| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究意义 | 第10-11页 |
| 1.3 研究现状 | 第11-13页 |
| 1.4 论文的主要研究内容 | 第13-16页 |
| 1.5 论文的章节安排 | 第16-19页 |
| 第二章 网络模型与虚拟网络映射问题 | 第19-25页 |
| 2.1 底层物理网络模型 | 第19-21页 |
| 2.2 虚拟网络模型 | 第21-22页 |
| 2.3 虚拟网络映射问题 | 第22-23页 |
| 2.4 数据驱动 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于粒子群优化的数据驱动的虚拟网络映射算法 | 第25-39页 |
| 3.1 底层网络节点特征提取 | 第25-27页 |
| 3.2 基于权重向量的节点排序 | 第27-28页 |
| 3.3 对权重进行粒子群优化 | 第28-30页 |
| 3.3.1 粒子群优化算法介绍 | 第28-29页 |
| 3.3.2 粒子群优化权重向量 | 第29-30页 |
| 3.4 算法性能评估 | 第30-37页 |
| 3.4.1 实验设置 | 第30-32页 |
| 3.4.2 数据驱动的效果以及优化结果的泛化能力 | 第32-33页 |
| 3.4.3 不同的优化目标的对比 | 第33-36页 |
| 3.4.4 训练数据量的影响 | 第36-37页 |
| 3.5 本章小结 | 第37-39页 |
| 第四章 基于强化学习的数据驱动的虚拟网络映射算法 | 第39-57页 |
| 4.1 底层网络节点特征提取 | 第39-40页 |
| 4.2 策略网络 | 第40-41页 |
| 4.3 基于策略梯度训练策略网络 | 第41-44页 |
| 4.4 算法性能评估 | 第44-55页 |
| 4.4.1 实验设置 | 第46页 |
| 4.4.2 强化学习的有效性以及泛化能力 | 第46-51页 |
| 4.4.3 压力测试 | 第51-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第五章 总结与展望 | 第57-61页 |
| 5.1 本文主要工作 | 第57-58页 |
| 5.2 本文主要创新点 | 第58页 |
| 5.3 总结与展望 | 第58-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 攻读硕士学位期间发表的学术论文 | 第67页 |