【技术实现步骤摘要】
本申请涉及网络虚拟化，更具体地，涉及一种基于改进深度强化学习的虚拟网络映射方法及装置。
技术介绍
1、随着信息技术的快速发展和网络应用的日益增多，虚拟网络嵌入(virtualnetwork embedding,vne)技术在网络虚拟化领域中扮演着越来越重要的角色。vne技术的核心目标是将虚拟网络(virtual network，vn)的需求映射到现有的物理网络(substratenetwork，sn)中，以实现资源的高效利用和网络服务的灵活部署。然而，当前vne技术在实际应用中面临以下主要问题：
2、1.静态优化算法的局限性：现有的vne解决方案大多基于静态优化算法，这些算法在网络环境快速变化和不确定性面前表现出明显的不足。它们无法有效应对网络拓扑和流量模式的动态变化，如节点的增减和流量的波动。
3、2.资源利用率和映射质量：传统方法在资源利用率、映射成功率和映射质量等关键性能指标上存在局限，难以满足大规模网络和动态变化的需求。
4、3.适应性和鲁棒性不足：随着网络规模的扩大和网络环境的复杂性增加，现...
【技术保护点】
1.一种基于改进深度强化学习的虚拟网络映射方法，其特征在于，包括：
2.如权利要求1所述的基于改进深度强化学习的虚拟网络映射方法，其特征在于，所述采用深度图卷积神经网络自动提取物理网络状态中的关键空间特征作为输入包括：
3.如权利要求1所述的基于改进深度强化学习的虚拟网络映射方法，其特征在于，所述采用深度图卷积神经网络自动提取物理网络状态中的关键空间特征作为输入，通过策略网络选定目标动作并执行包括：
4.如权利要求1所述的基于改进深度强化学习的虚拟网络映射方法，其特征在于，所述根据动作执行结果和网络性能指标计算奖励信号，使用梯度下降...
【技术特征摘要】
1.一种基于改进深度强化学习的虚拟网络映射方法，其特征在于，包括：
2.如权利要求1所述的基于改进深度强化学习的虚拟网络映射方法，其特征在于，所述采用深度图卷积神经网络自动提取物理网络状态中的关键空间特征作为输入包括：
3.如权利要求1所述的基于改进深度强化学习的虚拟网络映射方法，其特征在于，所述采用深度图卷积神经网络自动提取物理网络状态中的关键空间特征作为输入，通过策略网络选定目标动作并执行包括：
4.如权利要求1所述的基于改进深度强化学习的虚拟网络映射方法，其特征在于，所述根据动作执行结果和网络性能指标计算奖励信号，使用梯度下降算法根据奖励信号更新策略网络参数，包括：
5.如权利要求1所述的基于改进深度强化学习的虚拟网络映射方法，其特征在于，在所述基于物理网络与虚拟网络建立网络系...
【专利技术属性】
技术研发人员：闫帅，于贺阳，王杰，杨洋，韩悦，白文华，余瑞丰，李福全，
申请(专利权)人：中国人民解放军国防科技大学，
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。