面向动态资源需求的虚拟网络映射算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究内容及创新点 | 第9-10页 |
| 1.2.1 研究内容 | 第9-10页 |
| 1.2.2 创新点 | 第10页 |
| 1.3 论文组织结构 | 第10-11页 |
| 1.4 本章小结 | 第11-12页 |
| 第二章 网络虚拟化研究进展 | 第12-18页 |
| 2.1 虚拟网络映射问题 | 第12-14页 |
| 2.1.1 物理网络模型 | 第12页 |
| 2.1.2 虚拟网络模型 | 第12-13页 |
| 2.1.3 虚拟网络映射问题描述 | 第13-14页 |
| 2.2 相关研究工作 | 第14-15页 |
| 2.2.1 静态映射算法及相关工作 | 第14-15页 |
| 2.2.2 动态映射算法及相关工作 | 第15页 |
| 2.3 VNE中的资源分配 | 第15-17页 |
| 2.3.1 静态资源分配和动态资源分配 | 第15-16页 |
| 2.3.2 机器学习算法在动态资源分配中的应用 | 第16-17页 |
| 2.4 本章小结 | 第17-18页 |
| 第三章 基于支持向量机的动态虚拟网络映射算法 | 第18-27页 |
| 3.1 支持向量机介绍 | 第18-20页 |
| 3.1.1 支持向量机回归原理 | 第18-19页 |
| 3.1.2 SVR参数分析 | 第19-20页 |
| 3.2 粒子群优化的SVR | 第20-22页 |
| 3.2.1 粒子群优化算法 | 第20-21页 |
| 3.2.2 PSO优化的SVR | 第21-22页 |
| 3.3 动态虚拟网络映射算法SVR-VNE | 第22-23页 |
| 3.4 实验和分析 | 第23-26页 |
| 3.4.1 评价指标 | 第23页 |
| 3.4.2 实验设置 | 第23-24页 |
| 3.4.3 实验分析 | 第24-26页 |
| 3.5 本章小结 | 第26-27页 |
| 第四章 基于RBF神经网络的动态虚拟网络映射算法 | 第27-33页 |
| 4.1 RBF神经网络简介 | 第27页 |
| 4.2 RBF神经网络的学习过程 | 第27-28页 |
| 4.3 动态虚拟网络映射算法RBF-VNE | 第28-29页 |
| 4.4 实验分析 | 第29-32页 |
| 4.4.1 RBF预测实验 | 第29-30页 |
| 4.4.2 环境设置 | 第30页 |
| 4.4.3 结果分析 | 第30-32页 |
| 4.5 本章小结 | 第32-33页 |
| 第五章 基于监督学习RBF的动态虚拟网络映射算法 | 第33-40页 |
| 5.1 基于监督学习的RBF虚拟网络映射算法 | 第33-36页 |
| 5.1.1 监督学习的RBF的设计 | 第33-34页 |
| 5.1.2 监督学习的RBF算法 | 第34页 |
| 5.1.3 动态虚拟网络映射算法SRBF-VNE | 第34-36页 |
| 5.2 实验分析 | 第36-39页 |
| 5.2.1 实验设置 | 第36页 |
| 5.2.2 结果分析 | 第36-39页 |
| 5.3 本章小结 | 第39-40页 |
| 第六章 总结与展望 | 第40-41页 |
| 6.1 全文总结 | 第40页 |
| 6.2 进一步工作 | 第40-41页 |
| 参考文献 | 第41-44页 |
| 攻读硕士期间发表的论文 | 第44-45页 |
| 致谢 | 第45页 |
