新型軟件定義網(wǎng)絡(luò)（Software Defined Network,SDN）架構(gòu)將網(wǎng)絡(luò)的管理與控制軟件化,實(shí)現(xiàn)了網(wǎng)絡(luò)控制層與數(shù)據(jù)層的分離,其控制器能夠?qū)崟r(shí)獲取網(wǎng)絡(luò)數(shù)據(jù)層的數(shù)據(jù)傳輸狀態(tài),并可定制、更新數(shù)據(jù)層的數(shù)據(jù)流路由策略。流量調(diào)度的目的是根據(jù)實(shí)時(shí)的網(wǎng)絡(luò)狀態(tài)為流量選擇最佳路徑進(jìn)行轉(zhuǎn)發(fā),然而由于網(wǎng)絡(luò)的規(guī)模龐大,結(jié)構(gòu)復(fù)雜,傳統(tǒng)方法難以制定出全網(wǎng)范圍最優(yōu)的數(shù)據(jù)流路由調(diào)度方案。隨著人工智能技術(shù)的發(fā)展,網(wǎng)絡(luò)也向著智能化的方向演進(jìn)。尤其是隨著深度強(qiáng)化學(xué)習(xí)技術(shù)逐漸成熟,其基于環(huán)境狀態(tài)更新回報(bào)的控制機(jī)制非常適合應(yīng)用于軟件定義網(wǎng)絡(luò)的流量控制場(chǎng)景,實(shí)現(xiàn)全網(wǎng)最優(yōu)的數(shù)據(jù)流實(shí)時(shí)調(diào)度。在SDN架構(gòu)下,結(jié)合數(shù)據(jù)中心網(wǎng)絡(luò)流量特征和Fat-Tree網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)特性,提出了一種面向大象流的基于機(jī)器學(xué)習(xí)的流量調(diào)度策略。首先設(shè)置了策略中強(qiáng)化學(xué)習(xí)的關(guān)鍵因素狀態(tài)、動(dòng)作和獎(jiǎng)勵(lì)值,將源、目節(jié)點(diǎn)之間最短路徑的網(wǎng)絡(luò)狀態(tài)設(shè)為狀態(tài),最短路徑集合設(shè)為動(dòng)作,由執(zhí)行數(shù)據(jù)流轉(zhuǎn)發(fā)后的路徑狀態(tài)反饋得到獎(jiǎng)勵(lì)值。然后分別將機(jī)器學(xué)習(xí)中的強(qiáng)化學(xué)習(xí)Q-Learning算法和深度強(qiáng)化學(xué)習(xí)DQN算法應(yīng)用到流量調(diào)度算法中,利用算法可以根據(jù)實(shí)時(shí)的網(wǎng)絡(luò)狀態(tài)為每個(gè)不同Pod間... 

【文章來源】：華北理工大學(xué)河北省

【文章頁數(shù)】：70 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
引言
第1章 緒論
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本課題研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)
第2章 相關(guān)技術(shù)介紹與研究
    2.1 SDN數(shù)據(jù)中心網(wǎng)絡(luò)
        2.1.1 基于SDN的數(shù)據(jù)中心
        2.1.2 數(shù)據(jù)中心網(wǎng)絡(luò)體系架構(gòu)
        2.1.3 數(shù)據(jù)中心網(wǎng)絡(luò)的流量特征
    2.2 數(shù)據(jù)中心網(wǎng)絡(luò)流量調(diào)度
        2.2.1 大象流的調(diào)度策略
        2.2.2 老鼠流的調(diào)度策略
        2.2.3 大象流與老鼠流的調(diào)度策略
    2.3 機(jī)器學(xué)習(xí)
    2.4 馬爾科夫決策過程
    2.5 強(qiáng)化學(xué)習(xí)和深度強(qiáng)化學(xué)習(xí)
    2.6 本章小結(jié)
第3章 基于Q-Learning的流量調(diào)度算法
    3.1 Q-Learning算法
    3.2 基于Q-Learning的流量調(diào)度算法
        3.2.1 問題分析
        3.2.2 算法描述
    3.3 模型訓(xùn)練與參數(shù)設(shè)置
    3.4 本章小結(jié)
第4章 基于DQN的流量調(diào)度算法
    4.1 DQN算法
    4.2 基于DQN的流量調(diào)度算法
        4.2.1 問題分析
        4.2.2 算法描述
    4.3 模型訓(xùn)練與參數(shù)設(shè)置
    4.4 本章小結(jié)
第5章 流量調(diào)度策略的設(shè)計(jì)與實(shí)驗(yàn)
    5.1 流量調(diào)度策略的設(shè)計(jì)
        5.1.1 流量調(diào)度策略的總體架構(gòu)
        5.1.2 流量調(diào)度策略各模塊詳細(xì)設(shè)計(jì)
    5.2 仿真環(huán)境與設(shè)置
        5.2.1 仿真環(huán)境
        5.2.2 實(shí)驗(yàn)設(shè)置
    5.3 實(shí)驗(yàn)結(jié)果與分析
    5.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝
導(dǎo)師簡(jiǎn)介
企業(yè)導(dǎo)師簡(jiǎn)介
作者簡(jiǎn)介
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]數(shù)據(jù)中心網(wǎng)絡(luò)流調(diào)度技術(shù)前沿進(jìn)展[J]. 胡智堯,李東升,李紫陽.  計(jì)算機(jī)研究與發(fā)展. 2018(09)
[2]數(shù)據(jù)中心網(wǎng)絡(luò)中基于SDN的大象流負(fù)載均衡的研究[J]. 金玲,束永安.  計(jì)算機(jī)應(yīng)用研究. 2019(01)
[3]一種基于SDN的多路徑流調(diào)度機(jī)制[J]. 臧韋菲,蘭巨龍,胡宇翔.  計(jì)算機(jī)應(yīng)用研究. 2018(06)
[4]軟件定義網(wǎng)絡(luò)中應(yīng)用蟻群優(yōu)化的負(fù)載均衡算法[J]. 曲樺,趙季紅,樊斌,王密,郭涯.  北京郵電大學(xué)學(xué)報(bào). 2017(03)
[5]基于SDN的胖樹數(shù)據(jù)中心網(wǎng)絡(luò)多路徑路由算法[J]. 彭大芹,賴香武,劉艷林.  計(jì)算機(jī)工程. 2018(04)
[6]深度強(qiáng)化學(xué)習(xí)綜述[J]. 劉全,翟建偉,章宗長,鐘珊,周倩,章鵬,徐進(jìn).  計(jì)算機(jī)學(xué)報(bào). 2018(01)
[7]深度強(qiáng)化學(xué)習(xí)綜述:兼論計(jì)算機(jī)圍棋的發(fā)展[J]. 趙冬斌,邵坤,朱圓恒,李棟,陳亞冉,王海濤,劉德榮,周彤,王成紅.  控制理論與應(yīng)用. 2016(06)
[8]基于軟件定義網(wǎng)絡(luò)的流量工程[J]. 周桐慶,蔡志平,夏竟,徐明.  軟件學(xué)報(bào). 2016(02)
[9]軟件定義網(wǎng)絡(luò)（SDN）研究進(jìn)展[J]. 張朝昆,崔勇,唐翯翯,吳建平.  軟件學(xué)報(bào). 2015(01)
[10]K最短路徑算法綜述[J]. 徐濤,丁曉璐,李建伏.  計(jì)算機(jī)工程與設(shè)計(jì). 2013(11)

碩士論文
[1]利用深度強(qiáng)化學(xué)習(xí)實(shí)現(xiàn)智能網(wǎng)絡(luò)流量控制[D]. 楊冉.北京郵電大學(xué) 2019
[2]軟件定義網(wǎng)絡(luò)中智能化資源調(diào)度策略研究[D]. 李朋苗.華北理工大學(xué) 2018
[3]SDN下基于強(qiáng)化學(xué)習(xí)的路由規(guī)劃算法研究[D]. 程成.浙江工商大學(xué) 2018
[4]基于強(qiáng)化學(xué)習(xí)的SDN數(shù)據(jù)中心網(wǎng)絡(luò)擁塞控制方法的研究[D]. 庹鑫.浙江工商大學(xué) 2018
[5]基于SDN的數(shù)據(jù)中心網(wǎng)絡(luò)流量調(diào)度方法研究[D]. 陽利.湘潭大學(xué) 2017
[6]基于SDN的數(shù)據(jù)中心網(wǎng)絡(luò)流量調(diào)度策略研究[D]. 黃馬馳.重慶郵電大學(xué) 2017
[7]利用機(jī)器學(xué)習(xí)實(shí)現(xiàn)快速網(wǎng)絡(luò)資源分配的研究[D]. 李彥君.電子科技大學(xué) 2015



本文編號(hào)：3159999