-
公开(公告)号：CN118524067B
公开(公告)日：2024-10-11
申请号：CN202410986162.0
申请日：2024-07-23
Applicant: 南京信息工程大学
IPC: H04L47/56 , H04L47/629 , H04L47/6275 , H04L47/22 , H04L47/215
Abstract: 本发明公开了一种结合流量整形的MDSCFQ队列调度方法，属于通信技术领域。在天地一体化智能网络中，当流量进入汇聚节点后，对BS流和BE流的流量通过基于熵权TOPSIS方法的多层令牌桶进行流量整形，DS流直接通过；然后根据各流量队列到达的流量情况，基于MDSCFQ调度方法，更新系统虚拟时间和虚拟结束时间，根据各流量队列长度动态调整权值，并进行归一化处理；最后根据权值更新队列头部数据包虚拟结束时间并进行排序对比，基于最小合法虚拟结束时间优先策略，输出具有最小虚拟结束时间的数据，并更新虚拟系统虚拟时间和虚拟结束时间，对网络汇聚流量进行自适应调整，提升流量的汇聚控制性能。
-
Patent Agency Ranking
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：CN117596153A
公开(公告)日：2024-02-23
申请号：CN202311528407.7
申请日：2023-11-16
Applicant: 南京信息工程大学
IPC: H04L41/14 , H04L41/142 , G06F17/14
Abstract: 本发明公开了一种基于Alpha稳定分布的网络流量模型的重构方法及装置，其重构方法包括：获取网络流量序列的长度，根据所述长度确定迭代层数n；获取网络流量模型的特征参数和小波分解层数，根据所述特征参数和小波分解层数产生最粗尺度系数 响应于所述最初尺度系数大于等于零，则基于MWM算法产生尺度系数 j,k为伸缩因子和平移因子；确定Alpha稳定分布的基础参数，基于Alpha稳定分布产生分布在[‑1,1]的随机乘法因子Aj,k，k＝0,1,…,2j‑1；根据所述迭代层数n、最粗尺度系数 尺度系数 和随机乘法因子Aj,k进行迭代运算，重构网络流量序列；本发明能够兼顾长相关特性，突发特性与多重分形特性。
-
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：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。
-
-
-
-
-
Search Results
16
records
(took 0.02 seconds)
