智能網絡
姚海鵬
相關主題
商品描述
本書旨在全面闡述人工智能在網絡技術中的應用，並探討其未來發展方向。在人工智能與復雜網絡環境的交織下，智能網絡成為信息技術、電腦科學和通信工程等領域的重要研究方向。本書通過對軟件定義網絡、網絡功能虛擬化、機器學習算法在網絡管理與優化中的應用等核心技術的深入解析，詳細介紹了智能網絡的基礎設施、路由與擁塞控制、QoS/QoE管理、網絡安全及網絡大模型等內容。
本書既適合作為網絡工程、電腦科學、通信工程及人工智能等專業的本科生、研究生的教材，也為相關領域的研究人員和從業者提供了一份系統的參考資料，有助於他們瞭解智能網絡的基礎理論、技術應用和未來趨勢。
作者簡介
姚海鵬，北京郵電大學的教授，博士生導師，國家傑青，IET Fellow，IEEE高級會員，中國電子學會高級會員，中國通信學會高級會員，主要研究方向為專用網絡、無人集群網絡、網絡人工智能等。
目錄大綱
第 1章 智能網絡概述 1
1.1 國內外研究現狀 2
1.2 本書組織結構 2
參考文獻 4
第 2章 智能網絡基礎設備 5
2.1 引言 5
2.1.1 SDN的誕生 5
2.1.2 智能網絡 6
2.1.3 大數據處理和人工智能技術 7
2.2 新型網絡技術 7
2.2.1 SDN 8
2.2.2 NFV 13
2.2.3 可編程數據平面 16
2.3 網絡感知技術 24
2.3.1 sFlow 24
2.3.2 INT 27
2.3.3 DPI 30
2.4 DPU和智能網卡 33
2.4.1 DPU 33
2.4.2 智能網卡 33
2.5 總結 34
參考文獻 34
第3章 機器學習 36
3.1 人工智能與機器學習發展概述 36
3.1.1 人工智能的提出和發展 36
3.1.2 機器學習——人工智能的實現方式 37
3.1.3 機器學習算法分類 38
3.2 監督學習 39
3.2.1 監督學習算法選擇 39
3.2.2 線性回歸 40
3.2.3 邏輯回歸 41
3.2.4 神經網絡 44
3.2.5 SVM 47
3.3 無監督學習 50
3.3.1 K-means 50
3.3.2 DBSCAN 51
3.3.3 層次聚類 52
3.3.4 PCA 52
3.3.5 LDA 53
3.4 強化學習 54
3.4.1 Q-learning 55
3.4.2 Sarsa 57
3.4.3 深度Q網絡 59
3.4.4 策略梯度 60
3.5 總結 62
參考文獻 62
第4章 網絡路由 64
4.1 路由問題概述 64
4.1.1 傳統路由簡述 65
4.1.2 路由信息協議 65
4.1.3 開放最短路徑優先協議 66
4.1.4 邊界網關協議 67
4.2 分佈式路由策略 68
4.2.1 Q-routing路由算法簡述 68
4.2.2 基於模型的Q-learning路由機制 69
4.2.3 面向自組織網絡的自適應路由機制 72
4.3 集中式路由策略 75
4.3.1 基於最小二乘策略迭代的路由機制 76
4.3.2 面向SDN的自適應路由機制 78
4.4 總結 81
參考文獻 82
第5章 擁塞控制 83
5.1 擁塞控制概述 83
5.1.1 擁塞控制狀態機 83
5.1.2 擁塞控制算法 84
5.2 丟包分類 86
5.2.1 基於樸素貝葉斯算法的丟包分類方法 86
5.2.2 隱馬爾可夫模型的丟包分類方法 89
5.3 隊列管理 90
5.3.1 基於模糊神經網絡的隊列管理方法 91
5.3.2 基於模糊Q-learning的隊列管理算法 93
5.4 CWND更新 95
5.4.1 基於學習自動機的CWND更新方法 95
5.4.2 基於Q-learning的CWND更新方法 98
5.5 擁塞診斷 100
5.5.1 基於灰色神經網絡預測網絡流量 101
5.5.2 一種SVR預測RTT的方法 104
5.6 總結 106
參考文獻 106
第6章 QoS/QoE管理 108
6.1 QoS/QoE概述 108
6.1.1 QoS/QoE概念 108
6.1.2 QoS/QoE區別 109
6.2 QoS/QoE預測 111
6.2.1 基於用戶聚類算法和回歸算法的Qo 預測方法 111
6.2.2 基於ANN的QoE預測方法 113
6.3 QoS/QoE評估 116
6.3.1 基於SVM的QoS評估方法 117
6.3.2 基於KNN的QoE評估方法 119
6.4 QoS/QoE相關性 121
6.4.1 QoS/QoE的相關性 121
6.4.2 基於機器學習的QoS/QoE相關性分析 122
6.5 總結 125
參考文獻 125
第 7 章 故障管理 127
7.1 故障管理概述 127
7.2 故障預測 128
7.2.1 基於網絡建模技術的故障預測分析算法 128
7.2.2 基於流形學習技術提取故障特徵並生成故障預測的算法 131
7.3 故障檢測 133
7.3.1 基於聚類的網絡故障檢測性分析算法 133
7.3.2 基於循環神經網絡（RNN）的故障檢測機制 135
7.4 根因定位 138
7.4.1 基於決策樹學習方法的根因定位 138
7.4.2 基於離散狀態空間粒子濾波算法的根因定位技術 140
7.5 自動緩解 142
7.5.1 基於主動故障預測的自動緩解 142
7.5.2 基於被動故障預測的自動緩解 144
7.6 總結 146
參考文獻 146
第 8 章 網絡安全 148
8.1 網絡安全概述 148
8.1.1 網絡安全 148
8.1.2 入侵檢測系統 149
8.2 基於誤用的入侵檢測 150
8.2.1 基於神經網絡的誤用檢測 150
8.2.2 基於決策樹的誤用檢測 153
8.3 基於異常的入侵檢測 155
8.3.1 基於流量特徵的異常檢測 156
8.3.2 基於有效負載的異常檢測 159
8.4 機器學習在入侵檢測中的綜合應用 161
8.4.1 基於集成學習的入侵檢測 161
8.4.2 基於深度學習的入侵檢測 162
8.4.3 基於強化學習的入侵檢測 165
8.5 總結 167
8.5.1 問題與挑戰 167
8.5.2 入侵檢測系統的發展趨勢 167
參考文獻 168
第 9 章 網絡大模型 169
9.1 網絡大模型概述 169
9.1.1 網絡大模型 169
9.1.2 網絡大模型的生命周期 170
9.2 GAI賦能網絡大模型 173
9.2.1 GAI方法 174
9.2.2 基於擴散模型優化強化學習 180
9.2.3 GAI賦能6G網絡 181
9.3 網絡支持GAI 182
9.3.1 網絡集成大模型技術 184
9.3.2 網絡大模型服務的部署 188
9.3.3 可編程數據平面賦能網絡大模型 190
9.4 總結 192
9.4.1 問題與挑戰 192
9.4.2 網絡大模型的發展趨勢 192
參考文獻 193
第 10章 總結 194
