论文解析：Software-Defined Network Function Virtualization: A Survey

有监督的深度神经网络

1. 与基准路由策略（开放最短路径优先OSPF）相比，优势：信令开销、吞吐量、延迟方面都有很大提升
2. 首创性：本文首次证明了利用深度学习神经网络显著改善异构网络流量控制的概念
3. 算法概述：包含多个隐藏层的深度学习系统，每个隐藏层都计算上一层的非线性变换，此外。，使用贪婪分层悬链方法初始化深度学习系统，并进一步使用方向传播算法对深度学习训练进行微调。（另证明此方法与传统…..）
4. 过程：三个阶段1 初始阶段，2 训练阶段，3 运行阶段
5. 系统直观图

1. 深度学习系统输入（到达包数）

1. 神经网络架构（深度学习）

1. 关键挑战：1，如何描述网络工作流量的输入，N表示输入网络的路由器（第i个元素表示路由i在δ时隙入站信息包的数量），含有多个隐藏层，每个隐藏层都计算上一层的非线性变换，网络流量的输出端是指示从源路由到目的路径的下一个路由器的的路由路径
2. 向量中只有一个元素可以表示为1,值为1的向量中元素的位置或者顺序表示下一个节点
3. 系统模型的输入输出特性

N=16

第一个：集中式网络控制场景，在深度学习系统需要33792个输出单元，复杂度非常高

第二个：输出向量表示16*16的矩阵，可以将整个路由路径作为输出提供，错误率高

第三个：使用非二进制输出向量表示整个路径，很高错误率

第四个：（本系统）错误率低

第五个：使用48个输入单元来表示具有超过38个流量模式的输入向量，错误率与第四个相似，复杂度更高

 

深度学习三个步骤：初始阶段，训练阶段，运行阶段

1. 初始阶段：方法一，使用传统的策略如OSPF来模拟不同路由器在不同负载和条件下的通信，并记录在训练阶段使用的流量特征和路经，方法二，从许多可用数据集中提出相关的流量信息
2. 训练阶段：采用监督学习，以初始阶段收集到的信息为基础。核心网中路有数N，内部路由数I，I< N，输入（y向量，x向量）xy向量表示N个路由的N维向量，xy分别表示N个路由器和下一个路由器的通信模式，输出是权矩阵，由两个主要部分组成：1，采用贪婪分层训练法对深度学习系统进行初始化，2，采用方向传播算法对深度学习系统进行微调，每个路由都要训练，每个路由器需要根据它有多少个目标路由器来训练几个深度学习系统，在考虑的网络工作中，所有数据包都是面向边缘路由器，边缘路由器N-I个，每个边缘路由器需要训练N-I-1个深度学习系统，内部路由需要训练N-I个深度学习系统。
3. 标记数据由xy向量两个部分组成，路由器的入站数据包在一个给定的时隙中被用来表示它的流量模式。每个深度学习系统都是用来预测下一个节点y向量的，所以另一个n维向量被设计成只有一个元素是1而y向量的其他元素都是0 。使用m组数据来训练。
4. 先训练一个隐藏层的，在两个隐藏层的，用（k-1）作为k层的输入，之后用反向传播算法调整隔层之间的权值，使深度学习系统的输出与给定的输出之间y向量之间差值最小化，知道两个输出之间的差异满足要求或训练调整数达到给定值，训练周期结束
5. 训练完成后会传输WMs到边缘路由器，以多播方式完成，目的节点只是边缘路由器每个边缘路由都要将N-I-1权值矩阵传送到另一N-I-1个边缘路由器，然后每一个边缘路由都能获得整合网络的权矩阵，DLij深度学习系统i到目的j，i表示任何路由，j表示边缘路由，WMij表示DLij的权矩阵，利用权矩阵构造相应的深度学习系统
6. 运行阶段TPs表示路由器的流量模式，TPs和WMs一起作为正在运行算法的输入，每个路由器用WMij构造DLij，用Dlij和TPs预测下一个路由器，下一步，利用权矩阵建立目标边缘路由j的下一个学习系统，直到下一个被预测到

 

仿真结果