CN116708294B - 基于apn6网络实现智能应用感知及报文转发的方法 - Google Patents
基于apn6网络实现智能应用感知及报文转发的方法 Download PDFInfo
- Publication number
- CN116708294B CN116708294B CN202310990852.9A CN202310990852A CN116708294B CN 116708294 B CN116708294 B CN 116708294B CN 202310990852 A CN202310990852 A CN 202310990852A CN 116708294 B CN116708294 B CN 116708294B
- Authority
- CN
- China
- Prior art keywords
- application
- network
- layer
- apn6
- service
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000008447 perception Effects 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000009471 action Effects 0.000 description 3
- 239000002071 nanotube Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/76—Routing in software-defined topologies, e.g. routing between virtual machines
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了基于APN6网络实现智能应用感知及报文转发的方法,属于网络通信技术领域,主要解决目前网络通信技术中应用感知及报文转发的效率问题,该方法包括,资源调度层进行软件定义网络架构,使得云、边及端的算力资源通过网络连接;服务编排层进行底层资源的服务化编排,并统一调度算力网络资源给应用层;在资源调度层、服务编排层和应用层三层之间结合人工智能分析业务特征和用户特征,基于APN6网络进行智能应用感知及报文转发。本发明在资源调度层、服务编排层和应用层三层之间结合人工智能分析业务特征和用户特征实现基于APN6网络架构的智能应用感知及报文转发,提高云、边、端三级计算的协同工作效率。
Description
技术领域
本发明涉及网络通信技术领域,尤其涉及基于APN6网络实现智能应用感知及报文转发的方法。
背景技术
从传统云网融合的角度出发,结合边缘计算、网络云化及智能控制的优势,在算力网络连接下实现更加广泛的算力资源纳管和动态调度。但是这又区别于传统云计算资源纳管采用的集中式资源管理或IT集约化的资源提供,在算力网络的资源纳管中更多考虑了网络延时、网络损耗对于资源调度方面的影响。因此网络的核心价值是提高效率,算力网络正是为了提高云、边、端三级计算的协同工作效率而出现的;目前网络通信技术中应用感知及报文转发的效率不理想。
发明内容
为了解决网络通信技术中应用感知及报文转发的效率不理想的缺陷,本发明提出基于APN6网络实现智能应用感知及报文转发的方法。
本发明采用的技术方案是,
基于APN6网络实现智能应用感知及报文转发的方法,
包括,资源调度层进行软件定义网络架构,使得云、边及端的算力资源通过网络连接;服务编排层进行底层资源的服务化编排,并统一调度算力网络资源给应用层;在资源调度层、服务编排层和应用层三层之间结合人工智能分析业务特征和用户特征,基于APN6网络进行智能应用感知及报文转发。
优选的,在资源调度层基于SDN承载网络连接云、边及端的算力资源。
优选的,面向中心云,基于OpenStack 实现资源调度和管理;面向边缘和端侧,基于Kubernetes 实现资源调度;面向网络侧,基于SDN、DCI等实现数据中心的互联。
优选的,通过构建线程池使用率模型,将资源调度层数据有序传递给服务编排层。
优选的,线程池使用率模型公式如下:
其中是线程池运行时工作线程数,/>是设置的最大线程数,/>描述工作线程的饱和度;/>是当前采集时间窗口的任务数,/>是上一采集时间窗口的任务数,/>是任务缓冲队列大小,/>描述当前任务饱和度,/>描述任务缓冲队列增长速率;/>是权重系数。对比预设的线程池负荷度/>,若大于/>则触发自适应参数调整计算;否则跳过当前采集时间窗口。
优选的,通过资源调度层历史采集数据转发到目的地最多的节点部署的应用做为初始感知应用,存储在Reserved字段;当APN6的报文信息进入SRv6感知应用的头节点后,如果APN6的报文头DOH信息中的APN Header中获取初始感知应用对应的感知应用的尾节点中没有满足当前业务需求的路径或业务特征不匹配时,将报文转发给感知应用的中间节点,在SRv6网络中进一步提供感知应用服务;反之,则转发并通知感知应用的尾节点当前应用将向你进行数据转发;从而完成智能应用感知及报文转发过程;感知应用的中间节点接收到头节点转发报文后,通过网络拓扑获得APN6网络中所有感知应用的尾节点,并根据Reserved的关键词与各应用的尾节点存储的日志数据进行分析及匹配。
优选的,首先,通过APN6的报文头DOH信息中的APN Header中获取APN ID,其中,APN ID也称为应用唯一对应的的APN标识信息编号,由三部分组成:
APP-Group-ID:应用组的标识信息,长度可变,由配置决定。
USER-Group-ID:用户组的标识信息,长度可变,由配置决定。
Reserved:预留字段;
把资源调度层采集数据中的对象参数(如用户、部门、用户组)映射给USER-Group-ID和业务参数映射给USER-Group-ID(如视频数据、财务数据、交易数据);根据业务特殊性及对网络时效性要求将部分特殊标记放入Reserved:预留字段。
优选的,基于APN6网络实现智能应用感知及报文转发过程中,采用三个指标进行评价,指标1为空闲算力算法,指标2为Reserved应用关键词,指标3为预测应用使用当前尾节点趋势,并对三个指标进行评分。
优选的,指标1具体为:
对APN6网络业务场景匹配不同的算力需求后,进行算力的统一的量化并提供网络节点的链路传输提供一个可靠的链路负载指标。空闲算力越大越好。
算力的统一的量化是算力调度、使用的基础。通过模型计算各链路的空闲算力后,“动态”选择链路的负载映射空闲算力,从而使得各链路的利用率更均衡,从而提升应用的性能(FCT、吞吐量)。
针对异构算力的设备和平台,假设存在n个逻辑运算芯片、m 个并行计算芯片和p个神经网络加速芯片,那么业务的算力需求可统一描述。
算力量化模型的公式如下:
式中,为总的算力需求;f(x)是映射函数;a、B 和 y为映射比例系数;q为冗余算力。以并行计算能力为例,假设有b1、b2、b3;3种不同类型的并行计算芯片资源,则/>表示第j个并行计算芯片b可提供的并行计算能力的映射函数,q2表示并行计算的冗余算力。
优选的,指标2具体为:将Reserved关键词匹配所有网内部署应用的感知应用的尾节点的日志数据,根据出现次数由高到低排列。
优选的,指标3具体为:预测应用使用当前尾节点趋势:将Reserved关键词匹配所有网内部署应用的感知应用的尾节点的日志最近十次数据。由相同类型的Reserved关键词和APP-Group-ID出现几次报文转发,从而达到预测下次报文转发是否会出现相同Reserved关键词和APP-Group-ID的概率。
与现有技术相比,本发明具有以下有益效果:
本发明针对算力网络资源调度和服务编排过程中资源调度层、服务编排层和应用层三层之间结合人工智能分析业务特征和用户特征实现基于APN6网络架构的智能应用感知及报文转发,提高云、边、端三级计算的协同工作效率。
附图说明
下面结合实施例和附图对本发明进行详细说明,其中:
图1是基于APN6网络实现智能应用感知及报文转发的方法的流程图;
图2是算力网络资源调度和服务编排整体技术架构图;
图3是APN6计算原理架构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的部件或具有相同或类似功能的部件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
基于APN6网络实现智能应用感知及报文转发的方法,如图1所示:
包括S1、资源调度层进行软件定义网络架构,使得云、边及端的算力资源通过网络连接;S2、服务编排层进行底层资源的服务化编排,并统一调度算力网络资源给应用层;在资源调度层、服务编排层和应用层三层之间结合人工智能分析业务特征和用户特征,基于APN6网络进行智能应用感知及报文转发。
在一些实施例中,在资源调度层基于SDN承载网络连接云、边及端的算力资源,面向中心云,基于OpenStack 实现资源调度和管理;面向边缘和端侧,基于Kubernetes 实现资源调度;面向网络侧,基于SDN、DCI等实现数据中心的互联,通过构建线程池使用率模型,将资源调度层数据有序传递给服务编排层。
在一些实施例中,通过算力网络将云、边、端的算力资源调度和服务编排协同统一起来,其中,中心云采用传统的云计算来实现集中式的资源统一管理,在中心云中主要对大规模或超大规模的数据进行处理。如在现有大型企业多级数据中心调度信息化架构中,中心云主要承载面向全国的业务平台能力和数据处理能力。在边缘云由于接入的边缘数据中心众多,且分布得比较广泛,基本上每一个边缘数据中心会采用一个相对独立的集群来实现,承载省分公司本地的业务平台,或者相对集中的数据处理等,因此边缘云多数采用多集群的方式来实现多个边缘计算集群的协同管理,而在特殊行业或指定场景下,用户拥有自己独立的数据中心或业务上有数据保密等需求,这就要求在用户环境下形成一个相对比较独立的私有云资源池,而在边缘云的统一管理中,需要将此部分单独作为独立的边缘云资源进行管理,同时在算力分配或应用能力的部署方面也需要指定部署到用户的数据中心内。在算力网络设备端侧,结合现有工业互联网及智慧城市等场景,往往涉及海量的前端嵌入式边缘设备,并且采用的计算架构不同,主要有ARM、DSP、FPGA等,负责用户的数据采集、用户侧的业务访问入口和交互等,因此通过算力网络将整个云、边、端的计算资源协同起来,并且采用分级、多集群的方式进行统一管理。目前,在中心云主要采用OpenStack 等传统的IaaS进行承载,而在边缘或远端设备上的计算资源通过轻量级的云原生Kubernetes等I-PaaS和A-Paas进行计算资源和应用能力的管理等。
在一些实施例中,线程池使用率模型公式如下:
其中是线程池运行时工作线程数,/>是设置的最大线程数,/>描述工作线程的饱和度;/>是当前采集时间窗口的任务数,/>是上一采集时间窗口的任务数,是任务缓冲队列大小,/>描述当前任务饱和度,/>描述任务缓冲队列增长速率;/>是权重系数。对比预设的线程池负荷度/>,若大于/>则触发自适应参数调整计算;否则跳过当前采集时间窗口。
其中,APN6计算原理是通过APN6的报文头DOH信息中的APN Header中获取APN ID,其中,APN ID也称为应用唯一对应的的APN标识信息编号,由三部分组成:
APP-Group-ID:应用组的标识信息,长度可变,由配置决定。
USER-Group-ID:用户组的标识信息,长度可变,由配置决定。
Reserved:预留字段;
把资源调度层采集数据中的对象参数(如用户、部门、用户组)映射给USER-Group-ID和业务参数映射给USER-Group-ID(如视频数据、财务数据、交易数据);根据业务特殊性及对网络时效性要求将部分特殊标记放入Reserved:预留字段。
在一些实施例中,通过资源调度层历史采集数据转发到目的地最多的节点部署的应用做为初始感知应用,存储在Reserved字段;当APN6的报文信息进入SRv6感知应用的头节点后,如果APN6的报文头DOH信息中的APN Header中获取初始感知应用对应的感知应用的尾节点中没有满足当前业务需求的路径或业务特征不匹配时,将报文转发给感知应用的中间节点,在SRv6网络中进一步提供感知应用服务;反之,则转发并通知感知应用的尾节点当前应用将向你进行数据转发;从而完成智能应用感知及报文转发过程;感知应用的中间节点接收到头节点转发报文后,通过网络拓扑获得APN6网络中所有感知应用的尾节点,并根据Reserved的关键词与各应用的尾节点存储的日志数据进行分析及匹配。
在一些实施例中,基于APN6网络实现智能应用感知及报文转发过程中,采用三个指标进行评价,指标1为空闲算力算法,指标2为Reserved应用关键词,指标3为预测应用使用当前尾节点趋势;指标1具体为:
对APN6网络业务场景匹配不同的算力需求后,进行算力的统一的量化并提供网络节点的链路传输提供一个可靠的链路负载指标。空闲算力越大越好。
算力的统一的量化是算力调度、使用的基础。通过模型计算各链路的空闲算力后,“动态”选择链路的负载映射空闲算力,从而使得各链路的利用率更均衡,从而提升应用的性能(FCT、吞吐量)。
针对异构算力的设备和平台,假设存在n个逻辑运算芯片、m 个并行计算芯片和p个神经网络加速芯片,那么业务的算力需求可统一描述。
算力量化模型的公式如下:
式中,为总的算力需求;f(x)是映射函数;a、B 和 y为映射比例系数;q为冗余算力。以并行计算能力为例,假设有b1、b2、b3;3种不同类型的并行计算芯片资源,则/>表示第j个并行计算芯片b可提供的并行计算能力的映射函数,q2表示并行计算的冗余算力。
优选的,指标2具体为:将Reserved关键词匹配所有网内部署应用的感知应用的尾节点的日志数据,根据出现次数由高到低排列。
优选的,指标3具体为:预测应用使用当前尾节点趋势:将Reserved关键词匹配所有网内部署应用的感知应用的尾节点的日志最近十次数据。由相同类型的Reserved关键词和APP-Group-ID出现几次报文转发,从而达到预测下次报文转发是否会出现相同Reserved关键词和APP-Group-ID的概率。
在一些实施例中,对三个指标进行评分,并制成评分表如下表1所示:
表1:
要说明的是:
感知应用的头节点:头节点负责维护入方向流量与网络服务路径的匹配关系。头节点从网络边缘设备接收到数据报文后,根据报文中携带的APN6应用信息,将流量匹配引入到满足需求的路径;也可以将应用信息复制并封装到外侧IPv6扩展头中,在SRv6网络中进一步提供感知应用服务。
感知应用的中间节点:中间节点根据头节点匹配的网络服务路径,为应用提供网络转发服务。同时,中间节点还可以根据报文中携带的APN6应用信息提供其他的网络增值服务,如感知应用的SFC、感知应用的IFIT等。
感知应用的尾节点:网络服务路径将在尾节点处终结,APN6应用信息可以在尾节点上和路径隧道封装被一起解除。在报文进入路径之前就已经存在的APN6应用信息,也可以随IPv6数据报文继续传输。
在本说明书的描述中,若出现术语″实施例一″、″本实施例″、″在一个实施例中″等描述,意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于发明或发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例;而且,所描述的具体特征、结构、材料或特点可以在任何一个或多个实施例或示例中以恰当的方式结合。
在本说明书的描述中,术语″连接″、″安装″、″固定″、″设置″、″具有″等均做广义理解,例如,″连接″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,可以根据具体情况理解上述术语在本申请中的具体含义。
在本说明书的描述中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
上述对实施例的描述是为了便于该技术领域的普通技术人员能够理解和应用本案技术,熟悉本领域技术的人员显然可轻易对这些实例做出各种修改,并把在此说明的一般原理应用到其它实施例中而不必经过创造性的劳动。因此,本案不限于以上实施例,对于以下几种情形的修改,都应该在本案的保护范围内:①以本发明技术方案为基础并结合现有公知常识所实施的新的技术方案,该新的技术方案所产生的技术效果并没有超出本发明技术效果之外;②采用公知技术对本发明技术方案的部分特征的等效替换,所产生的技术效果与本发明技术效果相同;③以本发明技术方案为基础进行可拓展,拓展后的技术方案的实质内容没有超出本发明技术方案之外;④利用本发明说明书及附图内容所作的等效变换,直接或间接运用在其他相关的技术领域。
Claims (10)
1.一种基于APN6网络实现智能应用感知及报文转发的方法,其特征在于,
包括,资源调度层进行软件定义网络架构,使得云、边及端的算力资源通过网络连接;服务编排层进行底层资源的服务化编排,并统一调度算力网络资源给应用层;在资源调度层、服务编排层和应用层三层之间结合人工智能分析业务特征和用户特征,基于APN6网络进行智能应用感知及报文转发;其中,通过构建线程池使用率模型,将资源调度层数据有序传递给服务编排层,对比预设的线程池负荷度,若大于/>则触发自适应参数调整计算;否则跳过当前采集时间窗口;其中线程池使用率模型公式如下:
;
其中是线程池运行时工作线程数,/>是设置的最大线程数,/>描述工作线程的饱和度;/>是当前采集时间窗口的任务数,/>是上一采集时间窗口的任务数,/>是任务缓冲队列大小,/>描述当前任务饱和度,/>描述任务缓冲队列增长速率;/>是范围为0-1的权重系数。
2.根据权利要求1所述方法,其特征在于,在资源调度层基于SDN承载网络连接云、边及端的算力资源。
3. 根据权利要求2所述方法,其特征在于,面向中心云,基于OpenStack 实现资源调度和管理;面向边缘和端侧,基于Kubernetes 实现资源调度;面向网络侧,基于SDN或DCI实现数据中心的互联。
4. 根据权利要求1所述方法,其特征在于,通过资源调度层历史采集数据转发到目的地最多的节点部署的应用作为初始感知应用,存储在Reserved字段;当APN6的报文信息进入SRv6感知应用的头节点后,如果获取的感知应用的尾节点中没有满足当前业务需求的路径、或业务特征不匹配,则将报文转发给感知应用的中间节点,在SRv6网络中进一步提供感知应用服务;感知应用与APN6的报文头DOH信息中的APN Header中的初始感知应用对应;反之,则转发并通知感知应用的尾节点向目的地进行数据转发;从而完成智能应用感知及报文转发过程;感知应用的中间节点接收到头节点转发报文后,通过网络拓扑获得APN6网络中所有感知应用的尾节点,并根据Reserved的关键词与各应用的尾节点存储的日志数据进行分析及匹配。
5. 根据权利要求4所述方法,其特征在于,通过APN6的报文头DOH信息中的APN Header中获取APN ID,其中,APN ID也称为应用唯一对应的APN标识信息编号,由三部分组成:APP-Group-ID:应用组的标识信息,长度可变,由配置决定;USER-Group-ID:用户组的标识信息,长度可变,由配置决定;把资源调度层采集数据中的对象参数映射给USER-Group-ID和业务参数映射给USER-Group-ID;对线参数包括用户、部门及用户组;业务参数包括视频数据、财务数据及交易数据;根据业务特殊性及对网络时效性要求将部分特殊标记放入Reserved,预留字段。
6.根据权利要求5所述方法,其特征在于,基于APN6网络实现智能应用感知及报文转发过程中,采用三个指标进行评价,指标1为空闲算力,指标2为Reserved应用关键词,指标3为预测应用使用当前尾节点趋势,并对三个指标进行评分。
7.根据权利要求6所述方法,其特征在于,指标1为:
对APN6网络业务场景匹配不同的算力需求后,进行算力的统一的量化并提供网络节点的链路传输提供一个可靠的链路负载指标;计算各链路的空闲算力后,动态选择链路的负载映射空闲算力。
8.根据权利要求7所述方法,其特征在于,针对异构算力的设备和平台,假设存在n个逻辑运算芯片、m个并行计算芯片和p个神经网络加速芯片,那么业务的算力需求可统一描述;
算力量化模型的公式如下:
;
式中,为总的算力需求;f(x)是映射函数;α、β和γ为映射比例系数;则αi为第i个逻辑运算芯片的逻辑运算能力映射比例系数;βj为第j个并行计算芯片的并行计算能力映射比例系数;γk为第k个神经网络加速芯片的加速能力映射比例系数;q为冗余算力;以并行计算能力为例,假设有b1、b2、b3,3种不同类型的并行计算芯片资源,则/>表示第j个并行计算芯片b可提供的并行计算能力的映射函数,q1表示逻辑计算的冗余算力,q2表示并行计算的冗余算力,q3表示神经网络加速的冗余算力,q1(TOPS)、q2(FLOPS)及q3(FLOPS)分别为冗余逻辑运算能力、冗余并行计算能力及冗余神经网络加速能力;则ai、bj及ck分别为第i逻辑运算芯片的类型,第j个并行计算芯片的类型及第k个神经网络加速芯片的类型;n、m及p分别为逻辑运算芯片、并行计算芯片及神经网络加速芯片的数量。
9.根据权利要求6所述方法,其特征在于,指标2:将Reserved关键词匹配所有网内部署应用的感知应用的尾节点的日志数据,根据出现次数由高到低排列。
10.根据权利要求6所述方法,其特征在于,指标3:预测应用使用当前尾节点趋势:将Reserved关键词匹配所有网内部署应用的感知应用的尾节点的日志最近十次数据;由相同类型的Reserved关键词和APP-Group-ID出现几次报文转发,从而达到预测下次报文转发是否会出现相同Reserved关键词APP-Group-ID的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310990852.9A CN116708294B (zh) | 2023-08-08 | 2023-08-08 | 基于apn6网络实现智能应用感知及报文转发的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310990852.9A CN116708294B (zh) | 2023-08-08 | 2023-08-08 | 基于apn6网络实现智能应用感知及报文转发的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116708294A CN116708294A (zh) | 2023-09-05 |
CN116708294B true CN116708294B (zh) | 2023-11-21 |
Family
ID=87826202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310990852.9A Active CN116708294B (zh) | 2023-08-08 | 2023-08-08 | 基于apn6网络实现智能应用感知及报文转发的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116708294B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114095579A (zh) * | 2020-08-04 | 2022-02-25 | 中国移动通信有限公司研究院 | 算力处理的网络系统、业务处理方法及设备 |
WO2022121349A1 (zh) * | 2020-12-07 | 2022-06-16 | 中兴通讯股份有限公司 | 算力应用流量转发方法及装置 |
CN115002862A (zh) * | 2021-03-02 | 2022-09-02 | 中国移动通信有限公司研究院 | 算力处理的网络系统、业务处理方法及算力网元节点 |
CN116016221A (zh) * | 2023-01-05 | 2023-04-25 | 中国联合网络通信集团有限公司 | 业务处理方法、装置及存储介质 |
-
2023
- 2023-08-08 CN CN202310990852.9A patent/CN116708294B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114095579A (zh) * | 2020-08-04 | 2022-02-25 | 中国移动通信有限公司研究院 | 算力处理的网络系统、业务处理方法及设备 |
WO2022121349A1 (zh) * | 2020-12-07 | 2022-06-16 | 中兴通讯股份有限公司 | 算力应用流量转发方法及装置 |
CN115002862A (zh) * | 2021-03-02 | 2022-09-02 | 中国移动通信有限公司研究院 | 算力处理的网络系统、业务处理方法及算力网元节点 |
CN116016221A (zh) * | 2023-01-05 | 2023-04-25 | 中国联合网络通信集团有限公司 | 业务处理方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116708294A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kaur et al. | Tensor-based big data management scheme for dimensionality reduction problem in smart grid systems: SDN perspective | |
CN103036792B (zh) | 一种最大化最小公平多数据流传输调度方法 | |
Li et al. | Efficient multi-tenant virtual machine allocation in cloud data centers | |
WO2023040022A1 (zh) | 一种在随机网络中基于算网协同的分布式计算卸载方法 | |
CN108174394A (zh) | 一种5g网络切片的编排算法 | |
Liu | Intelligent routing based on deep reinforcement learning in software-defined data-center networks | |
CN112260950B (zh) | 一种基于业务优先级区分的云存储网络组播流调度方法 | |
CN106936645A (zh) | 基于排队论的树形网络拓扑结构的优化方法 | |
Mi et al. | Software-defined green 5G system for big data | |
Fan et al. | Dynamic virtual network embedding of mobile cloud system based on global resources in internet of vehicles | |
CN102104542A (zh) | 转发和控制分离网络件架构下实现业务集群路由器的方法 | |
CN107483355B (zh) | 面向数据中心的在线场景低带宽开销流量调度方案 | |
CN114154685A (zh) | 智能电网中电能数据调度方法 | |
CN116708294B (zh) | 基于apn6网络实现智能应用感知及报文转发的方法 | |
CN102946443A (zh) | 一种实现大规模数据传输的多任务调度方法 | |
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 | |
CN109889447A (zh) | 一种基于混合环组网和喷泉码的网络传输方法及系统 | |
CN109474908A (zh) | 一种基于任务驱动的航空自组网方法 | |
CN113676357A (zh) | 面向电力物联网中边缘数据处理的决策方法及其应用 | |
CN117478518A (zh) | 一种图卷积神经网络辅助的大数据存储转发调度方法 | |
Yujie et al. | An effective controller placement algorithm based on clustering in SDN | |
CN103200468A (zh) | 电力光纤通信网的路由波长分配方法和装置 | |
CN115099476A (zh) | 一种基于循环差集理论的电力物联网异步调度方法 | |
Zhou et al. | Study on the evolutionary optimisation of the topology of network control systems | |
CN113259263A (zh) | 一种深度报文检测集群中的数据包调度方法 |
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 |