随着软件定义网络(Software Defined Network,SDN)技术的快速发展,互联网必将长期处于传统网络设备和SDN设备共存的混合SDN网络状态。混合SDN网络中的路由节能研究是一项关键的工作。文中提出了一种基于遗传算法的混合软件定义网络路由...
详细信息
随着软件定义网络(Software Defined Network,SDN)技术的快速发展,互联网必将长期处于传统网络设备和SDN设备共存的混合SDN网络状态。混合SDN网络中的路由节能研究是一项关键的工作。文中提出了一种基于遗传算法的混合软件定义网络路由节能算法(Hybrid Software Defined Network Energy Efficient Routing Algorithm Based on Genetic Algorithm,EEHSDNGA)。文中致力于解决两方面的问题:1)如何在网络中有选择性地将传统网络设备升级为SDN设备;2)如何选择性地关闭链路。对于第一个问题,利用遗传算法进行解决。针对第二个问题,文中提出了链路关键度模型,即根据链路的重要性逐个关闭网络中的链路。实验结果表明,在Abilene网络中,EEHSDNGA的节能比率可达36%;在Geant网络中,EEHSDNGA的节能比率高达42.5%。EEHSDNGA的节能效果远远优于LF,HEATE和EEGAH的节能效果。
越来越多的物联网数据呈现高维度特征,针对目前传感器数据异常检测算法对高维数据在线检测的困难,提出一种基于深度信念网络的高维传感器数据异常检测算法。首先利用深度信念网络对高维数据进行特征提取,降低原始数据维度,再对降维后的数据进行异常检测。在检测过程中将QSSVM(Quarter-Sphere Support Vector Machine)与滑动窗口模型相结合,实现了在线式的异常检测。通过在四组真实传感器数据上的大量实验,与先前的异常检测算法做了对比,实验结果表明,新算法相对于OCSVM(One-Class Support Vector Machine)仅利用原有算法50%的计算时间,将检测准确度提高了约20%。
暂无评论