边缘数据中心光网络

术语表

参考文献

6.5 本章小结

6.4.2 仿真结果分析

6.4.1 仿真环境与模型训练

6.4 仿真结果分析

6.3.2 DNEN监督学习模型

6.3.1 改进的故障传播模型

6.3 基于深度神经进化网络的故障定位方法

6.2 深度神经进化网络

6.1.2 高精度故障定位挑战

6.1.1 基于人工智能的故障定位方法概述

6.1 大规模告警信息下的光网络故障定位方法概述

第6章 边缘数据中心光网络故障定位技术

5.4 本章小结

5.3.3 仿真结果分析

5.3.2 无监督聚类异常预测模型

5.3.1 有监督DNN异常预测模型

5.3 有监督/无监督混合异常预测方案

5.2.3 仿真结果分析

5.2.2 基于LSTM网络的异常预测模型

5.2.1 数据预处理与多维指标相关性分析

5.2 基于LSTM网络的时序数据异常预测方案

5.1 基于深度学习的边缘数据中心光网络异常预测框架

第5章 边缘数据中心光网络异常预测技术

4.6 本章小结

4.5.4 LTP-RA算法性能分析

4.5.3 MTIFLN模型性能分析

4.5.2 仿真设置

4.5.1 数据集说明

4.5 仿真结果分析

4.4 基于长期流量预测的资源分配算法

4.3.2 MTIFLN模型的框架

4.3.1 B-RNN模型

4.3 多时间间隔特征学习网络模型

4.2.2 基于时间间隔的重采样过程

4.2.1 数据中心间网络流量模型

4.2 问题分析及系统模型

4.1 边缘数据中心间网络流量预测

第4章 边缘数据中心间长期流量预测与调度技术

3.5 本章小结

3.4.3 基于突发流量预测的流量调度算法性能分析

3.4.2 流量预测模型性能分析

3.4.1 仿真设置

3.4 仿真结果分析

3.3.2 流量缩放因子

3.3.1 全局评估因子

3.3 基于突发流量预测的流量调度算法

3.2.4 误差反馈模块设计

3.2.3 多突触机制

3.2.2 误差反馈脉冲神经网络框架

3.2.1 脉冲神经网络

3.2 基于误差反馈脉冲神经网络的突发流量预测

3.1 突发流量调度原理

第3章 边缘数据中心内突发流量预测与调度技术

2.4 本章小结

2.3.3 路由检测仿真分析

2.3.2 网络运行仿真分析

2.3.1 仿真环境与评价指标

2.3 仿真结果分析

2.2.4 基于自适应布隆过滤器的跨域路由验证

2.2.3 多控制器跨域路由共识算法

2.2.2 多维资源联合优化的跨域路由算法

2.2.1 分布式SDEDCON多域协作模型

2.2 分布式SDEDCON可信跨域交互机制

2.1.3 分布式SDEDCON可信控制架构的功能

2.1.2 基于区块链的分布式控制结构

2.1.1 边缘数据中心光互联场景下的可信控制需求分析

2.1 分布式SDEDCON可信控制架构

第2章 边缘数据中心光网络可信控制技术

1.3 本书主要内容安排

1.2.3 数据中心光网络可靠性技术研究现状

1.2.2 数据中心光网络资源分配技术研究现状

1.2.1 数据中心光网络控制技术研究现状

1.2 国内外研究现状

1.1 研究背景

第1章 绪论

前言

总序

电子信息前沿专著系列·第二期

内容提要

版权页

封面

封面

版权页

内容提要

电子信息前沿专著系列·第二期

总序

前言

第1章 绪论

1.1 研究背景

1.2 国内外研究现状

1.2.1 数据中心光网络控制技术研究现状

1.2.2 数据中心光网络资源分配技术研究现状

1.2.3 数据中心光网络可靠性技术研究现状

1.3 本书主要内容安排

第2章 边缘数据中心光网络可信控制技术

2.1 分布式SDEDCON可信控制架构

2.1.1 边缘数据中心光互联场景下的可信控制需求分析

2.1.2 基于区块链的分布式控制结构

2.1.3 分布式SDEDCON可信控制架构的功能

2.2 分布式SDEDCON可信跨域交互机制

2.2.1 分布式SDEDCON多域协作模型

2.2.2 多维资源联合优化的跨域路由算法

2.2.3 多控制器跨域路由共识算法

2.2.4 基于自适应布隆过滤器的跨域路由验证

2.3 仿真结果分析

2.3.1 仿真环境与评价指标

2.3.2 网络运行仿真分析

2.3.3 路由检测仿真分析

2.4 本章小结

第3章 边缘数据中心内突发流量预测与调度技术

3.1 突发流量调度原理

3.2 基于误差反馈脉冲神经网络的突发流量预测

3.2.1 脉冲神经网络

3.2.2 误差反馈脉冲神经网络框架

3.2.3 多突触机制

3.2.4 误差反馈模块设计

3.3 基于突发流量预测的流量调度算法

3.3.1 全局评估因子

3.3.2 流量缩放因子

3.4 仿真结果分析

3.4.1 仿真设置

3.4.2 流量预测模型性能分析

3.4.3 基于突发流量预测的流量调度算法性能分析

3.5 本章小结

第4章 边缘数据中心间长期流量预测与调度技术

4.1 边缘数据中心间网络流量预测

4.2 问题分析及系统模型

4.2.1 数据中心间网络流量模型

4.2.2 基于时间间隔的重采样过程

4.3 多时间间隔特征学习网络模型

4.3.1 B-RNN模型

4.3.2 MTIFLN模型的框架

4.4 基于长期流量预测的资源分配算法

4.5 仿真结果分析

4.5.1 数据集说明

4.5.2 仿真设置

4.5.3 MTIFLN模型性能分析

4.5.4 LTP-RA算法性能分析

4.6 本章小结

第5章 边缘数据中心光网络异常预测技术

5.1 基于深度学习的边缘数据中心光网络异常预测框架

5.2 基于LSTM网络的时序数据异常预测方案

5.2.1 数据预处理与多维指标相关性分析

5.2.2 基于LSTM网络的异常预测模型

5.2.3 仿真结果分析

5.3 有监督/无监督混合异常预测方案

5.3.1 有监督DNN异常预测模型

5.3.2 无监督聚类异常预测模型

5.3.3 仿真结果分析

5.4 本章小结

第6章 边缘数据中心光网络故障定位技术

6.1 大规模告警信息下的光网络故障定位方法概述

6.1.1 基于人工智能的故障定位方法概述

6.1.2 高精度故障定位挑战

6.2 深度神经进化网络

6.3 基于深度神经进化网络的故障定位方法

6.3.1 改进的故障传播模型

6.3.2 DNEN监督学习模型

6.4 仿真结果分析

6.4.1 仿真环境与模型训练

6.4.2 仿真结果分析

6.5 本章小结

参考文献

术语表