面向软件定义数据中心网络的流量测量机制研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    61701406
  • 项目类别：
    青年科学基金项目
  • 资助金额：
    25.0万
  • 负责人：
    聂来森
  • 依托单位：
    西北工业大学
  • 学科分类：
    F0104.通信网络
  • 结题年份：
    2020
  • 批准年份：
    2017
  • 项目状态：
    已结题
  • 起止时间：
    2018-01-01 至2020-12-31

项目摘要

The software defined network has been the trend of our networks in the future. As a typical high-speed and large-scale network, the software defined data center network has a high overhead for network traffic measurement. Motivated by that, this project studies software defined data center network-oriented network traffic measurement, which includes: 1) by using the convolutional neural network to extract the spatial feature of network traffic and transfer learning, this project proposes an end host-based strategy for elephant flow detection, aiming at decreasing the overhead of elephant flow detection; 2) the extraction of temporal feature of network traffic based on Bayesian network and the self-adaptive flow sampling strategy based on complex network are studied in order to decrease the frequency of flow sampling and improve the efficiency of flow sampling; 3) considering the direct measurement of the whole network, the modeling of quality of service (QoS) and the strategy of QoS-oriented optimization of network traffic monitor are studied, with the target of improving the overhead of direct measurement and guaranteeing QoS. This project has important theoretical significance and application value to alleviate the problem of high measurement overhead as the scale of network increases sharply.
软件定义网络已成为未来网络发展的趋势。数据中心网络是典型的高速、大规模网络，这使得软件定义数据中心网络流量测量面临高负载问题。针对该问题，本课题研究面向软件定义数据中心网络的流量测量机制，内容包括：1）利用基于卷积神经网络的网络流量空间特征提取和迁移学习，来研究基于终端主机的网络大流检测机制，目标是有效降低大流检测的负载；2）基于贝叶斯网络的网络流量时间特征提取和基于复杂网络的自适应流抽样机制的研究，其目的是降低抽样频率、提高抽样效率；3）针对全网络范围的网络测量，通过QoS指标统一化表征和面向QoS的网络流量测量部署优化机制的研究，目标是在以保证QoS为基础优化网络流量测量的负载。项目研究成果对于缓解网络规模急剧增长带来的网络流量测量高负载问题具有重要意义。

结项摘要

软件定义网络已成为未来网络发展的趋势。数据中心网络是典型的高速、大规模网络，这使得软件定义数据中心网络流量测量面临高负载问题。针对该问题，本课题研究面向软件定义数据中心网络的流量测量机制，内容包括：1）利用基于卷积神经网络的网络流量空间特征提取和迁移学习，来研究基于终端主机的网络大流检测机制，目标是有效降低大流检测的负载；2）基于贝叶斯网络的网络流量时间特征提取和基于复杂网络的自适应流抽样机制的研究，其目的是降低抽样频率、提高抽样效率；3）针对全网络范围的流量测量，通过QoS指标统一化表征和面向QoS的网络流量测量部署优化机制的研究，目标是在以保证QoS为基础优化网络流量测量的负载。项目研究成果对于缓解网络规模急剧增长带来的网络流量测量高负载问题具有重要意义。通过以上内容的研究，本项目利用卷积神经网络、多任务学习等技术实现了准确的网络流量空间、时间和空-时特征提取，从而为网络流量的采集、预测奠定了基础。同时，本项目提出了基于强化学习的网络流量测量优化机制，该机制能够在较小的网络损耗下保障网络流量测量的准确性。

项目成果

期刊论文数量（9）
专著数量（0）
科研奖励数量（0）
会议论文数量（2）
专利数量（5）
Spatio-Temporal Network Traffic Estimation and Anomaly Detection Based on Convolutional Neural Network in Vehicular Ad-Hoc Networks
车载自组织网络中基于卷积神经网络的时空网络流量估计和异常检测
  • DOI：
    10.1021/acsmaterialslett.2c00973
  • 发表时间：
    2018
  • 期刊：
    IEEE Access
  • 影响因子：
    3.9
  • 作者：
    Nie Laisen;Li Yongkang;Kong Xiangjie
  • 通讯作者：
    Kong Xiangjie
Network Traffic Prediction in Industrial Internet of Things Backbone Networks: A Multi-Task Learning Mechanism
工业物联网骨干网络中的网络流量预测：一种多任务学习机制
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    IEEE Transactions on Industrial Informatics
  • 影响因子：
    12.3
  • 作者：
    Laisen Nie;Xiaojie Wang;Shupeng Wang;Zhaolong Ning;Mohammad Obaidat;Balqies Sadoun;Shengtao Li
  • 通讯作者：
    Shengtao Li
Anomaly Detection Based on Spatio-Temporal and Sparse Features of Network Traffic in VANETs
车载自组网中基于网络流量时空和稀疏特征的异常检测
  • DOI：
    10.1109/access.2019.2958068
  • 发表时间：
    2019
  • 期刊：
    IEEE Access
  • 影响因子：
    3.9
  • 作者：
    Laisen Nie;Yixuan Wu;Huizhi Wang;Yongkang Li
  • 通讯作者：
    Yongkang Li
Network Traffic Prediction Based on Deep Belief Network and Spatiotemporal Compressive Sensing in Wireless Mesh Backbone Networks
无线网状骨干网络中基于深度置信网络和时空压缩感知的网络流量预测
  • DOI：
    10.1155/2018/1260860
  • 发表时间：
    2018
  • 期刊：
    Wireless Communications and Mobile Computing
  • 影响因子：
    --
  • 作者：
    Nie Laisen;Wang Xiaojie;Wan Liangtian;Yu Shui;Song Houbing;Jiang Dingde
  • 通讯作者：
    Jiang Dingde
Deep Learning-based Network Traffic Prediction for Secure Backbone Networks in Internet of Vehicles
基于深度学习的车联网安全骨干网络流量预测
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    ACM Transactions on Internet Technology
  • 影响因子：
    5.3
  • 作者：
    Xiaojie Wang;Laisen Nie;Zhaolong Ning;Lei Guo;Guoyin Wang;Xinbo Gao;Neeraj Kumar
  • 通讯作者：
    Neeraj Kumar

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--"}}
  • 发表时间：
    {{ item.publish_year || "--" }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--"}}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ monograph.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ patent.updateTime }}

其他文献

Prediction approach of end-to-end traffic based on Markov model
基于马尔可夫模型的端到端流量预测方法
  • DOI：
    --
  • 发表时间：
    2024-09-13
  • 期刊：
  • 影响因子：
    --
  • 作者：
    蒋定德;聂来森;秦文达;聂来森;秦文达;Dingde Jiang;Laisen Nie;Qin Wenda
  • 通讯作者：
    Qin Wenda

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--" }}
  • 发表时间：
    {{ item.publish_year || "--"}}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--" }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}
empty
内容获取失败，请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题，我已根据课题信息分析并撰写以下内容，帮您拓宽课题思路：

AI项目思路

AI技术路线图

聂来森的其他基金

面向车联网的异常检测与识别技术研究
  • 批准号：
  • 批准年份：
    2021
  • 资助金额：
    56 万元
  • 项目类别：
    面上项目

相似国自然基金

{{ item.name }}
  • 批准号：
    {{ item.ratify_no }}
  • 批准年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号：
    {{ item.ratify_no }}
  • 财政年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者：{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目：调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要：

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题，其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子，其表达水平对抗病毒防御至关重要。然而，TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用，影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法，探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用，为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义，并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路：

科学问题：TRIM2如何调控A型流感病毒诱导的IFN-β表达？
前期研究：已有研究表明TRIM2参与抗病毒反应，但其具体机制尚不明确。
研究创新点：本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线：包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术：TRIM2与病毒RNA的相互作用分析，IFN-β启动子活性检测。
实验模型：使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
关闭
close
客服二维码