买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：桂林电子科技大学

摘要：本发明公开一种基于图神经网络的时空特征融合的SDN路由优化方法,利用强化学习智能体学习网络交换机流量负载与网络性能之间的相互依赖关系，并确定一组最佳路由转发方案，以在网络的端到端路径带宽容量和负载均衡之间取得平衡。通过结合图神经网络的预测来寻找数据包的最佳路径，即开发基于图神经网络的时空特征融合网络模型GCT‑Route网络模型，来辅助深度强化学习快速完成自学习过程。本发明可以解决因强化学习智能体在学习过程中长时间探索试错而导致网络路由性能下降的问题。

主权项：1.一种基于图神经网络的时空特征融合的SDN路由优化方法，其特征是，包括步骤如下：步骤1、SDN控制平面采集历史网络信息即网络拓扑、路由方案和流量矩阵生成训练数据集，并将训练数据集存储在SDN知识平面的存储区中；步骤2、在SDN知识平面构建基于图神经网络的时空特征融合网络模型，并使用训练数据集对基于图神经网络的时空特征融合网络模型进行离线训练；步骤3、SDN控制平面将当前时刻的流量矩阵和当前时刻的奖励值rt′输入到SDN知识平面的强化学习智能体生成动作值，随后输入到基于图神经网络的时空特征融合网络模型；步骤4、SDN知识平面的基于图神经网络的时空特征融合网络模型接收动作值作为路由方案P，并将该路由方案P、网络拓扑M、当前时刻的流量矩阵以及当前时刻及其前q个时刻的流量矩阵组成的流量矩阵序列一起作为基于图神经网络的时空特征融合网络模型的输入，基于图神经网络的时空特征融合网络模型输出链路级别的性能矩阵路径级别的性能矩阵和预测的下一个时刻的流量矩阵其中q为设定值；步骤5、SDN知识平面的强化学习智能体的奖励函数根据链路级别的性能矩阵和路径级别的性能矩阵生成下一个时刻的奖励值rt′+1；步骤6、判断下一个时刻及其前s个时刻的奖励值组成的奖励值序列{rt′+1-s,…,rt′,rt′+1}的标准差是否小于设定的收敛阈值：其中s为设定值；如果是，则SDN知识平面的基于图神经网络的时空特征融合网络模型将路由方案P下发给SDN控制平面，SDN控制平面结合路由方案P和网络拓扑M生成SDN流表项，并将SDN流表项下发给数据平面的各个网络节点，网络节点根据该SDN流表项进行网络流量转发，实现数据平面的路由优化；否则，令t′＝t′+1，并将预测的下一个时刻的流量矩阵赋值给当前时刻的流量矩阵下一个时刻的奖励值rt′+1赋值当前时刻的奖励值rt′，并转至步骤3。

全文数据：

权利要求：

百度查询： 桂林电子科技大学 一种基于图神经网络的时空特征融合的SDN路由优化方法