双学习率自适应的Q路由算法

随着网络不断演进,网络流量呈爆炸式增长,路由方法成为了网络流量控制中的关键难题.这是因为传统的路由策略不具备学习能力,不能从过去的转发经验中学习到拥塞、链路中断等网络异常,也就不能根据网络状态调整路由策略.本文提出了一种双学习率自适应的Q路由算法DALRQ-routing.在轮询阶段,DALRQ-routing根据网络延迟调整echo学习率,减少轮询操作造成的延迟抖动.在转发阶段,算法根据TD-error调整transfer学习率,提高算法收敛速度.通过这种双学习率自适应的机制来降低延迟抖动,加速算法收敛.本文将提出的算法与Full Echo Q-routing和AQFE算法进行了比较.实验结果表明,在动态变化的网络负载下,本文所提出的算法在保持高收敛速度和低初始化峰值延迟的基础上明显减少了延迟抖动,提高了网络的稳定性.

基于时空特征的移动网络流量预测模型

研究表明,历史流量数据可以用于移动网络流量的预测,同时周边区域的流量信息可以提高流量预测的准确性。为此,文中提出一种基于时空特征的移动网络流量预测模型STFM。STFM模型利用目标区域及周围区域的历史移动网络流量对目标区域的流量进行预测。其核心思想是,首先利用三维卷积网络(3D CNN)从流量中提取移动网络流量空间上的特征,再利用时间卷积网络(TCN)提取移动网络流量时间上的特征,最后全连接层对提取的特征与实际的流量值建立映射关系,产生预测的流量值。根据实验的验证与分析,STFM在移动网络流量预测上的标准均方根误差(NRMSE)相比TCN,CNN和CNN-LSTM分别减少了28%,21.7%和10%。因此,STFM模型能够有效提高移动网络流量预测的准确率。