公开(公告)号：CN119728434A

公开(公告)日：2025-03-28

申请号：CN202510015873.8

申请日：2025-01-06

Applicant: 福州大学

Inventor： 张栋 ,  徐绍伟 ,  林声睿 ,  张津齐 ,  林为伟 ,  林正立

IPC: H04L41/0895 ,  H04L41/08 ,  H04L41/16 ,  G06N3/045 ,  G06N3/08

Abstract: 本发明涉及一种基于SDN模态的网内神经网络部署方法，通过将深度神经网络模型的输入特征与输出结果映射为网络设备的流表项，并通过表项匹配的方式实现深度神经网络推理，进而实现流量分类、异常检测等网络功能。本发明通过将深度神经网络模型压缩并转化为适用于可编程网络设备中的表项匹配任务，实现了高效的网络数据平面推理。本发明优化了存储与计算资源的利用，显著减少了网络设备的计算复杂度，提高了吞吐量和实时性。通过创新的表项压缩与适应性匹配机制，本发明支持流量分类、异常检测等高精度应用，显著提升了网络智能化管理与优化能力。本发明能够实现深度神经网络在网内设备中的高效部署，为智能网络技术的发展提供了有效的解决方案。

公开(公告)号：CN119865425A

公开(公告)日：2025-04-22

申请号：CN202510030749.9

申请日：2025-01-08

Applicant: 福州大学

Inventor： 张栋 ,  徐绍伟 ,  林声睿 ,  吴艳妮 ,  林正立

IPC: H04L41/0894 ,  H04L41/0681 ,  H04L41/142 ,  H04L41/16 ,  H04L41/14 ,  H04L43/0876 ,  G06N3/092

Abstract: 本发明涉及一种基于网内强化学习的微突发缓解方法，该方法通过将强化学习算法部署在可编程数据平面，使交换机具备无需控制器协助的微突发事件处理能力，相比于传统方案减少了数据‑控制平面时延，满足微突发所需的微秒级缓解决策需求。此外，强化学习模型使网元可自适应不断变化的网络环境和新的流量模式，使得交换机可以根据实时网络状态做出最佳微突发缓解策略，减轻主机端的处理负担以及对业务流量的影响。