-
公开(公告)号：CN106685689B
公开(公告)日：2019-08-27
申请号：CN201610946111.0
申请日：2016-10-26
Applicant: 浙江工商大学
IPC: H04L12/24 , H04L12/741
Abstract: 本发明公开了一种基于深度学习的SDN流表冲突检测装置及方法。该装置包括以下模块：窗口分割模块、深度检测模块、结果分析模块、监听模块和数据存储模块。该方法包括：具体SDN应用通过策略映射模块映射为具体SDN流表项{P}；窗口分割模块从数据库存储模块提取适合于深度检测模块处理的窗口大小的流表项{W}；将{P}和{W}中流表项输入深度检测模块进行流表冲突检测；经过冲突检测模块后的流表输入到结果分析模块进行分析判断。本发明利用了深度学习抽象化高层数据、自动学习的特点，相比于传统的冲突查找算法，在大规模应用部署时能更快速地对超大规模的流表项做出是否冲突的检测。
-
Patent Agency Ranking
公开(公告)号：CN106685689A
公开(公告)日：2017-05-17
申请号：CN201610946111.0
申请日：2016-10-26
Applicant: 浙江工商大学
IPC: H04L12/24 , H04L12/741
Abstract: 本发明公开了一种基于深度学习的SDN流表冲突检测装置及方法。该装置包括以下模块：窗口分割模块、深度检测模块、结果分析模块、监听模块和数据存储模块。该方法包括：具体SDN应用通过策略映射模块映射为具体SDN流表项{P}；窗口分割模块从数据库存储模块提取适合于深度检测模块处理的窗口大小的流表项{W}；将{P}和{W}中流表项输入深度检测模块进行流表冲突检测；经过冲突检测模块后的流表输入到结果分析模块进行分析判断。本发明利用了深度学习抽象化高层数据、自动学习的特点，相比于传统的冲突查找算法，在大规模应用部署时能更快速地对超大规模的流表项做出是否冲突的检测。
-
公开(公告)号：CN107911299A
公开(公告)日：2018-04-13
申请号：CN201711002456.1
申请日：2017-10-24
Applicant: 浙江工商大学
IPC: H04L12/751
Abstract: 本发明公开一种基于深度Q学习的路由规划方法，该方法为：根据网络拓扑生成奖励值矩阵，使用一个训练好的深度神经网络模型代替普通Q学习的Q值表进行路由规划。本发明利用了神经网络抽象化高层数据、自动学习的特点，相比于传统的Dijkstra算法，在大规模应用部署时能更快速地规划出最短路径。
-
公开(公告)号：CN107911299B
公开(公告)日：2020-12-29
申请号：CN201711002456.1
申请日：2017-10-24
Applicant: 浙江工商大学
IPC: H04L12/751
Abstract: 本发明公开一种基于深度Q学习的路由规划方法，该方法为：根据网络拓扑生成奖励值矩阵，使用一个训练好的深度神经网络模型代替普通Q学习的Q值表进行路由规划。本发明利用了神经网络抽象化高层数据、自动学习的特点，相比于传统的Dijkstra算法，在大规模应用部署时能更快速地规划出最短路径。
-
公开(公告)号：CN106453079A
公开(公告)日：2017-02-22
申请号：CN201610826178.0
申请日：2016-09-13
Applicant: 浙江工商大学
IPC: H04L12/721 , H04L12/751 , H04L12/755
CPC classification number: H04L45/38 , H04L45/02 , H04L45/021
Abstract: 本发明公开一种基于深度学习的SDN流表冲突检测方法。该方法采用两级深度学习模型进行冲突检测，第一级深度学习模型检测新的流表策略与已有的流表策略是否存在冲突；第二级深度学习模型确定已有的所有流表策略中与新的流表策略相冲突的具体流表策略。本发明利用了深度学习抽象化高层数据、自动学习的特点，相比于传统的冲突查找算法，在大规模应用部署时能更快速地对超大规模的流表项做出是否冲突的检测。
-
公开(公告)号：CN106453079B
公开(公告)日：2019-07-16
申请号：CN201610826178.0
申请日：2016-09-13
Applicant: 浙江工商大学
IPC: H04L12/721 , H04L12/751 , H04L12/755
CPC classification number: H04L45/38 , H04L45/02 , H04L45/021
Abstract: 本发明公开一种基于深度学习的SDN流表冲突检测方法。该方法采用两级深度学习模型进行冲突检测，第一级深度学习模型检测新的流表策略与已有的流表策略是否存在冲突；第二级深度学习模型确定已有的所有流表策略中与新的流表策略相冲突的具体流表策略。本发明利用了深度学习抽象化高层数据、自动学习的特点，相比于传统的冲突查找算法，在大规模应用部署时能更快速地对超大规模的流表项做出是否冲突的检测。
-
-
-
-
-
Search Results
6
records
(took 0.024 seconds)
