【技术实现步骤摘要】
本申请涉及网络多路径传输，特别涉及一种网络流的路径分配方法、装置、电子设备及存储介质。
技术介绍
1、随着算力网络架构的出现，集中式机器学习成为解决多路传输问题的有力工具。sdn的核心思想是将网络的控制平面和数据平面解耦，引入集中式控制器来有效管理整个网络。这种架构增强了网络的灵活性和可编程性。算力网络的集中控制架构为集中式机器学习提供了统一的接口，使其更容易融入网络管理。这种集中式管理模式消除了传统网络中分散控制的瓶颈，为智能解决方案的引入创造了有利条件。随着sdn的广泛采用，网络管理员可以直观地监视和控制网络，获取实时流量和设备状态信息。这为机器学习算法提供了更丰富、更实时的数据源，从而能够更准确地建模网络状态，预测流量变化，并在必要时调整网络配置。
2、但是，当前在算力网络架构下解决多路径传输问题的机器学习方法中，拓扑结构即流量的传输路径经常被忽略，并且没有考虑到流量与其他流量之间的关系，这可能会导致网络拥塞、性能下降。
技术实现思路
1、本申请旨在至少解决现有技术中存在...
【技术保护点】
1.一种网络流的路径分配方法，其特征在于，应用于多路径传输的算力网络系统中的多路调度控制器，所述多路径传输的算力网络系统还包括多个网络节点，各个所述网络节点相互连接，且所述多路控制器分别与每个所述网络节点连接；
2.根据权利要求1所述的网络流的路径分配方法，其特征在于，所述构建所述预配置传输路径的路径容量矩阵，包括：
3.根据权利要求2所述的网络流的路径分配方法，其特征在于，所述通过所述消息传递层对所述第一网络流特征进行消息传递更新处理，得到第二网络流特征，包括：
4.根据权利要求1所述的网络流的路径分配方法，其特征在于，所述通过所...
【技术特征摘要】
1.一种网络流的路径分配方法，其特征在于，应用于多路径传输的算力网络系统中的多路调度控制器，所述多路径传输的算力网络系统还包括多个网络节点，各个所述网络节点相互连接，且所述多路控制器分别与每个所述网络节点连接；
2.根据权利要求1所述的网络流的路径分配方法，其特征在于，所述构建所述预配置传输路径的路径容量矩阵，包括：
3.根据权利要求2所述的网络流的路径分配方法，其特征在于，所述通过所述消息传递层对所述第一网络流特征进行消息传递更新处理，得到第二网络流特征，包括：
4.根据权利要求1所述的网络流的路径分配方法，其特征在于，所述通过所述读出层对所述第二网络流特征进行映射处理，得到所述网络流在各个所述预配置传输路径上的预测路径分配比率分布，包括：
5.根据权利要求1所述的网络流的路径分配方法，其特征在于，所述预设约束条件包括第一约束条件，所述第一约束条件为：
【专利技术属性】
技术研发人员：陈佳，李玉峰，高德云，于成晓，刘康，黄旭，刘上，贲雪珂，刘伟桐，
申请(专利权)人：鹏城实验室，
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。