光网络业务预测算法研究
这是一篇关于光网络,业务预测,WEB技术,机器学习,资源分配的论文, 主要内容为随着5G、边缘计算微服务应用等新技术的成熟和商业化落地,网络带宽与服务质量不断提高,影响人们生活方式的互联网产品也随之层出不穷,例如智能一体化家居、自动驾驶、智慧出行、电子商务、数字可视化平台等创新性产品都给人们的生产生活方式带来巨大的变化与进步。然而,互联网业务种类与用户规模的激增等因素都导致光网络面临着网络带宽资源分布不均、网络阻塞率上升以及应用服务质量下降等一系列严峻挑战。如何精准地对光网络中的业务量变化趋势进行预测并根据结果制定合理的资源分配策略,是解决上述问题的关键。本论文针对光网络中的业务预测算法展开研究,首先基于WEB技术搭建了光网络预测算法仿真平台,为预测算法的实现和展示提供技术基础和展示平台;随后,论文探究了包括线性和非线性的三类典型的预测模型针对平稳和非平稳数据集的预测性能和适用场景;最后,将业务预测模型应用在实际光网络中,利用预测模型与Dijkstra算法结合,对弹性光网络中的链路阻塞率进行预测,并根据预测结果合理调整资源分配策略,从而达到了了降低阻塞率的目的。本文的创新点和主要工作如下:(1)创新性地使用前端前沿的机器学习技术Tensorflow.js实现预测算法的训练和预测,并对比各类算法在不同特征数据集的性能表现。论文使用WEB相关技术完成了所有算法的逻辑和预测仿真,并探究不同数据特征的数据集较为适合的预测算法模型。(2)论文将预测模型与Dijkstra算法相结合,使用其对弹性光网络的拥塞程度进行预测,然后依据预测结果将更多的低拥塞度的链路预先替代拥塞程度高于阈值的链路,以此来降低网络阻塞率,增加网络中的资源利用率。(3)基于WEB的光网络预测算法仿真平台开发。论文选用JavaScript相关技术栈完成光网络预测算法仿真平台的前后端开发。一方面验证了使用JavaScript进行全栈开发的技术可行性,另一方面也为预测算法仿真提供技术支持和展示平台。
基于深度学习的光网络故障溯源
这是一篇关于光网络,告警相关性分析,故障诊断,关系分类的论文, 主要内容为传统依赖人工排障的方法很难及时从海量告警中找到能够解决故障的有用信息来修复故障。在如今这样的信息化时代,即使只是短暂的服务中断,也必将使数据传输受到影响,因此,光网络中快速精准的故障溯源是保障光网络服务正常运行和业务数据完整可靠传输的基础。深度学习技术具备强特征学习能力,利用其对光网络告警和故障进行分析和处理,是极为重要的研究领域且具有实际工程价值。论文基于数据挖掘和深度学习技术,针对光网络告警相关性分析和故障诊断展开了研究。知识图谱的可解释性也为深度学习在光网络故障管理中的应用提供了新的思路,于是论文针对构建知识图谱中的关系抽取技术也进行了研究。具体的研究工作如下:(1)针对光网络告警信息不连续、冗余等数据质量问题,提出基于业务拓扑的告警聚类关联分析方法。首先根据网络业务拓扑信息,基于业务聚类得到业务相关的聚类簇,然后基于时间细粒度聚类,最后根据拓扑层次信息进行根源标记挖掘出告警根衍规则。该方法以光网络告警的业务相关性为基础,不仅从时间上还从空间上进行衍生告警压降,改进了现有的告警相关性分析方法,提高了规则挖掘的准确度。(2)为了解决人工排障的难点,实现光网络中及时精准的故障诊断,需要深入分析告警数据的特征规律,提出基于多头自注意力机制的光网络故障智能诊断模型。研究了深度神经网络和注意力机制的相关理论,在故障智能诊断中,引入多头自注意力机制改进深度神经网络,使得模型能够在多个子空间学习更全面的信息。实验验证基于多头自注意力机制的光网络故障智能诊断模型在故障诊断任务中的准确率达到99.3%。(3)知识图谱有助于加强深度学习的鲁棒性和可解释性,针对构建知识图谱中的关系抽取问题,提出了基于小样本学习的关系分类模型。研究了关系抽取和小样本学习的相关理论技术,引入注意力机制改进原型网络解决原型偏差问题,并提出一种混合损失函数来优化模型,提高模型针对相似类别分类的准确率。实验结果表明,与原型网络相比,基于小样本学习的关系分类模型分类准确率更高,具有更好的鲁棒性。
基于知识图谱的光网络故障定位技术研究
这是一篇关于光网络,故障定位,知识图谱,路径排序算法的论文, 主要内容为伴随着互联网流量的指数级扩增和光网络技术的不断发展,光网络在承载大容量的数据信息和新兴的业务种类方面具有独特优势和发展潜力。对于复杂结构、大容量、高带宽的光传输网而言,单一故障源会导致大型传输网络的服务质量降级,甚至导致业务中断,大量的业务数据丢失将导致经济损失和维护成本。因此,光网络的生存性是光网络课题研究中重要的课题。故障定位是处理光网络故障的先决条件,主要目的是从告警风暴中准确和快速地识别根源告警,进行网络单元级别的故障定位,并采取相应的故障恢复策略。知识图谱是近年来知识工程领域重要的研究课题,将通用知识或领域知识建模成知识网络的结构,辅助机器对知识进行自动化推理。论文针对此课题,结合知识图谱对光网络故障问题进行建模和推理,利用设备告警手册自顶向下构建了故障告警知识图谱,并在此基础上提出了基于路径排序PRA算法的融合网络拓扑结构的光网络故障定位方法,具体研究工作如下:第一,本文根据设备维护手册构建光网络故障领域知识图谱。首先,本文选取了华为OptiX RTN系列设备和Juniper BTI7800系列设备的商用设备手册作为半结构化数据源;其次,根据光网络故障领域专家知识,自顶向下构建了本体层结构,预定义故障本体和告警本体结构,提出了故障和告警的关联关系和告警的衍生关系;然后,设计包装器自动化抽取半结构化信息;最后,采用Neo4j图数据库实现故障告警知识图谱的存储,实现可视化输出能力。故障告警知识图谱包含434个告警实体和670个故障实体。第二,本文设计并实现了光网络故障仿真系统,兼顾资源建模、模拟故障单断和提供事务划分清晰的测试数据等功能。首先,本系统可选NSFNET、CERNET、USNET三种拓扑结构进行资源仿真,提供测试数据的多样性;其次,本系统可针对业务资源进行路由与资源分配,实现资源规划仿真;然后,可模拟单一故障信息,包括站点接收端或发送端故障、光缆单断、光缆传输性能衰弱、设备对接故障等硬故障,进行告警信息的传递,模拟网络管理系统的告警上报情况;最后,设计数据采集适配层进行告警数据的预处理和结构化存储,为故障定位提供数据基础。第三,本文基于路径排序算法提出光网络故障定位方法。首先,提出基于知识图谱的故障定位研究可以转化为告警序列和故障实体的路径推理工作;其次,联合拓扑结构信息和仿真训练数据构建实例化知识图谱,针对故障仿真的特征提出了 PRA算法优化的思路;最后,实验证明基于路径排序的故障定位算法在准确率上具有保证,实际故障定位位于候选故障第一名的比例接近70%,位于候选故障前5名的比例接近95%。
蒙皮光网络数据传输与交换研究
这是一篇关于智能蒙皮,光网络,波分复用,FPGA,数据传输与交换的论文, 主要内容为现代信息科技不断发展,技术不断创新,通信技术和网络技术逐渐朝着网络化、模块化、智能化方向发展。在这一时代背景下,机载航空电子系统也正在向云网络和智能化方向发展。在这一领域中,机载雷达技术从传统的集中式,固定式的雷达系统向相控阵共型蒙皮天线发展,实现多功能的、进行高速信息传输与分发、信息分布式处理与综合的智能蒙皮系统。其中,如何实现数字波束成形模块与蒙皮网络中各蒙皮节点的高速通信以及各蒙皮节点间的数据传输及交换是关键的技术问题。本文根据上述所提出的系统要求,分析目前相关的阵列网络技术以及相关网络实现方式,开展了蒙皮光网络的设计,并针对其中关键的数据传输以及交换过程进行理论研究和实际模拟实验,开展了蒙皮阵列光网络的搭建。为了实现蒙皮光网络间多阵列单元的信息交互以及蒙皮光网络多种信息的传输需求,本文基于波分复用技术,首先开展了针对蒙皮光网络节点结构的讨论。其次,提出一种三层级的蒙皮光网络架构,采用光纤作为网络互联的物理通路扩展了网络的通信速率,采用波分复用技术扩展了网络通信容量。同时为了实现全光信息网络架构,用以实现全光信息交换,智能组网等需求,本文将探索一种新型的多路信息交互的互联网络应用技术及工程实现方案。针对本文中光交换网络的实际测试验证平台搭建,考虑到目前光交换的发展瓶颈,实现难度,以及对网络节点的设计,采用FPGA作为仿真实现的硬件平台,通过利用FPGA可编程能力,对网络各部分功能进行开发。使用FPGA作为模拟的网络节点,针对硬件平台逻辑,对网络节点的定义和功能进行设计,包括网络节点间基本的控制和应答通信,节点状态交互通信,数据交换通道设计等。测试部分采用4×4网络规模,实现阵列网络的控制及数据传输和交换的逻辑交互,完成网络管理、网络配置、数据传输及交换等技术要点,通过了网络控制测试、数据传输与交换测试,速率测试等目标。本文研究目标对雷达阵列光网络系统的设计有一定的参考意义。
光网络业务预测算法研究
这是一篇关于光网络,业务预测,WEB技术,机器学习,资源分配的论文, 主要内容为随着5G、边缘计算微服务应用等新技术的成熟和商业化落地,网络带宽与服务质量不断提高,影响人们生活方式的互联网产品也随之层出不穷,例如智能一体化家居、自动驾驶、智慧出行、电子商务、数字可视化平台等创新性产品都给人们的生产生活方式带来巨大的变化与进步。然而,互联网业务种类与用户规模的激增等因素都导致光网络面临着网络带宽资源分布不均、网络阻塞率上升以及应用服务质量下降等一系列严峻挑战。如何精准地对光网络中的业务量变化趋势进行预测并根据结果制定合理的资源分配策略,是解决上述问题的关键。本论文针对光网络中的业务预测算法展开研究,首先基于WEB技术搭建了光网络预测算法仿真平台,为预测算法的实现和展示提供技术基础和展示平台;随后,论文探究了包括线性和非线性的三类典型的预测模型针对平稳和非平稳数据集的预测性能和适用场景;最后,将业务预测模型应用在实际光网络中,利用预测模型与Dijkstra算法结合,对弹性光网络中的链路阻塞率进行预测,并根据预测结果合理调整资源分配策略,从而达到了了降低阻塞率的目的。本文的创新点和主要工作如下:(1)创新性地使用前端前沿的机器学习技术Tensorflow.js实现预测算法的训练和预测,并对比各类算法在不同特征数据集的性能表现。论文使用WEB相关技术完成了所有算法的逻辑和预测仿真,并探究不同数据特征的数据集较为适合的预测算法模型。(2)论文将预测模型与Dijkstra算法相结合,使用其对弹性光网络的拥塞程度进行预测,然后依据预测结果将更多的低拥塞度的链路预先替代拥塞程度高于阈值的链路,以此来降低网络阻塞率,增加网络中的资源利用率。(3)基于WEB的光网络预测算法仿真平台开发。论文选用JavaScript相关技术栈完成光网络预测算法仿真平台的前后端开发。一方面验证了使用JavaScript进行全栈开发的技术可行性,另一方面也为预测算法仿真提供技术支持和展示平台。
本文内容包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主题。发布者:毕设驿站 ,原文地址:https://m.bishedaima.com/lunwen/54877.html