面向信息中心网络的智能感知技术研究
发布时间：2021-10-28 20:06
随着信息技术和网络技术的蓬勃发展,人类对网络的需求越来越大,要求也越来越高。传统的IP网络设计的初衷是解决点对点通讯的问题,然而当前人们对于网络的主要需求已经转变为对各种内容的访问和获取。为了适应网络使用范式的变化,研究人员提出了多种网络改造方案来满足日益增长的用户上网需求,信息中心网络（Information Centric Networking）便是其中之一。信息中心网络设计的初衷即是为了实现内容的快速高效获取。其通过采取在转发节点中设置缓存装置以及使用不同于IP网络的路由策略等措施来提高内容信息的获取速度,提高网络的承载能力。然而当前的信息中心网络架构设计缺少智能化的管理,其无法很好地根据网络的实时状态进行智能的感知和决策,这在一定程度造成了网络带宽、缓存等网络资源的浪费。当前网络系统中存在的用于网络状态监测的软硬件系统种类越来越丰富,网络运维人员可以掌握各种各样的实时网络监测数据信息。随着移动设备（智能手机、智能手环、智能手表等）的普及以及移动设备传感技术的发展,从移动设备中获得的流量数据、传感器数据和用户操作数据的内容特征信息也越来越多。上述信息对于网络运维人员优化网络资源的...
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：126 页
【学位级别】：博士
【部分图文】：
图３－１网络系统结构图??为描述本章所提出的系统中涉及的各个算法模块，首先给出智能网络系统??
首先定义了网络的拓扑结构勾，其中Ｆ是转发节点，■￡：是边，即网络??链路。网络域中的Ａｒ节点构成集合匕＃。每个Ａｒ节点的网络管理域中有多个用??于转发数据包的Ｎｒ节点。为了清晰描述，图３－１中仅展示了部分节点。??ＮＤＮ网络架构中内容的基本单位是ＮＤＮ中的内容块。用户的请求对应于一??组具有不同块编号的兴趣包。这里要注意的是，对于流量预测模型，分析的对象??是由一组相关的内容块组成的数据内容对象。由于控制信令流量对网络性能影响??小于数据流量，本章的分析模型中不考虑控制信令流量。Ｓ被定义为到达第ｉ个??Ａｒ节点的所有兴趣包的名称前缀集合。网络域中所有兴趣包的名称前缀集合定??义为５；＃，同时为了降低系统的计算复杂度，可以只选取Ｋ个流行度??最高的内容进行分析。这里Ｋ的设置要保证ＳＭ节点能够可靠的运行流量预测??算法和缓存调度算法。当被分析的内容只包含视频这一种类型的内容时，Ｋ就是??个相对比较小的数字。定义与第ｉ个Ａｒ节点相邻的转发节点集称为ｈ＃。Ａ／严被??定义为到达第ｉ个Ａｒ节点的名称前缀为ｎｐ的兴趣包的数量。当用户请求包序列??的的第一个兴趣包到达第ｉ个Ａｒ节点时，Ａｆ值加１。??本文所提智能网络缓存资源管理系统的算法流程图如图３－２描述所示。其中，??ＮＰ表示不同名称前缀的数据流量，ＥＭＤ代表经验模式分解模型，Ｃ－ＲＮＮ－ＲＢＭ??模型是本文提出的将循环神经网络（ＲＮＮ）模型和限制玻尔兹曼机模型（ＲＢＭ）??相结合的协同流量估计模型。??该流程可以概括为
隐式单位可以被视为一组“专家”?［１２６】。“专家”可以根据当前状态协作生成??不同名称前缀的兴趣包的流量预测值。预测到达某个节点的兴趣包数量分布概率??满足训练数据中相应的概率分布。图３－３给出了基于泊松分布的ＲＢＭ的结构示??意图。??Ｈｉｄｄｅｎ?Ｋｘｐｅｒｌ?Ｂｉｎａｒｙ?Ｈｉｄｄｅｎ?Ｕｎｉｔｓ??Ｈｉｄｄｅｎ?Ｂｉａｓ?＾?ｆ?）?广、）?（，??Ｖｆａｉｂ，ｃＢｉａｓ?（Ｊ?Ｏ?（?）?（，．；?ｕ??Ｎａｍｅ?Ｐｒｅｆｉｘ?Ｃｏｕｎｔ?Ｖｉｓｉｂｌｅ?ｌ＇ｎｉｌｓ??Ｎａｍｅ?Ｐｒｅｆｉｘ?１?Ｎａｍｅ?Ｐｒ？ｎ＊?２?Ｎａｍｅ?Ｐｒｅｆｌｘ?３?－??图３－３独立的ＲＢＭ结构示意图??不同显式单元对应于不同名称前缀的兴趣包到达数量。为了提高模型的数据??拟合精度，可以通过叠加多层的ＲＢＭ模型来提高被训练模型生成训练数据的概??率下界。但由于多层ＲＢＭ的训练模型具有较高的计算复杂度，且流量估计值准??确度提高并不显著，同时，即使网络请求预测的准确度导致了请求内容丢失，Ｎ??络仍然可以利用访问回退机制来弥补该问题。因此，为了提高算法效率，本??仿真实验中暂不考虑多层堆叠的ＲＢＭ模型。??２７??
【参考文献】：
期刊论文
[1]Caching Algorithm with a Novel Cost Model to Deliver Content and Its Interest over Content Centric Networks[J]. SU Zhou,FANG Dongfeng,HAN Bo. 中国通信. 2015(07)
[2]A Survey on Information-Centric Networking: Rationales, Designs and Debates[J]. JIANG Xiaoke,BI Jun,NAN Guoshun,LI Zhaogeng. 中国通信. 2015(07)
[3]A Novel Parallel Scheme for Fast Similarity Search in Large Time Series[J]. YIN Hong,YANG Shuqiang,MA Shaodong,LIU Fei,CHEN Zhikun. 中国通信. 2015(02)
[4]Internet流量模型分析与评述[J]. 张宾,杨家海,吴建平. 软件学报. 2011(01)
[5]基于RBF神经网络的网络流量建模及预测[J]. 王俊松,高志伟. 计算机工程与应用. 2008(13)
[6]基于混沌特性的网络流量预测[J]. 陆锦军,王执铨. 南京航空航天大学学报. 2006(02)
本文编号：3463286
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：126 页
【学位级别】：博士
【部分图文】：
图３－１网络系统结构图??为描述本章所提出的系统中涉及的各个算法模块，首先给出智能网络系统??
首先定义了网络的拓扑结构勾，其中Ｆ是转发节点，■￡：是边，即网络??链路。网络域中的Ａｒ节点构成集合匕＃。每个Ａｒ节点的网络管理域中有多个用??于转发数据包的Ｎｒ节点。为了清晰描述，图３－１中仅展示了部分节点。??ＮＤＮ网络架构中内容的基本单位是ＮＤＮ中的内容块。用户的请求对应于一??组具有不同块编号的兴趣包。这里要注意的是，对于流量预测模型，分析的对象??是由一组相关的内容块组成的数据内容对象。由于控制信令流量对网络性能影响??小于数据流量，本章的分析模型中不考虑控制信令流量。Ｓ被定义为到达第ｉ个??Ａｒ节点的所有兴趣包的名称前缀集合。网络域中所有兴趣包的名称前缀集合定??义为５；＃，同时为了降低系统的计算复杂度，可以只选取Ｋ个流行度??最高的内容进行分析。这里Ｋ的设置要保证ＳＭ节点能够可靠的运行流量预测??算法和缓存调度算法。当被分析的内容只包含视频这一种类型的内容时，Ｋ就是??个相对比较小的数字。定义与第ｉ个Ａｒ节点相邻的转发节点集称为ｈ＃。Ａ／严被??定义为到达第ｉ个Ａｒ节点的名称前缀为ｎｐ的兴趣包的数量。当用户请求包序列??的的第一个兴趣包到达第ｉ个Ａｒ节点时，Ａｆ值加１。??本文所提智能网络缓存资源管理系统的算法流程图如图３－２描述所示。其中，??ＮＰ表示不同名称前缀的数据流量，ＥＭＤ代表经验模式分解模型，Ｃ－ＲＮＮ－ＲＢＭ??模型是本文提出的将循环神经网络（ＲＮＮ）模型和限制玻尔兹曼机模型（ＲＢＭ）??相结合的协同流量估计模型。??该流程可以概括为
隐式单位可以被视为一组“专家”?［１２６】。“专家”可以根据当前状态协作生成??不同名称前缀的兴趣包的流量预测值。预测到达某个节点的兴趣包数量分布概率??满足训练数据中相应的概率分布。图３－３给出了基于泊松分布的ＲＢＭ的结构示??意图。??Ｈｉｄｄｅｎ?Ｋｘｐｅｒｌ?Ｂｉｎａｒｙ?Ｈｉｄｄｅｎ?Ｕｎｉｔｓ??Ｈｉｄｄｅｎ?Ｂｉａｓ?＾?ｆ?）?广、）?（，??Ｖｆａｉｂ，ｃＢｉａｓ?（Ｊ?Ｏ?（?）?（，．；?ｕ??Ｎａｍｅ?Ｐｒｅｆｉｘ?Ｃｏｕｎｔ?Ｖｉｓｉｂｌｅ?ｌ＇ｎｉｌｓ??Ｎａｍｅ?Ｐｒｅｆｉｘ?１?Ｎａｍｅ?Ｐｒ？ｎ＊?２?Ｎａｍｅ?Ｐｒｅｆｌｘ?３?－??图３－３独立的ＲＢＭ结构示意图??不同显式单元对应于不同名称前缀的兴趣包到达数量。为了提高模型的数据??拟合精度，可以通过叠加多层的ＲＢＭ模型来提高被训练模型生成训练数据的概??率下界。但由于多层ＲＢＭ的训练模型具有较高的计算复杂度，且流量估计值准??确度提高并不显著，同时，即使网络请求预测的准确度导致了请求内容丢失，Ｎ??络仍然可以利用访问回退机制来弥补该问题。因此，为了提高算法效率，本??仿真实验中暂不考虑多层堆叠的ＲＢＭ模型。??２７??
【参考文献】：
期刊论文
[1]Caching Algorithm with a Novel Cost Model to Deliver Content and Its Interest over Content Centric Networks[J]. SU Zhou,FANG Dongfeng,HAN Bo. 中国通信. 2015(07)
[2]A Survey on Information-Centric Networking: Rationales, Designs and Debates[J]. JIANG Xiaoke,BI Jun,NAN Guoshun,LI Zhaogeng. 中国通信. 2015(07)
[3]A Novel Parallel Scheme for Fast Similarity Search in Large Time Series[J]. YIN Hong,YANG Shuqiang,MA Shaodong,LIU Fei,CHEN Zhikun. 中国通信. 2015(02)
[4]Internet流量模型分析与评述[J]. 张宾,杨家海,吴建平. 软件学报. 2011(01)
[5]基于RBF神经网络的网络流量建模及预测[J]. 王俊松,高志伟. 计算机工程与应用. 2008(13)
[6]基于混沌特性的网络流量预测[J]. 陆锦军,王执铨. 南京航空航天大学学报. 2006(02)
本文编号：3463286
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3463286.html
最近更新
教材专著
