基于数据平面的动态Q值路由计算方法及装置

    公开(公告)号:CN112383482A

    公开(公告)日:2021-02-19

    申请号:CN202011282235.6

    申请日:2020-11-16

    Abstract: 本发明提供了一种基于数据平面的动态Q值路由计算方法及装置,涉及通信的技术领域,包括:先获取本交换机上用于与其他交换机相连的端口;然后在本交换机启动并初始化之后,收到相邻端发送的数据包,并确定数据包类型;最后基于数据包类型和应用在数据平面上的Q‑learning算法,更新本交换机的Q值。本发明中的Q‑learning算法可以通过与网络环境的不断交互从而学习到最优路策略,能够动态调整路由策略,实现对网络状态的最优响应。本发明中的数据平面是可编程数据平面,可以实现在数据平面直接进行路由计算,避免了与控制平面的交互,提高了对网络状态的响应速度。

    一种无线传感器网络的数据传输方法

    公开(公告)号:CN110505597A

    公开(公告)日:2019-11-26

    申请号:CN201910701024.2

    申请日:2019-07-31

    Abstract: 本申请公开了一种无线传感器网络的数据传输方法,包括:传感器节点接收雾计算节点训练的数据预测模型,采集当前感测数据,根据历史感测数据确定当前感测数据的预测值,若当前感测数据的预测值与实际值之差小于设定的第一阈值,则所述传感器节点不向所述雾计算节点发送当前感测数据,否则,所述传感器节点向所述雾计算节点发送当前感测数据;所述雾计算节点从当前感测数据的采集时刻开始,若在设定的等待时间内收到所述当前感测数据,则传感器节点发来的当前感测数据进行后续处理,若在所述等待时间内未接收到当前感测数据,则根据历史感测数据确定当前感测数据的预测值,并将该预测值作为当前感测数据进行后续处理。通过本申请,能够有效减少无线传感器网络中的海量数据传输,并降低核心网的数据处理负担。

    基于数据平面的动态Q值路由计算方法及装置

    公开(公告)号:CN112383482B

    公开(公告)日:2021-10-08

    申请号:CN202011282235.6

    申请日:2020-11-16

    Abstract: 本发明提供了一种基于数据平面的动态Q值路由计算方法及装置,涉及通信的技术领域,包括:先获取本交换机上用于与其他交换机相连的端口;然后在本交换机启动并初始化之后,收到相邻端发送的数据包,并确定数据包类型;最后基于数据包类型和应用在数据平面上的Q‑learning算法,更新本交换机的Q值。本发明中的Q‑learning算法可以通过与网络环境的不断交互从而学习到最优路策略,能够动态调整路由策略,实现对网络状态的最优响应。本发明中的数据平面是可编程数据平面,可以实现在数据平面直接进行路由计算,避免了与控制平面的交互,提高了对网络状态的响应速度。

    一种基于深度强化学习的资源分配方法及装置

    公开(公告)号:CN111444009A

    公开(公告)日:2020-07-24

    申请号:CN201911117328.0

    申请日:2019-11-15

    Abstract: 本发明实施例提供了一种基于深度强化学习的资源分配方法及装置,方法包括:确定用户的应用程序请求中包含的多种待分配资源的服务,以及各服务的分配优先级;确定当前边缘微云系统的状态参数,状态参数包括资源均衡度评估参数,响应延迟评估参数,以及每个微云中各个计算节点的资源剩余量;将状态参数输入预先训练完成的资源均衡优化模型,得到第一服务的第一目标计算节点;资源均衡优化模型是基于深度强化学习训练完成的,将第一服务部署于第一目标计算节点;更新状态参数,返回参数输入步骤,直到应用程序请求中包含的每种待分配资源的服务均完成资源分配。相比于传统的资源分配方法,既能够满足通信延迟需求,又能达到较高的资源利用均衡度。

    一种冗余服务部署方法及装置

    公开(公告)号:CN110896344A

    公开(公告)日:2020-03-20

    申请号:CN201911117330.8

    申请日:2019-11-15

    Abstract: 本发明实施例提供了一种冗余服务部署方法及装置,确定用户的应用程序请求中包含的多种待部署服务,每种待部署服务的资源需求,以及各待部署服务之间的通信延迟需求;每种待部署服务包括多个服务副本;基于预设的服务放置规则,为每种待部署服务的各个服务副本分配物理机节点,筛选出多个可用放置决策;根据各待部署服务的服务副本所放置的物理机节点的可靠度,以及微云的可靠度,计算该可用放置决策的可靠度;从可用放置决策中确定最终放置决策;基于最终放置决策,在微云的物理机节点中部署相应的待部署服务。从而综合考虑了应用程序的每种服务的资源需求,服务间通信需求,物理机节点的可靠度,微云的可靠度因素,保证服务部署的高可靠性。

    一种基于深度强化学习的资源分配方法及装置

    公开(公告)号:CN111444009B

    公开(公告)日:2022-10-14

    申请号:CN201911117328.0

    申请日:2019-11-15

    Abstract: 本发明实施例提供了一种基于深度强化学习的资源分配方法及装置,方法包括:确定用户的应用程序请求中包含的多种待分配资源的服务,以及各服务的分配优先级;确定当前边缘微云系统的状态参数,状态参数包括资源均衡度评估参数,响应延迟评估参数,以及每个微云中各个计算节点的资源剩余量;将状态参数输入预先训练完成的资源均衡优化模型,得到第一服务的第一目标计算节点;资源均衡优化模型是基于深度强化学习训练完成的,将第一服务部署于第一目标计算节点;更新状态参数,返回参数输入步骤,直到应用程序请求中包含的每种待分配资源的服务均完成资源分配。相比于传统的资源分配方法,既能够满足通信延迟需求,又能达到较高的资源利用均衡度。

    一种冗余服务部署方法及装置

    公开(公告)号:CN110896344B

    公开(公告)日:2021-03-19

    申请号:CN201911117330.8

    申请日:2019-11-15

    Abstract: 本发明实施例提供了一种冗余服务部署方法及装置,确定用户的应用程序请求中包含的多种待部署服务,每种待部署服务的资源需求,以及各待部署服务之间的通信延迟需求;每种待部署服务包括多个服务副本;基于预设的服务放置规则,为每种待部署服务的各个服务副本分配物理机节点,筛选出多个可用放置决策;根据各待部署服务的服务副本所放置的物理机节点的可靠度,以及微云的可靠度,计算该可用放置决策的可靠度;从可用放置决策中确定最终放置决策;基于最终放置决策,在微云的物理机节点中部署相应的待部署服务。从而综合考虑了应用程序的每种服务的资源需求,服务间通信需求,物理机节点的可靠度,微云的可靠度因素,保证服务部署的高可靠性。

Patent Agency Ranking