基于图神经网络的SDON性能预测模型

网络性能预测是实现软件定义光网络(SDON)高效网络管理的关键,但目前亟需一种能够以较低成本准确预测关键指标的网络性能预测模型。提出一种基于图神经网络的SDON性能预测模型,该模型将Bi GRU和Self-Attention机制相结合,能够学习网络拓扑、路由和流量矩阵之间的复杂关系,从而准确地估计网络中源/目的地的分组延迟、抖动以及丢包率,并且可以应用于训练中未遇到的网络。实验结果表明,在不同流量模型测试中,所提模型相较于基线模型的平均绝对百分比误差(MAPE)性能有明显提升。     

基于自注意力深度强化学习的特定流路由选择算法

为了有效降低传统流量工程机制中重路由对网络带来的负面影响,基于软件定义网络的全局网络视角和管理能力,提出一种基于自注意力深度强化学习的特定流路由选择算法,以重新路由少量流量达到接近最优的性能。通过多尺度融合注意力机制的神经网络模型来提取流量的特征,并采用集中式训练-分布式执行架构,根据观测网络状态做出实时决策。理论研究和实验结果表明,与传统深度强化学习算法与启发式算法相比,所提算法在平均负载和端到端延迟性能方面均有显著改进。     

基于LSTM神经网络算法的超超临界机组负荷优化分配

目前研究的超超临界机组负荷优化分配方法成本较高，分配时间过长，导致节能效果不佳。为此，该文基于LSTM神经网络算法研究了一种新的超超临界机组负荷优化分配方法。利用LSTM中的记忆块、遗忘门、输入门、输出门和记忆单元，实现对递归神经网络的简单处理，建立目标函数，采用正平衡法和反平衡法计算电荷吸收效率，确定超超临界机组负荷优化分配数学模型。针对单元制机组模型和母管制机组模型在忘记阶段、选择记忆阶段与输出阶段进行优化，反复迭代，得到迭代最大次数后停止运行，输出优化结果。实验结果表明，与传统优化方法相比，所设计超超临界机组负荷优化分配方法可将成本降低50%以上，1 000 MW内负荷分配时间低于10 min。