網絡及其應用的協同智能管控
宋彤雨 任婧 王雄 等
商品描述
本書探討了深度學習技術在網絡及其應用的協同智能管控中的主要實踐範式。全書共分為7章。第1章為概述，介紹網絡資源管控模式的發展，分析網絡及其應用的協同需要解決的兩類問題及其挑戰，以及使用深度學習技術應對這些問題的方法，最後簡述深度學習在網絡資源管控中的已有工作。第2章針對DASH（Dynamic Adaptive Streaming over HTTP）業務中視頻碼率調整和帶寬資源分配聯合優化問題，介紹一種利用深度學習和監督學習框架的快速求解方案。第3章針對移動邊緣計算中任務卸載和計算資源分配聯合優化問題，介紹兩種基於深度學習和監督學習的快速求解方案。第4章針對移動增強現實業務中的計算資源動態分配問題，介紹一種利用單智能體深度強化學習的求解方案，智能體通過對網絡中計算資源的分配引導應用調整參數；針對移動增強現實業務中的應用層參數協同調整問題，介紹一種利用多智能體深度強化學習的求解方案，各智能體協同進行應用層參數調整。第5章針對多聯盟鏈中路由和帶寬資源動態分配問題，介紹一種利用多智能體深度強化學習的求解方案，各智能體先進行路由規劃，再由網絡層進行帶寬資源分配。第6章針對無線傳感器網絡中的動態路由規劃問題，介紹一種利用多智能體深度強化學習的求解方案，各智能體首先生成用於路由決策的元數據，然後由網絡層產生最終的路由方案。第7章對本書內容進行總結，並展望未來可能的研究方向。
本書適合從事網絡資源管控、網絡智能化技術研究和開發的讀者閱讀。
作者簡介
宋彤雨
之江實驗室高級研究專員，分別於2014年和2022年在電子科技大學獲得工學學士學位和工學博士學位，主要研究方向為網絡優化與規劃技術、數據中心高速互聯架構和協議設計。
任婧
電子科技大學信息與通信工程學院副研究員，分別於2007年和2015年在電子科技大學獲得工學學士學位和工學博士學位，主要研究方向為下一代網絡體系和協議設計、SDN關鍵技術、網絡優化與規劃技術，在IEEE Network、IEEE Wireless Communications等期刊發表多篇論文。
王雄
電子科技大學信息與通信工程學院教授，2003年在重慶郵電大學獲得電子信息工程學士學位，2008年在電子科技大學獲得通信與信息系統博士學位，2013—2014年在美國加州大學戴維斯分校進行SDN測量方面的訪問研究，長期從事下一代因特網體系結構及關鍵技術、SDN關鍵技術、網絡優化與規劃、網絡測量等方面的研究工作。近年來，在IEEE Network、IEEE Journal of Lightwave Technology、IEEE Journal of Optical Communication and Networking等期刊上發表論文20餘篇，在IEEE INFOCOM、IEEE GLOBECOM、IEEE ICC，ACM SOSR等重要國際學術會議發表論文50餘篇，其中SCI檢索20餘篇，EI檢索30餘篇。擔任IEEE Transaction on Networking、IEEE Network、Photonic Network Communication等期刊的審稿人。?
目錄大綱
目 錄
第 1章 概述 1
1.1 網絡資源管控模式的發展 1
1.2 SDN為網絡及其應用的協同帶來的機遇 4
1.3 基於SDN的資源管控工作及其局限性 5
1.4 網絡及其應用的協同需要解決的兩類問題 6
1.4.1 網絡集中點和應用實體 6
1.4.2 網絡及其應用協同決策方法所呈現出的兩種主要問題形式 7
1.5 解決這兩類問題所面臨的挑戰與應對方法 10
1.5.1 利用深度學習發展復雜優化問題的快速求解方法 10
1.5.2 利用深度強化學習為復雜連續決策問題提供解決方案 12
1.6 深度學習在網絡資源管控中的已有工作 14
1.6.1 利用深度學習對網絡資源管控問題進行快速求解 14
1.6.2 基於深度強化學習的網絡資源管控方法 15
1.7 本書結構安排 17
參考文獻 20
第 2章 DASH業務中視頻碼率調整和帶寬資源分配快速求解方案 26
2.1 研究背景與動機 26
2.2 聯合優化問題建模 29
2.3 聯合優化問題求解 32
2.3.1 GBD方法概述 32
2.3.2 基於GBD方法的JRA2問題求解方案 34
2.4 FAIR-AREA方案 37
2.4.1 基於深度學習的監督學習概述 37
2.4.2 FAIR-AREA方案的深度神經網絡設計 38
2.4.3 可行性保證算法 40
2.4.4 FAIR-AREA方案執行流程 41
2.5 FAIR-AREA方案性能評估 41
2.5.1 模擬環境設置 41
2.5.2 JRA2算法性能評估 42
2.5.3 FAIR-AREA方案性能測試 44
2.6 本章小結 50
參考文獻 50
第3章 MEC中任務卸載和計算資源分配快速求解方案 52
3.1 研究背景與動機 52
3.2 JTORA問題建模 54
3.3 JTORA問題求解 56
3.4 FAST-RAM方案 59
3.4.1 深度神經網絡設計 59
3.4.2 FAST-RAM方案執行流程 61
3.5 FAST-RAM方案性能評估 62
3.5.1 生成FAST-RAM方案所需數據集及DNN的訓練 62
3.5.2 FAST-RAM方案性能測試 63
3.6 JTORA-SA問題建模 66
3.7 ARM方案 68
3.7.1 計算資源分配問題的分解 68
3.7.2 快速求解BS-Color問題的DNN設計 68
3.7.3 快速求解Task Placement問題的DNN設計 70
3.7.4 ARM方案執行流程 71
3.8 ARM方案性能評估 72
3.8.1 生成ARM方案所需數據集及DNN的訓練 72
3.8.2 ARM方案性能測試 73
3.9 本章小結 77
參考文獻 78
第4章 MAR業務中計算資源分配和客戶端應用層參數調整動態決策方案 80
4.1 研究背景與動機 80
4.2 深度強化學習概述 84
4.2.1 單智能體深度強化學習算法 84
4.2.2 多智能體深度強化學習算法 88
4.3 移動增強現實系統概述 91
4.3.1 移動增強現實系統分析及工作流程 91
4.3.2 MAR客戶端的QoE建模 93
4.3.3 MEC服務器計算資源分配算法的目標函數 94
4.4 DRAM方案 94
4.4.1 問題分析 95
4.4.2 DRAM方案設計 95
4.4.3 DRAM方案框架 98
4.5 DRAM方案性能評估 100
4.5.1 MAR客戶端啟發式自適應算法 100
4.5.2 實驗設置 101
4.5.3 實驗結果分析 104
4.5.4 超參數對系統性能的影響 107
4.5.5 不同MAR服務持續時間下的DRAM方案的泛化性能 108
4.5.6 DRAM方案的魯棒性評估 109
4.6 COLLAR方案 110
4.6.1 兩種基於DRL的MAR客戶端應用層參數動態調整算法 111
4.6.2 基於多智能體DRL的應用層參數協同調整算法 120
4.7 COLLAR方案性能評估 124
4.7.1 模擬環境設置 124
4.7.2 COLLAR方案的總體性能表現 124
4.7.3 COLLAR方案中權重系數對性能的影響 125
4.7.4 COLLAR方案與DRAM方案性能對比 127
4.8 本章小結 127
參考文獻 128
第5章 多聯盟鏈中路由和帶寬資源分配動態決策方案 131
5.1 研究背景與動機 131
5.2 問題分析及建模 134
5.2.1 系統描述 135
5.2.2 BaaS支持下多聯盟鏈路由和帶寬資源分配問題的目標函數 136
5.2.3 Dec-POMDP建模 137
5.3 CO-CAST方案 138
5.3.1 路由決策方案 139
5.3.2 帶寬資源分配算法 142
5.4 CO-CAST方案性能評估 146
5.4.1 實驗設置 146
5.4.2 實驗測試結果 148
5.4.3 CO-CAST方案行為分析 150
5.4.4 不同超參數對CO-CAST方案性能的影響 153
5.5 本章小結 154
參考文獻 154
第6章 無線傳感器網絡中動態路由規劃方案 157
6.1 研究背景與動機 157
6.2 相關工作 159
6.3 WSN中動態路由規劃問題建模 160
6.3.1 系統建模 161
6.3.2 問題建模 163
6.4 CO-NEXT方案 164
6.4.1 CO-NEXT問題分析及設計思路 164
6.4.2 CO-NEXT設計：DRL智能體設計 165
6.4.3 CO-NEXT設計：網絡集中點路由生成算法 168
6.4.4 CO-NEXT方案的整體流程 170
6.5 CO-NEXT方案性能評估 171
6.5.1 模擬環境設置 171
6.5.2 對比方案 173
6.5.3 對比方案性能分析 174
6.5.4 不同路由生成方案的性能對比 176
6.5.5 分層採樣中分層半徑大小對性能的影響 177
6.5.6 不同通信範圍對性能的影響 177
6.5.7 單智能體和多智能體方案性能對比 179
6.5.8 節點能量分析 179
6.6 本章小結 185
參考文獻 185
第7章 總結與展望 188
7.1 總結 188
7.2 展望 190
名詞索引 191
