面向组播的动态虚拟网络功能放置算法

组播在支持日益增长的多媒体应用方面具有广阔的应用前景，面向组播的虚拟网络功能放置是网络功能虚拟化中不可避免的研究趋势.然而，对于该问题的大多数研究都聚焦于静态网络环境，难以应对网络中的各种资源随着时间动态变化，组播服务功能链（Service Function Chaining,SFC）请求动态到达的真实场景.本文提出一种基于组播SFC请求预测的足球联赛竞争算法，以Informer模型为基础，预测即将到达的组播SFC请求.基于足球联赛竞争的组播虚拟网络功能放置算法，设计多维个体编码策略，一次性求解所有活动组播组的SFC映射方案，提前部署预测的请求.针对预测结果与真实结果不一致的情况，提出一种由正向搜索与反向搜索组成的快速修复策略以完成对请求的快速响应.仿真结果表明，对比其它两种预测模型，Informer在组播SFC请求预测上取得了更低的均方误差与平均绝对误差.此外，与七种经典的启发式算法和深度强化学习算法相比，提出的算法在端到端时延和计算资源消耗方面达到更优性能的同时，取得了更低的组播SFC请求响应时间.     

基于多拓扑路由的无拥塞快速业务迁移算法

针对IP网络更新引发的业务迁移中潜在的链路拥塞问题,提出一种基于多拓扑路由的无拥塞快速业务迁移(CAFTM-MTR)算法。首先,考虑链路容量约束以及源节点迁移的时序特征,为源节点安排一种无拥塞的迁移顺序;然后,为减少迁移完成时间,基于业务的顺序无关性改进算法,每次批量迁移多个顺序无关的业务。利用多个典型拓扑与Waxman拓扑对提出的算法进行了仿真实验,与不考虑迁移顺序的业务迁移(NonCAFTM-MTR)方法相比,该算法将拥塞避免成功率从20%~60%提高至100%,同时得到8步以内的迁移顺序;此外,该算法具有对动态流量的适应性,能适应5%~284%的业务流量增长。仿真结果表明,CAFTM-MTR算法能够提高避免拥塞风险的成功率并快速地迁移业务。     

业务需求感知的虚拟数据中心映射方法研究(英文)

Virtualization is a common technology for resource sharing in data center.To make efficient use of data center resources,the key challenge is to map customer demands(modeled as virtual data center,VDC) to the physical data center effectively.In this paper,we focus on this problem.Distinct with previous works,our study of VDC embedding problem is under the assumption that switch resource is the bottleneck of data center networks(DCNs).To this end,we not only propose relative cost to evaluate embedding strategy,decouple embedding problem into VM placement with marginal resource assignment and virtual link mapping with decided source-destination based on the property of fat-tree,but also design the traffic aware embedding algorithm(TAE) and first fit virtual link mapping(FFLM) to map virtual data center requests to a physical data center.Simulation results show that TAE+FFLM could increase acceptance rate and reduce network cost(about 49%in the case) at the same time.The traffic aware embedding algorithm reduces the load of core-link traffic and brings the optimization opportunity for data center network energy conservation.     

EGCN-CeDML:一种面向车辆驾驶行为预测的分布式机器学习框架

在大规模动态变化的交通场景下，快速准确地预测车辆驾驶行为是智能交通领域极具挑战的问题之一。车辆驾驶行为的预测不仅要考虑通信的有效性，而且要考虑车辆历史行驶轨迹以及车辆之间的相互影响。文中综合考虑了上述因素，提出了一种新的基于边-增强图卷神经网络的通信有效的分布式机器学习框架EGCN-CeDML(Edge-enhanced Graph Convolutional Neural Network-Communication-efficient Distributed Machine Learning)。相比面向单一设备的集中式预测框架，EGCN-CeDML是通信有效的分布式机器学习框架，该框架无需将所有原始数据发送到云服务器，而是直接将用户数据在本地边缘设备存储、处理和计算。这种在多个边缘设备训练神经网络的方式缓解了集中训练神经网络的压力，降低了传输数据量和通信延迟，提升了数据处理效率，在一定程度上也保护了用户隐私。各个边缘设备部署的复合图卷积网络(EGCN-LSTM)利用边-增强注意力机制和图卷积神经网络的特征传递机制，当周围车辆数量增长至十几辆时仍能快速提取和传递车辆间的交互信息，保证了...