-
公开(公告)号：CN103078802B
公开(公告)日：2015-07-29
申请号：CN201310006433.3
申请日：2013-01-07
Applicant: 浙江工商大学
IPC: H04L12/751
Abstract: 本发明所公开的一种逻辑功能块动态拓扑的实现方法。本发明中转发与控制分离系统内的控制件和转发件都维护了一个拓扑信息库，该拓扑信息库是一组有向连线的集合，该有向连线的起点和终点都是逻辑功能块；控制件通过向转发件发送逻辑功能块属性配置的ForCES消息，实现ForCES系统中转发件功能的重构和重组；转发件对拓扑信息进行合法性验证来确定是否更新自己的拓扑信息库；本发明给出了逻辑功能块拓扑配置的流程。本发明的拓扑表示十分简单，以堆叠的方式在ForCES消息中存放有向连接；拓扑更新中信息量最小化，在拓扑有向连线的描述中虽然增加了1个字节的状态字段的开销，但是却避免了在拓扑更新消息中发送整个拓扑信息库。
-
公开(公告)号：CN104283949A
公开(公告)日：2015-01-14
申请号：CN201410513035.5
申请日：2014-09-29
Applicant: 浙江工商大学
IPC: H04L29/08 , H04L12/803 , G06F17/30
CPC classification number: H04L67/1002 , H04L47/125
Abstract: 本发明公开了一种基于功能块的逻辑网构建方法。本发明将逻辑网定义出编排层、中央控制层和转发层，每层定义特定的功能块来实现从上层应用到底层数据转发的逻辑网构建；具体的编排层将资源需求发送给位于中央控制层里的RESTAPI服务器；RESTAPI服务器将虚拟节点资源信息发送到位于配置层的转换引擎组件，换引擎组件计算出逻辑网配置信息，并将该逻辑网配置信息通过IF-MAP协议发向控制层；控制层根据逻辑网配置信息找到与该逻辑网配置信息对应的物理节点，并且控制层向每个物理节点发出创建虚拟节点通告。本发明能针对不同的上层应用，底层转发平面总是能构建出一条专用的逻辑网供其使用，实现了虚拟网络中的数据隔离。
-
公开(公告)号：CN103152201A
公开(公告)日：2013-06-12
申请号：CN201310079362.X
申请日：2013-03-12
Applicant: 浙江工商大学
IPC: H04L12/24
Abstract: 本发明所公开的一种ForCES系统中逻辑功能块拓扑正确性的验证方法。本发明根据逻辑功能块拓扑能力穷尽并构造可行边，将逻辑功能块拓扑正确性的验证问题转化为每一条实际边的合法性验证问题；通过对可行边和实际边的字符化处理，将原本复杂的实际边的合法性验证问题简化成单纯的字符串的模式匹配问题，进而为利用各种模式匹配算法提高验证效率奠定了基础。本发明的显著技术优点是：1.容易实现，所涉及的字符化处理和模式匹配都是十分常见的技术，几乎所有的编程环境都提供了类似功能；2.可扩展性强，模式匹配中正文和模式的格式可以根据实际需要进行定制以提高匹配精度，允许用户引入或改进各种模式匹配算法以大幅度地提高匹配效率。
-
公开(公告)号：CN118366325A
公开(公告)日：2024-07-19
申请号：CN202410609304.1
申请日：2024-05-16
Applicant: 浙江工商大学
Abstract: 本发明公开了一种现实路网场景下的数字孪生辅助多交通信号灯智能调配方法、系统、装置及存储介质，该方法利用道路数据感知机制，根据交通动态搭建数字映射体，随后利用差分矩阵降维聚合数据处理方法高效应对海量数据传输，同时整合智能车辆实时探测信息实现对道路中非联网车辆的定位并形成真实交通流，最终同时集成多个信号灯控制算法形成策略选择机制，不断选取最优策略适应现实交通路网变化环境。本发明能够动态的对现实交通场景进行前瞻性实验，并不断获得最优策略，尤其在遇到高峰路况时发挥作用。本发明在处理复杂多变的路网场景中对交通信号灯的调配展现出更高的效率，能够极大的缓解交通场景中强化学习模型的过拟合问题。
-
公开(公告)号：CN115460136B
公开(公告)日：2024-05-28
申请号：CN202210938405.4
申请日：2022-08-05
IPC: H04L45/30 , H04L45/74 , H04L45/28 , H04L47/722 , H04L1/1829
Abstract: 本发明公开一种基于PINet的身份标识网络的存储感知路由方法，该方法为：增加了一项路由节点对后继链路的感知决策，当身份标识网络路由器进行转发时，会对链路进行探测，根据探测结果判断是否对数据包进行存储操作，若判断下游链路质量较差时，主动选择将待传输内容存入存储空间；若下游链路质量较好，则选择直接继续向后传输。结合可靠逐跳传输机制，当向下一跳发送的数据内容发生丢包情况时，会继续从当前节点向后进行探测传输，经过这样的判断、存储/发送、断点重传之后，数据包的重传时间得到优化。本发明不仅可以有效降低链路故障率，还能在链路故障后，能够通过本发明所构建网络架构，使网络得以快速恢复通信能力。
-
Patent Agency Ranking
公开(公告)号：CN113158543B
公开(公告)日：2023-10-24
申请号：CN202110145066.X
申请日：2021-02-02
Applicant: 浙江工商大学
IPC: G06F30/27 , G06N3/042 , G06N3/0464 , G06N3/0455 , G06N3/082 , G06N3/048 , G06N3/088 , G06F18/214 , G06F18/21
Abstract: 本发明公开一种软件定义网络性能智能预测方法，首先依据网络特性及信息的分析确定所需要的样本数据属性，并进行数据集的提取与预处理；其次在分析网络特性的基础上，依据图空域卷积的形式化框架提出一种基于图神经网络的SDN性能评估模型；然后使用数据集，在SDN性能评估模型上进行训练；最后将测试集输入到训练完成后得到的最优模型中，对测试集的数据进行测试并返回预测的数据，进行相关的网络性能评估。本发明扩展了已有的图神经网络体系结构，并结合图自编码器进行了模型的改进，所构建的图神经网络模型可以对网络的图数据进行智能建模，且在预测时延、抖动和丢包率多种网络性能指标中都有突出的表现，提高了的性能评估的准确性。
-
公开(公告)号：CN115904700A
公开(公告)日：2023-04-04
申请号：CN202211348156.X
申请日：2022-10-31
Applicant: 浙江工商大学
Abstract: 本发明提出了一种基于强化学习的单移动用户的移动任务卸载方法。该方法主要分为两个部分：第一，首先考虑了大型任务对于移动性的敏感性，将任务从“原子”角度出发，利用一定阈值和任务的特点对任务进行划分。第二，任务卸载决策根据设备的现有学习情况和移动性，提出基于双表Q‑Learning算法来选择连接的基站以及是否卸载。并利用该算法分别对时延和时延与能耗的综合性能进行优化。本发明利用边缘计算和强化学习技术，首先根据阈值判断任务是否需要划分，当用户设备在移动时，用户如何选择连接的基站以及决定卸载的任务量，使得总时延得到减小，时延与能耗的综合性能得到提高。
-
公开(公告)号：CN115456140A
公开(公告)日：2022-12-09
申请号：CN202210863247.0
申请日：2022-07-20
Applicant: 浙江工商大学
Abstract: 本发明公开一种基于夏普利值解释的图神经网络模型重要链路确定方法及装置，本发明将SDN网络性能预测的图神经网络模型的工作原理与博弈论理论知识相结合，为SDN网络性能预测的图神经网络模型提供有效、合理的解释。使用夏普利值作为输入节点的重要性得分，并通过一个可训练的软离散掩码矩阵来挑选重要节点集合，从而降低了夏普利值的计算量。实验结果表明本发明能为图神经网络模型提供有效解释，挑选出针对预测结果的重要链路集合，为进一步优化网络拓扑结构提供支撑，并在一定程度上验证了模型能够正确地学习到特征之间的关系，增强了其可靠性，为推动SDN网络性能预测的图神经网络模型在工程实践中的应用提供了新的方案。
-
公开(公告)号：CN111245718B
公开(公告)日：2022-03-29
申请号：CN201911400370.3
申请日：2019-12-30
Applicant: 浙江工商大学
IPC: H04L41/16 , H04L41/122 , H04L45/76 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于SDN情景感知的路由优化方法，包括如下步骤：步骤1：采集网络、用户的相关情景数据，建立网络情景数据集；步骤2：构建由门控循环单元、自编码器、多层感知机构所构成的三级级联神经网络模型；步骤3：将步骤1中的网络情景数据集输入到训练好的图神经网络模型中进行情景感知，得到情景感知后的网络性能矩阵；步骤4：根据步骤3获得的网络性能矩阵，通过智能算法对网络的路由进行优化。本发明基于SDN情景感知的路由优化方法相较于其他路由优化方法更能够实现对实际情景及状态需求的智能拟合，并提高网络的资源利用率。
-
公开(公告)号：CN111245673B
公开(公告)日：2022-03-25
申请号：CN201911400281.9
申请日：2019-12-30
Applicant: 浙江工商大学
IPC: H04L43/0852 , H04L41/142 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于图神经网络的SDN时延感知方法，包括如下步骤：步骤1：根据相关情景数据集进行网络序列建模，通过TensorFlow框架中的TFRecord格式存储和读取样本数据；步骤2：构建由门控循环单元(GRU)、自编码器、多层感知机构所构成的三级级联神经网络模型；步骤3：使用步骤1的数据集对图神经网络模型进行训练；步骤4：将测试集输入到步骤3训练完成后的模型中，对数据进行感知、筛选并得到具有概括性的数据。本发明利用图神经网络基于非欧几里得空间的数据格式的准确的推理能力并且不会丢失图形数据的结构信息的特点，相比于其他深度学习模型展现出了更强大的数据处理能力。
-
-
-
-
-
-
-
-
-
Search Results
96
records
(took 0.026 seconds)
