-
公开(公告)号：CN117395188B
公开(公告)日：2024-03-12
申请号：CN202311669916.1
申请日：2023-12-07
Applicant: 南京信息工程大学
IPC: H04L45/02 , H04L45/00 , H04L45/12 , H04L45/121 , H04L47/125 , G06N3/045 , G06N3/042 , G06N3/0442 , H04L41/14 , H04L41/147
Abstract: 本发明公开了一种基于深度强化学习的天地一体化负载均衡路由方法，步骤如下：S1，将天地一体化网络转化为流量传递有向图；S2，通过软件构建需要预测得到的网络拓扑，模拟多种流量情况生成数据集；S3，对流特征数据归一化处理，并对路径、链路、队列的隐藏状态初始化；S4，对路径、链路、队列的隐藏状态进行处理；S5，重复S4至T次；S6，将T次传递后的路径、链路和队列的隐藏状态作为读出函数的输入；S7，计算流时延、抖动和每个流的丢包率；S8，通过设置强化学习参数，对网络拓扑进行训练，得到最优负载均衡路径。本发明通过对流量从源节点到目的节点的时延、抖动和丢包率的预测，实现天地一体化网络多约束条件下的负载均衡。
-
公开(公告)号：CN117395188A
公开(公告)日：2024-01-12
申请号：CN202311669916.1
申请日：2023-12-07
Applicant: 南京信息工程大学
IPC: H04L45/02 , H04L45/00 , H04L45/12 , H04L45/121 , H04L47/125 , G06N3/045 , G06N3/042 , G06N3/0442 , H04L41/14 , H04L41/147
Abstract: 本发明公开了一种基于深度强化学习的天地一体化负载均衡路由方法，步骤如下：S1，将天地一体化网络转化为流量传递有向图；S2，通过软件构建需要预测得到的网络拓扑，模拟多种流量情况生成数据集；S3，对流特征数据归一化处理，并对路径、链路、队列的隐藏状态初始化；S4，对路径、链路、队列的隐藏状态进行处理；S5，重复S4至T次；S6，将T次传递后的路径、链路和队列的隐藏状态作为读出函数的输入；S7，计算流时延、抖动和每个流的丢包率；S8，通过设置强化学习参数，对网络拓扑进行训练，得到最优负载均衡路径。本发明通过对流量从源节点到目的节点的时延、抖动和丢包率的预测，实现天地一体化网络多约束条件下的负载均衡。
-
公开(公告)号：CN116599860B
公开(公告)日：2023-10-13
申请号：CN202310843127.9
申请日：2023-07-11
Applicant: 南京信息工程大学
IPC: H04L41/147 , H04L41/16
Abstract: 本发明提出一种基于强化学习的网络流量灰色预测方法，包括如下步骤：首先采用公开网络流量数据集，并截取部分公开数据集作为待预测流量序列；然后构建基于GM(1,1)灰色预测的强化学习模型：基于每一个时间步长，智能体获得当前环境状态，并根据策略函数生成动作，环境在执行动作后，将当前环境状态更新，同时将动作的奖励值反馈给智能体，智能体根据更新的环境状态和奖励值生成下一个动作，直到达到预设迭代次数，获得基于GM(1,1)的强化学习模型。最后利用强化学习模型输出最终预测结果。本发明将强化学习的决策能力与灰色模型的小样本、定量预测优势相结合，旨在提高传统灰色预测模型的预测精度。
-
公开(公告)号：CN116566903B
公开(公告)日：2023-09-26
申请号：CN202310815822.4
申请日：2023-07-05
Applicant: 南京信息工程大学
IPC: H04L47/10 , H04L47/2441 , H04L43/0852 , H04L43/0876
Abstract: 本发明公开了一种指控网络异构链路汇聚流量的端到端时延分析方法，包括：将指挥控制网络中的时延敏感流量建模为MMPP流量，将指挥控制网络中的带宽敏感流量和尽最大努力交付流量建模为fBm流量，分别推导三种流量的随机到达曲线和有界函数，计算状态时变的通信链路为异构链路汇聚流量提供的总服务速率平均值，分别推导异构链路汇聚节点为三种流量提供的随机服务曲线，基于随机到达曲线和随机服务曲线，推导三种流量端到端时延，并进行性能分析；本发明所设计的方法解决了复杂多维、瞬时涌现的流量到达过程和接续传输、状态时变的系统服务过程导致端到端时延难以精准评估的问题。
-
公开(公告)号：CN116599860A
公开(公告)日：2023-08-15
申请号：CN202310843127.9
申请日：2023-07-11
Applicant: 南京信息工程大学
IPC: H04L41/147 , H04L41/16
Abstract: 本发明提出一种基于强化学习的网络流量灰色预测方法，包括如下步骤：首先采用公开网络流量数据集，并截取部分公开数据集作为待预测流量序列；然后构建基于GM(1,1)灰色预测的强化学习模型：基于每一个时间步长，智能体获得当前环境状态，并根据策略函数生成动作，环境在执行动作后，将当前环境状态更新，同时将动作的奖励值反馈给智能体，智能体根据更新的环境状态和奖励值生成下一个动作，直到达到预设迭代次数，获得基于GM(1,1)的强化学习模型。最后利用强化学习模型输出最终预测结果。本发明将强化学习的决策能力与灰色模型的小样本、定量预测优势相结合，旨在提高传统灰色预测模型的预测精度。
-
Patent Agency Ranking
公开(公告)号：CN116527567A
公开(公告)日：2023-08-01
申请号：CN202310788324.5
申请日：2023-06-30
Applicant: 南京信息工程大学
IPC: H04L45/02 , H04L45/12 , H04L45/302
Abstract: 本发明公开了一种基于深度强化学习的智能网络路径优选方法与系统，包括：采集目标网络的原始数据，计算目标网络的每条可执行路径的状态信息，构建深度强化学习模型，获取目标网络当前时刻的网络状态、执行最优路径动作、下一时刻的网络状态、当前奖励，并存储在经验回放池中，对深度强化学习模型进行迭代训练和参数更新，获得目标网络的最优路径，下发至目标网络的交换机设备中进行路径安装，本发明所设计的方法提高了智能体提取显著奖励经验的概率，加快了智能体学习最优策略的速度，算法的收敛速度显著提高，有效提高了网络吞吐量，降低了端到端时延和丢包率。
-
公开(公告)号：CN114006826B
公开(公告)日：2022-04-22
申请号：CN202210000659.1
申请日：2022-01-04
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种融合流量特征的网络流量预测方法，具体涉及网络信息工程技术领域，收集并获得预设时间周期范围内的历史网络流量数据，并将所获的历史网络流量数据按照预设时间步长划分为预设数量个子流量序列，分别针对各个流量序列，构建并获得网络流量预测模型，应用网络流量预测模型，对子流量序列所对应的网络流量进行预测，获得网络流量的预测分类标签结果。通过本发明的技术方案将网络流量的自相似特性作为先验知识，将其融入长短记忆神经网络的门控机制中，再结合一维卷积神经网络和注意力机制提取流量序列的时间特征，能够恢复原始数据的特征，赋予模型预测结果的可解释性，从而提高网络流量的预测精度更好的描述网络流量的变化趋势。
-
公开(公告)号：CN113852492A
公开(公告)日：2021-12-28
申请号：CN202111019800.4
申请日：2021-09-01
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于注意力机制和图卷积神经网络的网络流量预测方法，首先构建基于注意力机制和图卷积神经网络的AT‑GCN模型；AT‑GCN模型包括两个图卷积层、一个全连接层和一个引入注意力机制的门控递归单元；对原始的网络流量进行数据预处理，得到符合AT‑GCN模型输入的数据序列；将中处理后的网络流量序列输入图卷积层，获取网络流量数据序列的空间特征；将处理后的网络流量序列和得到的空间特征向量输入到门控递归单元中，获取网络流量序列的时间特征；最后经过一个全连接层得到最终的预测结果。本发明将图卷积神经网络和门控递归单元结合起来，分别获取网络流量的时间和空间特征，并且为了提高预测的精度，引入了注意力机制，在时空预测任务中表现很好。
-
公开(公告)号：CN112232604B
公开(公告)日：2021-06-11
申请号：CN202011426660.8
申请日：2020-12-09
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于Prophet模型提取网络流量的预测方法，针对网络流量的多分形特性，通过Prophet模型的可分解方法，对附加分量建立Prophet模型预测，对非线性分量建立卷积神经网络和基于注意力机制的长短期记忆网络模型预测，实现粗细粒度特征提取的融合，并给重要的特征分配更多的权重以提高其对结果的影响，在预测精度和预测速度上效果显著提升。本发明的网络流量的预测方法相较传统的流量预测方法具有明显的有效性和先进性。
-
公开(公告)号：CN112350876A
公开(公告)日：2021-02-09
申请号：CN202110027901.X
申请日：2021-01-11
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于图神经网络的网络流量预测方法，该方法首先用图卷积神经网络GCN来学习通信区域块的网络拓扑结构，提取通信区域块的网络流量的空间特征，然后将具有空间特征的数据作为门限递归单元GRU的输入，学习通信区域块属性的时间变化规律，进而提取通信区域块网络流量的时间特征，最后通过全连接层得到最终预测结果，可以较好的提取网络流量的时空特性，得到更好的预测精度。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.028 seconds)
