅请求，通过Telemetry接口采集光网络设备流量和延时数据；
步骤S2：下发Telemetry订阅请求后，待采集设备可以基于Telemetry协议周期性地推送设备性能数据，从而对检测数据进行采集；
步骤S3：将监测数据通过数字交互系统传送至数字孪生光网络系统虚拟的光网络模型中，根据光网络模型搭建数据同步的光网络虚拟仿真场景，并通过虚拟仿真场景实时观测每个光网络设备的流量传输状态；
步骤S4：当现实光网络设备流量到达预警值时，将立即触发机器学习模块，机器学习模块根据DNN神经网络算法重新寻求最优数据传输策略，最终实现光网络资源的合理分配。
优选的，所述最优数据传输策略确定方法如下：
步骤1：确定影响光网络设备数据链路传输的参数：光网络设备的各输入链路的带宽大小以及光网络设备流量传输延时；
步骤2：确定神经网络的训练模型以及学习目标，使得各光网络设备的数据总容量小预警值，各端口的延时最小；
步骤3：确定机器学习的优化方式为梯度下降的方式，并根据实际情况设计收敛条件；
步骤4：通过算法优化的解决方案和模拟演示光网络虚拟仿真场景进行方案分析，最终获得危险程度对应的理想的决策方案；
步骤5：最后将重新构建的光网络流量传输方案通过数据交互的系统控制模块对真实的光网络传输系统进行重新配置。
优选的，所述光网络传输系统由支持Telemetry功能的光网络设备构成，同时设备之间通过光纤连接构成组网，实现数据高速交换与转发。
与现有技术相比，本发明的有益效果是：
本发明利用数字孪生技术能够在虚拟空间中完成网络运行情况的映射，实现网络智能化管理；当光网络的某个网络设备的流量达或延时到预警值时将立即触发虚拟预警模块控制和机器学习模块，并找出解决方案，实现光网络资源合理分配和流量智能调控；
综上所述，本发明可实现光网络数据传输路径方案的智能管理，可减少同一端口数据包竞争而导致的丢包现象，解决光网络数据包拥塞的问题，从而提高光网络数据流效率，降低网络瘫痪的危害性。
附图说明
图1为数字孪生光网络流量调控示意图。
图2为数字孪生光网络系统工作流程示意图。
图3为基于数字孪生的光网络数据传输预警示意图。
具体实施方式
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，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“设置”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。下面根据本发明的整体结构，对其实施例进行说明。
如图1所示，本发明主要包含三个主要系统：光网络传输系统主要由光网络设备构成，设备之间通过光纤连接，实现数据流量高速传输。数据交互系统主要包含系统控制模块、数据采集模块以及数据传输模块，系统控制模块主要由虚拟的数字孪生系统对真实光网络传输系统进行配置；数据采集模块主要负责收集网络设备推送的端口流量和延时数据；数据传输主要的实现手段是接收采集模块的数据，并将其发送至数字孪生光网络系统。数字孪生光网络系统是现实光网络设备的数字孪生模型，可对光网络设备的运行状态进行模拟，可以追踪当前光网络设备所处状态，包括设备的效率、逻辑状态和故障的数字模型。该系统主要包含流量预警模块和机器学习模块，其中预警模块功能是对光网络设备的流量进行监测，当监测出的流量超出预警值时做出预警处理，并找出最优的流量调控方案；机器学习模块主要是根据当前光网络设备的传输流量以及各光网络设备的传输能力找到当前最优的数据流量传输方案。最后数字孪生光网络系统将流量调控的配置命令通过数据交互系统对真实光网络系统进行重新配置，实现光网络设备流量调控，从而解决光网络设备的流量拥塞的问题。
数字孪生光网络系统工作流程示意图如图2所示，根据历史数据构建初始光网络模型完成后，数据交互系统中的系统控制模块下发Telemetry(遥测)订阅请求，通过Telemetry接口采集光网络设备流量和延时数据。其中，Telemetry是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。下发Telemetry订阅请求后，待采集设备可以基于Telemetry协议以推模式周期性的主动发送上报性能数据的请求，该上报性能数据的请求可以包括设备的接口流量统计、CPU或内存数据等性能信息，可实现亚秒级高速数据采集。将监测数据通过数据交互系统传送至预先构建的数字孪生虚拟光网络模型中，根据所述光网络模型搭建数据同步的光网络虚拟仿真场景，并通过虚拟场景实时观测每个光网络设备的流量传输状态；
当现实光网络设备流量到达预警值时，将立即触发机器学习模块，机器学习模块根据DNN神经网络算法重新寻求最优数据传输策略；
所述的流量传输最优路径策略通过如下步骤确定：
步骤S1：确定影响光网络设备数据链路传输的参数为：光网络设备各输入链路的带宽大小Bi以及光网络设备流量传输延时Ti；
步骤S2：确定神经网络的训练模型以及学习目标，使得各光网络设备的数据总容量小预警值，各端口的延时最小；
步骤S3：确定机器学习的优化方式为梯度下降的方式，并根据实际情况设计收敛条件。
步骤S4：通过算法优化的解决方案和模拟演示所述的光网络虚拟仿真场景进行方案分析，最终获得危险程度对应的较为理想的决策方案；
步骤S5：最后将重新构建的光网络流量传输方案通过数据交互的系统控制模块对真实的光网络传输系统进行重新配置；
光网络传输系统主要由支持Telemetry功能的光网络设备构成，设备之间通过光纤连接构成组网，实现数据高速交换与转发。
本发明所设计的数据交互系统主要包含系统控制模块、数据采集模块以及数据传输模块。数据传输模块读取采集模块的数据并将数据通过光链路发送至数字孪生光网络系统。当传输模块收集到数据孪生光网络系统的训练出的结果后，并结合系统控制模块完成数字孪生光网络系统对真实光网络设备的配置。
本发明利用数字孪生技术能够在虚拟空间中完成网络运行情况的映射，实现网络智能化管理；当光网络的某个网络设备的流量达或延时到预警值时将立即触发虚拟预警模块控制和机器学习模块，并找出解决方案，实现光网络资源合理分配和流量智能调控；
本发明所设计的数字孪生光网络系统如图3所示，该系统主要包含预警模块和机器学习模块。
预警模块的实现原理。节点流量分析：通过telemetry技术获取各个光网络设备链路的传输速率Gj,为了保证流量正常传输，光网络设备总链路传输速率Gi不大于该节点光网络设备总带宽Bi，即Gi≤βBi,其中
Gj表示第i个光网络设备的第j条链路端口的传输速率，Gi表示i个设备的总链路速率，因为每个设备有j条链路，Bi表示光网络设备能同时所有处理数据链路的总带宽；β表示预警机制的数据流量的传输因子，该参数的大小可参考机器学习优化出来的结果设定。链路延时分析：光网络设备某条链路端口的延时定义为当前链路输入开始至下一节点端口输入结束记为T(i,j),表示第i节点的第j条链路的链路延时。光网络数据采集系统获取各个光网络设备的输入链路的延时T(i,j),为了保证数据流量高速传输，链路的数据延时必须小于设置的预警延时，即T(i,j)≤αTd,α表示预警机制的延时传输因子，该参数的大小可参考机器学习优化出来的结果设定；Td表示链路的总延时要求，
预警处理。通过判断各节点的数据流量带宽和延时，若满足Gi≤βBi且T(i，j)≤αTd，则数据正常传输；反之，预警模块将触发机器学习模块，重新训练出最优的光网络数据流量传输路径。
机器学习主要分为模型设计和参数优化。根据实际光网络物理传输选择机器学习以DNN神经网络为模型，确定以下公式为输入输出关系：
公式中f(z)表示激活函数，bi表示神经网络的偏置值，ωi和ξi分别光网络设备链路数据和传输时延的权重，Gi表示光网络设备的总链路传输速率，Ti表示第i个与第i+1个光网络设备之间的链路延时，其中包含了i节点设备延时；
选择tanh函数作为神经元的激活函数，其表达式如下：
优化方式选择梯度下降的方式，并且将未知参数以向量的方式表示，定义θi＝[bi，ωi，ξi]，则损失函数为Li＝L(θi)，梯度函数采用公式
进行，其中Gradi表示第i次迭代后的值，梯度参数θi+1＝θi-η·Gradi演变，η表示学习率，为常数项。
光网络传输系统可由支持telemetry的光交换设备构成，例如华为Cloud Engine交换机；
数据交互系统可以是中央处理单元(Central Processing Unit,CPU)，还可以是其数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
综上所述，本发明可实现光网络数据传输路径方案的智能管理，可减少同一端口数据包竞争而导致的丢包现象，解决光网络数据包拥塞的问题，从而提高光网络数据流效率，降低网络瘫痪的危害性。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明，因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (9)
1.一种数字孪生光网络流量调控系统，其特征在于，包括：
光网络传输系统，其由光网络设备构成，所述光网络设备之间通过光纤连接；
数字交互系统，其包括系统控制模块、数据采集模块和数据传输模块，所述系统控制模块是将数字孪生光网络系统结合真实光网络传输系统进行配置；所述数据采集模块负责收集网络设备推送的端口流量和延时数据；所述数据传输模块主要负责实现接收数据采集模块的数据，并将其发送至数字孪生光网络系统；
数字孪生光网络系统，其包括预警模块和机器学习模块，所述预警模块是对光网络设备的流量进行监测，当监测出的流量超出预警值时做出预警处理，并找出最优的流量调控方案；所述机器学习模块是根据当前光网络设备的传输流量以及各光网络设备的传输能力找到当前最优的数据流量传输方案。
2.根据权利要求1所述的一种数字孪生光网络流量调控系统，其特征在于，所述预警模块包括流量分析模块，所述流量分析模块对节点流量进行分析，通过telemetry技术获取各个光网络设备链路的传输速率Gj,为了保证流量正常传输，光网络设备的总链路传输速率Gi不大于该节点光网络设备总带宽Bi，即Gi≤βBi,其中
Gj表示第i个光网络设备的第j条链路端口的传输速率，Gi表示i个设备的总链路速率，Bi表示光网络设备能同时所有处理数据链路的总带宽，β表示预警机制的数据流量的传输因子。
3.根据权利要求2所述的一种数字孪生光网络流量调控系统，其特征在于，所述预警模块还包括与流量分析模块连接的延时分析模块，所述延时分析模块将光网络设备某条链路端口的延时定义为当前链路输入开始至下一节点端口输入结束记为T(i,j),表示第i节点的第j条链路的链路延时,为了保证数据流量高速传输，链路的数据延时必须小于设置的预警延时，即T(i,j)≤αTd,α表示预警机制的延时传输因子，Td表示链路的总延时要求。
4.根据权利要求3所述的一种数字孪生光网络流量调控系统，其特征在于，所述预警模块还包括同时与延时分析模块和流量分析模块连接的预警处理模块，所述预警处理模块通过判断各节点的数据流量带宽和延时，满足Gi≤βBi且T(i，j)≤αTd，则数据正常传输；反之，预警模块将触发机器学习模块，重新训练出最优的光网络数据流量传输路径。
5.根据权利要求1所述的一种数字孪生光网络流量调控系统，其特征在于，所述机器学习模块包括模型设计模块，所述模型设计模块根据实际光网络物理传输选择机器学习以DNN神经网络为模型，确定以下公式为输入输出关系：
公式中f(Z)表示激活函数，bi表示神经网络的偏置值，ωi和ξi分别光网络设备链路数据和传输时延的权重，Gi表示光网络设备总链路传输速率，Ti表示第i个与第i+1个光网络设备之间的链路延时，其中包含了i节点设备延时。
6.根据权利要求5所述的一种数字孪生光网络流量调控系统，其特征在于，所述激活函数f(Z)选择采用tanh函数的形式，其表达式如下：
/>
通过机器学习模块中参数优化模块选择梯度下降的优化方式，并且将未知参数以向量的方式表示，定义θi＝[bi,ωi,ξi]，则损失函数为Li＝L(θi)，梯度函数采用公式
进行，其中Gradi表示第i次迭代后的值，梯度参数θi+1＝θi-η·Gradi演变，η表示学习率，为常数项。
7.一种应用于权利要求1-6任一项所述数字孪生光网络流量调控系统的流量调控方法，其特征在于，包括：
步骤S1：根据历史数据构建初始光网络模型完成后，数字交互系统中的系统控制模块下发Telemetry订阅请求，通过Telemetry接口采集光网络设备流量和延时数据；
步骤S2：下发Telemetry订阅请求后，待采集设备可以基于Telemetry协议周期性地推送设备性能数据，从而对检测数据进行采集；
步骤S3：将监测数据通过数字交互系统传送至数字孪生光网络系统虚拟的光网络模型中，根据光网络模型搭建数据同步的光网络虚拟仿真场景，并通过虚拟仿真场景实时观测每个光网络设备的流量传输状态；
步骤S4：当现实光网络设备流量到达预警值时，将立即触发机器学习模块，机器学习模块根据DNN神经网络算法重新寻求最优数据传输策略，最终实现光网络资源的合理分配。
8.根据权利要求7所述的一种流量调控方法，其特征在于，所述最优数据传输策略确定方法如下：
步骤1：确定影响光网络设备数据链路传输的参数：光网络设备的各输入链路的带宽大小以及光网络设备流量传输延时；
步骤2：确定神经网络的训练模型以及学习目标，使得各光网络设备的数据总容量小预警值，各端口的延时最小；
步骤3：确定机器学习的优化方式为梯度下降的方式，并根据实际情况设计收敛条件；
步骤4：通过算法优化的解决方案和模拟演示光网络虚拟仿真场景进行方案分析，最终获得危险程度对应的理想的决策方案；
步骤5：最后将重新构建的光网络流量传输方案通过数据交互的系统控制模块对真实的光网络传输系统进行重新配置。
9.根据权利要求7所述的一种流量调控方法，其特征在于，所述光网络传输系统由支持Telemetry功能的光网络设备构成，同时设备之间通过光纤连接构成组网，实现数据高速交换与转发。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211520416.7A CN115883464A (zh) | 2022-11-30 | 2022-11-30 | 一种数字孪生光网络流量调控系统以及流量调控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211520416.7A CN115883464A (zh) | 2022-11-30 | 2022-11-30 | 一种数字孪生光网络流量调控系统以及流量调控方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115883464A true CN115883464A (zh) | 2023-03-31 |
Family
ID=85764969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211520416.7A Pending CN115883464A (zh) | 2022-11-30 | 2022-11-30 | 一种数字孪生光网络流量调控系统以及流量调控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115883464A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110456635A (zh) * | 2019-07-02 | 2019-11-15 | 北京航空航天大学 | 基于数字孪生技术的电动汽车动力系统的控制方法 |
| CN111177942A (zh) * | 2020-01-06 | 2020-05-19 | 中国矿业大学(北京) | 矿井无人化综掘工作面数字孪生智能监控系统 |
| CN111835565A (zh) * | 2020-07-06 | 2020-10-27 | 重庆金美通信有限责任公司 | 一种基于数字孪生的通信网络优化方法、装置和系统 |
| CN112689208A (zh) * | 2020-12-17 | 2021-04-20 | 北京邮电大学 | 一种虚拟光网络重配置方法及系统 |
| CN113119937A (zh) * | 2021-03-31 | 2021-07-16 | 南京航空航天大学 | 基于数字孪生的智能线控制动系统及其预测控制方法 |
| CN113373295A (zh) * | 2021-04-22 | 2021-09-10 | 上海孟伯智能物联网科技有限公司 | 基于多层感知器的退火炉数字孪生智慧报警系统及方法 |
| CN113810953A (zh) * | 2021-09-08 | 2021-12-17 | 重庆邮电大学 | 一种基于数字孪生的无线传感网络资源调度方法及系统 |
| CN114189888A (zh) * | 2021-11-29 | 2022-03-15 | 中国船舶重工集团公司第七一六研究所 | 基于数字孪生的5g融合网架构下多模终端接入系统及方法 |
| CN114372725A (zh) * | 2022-01-13 | 2022-04-19 | 佛山科学技术学院 | 一种基于数字孪生的增材制造系统成形监测系统及方法 |
| CN115049046A (zh) * | 2022-06-22 | 2022-09-13 | 烽火通信科技股份有限公司 | 一种数字孪生模型更新方法及架构 |
| CN115086202A (zh) * | 2022-04-14 | 2022-09-20 | 安世亚太科技股份有限公司 | 一种基于网络数字孪生体的时延分析方法及系统 |
| WO2022199089A1 (zh) * | 2021-03-26 | 2022-09-29 | 中兴通讯股份有限公司 | 网络管控方法及其系统、网络系统、存储介质 |
-
2022
- 2022-11-30 CN CN202211520416.7A patent/CN115883464A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110456635A (zh) * | 2019-07-02 | 2019-11-15 | 北京航空航天大学 | 基于数字孪生技术的电动汽车动力系统的控制方法 |
| CN111177942A (zh) * | 2020-01-06 | 2020-05-19 | 中国矿业大学(北京) | 矿井无人化综掘工作面数字孪生智能监控系统 |
| CN111835565A (zh) * | 2020-07-06 | 2020-10-27 | 重庆金美通信有限责任公司 | 一种基于数字孪生的通信网络优化方法、装置和系统 |
| CN112689208A (zh) * | 2020-12-17 | 2021-04-20 | 北京邮电大学 | 一种虚拟光网络重配置方法及系统 |
| WO2022199089A1 (zh) * | 2021-03-26 | 2022-09-29 | 中兴通讯股份有限公司 | 网络管控方法及其系统、网络系统、存储介质 |
| CN113119937A (zh) * | 2021-03-31 | 2021-07-16 | 南京航空航天大学 | 基于数字孪生的智能线控制动系统及其预测控制方法 |
| WO2022206035A1 (zh) * | 2021-03-31 | 2022-10-06 | 南京航空航天大学 | 基于数字孪生的智能线控制动系统及其预测控制方法 |
| CN113373295A (zh) * | 2021-04-22 | 2021-09-10 | 上海孟伯智能物联网科技有限公司 | 基于多层感知器的退火炉数字孪生智慧报警系统及方法 |
| CN113810953A (zh) * | 2021-09-08 | 2021-12-17 | 重庆邮电大学 | 一种基于数字孪生的无线传感网络资源调度方法及系统 |
| CN114189888A (zh) * | 2021-11-29 | 2022-03-15 | 中国船舶重工集团公司第七一六研究所 | 基于数字孪生的5g融合网架构下多模终端接入系统及方法 |
| CN114372725A (zh) * | 2022-01-13 | 2022-04-19 | 佛山科学技术学院 | 一种基于数字孪生的增材制造系统成形监测系统及方法 |
| CN115086202A (zh) * | 2022-04-14 | 2022-09-20 | 安世亚太科技股份有限公司 | 一种基于网络数字孪生体的时延分析方法及系统 |
| CN115049046A (zh) * | 2022-06-22 | 2022-09-13 | 烽火通信科技股份有限公司 | 一种数字孪生模型更新方法及架构 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106992904A (zh) | 基于动态综合权重的网络设备健康度评估方法 | |
| CN108508856B (zh) | 一种工业设备智能控制系统及方法 | |
| CN108540384A (zh) | 软件定义网络中基于拥塞感知的智能重路由方法和装置 | |
| CN106612289A (zh) | 一种基于sdn的网络协同异常检测方法 | |
| CN109359385A (zh) | 一种服务质量评估模型的训练方法及装置 | |
| CN108600102A (zh) | 一种基于智慧协同网络中的柔性数据传输系统 | |
| CN104468200B (zh) | 数据中心网络设备健康度的自适应评价方法 | |
| CN103887886A (zh) | 一种基于传感器网络的电力网检测系统及方法 | |
| CN105721577A (zh) | 一种面向软件定义网络的服务器负载均衡方法 | |
| CN113705085A (zh) | 一种智能电网多层次结构建模及风险评估方法 | |
| CN114629802A (zh) | 一种基于业务感知的电力通信骨干网络质量评估方法 | |
| CN116361377B (zh) | 基于工业物联网服务平台的负载预测系统、方法及介质 | |
| CN114710437B (zh) | 一种结合区块链的物联网边缘网络路由系统 | |
| CN107634864A (zh) | 一种用于公路网级桥梁的高频数据实时采集传输方法 | |
| CN113596632B (zh) | 一种无源光网络切片划分方法、装置及系统 | |
| CN110213175A (zh) | 一种面向知识定义网络的智能管控系统及管控方法 | |
| CN110493146A (zh) | 一种边缘智能网络感知平台及控制方法 | |
| CN101815317B (zh) | 一种传感器节点和传感器网络的测量方法及系统 | |
| CN101751018A (zh) | 实验环境下的分布式数据监测及预警系统和方法 | |
| CN112769240A (zh) | 一种发电厂电气设备统一系统 | |
| CN115883464A (zh) | 一种数字孪生光网络流量调控系统以及流量调控方法 | |
| CN101350732B (zh) | 传输网网络资源利用状况分析处理、测试方法及装置 | |
| CN110113262A (zh) | 一种路由策略确定方法、装置、sdn控制器及异构网络 | |
| CN115542754A (zh) | 一种家庭网关智能控制系统 | |
| CN104363142B (zh) | 一种自动化数据中心网络性能瓶颈分析方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230331 |