| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 主要符号对照表 | 第12-13页 |
| 1 绪论 | 第13-20页 |
| 1.1 选题背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 SDN研究现状 | 第14-15页 |
| 1.2.2 数据中心拥塞控制研究现状 | 第15-17页 |
| 1.3 主要研究内容 | 第17-18页 |
| 1.4 本文创新点 | 第18页 |
| 1.5 本文的组织结构 | 第18-20页 |
| 2 SDN数据中心 | 第20-30页 |
| 2.1 SDN | 第20-23页 |
| 2.1.1 SDN体系架构 | 第20-22页 |
| 2.1.2 SDN架构的特点 | 第22-23页 |
| 2.2 数据中心 | 第23-29页 |
| 2.2.1 数据中心网络体系架构 | 第23-25页 |
| 2.2.2 数据中心流量特点及网络拥塞成因 | 第25-27页 |
| 2.2.3 数据中心网络拥塞控制算法 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 3 深度增强学习 | 第30-45页 |
| 3.1 增强学习 | 第30-36页 |
| 3.1.1 马尔科夫决策过程 | 第31-33页 |
| 3.1.2 常用算法 | 第33-36页 |
| 3.2 深度学习 | 第36-39页 |
| 3.2.1 基本概念 | 第36-37页 |
| 3.2.2 基本模型 | 第37-39页 |
| 3.3 深度增强学习 | 第39-44页 |
| 3.3.1 基本概念 | 第39-40页 |
| 3.3.2 常见算法 | 第40-42页 |
| 3.3.3 深度增强学习的发展及应用 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 4 基于DQN的SDN数据中心网络的拥塞控制方法 | 第45-57页 |
| 4.1 问题描述 | 第45-47页 |
| 4.2 基于Sarsa(λ)的拥塞控制算法 | 第47-50页 |
| 4.2.1 算法改进 | 第47-48页 |
| 4.2.2 算法流程 | 第48-49页 |
| 4.2.3 拥塞控制方法 | 第49-50页 |
| 4.3 基于DQN的拥塞控制算法 | 第50-56页 |
| 4.3.1 算法改进 | 第51-53页 |
| 4.3.2 算法流程 | 第53-54页 |
| 4.3.3 拥塞控制方法 | 第54-56页 |
| 4.4 本章小结 | 第56-57页 |
| 5 基于DQN的SDN数据中心网络的拥塞控制系统 | 第57-61页 |
| 5.1 系统需求 | 第57页 |
| 5.2 系统方案 | 第57-59页 |
| 5.2.1 系统构架图 | 第57-58页 |
| 5.2.2 模块功能 | 第58-59页 |
| 5.3 神经网络设计 | 第59-60页 |
| 5.3.1 神经网络构建 | 第59-60页 |
| 5.3.2 关键函数 | 第60页 |
| 5.4 本章小结 | 第60-61页 |
| 6 基于DQN的数据中心网络的拥塞控制方法的优化与测试 | 第61-86页 |
| 6.1 测试环境 | 第61页 |
| 6.2 测试拓扑 | 第61-68页 |
| 6.2.1 拓扑结构 | 第61-64页 |
| 6.2.2 流采集 | 第64-68页 |
| 6.3 参数优化 | 第68-77页 |
| 6.3.1 学习参数的优化 | 第68-70页 |
| 6.3.2 奖励函数的优化 | 第70-72页 |
| 6.3.3 神经网络参数设置 | 第72-74页 |
| 6.3.4 神经网络可视化 | 第74-77页 |
| 6.4 测试结果与分析 | 第77-85页 |
| 6.4.1 拥塞控制有效性分析 | 第78-80页 |
| 6.4.2 拥塞控制性能对比分析 | 第80-85页 |
| 6.4.3 测试结论 | 第85页 |
| 6.5 本章小结 | 第85-86页 |
| 7 总结与展望 | 第86-88页 |
| 7.1 论文总结 | 第86-87页 |
| 7.2 工作展望 | 第87-88页 |
| 参考文献 | 第88-92页 |
| 本文作者硕士期间取得的成果 | 第92-93页 |
| 致谢 | 第93-95页 |