邊緣數據中心光網絡
楊輝 姚秋彥 張傑
商品描述
本書針對當前邊緣數據中心光網絡多域協作、異質資源分配、服務能力可靠性的需求，從多域可信控制、資源高 效分配、可靠性提升等方面提出相應的解決方案。
本書介紹邊緣數據中心光網絡可信控制技術，以及分佈式軟件定義邊緣數據中心光網絡的可信控制架構與跨域交互機制。然後，依次介紹邊緣數據中心內突發流量預測與調度技術、邊緣數據中心間長期流量預測與調度技術，並介紹相應的流量預測模型與資源分配算法。針對邊緣數據中心光網絡的可靠性提升，介紹其異常預測技術與故障定位技術，並提出相應的解決方案。
本書既可供高等院校通信、電子、信息科學等相關專業師生參考，也適合對邊緣數據中心光網絡領域有興趣的非相關專業讀者，以及正在從事邊緣數據中心光網絡理論研究和系統設計的通信行業研發人員閱讀。
作者簡介
楊輝
北京郵電大學教授、博士生導師、電子工程學院院長，中國電子學會理事，中國電子學會青年科學 傢俱樂部主席團主席，信息光子學與光通信全 國重點實驗室主任助理，英國工程技術學會會士（IET Fellow），愛思唯爾中國高被引學 者，獲國家自然科學基金優 秀青年科學基金項目支持。獲國內外發明專利授權五十餘項，獲國家科技進步獎二等獎一項、中國通信學會科學技術獎一等獎、達摩院青橙獎等省部級和社會力量獎十項，並獲得“強國青年 科學 家”提名、中國電子學會優 秀科技工作者稱號。
姚秋彥
北京郵電大學特聘副研究員，入選第九屆中國科協青年人才托舉工程。在國內外學術刊物上發表論文七十餘篇，獲OECC/PSC會議最 佳論文獎。獲國內外發明專利授權二十四項。作為骨乾人員參與國家重點研發計劃等國家 級項目多項。獲日內瓦國際發明展金獎、中國產學研合作創新成果獎一等獎等獎項。
張傑
北京郵電大學教授、博士生導師、集成電路學院執行院長，信息光子學與光通信全 國重點實驗室副主任，百千萬人才工程國家 級人選，北京市優 秀教師，教育 部新世紀優 秀人才。主持承擔了國家重點研發計劃、國家973計劃、國家863計劃等多項國家 級項目，發表論文三百餘篇，出版專著和教材十餘部。
目錄大綱
第1 章 緒論. 1
1.1 研究背景. 1
1.2 國內外研究現狀. 2
1.2.1 數據中心光網絡控制技術研究現狀. 2
1.2.2 數據中心光網絡資源分配技術研究現狀. 4
1.2.3 數據中心光網絡可靠性技術研究現狀. 5
1.3 主要內容安排 6
第2 章 邊緣數據中心光網絡可信控制技術. 8
2.1 分佈式SDEDCON 可信控制架構 8
2.1.1 邊緣數據中心光互聯場景下的可信控制需求分析. 9
2.1.2 基於區塊鏈的分佈式控制結構. 10
2.1.3 分佈式SDEDCON 可信控制架構的功能.11
2.2 分佈式SDEDCON 可信跨域交互機制. 14
2.2.1 分佈式SDEDCON 多域協作模型 15
2.2.2 多維資源聯合優化的跨域路由算法. 16
2.2.3 多控制器跨域路由共識算法. 18
2.2.4 基於自適應布隆過濾器的跨域路由驗證. 20
2.3 模擬結果分析 26
2.3.1 模擬環境與評價指標. 26
2.3.2 網絡運行模擬分析. 26
2.3.3 路由檢測模擬分析. 29
2.4 本章小結. 30
第3 章 邊緣數據中心內突發流量預測與調度技術. 32
3.1 突發流量調度原理 32
3.2 基於誤差反饋脈沖神經網絡的突發流量預測 34
3.2.1 脈沖神經網絡. 34
3.2.2 誤差反饋脈沖神經網絡框架. 35
3.2.3 多突觸機制. 36
3.2.4 誤差反饋模塊設計. 38
3.3 基於突發流量預測的流量調度算法 39
3.3.1 全局評估因子. 39
3.3.2 流量縮放因子. 41
3.4 模擬結果分析 45
3.4.1 模擬設置. 45
3.4.2 流量預測模型性能分析. 47
3.4.3 基於突發流量預測的流量調度算法性能分析. 49
3.5 本章小結. 51
第4 章 邊緣數據中心間長期流量預測與調度技術. 52
4.1 邊緣數據中心間網絡流量預測. 53
4.2 問題分析及系統模型 54
4.2.1 數據中心間網絡流量模型. 54
4.2.2 基於時間間隔的重採樣過程. 55
4.3 多時間間隔特徵學習網絡模型. 56
4.3.1 B-RNN 模型. 57
4.3.2 MTIFLN 模型的框架. 59
4.4 基於長期流量預測的資源分配算法 60
4.5 模擬結果分析 63
4.5.1 數據集說明. 63
4.5.2 模擬設置. 66
4.5.3 MTIFLN 模型性能分析. 68
4.5.4 LTP-RA 算法性能分析 70
4.6 本章小結. 73
第5 章 邊緣數據中心光網絡異常預測技術. 75
5.1 基於深度學習的邊緣數據中心光網絡異常預測框架 75
5.2 基於LSTM 網絡的時序數據異常預測方案 79
5.2.1 數據預處理與多維指標相關性分析. 80
5.2.2 基於LSTM 網絡的異常預測模型 84
5.2.3 模擬結果分析. 85
5.3 有監督/無監督混合異常預測方案. 88
5.3.1 有監督DNN 異常預測模型 88
5.3.2 無監督聚類異常預測模型. 90
5.3.3 模擬結果分析. 91
5.4 本章小結. 95
第6 章 邊緣數據中心光網絡故障定位技術. 97
6.1 大規模告警信息下的光網絡故障定位方法概述. 97
6.1.1 基於人工智能的故障定位方法概述. 97
6.1.2 高精度故障定位挑戰. 99
6.2 深度神經進化網絡 100
6.3 基於深度神經進化網絡的故障定位方法. 102
6.3.1 改進的故障傳播模型. 103
6.3.2 DNEN 監督學習模型. 105
6.4 模擬結果分析 109
6.4.1 模擬環境與模型訓練. 109
6.4.2 模擬結果分析112
6.5 本章小結118
參考文獻.119
術語表. 125
