基于機(jī)器學(xué)習(xí)的軟件定義網(wǎng)絡(luò)業(yè)務(wù)路由優(yōu)化
發(fā)布時間:2025-06-04 04:46
目前,隨著通信技術(shù)、互聯(lián)網(wǎng)應(yīng)用以及云計算技術(shù)的高速發(fā)展,通信網(wǎng)絡(luò)正經(jīng)歷著爆發(fā)式的流量增長。傳統(tǒng)的路由優(yōu)化方法通常需要收集網(wǎng)絡(luò)流量信息,然后根據(jù)這些流量信息計算路由策略,最后進(jìn)行路由配置。整個路由計算過程非常耗時,并且獲取準(zhǔn)確的網(wǎng)絡(luò)流量信息通常非常困難,往往需要巨大的網(wǎng)絡(luò)資源開銷。最近,在機(jī)器學(xué)習(xí)以及人工智能領(lǐng)域取得的突破似乎為網(wǎng)絡(luò)業(yè)務(wù)路由優(yōu)化提供了一種可行的方法;跈C(jī)器學(xué)習(xí)的路由優(yōu)化算法可以根據(jù)歷史數(shù)據(jù)學(xué)習(xí)到流量特征和路由策略良好的映射關(guān)系,然后利用學(xué)習(xí)到的知識根據(jù)業(yè)務(wù)特征變化快速地進(jìn)行路由決策,能夠?qū)崿F(xiàn)自適應(yīng)的業(yè)務(wù)路由調(diào)度和管理。另一方面,SDN作為一種新型網(wǎng)絡(luò)架構(gòu)可以方便地獲取到用于業(yè)務(wù)路由優(yōu)化的統(tǒng)計信息。利用SDN的這種架構(gòu),在控制平面可以方便地獲取到豐富的用于機(jī)器學(xué)習(xí)路由優(yōu)化算法輸入的業(yè)務(wù)流量特征,并且能夠?qū)崿F(xiàn)快速地進(jìn)行路由策略下發(fā)和執(zhí)行。本文主要研究在SDN場景下結(jié)合機(jī)器學(xué)習(xí)算法來更好地實現(xiàn)業(yè)務(wù)路由優(yōu)化。據(jù)研究表明,通信網(wǎng)絡(luò)中的大流占據(jù)了網(wǎng)絡(luò)中80%的流量,通過識別這些大流然后對其進(jìn)行路由管理和優(yōu)化,可以更好地實現(xiàn)網(wǎng)絡(luò)的負(fù)載均衡,并為后續(xù)的在線的路由規(guī)劃和調(diào)度方法的研究奠定基...
【文章頁數(shù)】:81 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
abstract
縮略詞表
第一章 緒論
1.1 研究的背景與意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 傳統(tǒng)業(yè)務(wù)路由優(yōu)化方法研究現(xiàn)狀
1.2.2 SDN介紹及研究現(xiàn)狀
1.2.3 基于SDN的業(yè)務(wù)路由優(yōu)化方案研究現(xiàn)狀
1.2.4 機(jī)器學(xué)習(xí)介紹及研究現(xiàn)狀
1.2.5 基于機(jī)器學(xué)習(xí)的業(yè)務(wù)路由優(yōu)化方法研究現(xiàn)狀
1.3 本文的主要貢獻(xiàn)
1.4 本文的內(nèi)容結(jié)構(gòu)安排
第二章 基于機(jī)器學(xué)習(xí)的SDN實時大流檢測
2.1 引言
2.2 基于機(jī)器學(xué)習(xí)的SDN實時大流檢測架構(gòu)簡介
2.3 基于機(jī)器學(xué)習(xí)的算法模型介紹
2.3.1 機(jī)器學(xué)習(xí)相關(guān)算法簡介
2.3.2 基于支持向量機(jī)的大流檢測算法
2.3.3 基于卷積神經(jīng)網(wǎng)絡(luò)的大流檢測算法
2.4 仿真實驗設(shè)計及分析
2.4.1 實驗設(shè)計與準(zhǔn)備
2.4.2 實驗結(jié)果與分析
2.5 本章小結(jié)
第三章 基于監(jiān)督式深度學(xué)習(xí)的SDN網(wǎng)絡(luò)流量路由優(yōu)化方法研究
3.1 引言
3.2 問題描述與分析
3.3 深度學(xué)習(xí)路由算法介紹與設(shè)計
3.3.1 深度學(xué)習(xí)及智能路由相關(guān)技術(shù)簡介
3.3.2 基于深度學(xué)習(xí)的路由優(yōu)化算法介紹
3.4 仿真實驗結(jié)果及分析
3.4.1 實驗設(shè)計與準(zhǔn)備
3.4.2 實驗結(jié)果與分析
3.5 本章小結(jié)
第四章 基于強化學(xué)習(xí)的SDN網(wǎng)絡(luò)流量路由優(yōu)化方法研究
4.1 引言
4.2 強化學(xué)習(xí)相關(guān)技術(shù)簡介
4.3 基于強化學(xué)習(xí)的路由優(yōu)化算法介紹
4.3.1 問題描述
4.3.2 算法設(shè)計
4.3.3 算法模型介紹
4.4 仿真實驗結(jié)果及分析
4.4.1 實驗設(shè)計與準(zhǔn)備
4.4.2 實驗結(jié)果與分析
4.5 本章小結(jié)
第五章 全文總結(jié)與展望
5.1 本文的主要工作
5.2 未來工作展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果
本文編號:4049331
【文章頁數(shù)】:81 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
abstract
縮略詞表
第一章 緒論
1.1 研究的背景與意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 傳統(tǒng)業(yè)務(wù)路由優(yōu)化方法研究現(xiàn)狀
1.2.2 SDN介紹及研究現(xiàn)狀
1.2.3 基于SDN的業(yè)務(wù)路由優(yōu)化方案研究現(xiàn)狀
1.2.4 機(jī)器學(xué)習(xí)介紹及研究現(xiàn)狀
1.2.5 基于機(jī)器學(xué)習(xí)的業(yè)務(wù)路由優(yōu)化方法研究現(xiàn)狀
1.3 本文的主要貢獻(xiàn)
1.4 本文的內(nèi)容結(jié)構(gòu)安排
第二章 基于機(jī)器學(xué)習(xí)的SDN實時大流檢測
2.1 引言
2.2 基于機(jī)器學(xué)習(xí)的SDN實時大流檢測架構(gòu)簡介
2.3 基于機(jī)器學(xué)習(xí)的算法模型介紹
2.3.1 機(jī)器學(xué)習(xí)相關(guān)算法簡介
2.3.2 基于支持向量機(jī)的大流檢測算法
2.3.3 基于卷積神經(jīng)網(wǎng)絡(luò)的大流檢測算法
2.4 仿真實驗設(shè)計及分析
2.4.1 實驗設(shè)計與準(zhǔn)備
2.4.2 實驗結(jié)果與分析
2.5 本章小結(jié)
第三章 基于監(jiān)督式深度學(xué)習(xí)的SDN網(wǎng)絡(luò)流量路由優(yōu)化方法研究
3.1 引言
3.2 問題描述與分析
3.3 深度學(xué)習(xí)路由算法介紹與設(shè)計
3.3.1 深度學(xué)習(xí)及智能路由相關(guān)技術(shù)簡介
3.3.2 基于深度學(xué)習(xí)的路由優(yōu)化算法介紹
3.4 仿真實驗結(jié)果及分析
3.4.1 實驗設(shè)計與準(zhǔn)備
3.4.2 實驗結(jié)果與分析
3.5 本章小結(jié)
第四章 基于強化學(xué)習(xí)的SDN網(wǎng)絡(luò)流量路由優(yōu)化方法研究
4.1 引言
4.2 強化學(xué)習(xí)相關(guān)技術(shù)簡介
4.3 基于強化學(xué)習(xí)的路由優(yōu)化算法介紹
4.3.1 問題描述
4.3.2 算法設(shè)計
4.3.3 算法模型介紹
4.4 仿真實驗結(jié)果及分析
4.4.1 實驗設(shè)計與準(zhǔn)備
4.4.2 實驗結(jié)果與分析
4.5 本章小結(jié)
第五章 全文總結(jié)與展望
5.1 本文的主要工作
5.2 未來工作展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果
本文編號:4049331
本文鏈接:http://www.sikaile.net/guanlilunwen/ydhl/4049331.html
最近更新
教材專著