基于深度学习的流量工程算法研究与应用

doi:10.11959/j.issn.1000-0801.2021027

电信科学 ›› 2021, Vol. 37 ›› Issue (2): 107-114.doi: 10.11959/j.issn.1000-0801.2021027

基于深度学习的流量工程算法研究与应用

胡道允¹, 齐进¹, 陆钱春¹, 李锋¹, 房红强²

¹ 移动网络和移动多媒体技术国家重点实验室，广东深圳 518057
² 中国科学技术大学，安徽合肥 230026

修回日期:2021-02-01 出版日期:2021-02-20 发布日期:2021-02-01
作者简介:胡道允（1990- ），男，移动网络和移动多媒体技术国家重点实验室工程师，主要研究方向为网络管控系统、智能网络算法、智能运维等。
齐进（1971- ），男，博士，移动网络和移动多媒体技术国家重点实验室工程师，主要研究方向为网络控制与管理、大数据分析、智能运维等。
陆钱春（1986- ），女，移动网络和移动多媒体技术国家重点实验室工程师，主要研究方向为智能网络优化。
李锋（1978- ），男，移动网络和移动多媒体技术国家重点实验室工程师，主要研究方向为基于深度学习的控制器策略闭环、控制器自动化能力演进等。
房红强（1995-），男，中国科学技术大学硕士生，主要研究方向为光通信网络和机器学习等。

Research and application of traffic engineering algorithm based on deep learning

Daoyun HU¹, Jin QI¹, Qianchun LU¹, Feng LI¹, Hongqiang FANG²

¹ State Key Laboratory of Mobile Network and Mobile Multimedia Technology, Shenzhen 518057, China
² University of Science and Technology of China, Hefei 230026, China

Revised:2021-02-01 Online:2021-02-20 Published:2021-02-01

摘要/Abstract

摘要：

随着5G网络的发展和应用，网络中的业务数量呈现出爆发式增长，网络中的带宽资源日趋紧张。为了提高网络资源利用率，并满足用户日益提高的业务服务质量要求，基于软件定义网络（SDN）提出了一种基于深度学习的流量工程算法（DL-TEA）。通过仿真证明该算法不仅能够实时地为业务计算一条高效的路径，同时还能够提升业务的QoS、网络资源利用率，降低网络阻塞率。

关键词: 软件定义网络, 流量工程, 深度学习, 服务质量

Abstract:

With the development and application of 5G network, the amount of traffic in network increased rapidly, which caused the lack of bandwidth resource.In order to improve the utilization of network resource and satisfy the critical user requirement for QoS (quality of service), a novel traffic engineering algorithm based on deep learning in SDN was proposed.At last, simulation results show that the proposed algorithm not only can calculate an efficient path for service in real time, but also can improve the QoS and the utilization of network resource, as well as reduce network congestion.

Key words: SDN, traffic engineering, deep learning, QoS

中图分类号:

TP393

胡道允, 齐进, 陆钱春, 李锋, 房红强. 基于深度学习的流量工程算法研究与应用[J]. 电信科学, 2021, 37(2): 107-114.

Daoyun HU, Jin QI, Qianchun LU, Feng LI, Hongqiang FANG. Research and application of traffic engineering algorithm based on deep learning[J]. Telecommunications Science, 2021, 37(2): 107-114.

图/表 9

图1

图2

图3

图4

图5

图6

图7

图8

表1

参考文献 13

[1]	MCKEOWN N , ANDERSON T . OpenFlow:enabling innovation in campus networks[C]// Proceedings of ACM SIGCOMM 2008. New York:ACM Press, 2008.
[2]	王素彬, 朱永庆 . SDN与流量精细化运营[J]. 电信科学, 2014,30(11): 145-153.
	WANG S B , ZHU Y Q . SDN and Traffic Fine Operation[J]. Telecommunications Science, 2014,30(11): 145-153.
[3]	张奇 . SDN 在传送网中的关键技术及流量工程应用场景[J]. 电信科学, 2015,31(Z1): 158-162.
	ZHANG Q . Key technologies of SDN in transport network and application scenarios of traffic engineering[J]. Telecommunications Science, 2015,31(Z1): 158-162.
[4]	樊自甫, 伍春玲, 王金红 . 基于 SDN 架构的数据中心网络路由算法需求分析[J]. 电信科学, 2015,31(2): 36-45.
	FAN Z F , WU C L , WANG J H . Requirements analysis of data center network routing algorithm based on SDN architecture[J]. Telecommunications Science, 2015,31(2): 36-45.
[5]	YU M , REXFORD J , FREEDMAN M J ,et al. Scalable flow based networking with DIFANE[C]// Proceedings of SIGCOMM 2010.[S.l.:s.n.], 2010: 351-362
[6]	CURTIS A R , KIM W , YALAGANDULA P . Mahout:low-overhead datacenter traffic management using end-host-based elephant detection[C]// Proceedings of IEEE INFOCOM2011. Piscataway:IEEE Press, 2011: 1629-1637.
[7]	黄婧洁 . SDN网络的流量工程模型及算法研究[D]. 北京:北京邮电大学, 2015.
	HUANG J J . Research on traffic engineering model and algorithms of SDN[D]. Beijing:Beijing University of Posts and Telecommunication, 2015.
[8]	张嗣宏, 左罗 . 基于人工智能的网络智能化发展探讨[J]. 中兴通讯技术, 2019,25(2): 57-62.
	ZHANG S H , ZUO L . Network intelligence based on artificial intelligence[J]. ZTE Technology Journal, 2019,25(2): 57-62.
[9]	VALADARSKY A , SCHAPIRA M , SHAHAF D ,et al. Learning to route[C]// Proceedings of the 16th ACM Workshop. New York:ACM Press, 2017: 185-191
[10]	李彦君 . 利用机器学习实现快速网络资源分配的研究[D]. 成都:电子科技大学, 2016.
	LI Y J . Research on fast network resource allocation with machine learning[D]. Chendu:University of Electronic Science and Technology of China, 2016.
[11]	XU Z , . Experience-driven networking:a deep reinforcement learning based approach[C]// Proceedings of IEEE INFOCOM. Piscataway:IEEE Press, 2018: 1871-1879.
[12]	李芃 . SDN网络中基于机器学习的网络资源分配研究[D]. 南京:东南大学, 2018.
	LI P . Research on network resource allocation based on machine learning in software defined network[D]. Nanjing:Southeast University, 2018.
[13]	SUN P H , LI J F ,et al. SINET:enabling scalable network routing with deep reinforcement learning on partial nodes[C]// Proceedings of SIGCOMM 2019.[S.l.:s.n.], 2019: 88-89.

链路保留率	请求阻塞率	链路保留率	请求阻塞率
0	7.37	10	5.37
1	4.63	20	6.03
2	2.70	30	6.07
3	3.33	40	6.63
4	3.80	50	6.40
5	4.70	60	6.03
6	5.17	70	6.33
7	5.27	80	6.43
8	5.27	90	7.1
9	5.37	100	7.37

[1]	卢敏, 胡娟, 张先超, 丁伟健, 乐光学. 基于用户多特征融合的个性化推荐模型[J]. 电信科学, 2023, 39(5): 101-115.
[2]	唐鑫新, 曾学文, 凌致远, 宋磊. 可编程数据平面技术综述[J]. 电信科学, 2023, 39(4): 1-16.
[3]	贾宇航, 雷艺学, 张翼鹏, 张云飞. 远程遥控驾驶场景下基于网络信息开放的QoS预测[J]. 电信科学, 2023, 39(3): 153-161.
[4]	诸葛斌, 尹正虎, 斯文学, 颜蕾, 董黎刚, 蒋献. 基于学生知识追踪的多指标习题推荐算法[J]. 电信科学, 2022, 38(9): 129-143.
[5]	诸葛斌, 王林超, 宋杨, 邵瑜, 董黎刚, 蒋献. 基于LSTM流量预测的路由规划和切换[J]. 电信科学, 2022, 38(8): 86-100.
[6]	周杰, Esono Mikue Bernardo Esono, 王学英, 周惠婷, 罗宏. 基于SLM-PTS算法融合的NC-OFDM峰均比优化[J]. 电信科学, 2022, 38(7): 63-74.
[7]	信金灿, 许森, 张化, 熊尚坤, 许话. 面向时间敏感网络的5G无线网增强技术研究[J]. 电信科学, 2022, 38(5): 18-25.
[8]	李攀攀, 谢正霞, 乐光学, 刘鑫. 基于深度学习的无线通信接收方法研究进展与趋势[J]. 电信科学, 2022, 38(2): 1-17.
[9]	申情, 郭文宾, 楼俊钢, 余强国. 考虑多层次潜在特征的个性化推荐模型[J]. 电信科学, 2022, 38(2): 71-83.
[10]	刘台, 朱超, 程意, 王一鸣. 基于SDN的战术通信网络架构研究[J]. 电信科学, 2022, 38(10): 120-130.
[11]	丁铖, 陈锦荣, 曹小冬, 王翊. 基于服务质量的层次化结构资源分配算法[J]. 电信科学, 2022, 38(1): 102-111.
[12]	王庆扬, 杨智斌, 龙彪, 梁灏泉. 基于核心网分析和决策的5G网络智能调度[J]. 电信科学, 2021, 37(9): 129-138.
[13]	陈志宏, 王明晓. 计算机视觉在智慧安防中的应用[J]. 电信科学, 2021, 37(8): 142-147.
[14]	袁硕, 任奕璟, 王则予, 孙耀华, 彭木根. 软件定义的星地融合智能无线网络[J]. 电信科学, 2021, 37(6): 66-77.
[15]	唐博恒, 柴鑫刚. 基于云边协同的计算机视觉推理机制[J]. 电信科学, 2021, 37(5): 72-81.

基于深度学习的流量工程算法研究与应用

Research and application of traffic engineering algorithm based on deep learning

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 13

相关文章 15

Metrics

推荐阅读 0