一种基于SDN的数据中心网络拥塞控制方法

    公开(公告)号:CN117240788A

    公开(公告)日:2023-12-15

    申请号:CN202311521178.6

    申请日:2023-11-15

    Abstract: 本发明公开了一种基于SDN的数据中心网络拥塞控制方法,具体为:S1:SDN控制器实时监控队列长度;S2:使用改进的RED算法根据队列长度和阈值来管理队列;S3:将网络中的全局数据流信息记录在流表当中;S4:将全局数据流分成老鼠流、普通大象流和超象流;S5:当某个交换机出现拥塞,且全局数据流是超象流时,主控制器选择目标子控制器,并在过载子控制器中选择部分流量迁移至目标子控制器中;S6:当某个交换机出现拥塞,且全局数据流是普通大象流时,对该普通大象流的发送窗口的传输速率进行调整;S7:当交换机进入拥塞状态时,交换机根据队列长度判断是否解除拥塞状态。本发明能够保持网络的高效运行,提高了资源利用率。

    一种基于SDN架构的网络QoS保障路由方法

    公开(公告)号:CN117294643A

    公开(公告)日:2023-12-26

    申请号:CN202311575841.0

    申请日:2023-11-24

    Abstract: 本发明公开了一种基于SDN架构的网络QoS保障路由方法,根据网络拓扑信息,抽象成有向图,然后基于基于改经的k‑means算法将数据分为老鼠流、大象流、巨象流,定义流量传输的约束条件,构建DQN神经网络,以奖励函数R最大的动作所对应的最大Q值为目标训练DQN神经网络,得到QoS保障路由模型,得到最优路径权重值,根据Dijkstra算法确定数据包发送路径,最后将路径信息下发到交换机。本发明避免了传统K‑means算法对数据的处理不够稳健以及分类结果不够准确的情况。在DQN的神经网络训练时,从经验池中依据数据的优先性抽取数据,使得神经网络更加关注重要的数据,提高了神经网络的学习效率和算法的性能。

    一种多维标识网络协议基础底座及其智能化定制开发方法

    公开(公告)号:CN118474203A

    公开(公告)日:2024-08-09

    申请号:CN202410653664.1

    申请日:2024-05-24

    Abstract: 本发明公开了一种多维标识网络协议基础底座,包括协议定义模块、分布式配置模块和开放接口模块,当多维标识网络中的通信双方A和B开始建立通信时,通信双方向开放接口模块发送调用请求,之后分布式配置模块根据当前网络状态以及服务类型与协议定义模块进行交互,并确定此次A和B通信采用的多维标识数据包传输协议。智能化定制开发方法,实现多维标识网络协议基础底座,协议定义模块通过引入超时机制判断通信双方的连接状态,支持多种序列化算法,实现数据的封装与解封装;分布式配置模块制定协议的执行策略,提供分布式管理能力;开放接口模块支持同步和异步两种调用方式。本发明提高了网络的灵活性、适应性、通用性和扩展性。

    一种多维标识命名空间及其存储方法

    公开(公告)号:CN118660032A

    公开(公告)日:2024-09-17

    申请号:CN202410566483.5

    申请日:2024-05-09

    Abstract: 本发明公开了一种多维标识命名空间,包括全局命名空间和局部命名空间,全局命名空间的属性具有唯一性,与设备的硬件特性或生产过程相关联,这些属性在设备制造时被设定,并在全局范围内保持唯一性,确保智能体在网络中的标识唯一;局部命名空间中的属性是可变的和动态的,这些属性描述了智能体在特定环境或条件下的状态和特征,包括智能体的地理位置、安全配置。一种多维标识命名空间的存储方法,用于存储多维标识命名空间,利用张量的数据结构特性,将多维标识命名空间的对象属性、联接属性和应用属性以三维张量的形式表示和存储。本发明中多维标识结合了时间、空间的属性,实现对网络中任意智能体的唯一标识,提高标识的唯一性和多样性。

    一种基于SDN架构的网络QoS保障路由方法

    公开(公告)号:CN117294643B

    公开(公告)日:2024-03-12

    申请号:CN202311575841.0

    申请日:2023-11-24

    Abstract: 本发明公开了一种基于SDN架构的网络QoS保障路由方法,根据网络拓扑信息,抽象成有向图,然后基于基于改经的k‑means算法将数据分为老鼠流、大象流、巨象流,定义流量传输的约束条件,构建DQN神经网络,以奖励函数R最大的动作所对应的最大Q值为目标训练DQN神经网络,得到QoS保障路由模型,得到最优路径权重值,根据Dijkstra算法确定数据包发送路径,最后将路径信息下发到交换机。本发明避免了传统K‑means算法对数据的处理不够稳健以及分类结果不够准确的情况。在DQN的神经网络训练时,从经验池中依据数据的优先性抽取数据,使得神经网络更加关注重要的数据,提高了神经网络的学习效率和算法的性能。

Patent Agency Ranking