【技术实现步骤摘要】
本专利技术属于人工智能的，具体涉及一种基于可编程数据平面的分布式在网神经网的流量控制方法及装置。
技术介绍
1、目前，ai模型的训练加速器大部分要求硬件物理和神经网络中的数学运算之间的直接数学同构(例如，基于gpu或fpga)，但是过大的能源消耗越来越限制它们的可扩展性。因此，本实施例提出分布式在网神经网。基于多个互联的可编程交换机，分布式在网神经网既可进行训练，也可进行推理。
2、在网络中，流量控制的本质是怎么把流量合理的分配到各个链路上，实现流量合理的时间和空间上的分布，以提高网络的性能、可靠性和扩展性。而实际上，作为流量控制的一种主要技术，负载均衡的目前都没有找到全局最优的负载均衡模型，只是在量力而为。主要有以下原因，首先，网络环境的复杂性和动态性，导致网络负载在不同的时间和位置上存在巨大的差异，而负载均衡算法必须在这种复杂的环境下进行决策，这使得负载均衡算法的设计和优化变得非常困难。另一方面，负载均衡算法的局限性也限制了负载均衡方案的优化。
3、当前，在可编程数据平面决策的负载均衡算法通常只在数据包级别上...
【技术保护点】
1.基于可编程数据平面的分布式在网神经网的流量控制方法，其特征在于，包括下述步骤：
2.根据权利要求1所述基于可编程数据平面的分布式在网神经网的流量控制方法，其特征在于，所述分布式在网神经网，利用可编程交换机经过矩阵向量线性运算形成神经元，具体为：
3.根据权利要求2所述基于可编程数据平面的分布式在网神经网的流量控制方法，其特征在于，所述矩阵向量线性运算，由可编程交换机基于匹配-动作表MAT执行Map-Reduce机制进行等效计算实现，具体为：
4.根据权利要求1所述基于可编程数据平面的分布式在网神经网的流量控制方法，其特征在于，所...
【技术特征摘要】
1.基于可编程数据平面的分布式在网神经网的流量控制方法，其特征在于，包括下述步骤：
2.根据权利要求1所述基于可编程数据平面的分布式在网神经网的流量控制方法，其特征在于，所述分布式在网神经网，利用可编程交换机经过矩阵向量线性运算形成神经元，具体为：
3.根据权利要求2所述基于可编程数据平面的分布式在网神经网的流量控制方法，其特征在于，所述矩阵向量线性运算，由可编程交换机基于匹配-动作表mat执行map-reduce机制进行等效计算实现，具体为：
4.根据权利要求1所述基于可编程数据平面的分布式在网神经网的流量控制方法，其特征在于，所述可编程交换机采取主动发送数据包的源路由方法确定神经元通信链路，具体为：
5.根据权利要求1所述基于可编程数据平面的分布式在网神经网的流量控制方法，其特征在于，所述带标签的分布式时空联合的网络行为特征数据集，具体为：
6.根据权利要求5所述基于可编程数据平面的分布式在网神经网的流量控制方法，其特征在于，所述构建带标签的分布式时空联合的网络行为特征数据集，具体为：
7.根据权利要求1所述基于可编程数据平面的分布式在网神经网的流量控制方法，其特征在于，所述神经元在一个时隙内等待其所有输入到齐，所述时隙用于神经元之间的同步，使得每个神经元能够在新输入到达之前处理其输入。
8.根据权利要求1所述基于可编程数据平面的分布式在网神经网的流量控制方法，其特征在于，利用带标签的分布式时空联合的网络行为特征数据集迭代训练分布式在网神经网，所述迭代训练需要多次前向传播和后向传播的迭代，使得在网神经网模型的预测值收敛至标签值，1次前向传播和后向传播的迭代具体包括以下步骤：
9.根据权利要求1所述基于可编程数据平面的分布式在网神经网的流量控制方法，其特征在于，所述完成数据中心网络的近似最优的流量控制，具体包括如下步骤：
10.根据权利要求1所述基于可编程数据平面的分布式在网神经网的流量控制方法，其特征在于，所述标签为流量控制的优化目标具体为：当网络完全无拥塞的情况下的端到端时延、流完成时间和截止时间满足率。
【专利技术属性】
技术研发人员：刘外喜，李进，尙文利，蔡君，陈庆春，范立生，郭振正，
申请(专利权)人：广州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。