邊緣數據中心光網絡
楊輝 姚秋彥 張傑
相關主題
商品描述
本書針對當前邊緣數據中心光網絡多域協作、異質資源分配、服務能力可靠性的需求，從多域可信控制、資源高 效分配、可靠性提升等方面提出相應的解決方案。
本書介紹邊緣數據中心光網絡可信控制技術，以及分佈式軟件定義邊緣數據中心光網絡的可信控制架構與跨域交互機制。然後，依次介紹邊緣數據中心內突發流量預測與調度技術、邊緣數據中心間長期流量預測與調度技術，並介紹相應的流量預測模型與資源分配算法。針對邊緣數據中心光網絡的可靠性提升，介紹其異常預測技術與故障定位技術，並提出相應的解決方案。
本書既可供高等院校通信、電子、信息科學等相關專業師生參考，也適合對邊緣數據中心光網絡領域有興趣的非相關專業讀者，以及正在從事邊緣數據中心光網絡理論研究和系統設計的通信行業研發人員閱讀。
作者簡介
杨辉
北京邮电大学教授、博士生导师、电子工程学院院长，中国电子学会理事，中国电子学会青年科学 家俱乐部主席团主席，信息光子学与光通信全 国重点实验室主任助理，英国工程技术学会会士（IET Fellow），爱思唯尔中国高被引学 者，获国家自然科学基金优 秀青年科学基金项目支持。获国内外发明专利授权五十余项，获国家科技进步奖二等奖一项、中国通信学会科学技术奖一等奖、达摩院青橙奖等省部级和社会力量奖十项，并获得“强国青年 科学 家”提名、中国电子学会优 秀科技工作者称号。
姚秋彦
北京邮电大学特聘副研究员，入选第九届中国科协青年人才托举工程。在国内外学术刊物上发表论文七十余篇，获OECC/PSC会议最 佳论文奖。获国内外发明专利授权二十四项。作为骨干人员参与国家重点研发计划等国家 级项目多项。获日内瓦国际发明展金奖、中国产学研合作创新成果奖一等奖等奖项。
张杰
北京邮电大学教授、博士生导师、集成电路学院执行院长，信息光子学与光通信全 国重点实验室副主任，百千万人才工程国家 级人选，北京市优 秀教师，教育 部新世纪优 秀人才。主持承担了国家重点研发计划、国家973计划、国家863计划等多项国家 级项目，发表论文三百余篇，出版专著和教材十余部。
目錄大綱
第1 章 緒論. 1
1.1 研究背景. 1
1.2 國內外研究現狀. 2
1.2.1 數據中心光網絡控制技術研究現狀. 2
1.2.2 數據中心光網絡資源分配技術研究現狀. 4
1.2.3 數據中心光網絡可靠性技術研究現狀. 5
1.3 主要內容安排 6
第2 章 邊緣數據中心光網絡可信控制技術. 8
2.1 分佈式SDEDCON 可信控制架構 8
2.1.1 邊緣數據中心光互聯場景下的可信控制需求分析. 9
2.1.2 基於區塊鏈的分佈式控制結構. 10
2.1.3 分佈式SDEDCON 可信控制架構的功能.11
2.2 分佈式SDEDCON 可信跨域交互機制. 14
2.2.1 分佈式SDEDCON 多域協作模型 15
2.2.2 多維資源聯合優化的跨域路由算法. 16
2.2.3 多控制器跨域路由共識算法. 18
2.2.4 基於自適應布隆過濾器的跨域路由驗證. 20
2.3 模擬結果分析 26
2.3.1 模擬環境與評價指標. 26
2.3.2 網絡運行模擬分析. 26
2.3.3 路由檢測模擬分析. 29
2.4 本章小結. 30
第3 章 邊緣數據中心內突發流量預測與調度技術. 32
3.1 突發流量調度原理 32
3.2 基於誤差反饋脈沖神經網絡的突發流量預測 34
3.2.1 脈沖神經網絡. 34
3.2.2 誤差反饋脈沖神經網絡框架. 35
3.2.3 多突觸機制. 36
3.2.4 誤差反饋模塊設計. 38
3.3 基於突發流量預測的流量調度算法 39
3.3.1 全局評估因子. 39
3.3.2 流量縮放因子. 41
3.4 模擬結果分析 45
3.4.1 模擬設置. 45
3.4.2 流量預測模型性能分析. 47
3.4.3 基於突發流量預測的流量調度算法性能分析. 49
3.5 本章小結. 51
第4 章 邊緣數據中心間長期流量預測與調度技術. 52
4.1 邊緣數據中心間網絡流量預測. 53
4.2 問題分析及系統模型 54
4.2.1 數據中心間網絡流量模型. 54
4.2.2 基於時間間隔的重採樣過程. 55
4.3 多時間間隔特徵學習網絡模型. 56
4.3.1 B-RNN 模型. 57
4.3.2 MTIFLN 模型的框架. 59
4.4 基於長期流量預測的資源分配算法 60
4.5 模擬結果分析 63
4.5.1 數據集說明. 63
4.5.2 模擬設置. 66
4.5.3 MTIFLN 模型性能分析. 68
4.5.4 LTP-RA 算法性能分析 70
4.6 本章小結. 73
第5 章 邊緣數據中心光網絡異常預測技術. 75
5.1 基於深度學習的邊緣數據中心光網絡異常預測框架 75
5.2 基於LSTM 網絡的時序數據異常預測方案 79
5.2.1 數據預處理與多維指標相關性分析. 80
5.2.2 基於LSTM 網絡的異常預測模型 84
5.2.3 模擬結果分析. 85
5.3 有監督/無監督混合異常預測方案. 88
5.3.1 有監督DNN 異常預測模型 88
5.3.2 無監督聚類異常預測模型. 90
5.3.3 模擬結果分析. 91
5.4 本章小結. 95
第6 章 邊緣數據中心光網絡故障定位技術. 97
6.1 大規模告警信息下的光網絡故障定位方法概述. 97
6.1.1 基於人工智能的故障定位方法概述. 97
6.1.2 高精度故障定位挑戰. 99
6.2 深度神經進化網絡 100
6.3 基於深度神經進化網絡的故障定位方法. 102
6.3.1 改進的故障傳播模型. 103
6.3.2 DNEN 監督學習模型. 105
6.4 模擬結果分析 109
6.4.1 模擬環境與模型訓練. 109
6.4.2 模擬結果分析112
6.5 本章小結118
參考文獻.119
術語表. 125
