用于信息中心网络的方法技术

本公开的实施例提供了用于信息中心网络的方法

【技术实现步骤摘要】
用于信息中心网络的方法、电子设备和计算机程序产品


[0001]本公开的实施例涉及计算机
，并且更具体地，涉及用于信息中心网络的方法
、
电子设备和计算机程序产品
。

技术介绍

[0002]信息中心网络
(Information
‑
Centric Networking
，
ICN)
是改变当前互联网架构焦点的一种尝试
。
以前的架构主要关注于在两个机器之间创建对话
。
而
ICN
架构能够实现内容与位置分离
、
网络内置缓存等功能，从而更好满足大规模网络内容分发
、
移动内容存取
、
网络流量均衡等需求
。
[0003]强化学习
(Reinforcement Learning,RL)
作为机器学习的范式和方法论之一，用于描述和解决智能体
(agent)
在与环境的交互过程中通过学习策略以达成奖励最大化或实现特定目标的问题
。
强化学习由于其灵活性和良好的性能，越来越受到人们的欢迎，在诸如博弈论
、
控制论
、
运筹学
、
信息论
、
仿真库优化等领域均有研究
。

技术实现思路

[0004]本公开的实施例提供了一种用于信息中心网络的方案
。
[0005]在本公开的第一方面，提供了一种用于信息中心网络的方法
。
该方法包括：利用机器学习模型中的记忆层对在第一时刻从信息中心网络
(ICN)
获得到的第一状态进行正向处理，确定与对应于第一时刻的记忆层相关联的正向隐藏状态，其中第一状态包括关于
ICN
的第一节点信息和第一拓扑信息；利用记忆层对在第二时刻从
ICN
获得到的第二状态进行反向处理，确定与对应于第二时刻的记忆层相关联的反向隐藏状态，第二时刻在第一时刻之后；利用正向隐藏状态和反向隐藏状态，确定在第二时刻的第三状态；以及使用第二状态和第三状态，训练机器学习模型
。
[0006]在本公开的第二方面，提供了一种电子设备
。
该电子设备包括至少一个处理器；以及存储有计算机可执行指令的至少一个存储器，至少一个存储器和计算机可执行指令被配置为与至少一个处理器一起使得电子设备执行操作
。
该操作包括：利用机器学习模型中的记忆层对在第一时刻从信息中心网络
(ICN)
获得到的第一状态进行正向处理，确定与对应于第一时刻的记忆层相关联的正向隐藏状态，其中第一状态包括关于
ICN
的第一节点信息和第一拓扑信息；利用记忆层对在第二时刻从
ICN
获得到的第二状态进行反向处理，确定与对应于第二时刻的记忆层相关联的反向隐藏状态，第二时刻在第一时刻之后；利用正向隐藏状态和反向隐藏状态，确定在第二时刻的第三状态；以及使用第二状态和第三状态，训练机器学习模型
。
[0007]在本公开的第三方面，提供了一种计算机程序产品
。
该计算机程序产品被有形地存储在非易失性计算机可读介质上并且包括计算机可执行指令，计算机可执行指令在被执行时使设备：利用机器学习模型中的记忆层对在第一时刻从信息中心网络
(ICN)
获得到的第一状态进行正向处理，确定与对应于第一时刻的记忆层相关联的正向隐藏状态，其中第
一状态包括关于
ICN
的第一节点信息和第一拓扑信息；利用记忆层对在第二时刻从
ICN
获得到的第二状态进行反向处理，确定与对应于第二时刻的记忆层相关联的反向隐藏状态，第二时刻在第一时刻之后；利用正向隐藏状态和反向隐藏状态，确定在第二时刻的第三状态；以及使用第二状态和第三状态，训练机器学习模型
。
[0008]提供
技术实现思路
部分是为了简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述
。

技术实现思路
部分无意标识本公开的关键特征或主要特征，也无意限制本公开的范围
。
附图说明
[0009]通过结合附图对本公开示例性实施例进行更详细的描述，本公开的上述以及其它目的
、
特征和优势将变得更加明显，其中，在本公开示例性实施例中，相同的参考标号通常代表相同部件
。
[0010]图
1a
示出了本公开实施例可以在其中被实施的示例环境的示意图；
[0011]图
1b
示出了机器学习模型中的推理的示意图；
[0012]图2示出了根据本公开的一些实施例的用于信息中心网络的方法
200
的流程图；
[0013]图3示出了根据本公开的一些实施例的机器学习模型中的推理的示意图；
[0014]图4示出了利用根据本公开的一些实施例的方法而获得的实验结果；
[0015]图5示出了利用根据本公开的一些实施例的方法而获得的实验结果；以及
[0016]图6示出了可以用来实施本公开的实施例的示例设备的框图
。
具体实施方式
[0017]下面将参考附图中示出的若干示例实施例来描述本公开的原理
。
虽然附图中显示了本公开的优选实施例，但应当理解，描述这些实施例仅是为了使本领域技术人员能够更好地理解进而实现本公开，而并非以任何方式限制本公开的范围
。
[0018]在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。
除非特别申明，术语“或”表示“和
/
或”。
术语“基于”表示“至少部分地基于”。
术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。
术语“另一实施例”表示“至少一个另外的实施例”。
术语“第一”、“第二”等等可以指代不同的或相同的对象
。
下文还可能包括其他明确的和隐含的定义
。
[0019]如本文中所使用的，术语“机器学习”指的是涉及高性能计算
、
机器学习和人工智能算法的处理
。
在本文中，术语“机器学习模型”也可以称为“学习模型”、“学习网络”、“网络模型”、
或“模型”。“神经网络”或“神经网络模型”是一种深度学习模型
。
概括来说，机器学习模型能够接收输入数据并且基于输入数据执行预测和输出预测结果
。
[0020]通常，机器学习模型可以包括多个处理层，每个处理层具有多个处理单元
。
处理单元有时也称为卷积核
。
在卷积神经网络
(CNN)
的卷积层中，处理单元称为卷积核或卷积滤波器
。
每个处理层中的处理单元基于对应的参数对该处理层的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于信息中心网络的方法，包括：利用机器学习模型中的记忆层对在第一时刻从信息中心网络
(ICN)
获得到的第一状态进行正向处理，确定与对应于所述第一时刻的记忆层相关联的正向隐藏状态，其中所述第一状态包括关于所述
ICN
的第一节点信息和第一拓扑信息；利用所述记忆层对在第二时刻从所述
ICN
获得到的第二状态进行反向处理，确定与对应于所述第二时刻的记忆层相关联的反向隐藏状态，所述第二时刻在所述第一时刻之后；利用所述正向隐藏状态和所述反向隐藏状态，确定在所述第二时刻的第三状态；以及使用所述第二状态和所述第三状态，训练所述机器学习模型
。2.
根据权利要求1所述的方法，其中利用所述正向隐藏状态和所述反向隐藏状态，确定在所述第二时刻下的第三状态包括：基于所述正向隐藏状态和所述反向隐藏状态，确定所述第二时刻下的隐变量；基于所述正向隐藏状态和所述隐变量，预测在所述第一时刻下针对所述第一状态的动作；以及基于所述动作
、
所述正向隐藏状态和所述隐变量，预测所述第三状态
。3.
根据权利要求2所述的方法，其中训练所述机器学习模型包括：根据所述第二状态和所述第三状态，确定与所述机器学习模型对应的损失函数的损失值；以及基于所述损失值，训练所述机器学习模型
。4.
根据权利要求3所述的方法，其中所述损失函数包括：针对以所述隐变量为条件而生成的所述反向隐藏状态所确定的最大似然估计模型
。5.
根据权利要求1所述的方法，还包括：利用经训练的机器学习模型，生成与从所述
ICN
接收到的第二节点信息和第二拓扑信息对应的动作
。6.
根据权利要求5所述的方法，其中生成与从所述
ICN
接收到的第二节点信息和第二拓扑信息对应的动作包括：在针对所述
ICN
节点的第一缓存决策阶段，基于所述第二节点信息和所述第二拓扑信息，生成与所述第一缓存决策阶段对应的第一动作，其中所述第一动作指示：在所述
ICN
节点中进行数据缓存；或在所述
ICN
节点中不进行数据缓存
。7.
根据权利要求6所述的方法，其中生成与从所述
ICN
接收到的第二节点信息和第二拓扑信息对应的第二动作还包括：在针对所述
ICN
节点中的存储器的第二缓存决策阶段，基于所述第二节点信息和所述第二拓扑信息，生成与所述第二缓存决策阶段对应的第二动作，其中所述第二动作指示：在所述
ICN
节点的存储器中进行数据缓存；或在所述
ICN
节点的存储器中不进行数据缓存
。8.
根据权利要求7所述的方法，其中所述方法还包括：接收针对所述动作的反馈，所述反馈包括分别针对字节命中率
、
数据响应延迟以及数据传输带宽的权重
。
9.
根据权利要求1所述的方法，其中所述第一节点信息包括：节点类型
、
缓存状态以及内容属性
。10.
根据权利要求1所述的方法，其中所述方法还包括：对所述第一状态进行初始化配置，以更新所述机器学习模型
。11.
一种电子设备，包括：至少一个处理器；以及存储有计算机可执行指令的至少一个存储器，所述至少一个存储器和所述计算机可执行指令被配置为，与所述至少一个处理器一起，使得所述电子设备执行操作，所述操作包括：利用机器学习模型中的记忆层对在第一时刻从信息中心网络
(ICN)
获得到的第一状态进行正向处理，确定与对应于所述第一时刻的记忆层相关联的正向隐藏状态，其中所述第一状态包括关于所述
ICN
的第一节点信息和第一拓扑信息；利用所述记忆层对在第二时刻从所述
ICN
获得到的第二状态进行反向处理，确定与对应于所述第二时刻的...

【专利技术属性】
技术研发人员：王子嘉，倪嘉呈，刘金鹏，贾真，
申请(专利权)人：戴尔产品有限公司，
类型：发明
国别省市：