目   录

第1章  引言  1

1.1  研究背景  1

1.1.1  数据中心网络  1

1.1.2  数据驱动网络  3

1.2  研究领域及面临的主要挑战  5

1.2.1  主要研究领域  5

1.2.2  面临的研究挑战  6

1.3  研究内容与研究成果  7

1.3.1  基于深度学习的数据中心网络拓扑建模和优化方案  8

1.3.2  基于深度强化学习的交换机共享缓存管理方案  8

1.3.3  基于图神经网络的网络性能建模框架  9

1.4  全书组织结构  10

第2章  研究背景与相关工作  12

2.1  数据中心网络  12

2.1.1  拓扑架构  12

2.1.2  共享缓存管理  16

2.1.3  拥塞控制  20

2.2  网络性能建模  23

2.2.1  数学分析建模  23

2.2.2  离散事件仿真  25

2.2.3  系统模拟  26

2.3  数据驱动方法在网络系统中的应用  27

2.3.1  工作流程  27

2.3.2  网络资源管理与性能优化  30

2.3.3  网络性能建模与评估  37

2.3.4  基础设施和解释验证  40

第3章  基于深度学习的数据中心网络拓扑建模和优化方案  43

3.1  概述  43

3.2  研究动机  45

3.3  系统框架  50

3.3.1  设计目标和限制  50

3.3.2  系统模块  51

3.4  流量驱动的训练样本生成  52

3.4.1  拓扑性能评分  53

3.4.2  高分拓扑样本生成  55

3.5  流量---拓扑映射学习  56

3.5.1  映射学习神经网络  56

3.5.2  先验知识嵌入  58

3.6  仿真实验评估  60

3.7  硬件实验床评估  66

3.8  讨论  68

3.9  本章小结  73

第4章  基于深度强化学习的交换机共享缓存管理方案  74

4.1  概述  74

4.2  方案设计  77

4.2.1  设计概述  77

4.2.2  可扩展的状态处理  80

4.2.3  高效决策机制  82

4.3  系统实现  85

4.3.1  训练基础设施  85

4.3.2  实验床  87

4.4  实验评估  88

4.4.1  实验方法  89

4.4.2  仿真评估  89

4.4.3  原型系统泛化  91

4.4.4  深入分析  92

4.5  讨论  95

4.6  本章小结  96

第5章  基于图神经网络的网络性能建模框架  97

5.1  概述  97

5.2  研究动机  100

5.2.1  背景  100

5.2.2  需求与挑战  102

5.3  方案设计  103

5.3.1  关系图表示  104

5.3.2  可配置图神经网络  105

5.3.3  状态转移模型  109

5.3.4  模型训练  110

5.4  实验评估  111

5.4.1  数据中心网络时序QoS推断  112

5.4.2  数据中心网络FCT预测  113

5.4.3  广域网稳态QoS推断  118

5.5  讨论  119

5.6  本章小结  120

第6章  结论与展望  121

6.1  研究工作总结  121

6.2  研究工作展望  123

参考文献  125

致谢  141

在学期间完成的相关学术成果  143