本文關鍵詞：利用機器學習實現(xiàn)快速網(wǎng)絡資源分配的研究

  更多相關文章： 軟件定義網(wǎng)絡 網(wǎng)絡資源快速分配 動態(tài)路由決策 深度學習 受限玻爾茲曼機

【摘要】：軟件定義網(wǎng)絡是一種新型的網(wǎng)絡架構,其將網(wǎng)絡設備控制面與數(shù)據(jù)面分離開來。一個邏輯上集中的控制器負責所有的決策控制,而數(shù)據(jù)面的交換設備只負責網(wǎng)絡中數(shù)據(jù)封包的轉發(fā)。這個架構使得網(wǎng)絡數(shù)據(jù)流更加的靈活可控。而面對日益增長的網(wǎng)絡流量壓力和不斷升級的應用需求,如何在此集中控制的架構下,為用戶提供高質(zhì)量服務的同時,實現(xiàn)網(wǎng)絡資源的合理分配,從而全面提升網(wǎng)絡性能便成為了一個重要的研究議題。而通過對這個復雜的流量工程問題進行數(shù)學建�？梢宰C實,其為一個NP完全問題。雖然目前,研究人員已經(jīng)在網(wǎng)絡資源分配,特別是動態(tài)路由決策方面提出了很多較為先進的啟發(fā)式算法。但是在解決這個NP完全問題時,這些算法均會帶來較高的計算時間花銷,無法在真實網(wǎng)絡所要求的時間內(nèi)完成動態(tài)路由的選擇。本論文提出了一種的解決方案,力求實現(xiàn)實時的動態(tài)路由決策。在一個可靠的網(wǎng)絡環(huán)境中,我們用多個監(jiān)督式機器學習模型在控制器端構建了一個路由決策元層。為了能夠使經(jīng)過訓練的機器學習模型,具備啟發(fā)式算法根據(jù)當前網(wǎng)絡狀態(tài)計算優(yōu)化路由的能力,本文將啟發(fā)式算法的輸入和輸出分別作為訓練樣本的特征和標簽對模型進行訓練。在所有模型訓練完成之后,該路由決策元層便可以完全取代耗時的啟發(fā)式算法。即當控制器收到有新的連接請求,其便可以根據(jù)采集到的實時網(wǎng)絡狀態(tài)數(shù)據(jù),獨立計算得出與啟發(fā)式算法近似的優(yōu)化路徑,而這一個預測過程則是非常迅速,完全滿足真實網(wǎng)絡部署的需要。同時,為了能夠更加有效地抽取有用的網(wǎng)絡特征,并使機器學習模型充分考慮該約束滿足問題中約束條件和優(yōu)化目標的影響,我們利用了深度學習的思想,并且基于分類受限玻爾茲曼機,提出了高斯-二進制條件分類受限玻爾茲曼機模型作為路由決策單元,并給出了該模型的具體訓練算法。之后通過詳盡的數(shù)學論證與仿真實驗,本文分別從理論和實踐的角度證實了條件分類受限玻爾茲曼機可以成功地應用于該動態(tài)路由決策框架中。而通過該深度學習模型的準確預測,本架構最終實現(xiàn)了網(wǎng)絡資源的快速分配。
【關鍵詞】：軟件定義網(wǎng)絡 網(wǎng)絡資源快速分配 動態(tài)路由決策 深度學習 受限玻爾茲曼機
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP181;TP393.07
【目錄】：

• 摘要5-6
• ABSTRACT6-12
• 縮略詞表12-13
• 第一章 緒論13-22
• 1.1 引言13-14
• 1.2 課題研究的動機與意義14-16
• 1.3 國內(nèi)外研究歷史與現(xiàn)狀16-19
• 1.4 本文的主要貢獻與創(chuàng)新19-20
• 1.5 本論文的結構安排20-22
• 第二章 基于機器學習的路由決策架構設計22-39
• 2.1 軟件定義網(wǎng)絡22-25
• 2.1.1 架構描述22-24
• 2.1.2 OpenFlow流的轉發(fā)24-25
• 2.2 動態(tài)路由決策25-28
• 2.3 機器學習概述28-30
• 2.4 網(wǎng)絡環(huán)境描述30-32
• 2.5 基于機器學習的路由決策架構設計32-38
• 2.5.1 架構概覽32-33
• 2.5.2 路由決策元層的組成33-34
• 2.5.3 訓練數(shù)據(jù)采集和路徑數(shù)據(jù)庫構建過程34-35
• 2.5.4 模型訓練過程35-36
• 2.5.5 動態(tài)路由決策過程36-38
• 2.6 本章小結38-39
• 第三章 改進的深度學習模型39-60
• 3.1 深度學習概述39-42
• 3.2 受限玻爾茲曼機42-47
• 3.3 分類受限玻爾茲曼機47-49
• 3.4 提出的條件分類玻爾茲曼機49-58
• 3.4.1 binary-binary條件分類玻爾茲曼機51-53
• 3.4.2 Gaussian-binary條件分類玻爾茲曼機53-58
• 3.5 本章小結58-60
• 第四章 仿真實驗60-70
• 4.1 訓練數(shù)據(jù)采集及路徑數(shù)據(jù)庫構建61-64
• 4.1.1 OMNeT++網(wǎng)絡仿真器簡介61-62
• 4.1.2 數(shù)據(jù)采集過程62-64
• 4.1.3 路徑數(shù)據(jù)庫構建64
• 4.2 模型訓練64-65
• 4.3 動態(tài)路由決策65-69
• 4.4 本章小結69-70
• 第五章 總結與展望70-72
• 5.1 總結70-71
• 5.2 展望71-72
• 致謝72-73
• 參考文獻73-76
• 攻讀碩士期間取得的研究成果76-77

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 薛文玲;王振朝;;改進動態(tài)蟻群算法在低壓電力線載波通信動態(tài)路由中的應用研究[J];河北科技大學學報;2011年03期

2 陳曉娟;耿雪瑩;;低壓電力線載波通信的動態(tài)路由算法[J];黑龍江電力;2013年01期

3 趙國鋒,唐紅,田力;一種適于業(yè)務量工程的動態(tài)路由算法[J];計算機工程與應用;2003年12期

4 魏戰(zhàn)爭;張羨林;;如何利用動態(tài)路由實現(xiàn)區(qū)域網(wǎng)的連通[J];中國科技信息;2012年18期

5 王興偉;魏永濤;黃敏;王軍偉;;容遲容斷網(wǎng)絡中基于模型的動態(tài)路由算法[J];計算機科學;2013年09期

6 呂勇,趙光宙,蘇凡軍;基于蟻群算法的自適應動態(tài)路由算法[J];浙江大學學報(工學版);2005年10期

7 楊明欣;;動態(tài)路由算法的性能研究[J];商場現(xiàn)代化;2009年01期

8 馮雪;龐尚珍;;IP via MPLS over DWDM網(wǎng)絡的動態(tài)路由算法研究[J];科技資訊;2010年23期

9 李仕鋒,顧冠群;IP over WDM網(wǎng)絡集成動態(tài)路由算法研究[J];現(xiàn)代有線傳輸;2002年02期

10 李磊,羅懿,李觀華;應用單純形算法解決動態(tài)路由問題[J];通信學報;2004年02期

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 郝志宇;云曉春;張宏莉;姜春祥;;動態(tài)路由模擬策略研究[A];全國網(wǎng)絡與信息安全技術研討會論文集（下冊）[C];2007年

2 張煥國;蘭凱民;張家波;張治中;;城域RPR多環(huán)網(wǎng)的動態(tài)路由[A];第九屆全國青年通信學術會議論文集[C];2004年

3 陳勇;王晟;李金瑜;;多粒度交換光網(wǎng)絡的一種動態(tài)路由和波長分配算法[A];2006中國西部青年通信學術會議論文集[C];2006年

中國重要報紙全文數(shù)據(jù)庫 前2條

1 張新靈;領先技術成就光網(wǎng)絡經(jīng)典產(chǎn)品[N];人民郵電;2004年

2 特約撰稿人 徐建鋒;IP-RAN:無連接網(wǎng)絡的絕對優(yōu)勢[N];通信產(chǎn)業(yè)報;2010年

中國碩士學位論文全文數(shù)據(jù)庫 前5條

1 李彥君;利用機器學習實現(xiàn)快速網(wǎng)絡資源分配的研究[D];電子科技大學;2015年

2 張亮;多業(yè)務IP網(wǎng)絡流量控制和動態(tài)路由算法研究[D];南京郵電大學;2011年

3 張辛欣;基于主動探測的覆蓋網(wǎng)動態(tài)路由技術研究[D];上海交通大學;2010年

4 張子青;WSN中QoS保障下的動態(tài)路由配置算法設計與實現(xiàn)[D];東北大學;2011年

5 金琦峰;波分復用光網(wǎng)絡中的動態(tài)路由算法的研究[D];浙江工業(yè)大學;2007年

，

本文編號：940441