基于深度学习的流量工程算法研究与应用

胡道允，齐进，陆钱春，李锋，房红强

研究与开发

基于深度学习的流量工程算法研究与应用

胡道允1，齐进1，陆钱春1，李锋1，房红强2

（1. 移动网络和移动多媒体技术国家重点实验室，广东 深圳 518057； 2. 中国科学技术大学，安徽 合肥 230026）

随着5G网络的发展和应用，网络中的业务数量呈现出爆发式增长，网络中的带宽资源日趋紧张。为了提高网络资源利用率，并满足用户日益提高的业务服务质量要求，基于软件定义网络（SDN）提出了一种基于深度学习的流量工程算法（DL-TEA）。通过仿真证明该算法不仅能够实时地为业务计算一条高效的路径，同时还能够提升业务的QoS、网络资源利用率，降低网络阻塞率。

软件定义网络；流量工程；深度学习；服务质量

1 引言

随着互联网技术的发展，尤其随着5G网络的部署和应用，网络中需要传输的数据量呈现出爆发式的增长，网络资源日趋紧张。而用户对业务QoS（quality of service，服务质量）的要求却在不断提高，这给传统的网络管理系统带来了巨大的挑战。近年来，SDN（software defined networking，软件定义网络）的概念被广泛关注，它通过解耦传统路由器中的控制和转发功能，形成一个统一的集中式控制平面[1]。控制平面可以实时地获得网络的全局视野和流量信息，实现网络业务流量的精细化管理，从而提升网络资源利用率[2-3]。然而，网络中业务流量的突发性和动态性特点越来越明显，传统的最短路由算法极有可能使网络发生网络拥塞或者带宽闲置，这会造成业务QoS下降或者网络资源浪费[4]。……