- MM下一代网络中自适应交通路由的深度增强学习方法
我们研究并开发了一种深度强化学习(DRL)方法,用于自适应流量路由,该方法利用深度图卷积神经网络(DGCNN)在 DRL 框架中学习流量行为,并通过 Q 值估计选择路由路径,实现对流量动态的快速适应。与 OSPF 协议相比,实验结果表明了该 - 分布式 SDN 中的自适应控制器同步的约束强化学习
使用软件定义网络(SDN)中的分布式 SDN 控制器,主要研究领域包括同步化、增强现实和虚拟现实以及深度强化学习技术,以实现网络性能优化和应对网络变化的挑战。
- XFedHunter:一种可解释的软件定义网络高级持久威胁检测联邦学习框架
提出了一个可解释的联邦学习框架,用于在软件定义网络中检测高级持续性威胁,并利用许多训练合作者的本地网络安全知识,使用图神经网络和深度学习模型有效地揭示网络系统中的恶意事件。实验结果表明,该框架可以提高基于机器学习的网络安全系统的可信度和责任 - 基于深度分层强化学习的智能 SDN 多播路由方法 DHRL-FNMR
该研究提出了一种基于深度分层强化学习的 SDN 智能多播路由算法来解决现有算法存在的问题,并构建了信息特征的状态空间和不同的行动空间。此外,还开发了可区分单步节点行动和多步行动向多目标节点的替代奖励策略来加速构建最优多播树的智能代理。
- 基于网络状况感知和深度强化学习的智能 SDWN 路由算法
本文介绍了一种基于强化学习和网络状态感知的智能路由算法,其结合了软件定义网络架构、网络拓扑构建、流量信息预测等因素,通过执行智能灵活的路由决策,有效提高了网络吞吐量、延迟、数据包丢失率等性能指标。
- 一种使用深度学习进行 SDN 网络入侵检测的新方法:未来方法
该研究探讨了如何在软件定义网络(SDN)的背景下,使用网络入侵检测系统和深度学习算法进行攻击检测和提高网络安全性能。结果表明,该方法通过结合多种深度学习算法,成功地进行了二分类任务,并取得了显著的检测成果。
- DRL-M4MR: 基于 DQN 深度强化学习的智能 SDN 多播路由方法
本文采用深度强化学习(DRL)方法设计了一种基于软件定义网络(SDN)的智能组播路由算法 DRL-M4MR,该算法将最优组播路由问题视为多目标优化问题,通过构建组播树状态矩阵、链路带宽矩阵、链路延迟矩阵和链路丢包率矩阵作为 DRL 代理的状 - 基于图神经网络的自动化网络控制服务函数链路
通过提出一个基于图神经网络的服务功能链路模型,本文提高了网络服务器进行虚拟网络功能处理的效率,并保证了较高的服务质量,相较之前的深度学习模型有更好的表现且能够应对动态网络拓扑。
- MMCFR-RL: SDN 中使用强化学习进行流量工程
本文通过 CFRRRL 方法,采用强化学习技术,自动学习选择每个给定流量矩阵的关键流的策略,通过解决一个简单的线性规划问题来重新路由这些选择的关键流,以平衡网络的链路利用率。
- 知识定义网络
本文介绍了一种新框架:知识定义网络(KDN),该框架利用人工智能、软件定义网络和网络分析来改善网络运营和控制,并提出了若干应用实例和支持其可行性的简单实验结果。
- 软件定义网络:全面调查
本文综合评估软件定义网络的主要概念、基础设施、API、语言和未来,突出 SDN 对网络控制、网络虚拟化和网络应用的作用。
- 软件定义网络中可扩展的多播通信斯坦纳树
本文针对 SDN 中多播流的可扩展性问题,提出一种新的多播树 ——BST,并设计了近似算法 BAERA 用于解决该不可解问题,仿真结果表明 BAERA 生成的树比最短路径树和传统的 Steiner 树更具带宽效率和可扩展性,并且可以在 SD