基於數據驅動的數據中心網絡性能建模與優化

目   錄

第1章  引言  1

1.1  研究背景  1

1.1.1  數據中心網絡  1

1.1.2  數據驅動網絡  3

1.2  研究領域及面臨的主要挑戰  5

1.2.1  主要研究領域  5

1.2.2  面臨的研究挑戰  6

1.3  研究內容與研究成果  7

1.3.1  基於深度學習的數據中心網絡拓撲建模和優化方案  8

1.3.2  基於深度強化學習的交換機共享緩存管理方案  8

1.3.3  基於圖神經網絡的網絡性能建模框架  9

1.4  全書組織結構  10

第2章  研究背景與相關工作  12

2.1  數據中心網絡  12

2.1.1  拓撲架構  12

2.1.2  共享緩存管理  16

2.1.3  擁塞控制  20

2.2  網絡性能建模  23

2.2.1  數學分析建模  23

2.2.2  離散事件仿真  25

2.2.3  系統模擬  26

2.3  數據驅動方法在網絡系統中的應用  27

2.3.1  工作流程  27

2.3.2  網絡資源管理與性能優化  30

2.3.3  網絡性能建模與評估  37

2.3.4  基礎設施和解釋驗證  40

第3章  基於深度學習的數據中心網絡拓撲建模和優化方案  43

3.1  概述  43

3.2  研究動機  45

3.3  系統框架  50

3.3.1  設計目標和限制  50

3.3.2  系統模塊  51

3.4  流量驅動的訓練樣本生成  52

3.4.1  拓撲性能評分  53

3.4.2  高分拓撲樣本生成  55

3.5  流量---拓撲映射學習  56

3.5.1  映射學習神經網絡  56

3.5.2  先驗知識嵌入  58

3.6  仿真實驗評估  60

3.7  硬件實驗床評估  66

3.8  討論  68

3.9  本章小結  73

第4章  基於深度強化學習的交換機共享緩存管理方案  74

4.1  概述  74

4.2  方案設計  77

4.2.1  設計概述  77

4.2.2  可擴展的狀態處理  80

4.2.3  高效決策機制  82

4.3  系統實現  85

4.3.1  訓練基礎設施  85

4.3.2  實驗床  87

4.4  實驗評估  88

4.4.1  實驗方法  89

4.4.2  仿真評估  89

4.4.3  原型系統泛化  91

4.4.4  深入分析  92

4.5  討論  95

4.6  本章小結  96

第5章  基於圖神經網絡的網絡性能建模框架  97

5.1  概述  97

5.2  研究動機  100

5.2.1  背景  100

5.2.2  需求與挑戰  102

5.3  方案設計  103

5.3.1  關系圖表示  104

5.3.2  可配置圖神經網絡  105

5.3.3  狀態轉移模型  109

5.3.4  模型訓練  110

5.4  實驗評估  111

5.4.1  數據中心網絡時序QoS推斷  112

5.4.2  數據中心網絡FCT預測  113

5.4.3  廣域網穩態QoS推斷  118

5.5  討論  119

5.6  本章小結  120

第6章  結論與展望  121

6.1  研究工作總結  121

6.2  研究工作展望  123

參考文獻  125

致謝  141

在學期間完成的相關學術成果  143