本文所述主題涉及網(wǎng)絡(luò)和機器學習。

背景技術(shù)：

1、機器學習(ml)模型可以經(jīng)由訓練來學習。ml模型可以采用多種形式，諸如人工神經(jīng)網(wǎng)絡(luò)(或簡稱為神經(jīng)網(wǎng)絡(luò))、決策樹等。ml模型的訓練可以是有監(jiān)督的(使用經(jīng)標記的訓練數(shù)據(jù))、半監(jiān)督的、或無監(jiān)督的。在訓練時，ml模型可被用于執(zhí)行推理任務(wù)。

技術(shù)實現(xiàn)思路

1、在一些實施例中，可提供一種方法，該方法包括：接收第一業(yè)務(wù)矩陣，作為機器學習模型的第一輸入，其中第一業(yè)務(wù)矩陣指示網(wǎng)絡(luò)的至少源節(jié)點與目的地節(jié)點之間的業(yè)務(wù)需求；接收關(guān)于與網(wǎng)絡(luò)的每個分段相關(guān)聯(lián)的鏈路的信息，作為機器學習模型的第二輸入，其中每個分段對應于網(wǎng)絡(luò)的一對節(jié)點；由機器學習模型將至少一個偏轉(zhuǎn)參數(shù)(deflectionparameter)轉(zhuǎn)換為至少一個非線性偏轉(zhuǎn)參數(shù)，其中該至少一個偏轉(zhuǎn)參數(shù)指示在源節(jié)點與目的地節(jié)點之間被承載、并且被偏轉(zhuǎn)到中間節(jié)點的業(yè)務(wù)的部分量；由機器學習模型使用應用于第一業(yè)務(wù)矩陣的業(yè)務(wù)需求的至少一個非線性偏轉(zhuǎn)參數(shù)來確定分段流的總量；由機器學習模型使用分段流的總量、以及機器學習模型的第二輸入來確定每個鏈路的鏈路流；由機器學習模型使用鏈路流、以及每個鏈路的容量來確定每個鏈路的鏈路利用率；通過至少調(diào)整至少一個非線性偏轉(zhuǎn)參數(shù)的值，由機器學習模型使用梯度下降法來學習鏈路上鏈路利用率的最大量的最小值；以及由機器學習模型提供包括至少一個非線性偏轉(zhuǎn)參數(shù)和/或被轉(zhuǎn)換回線性域的至少一個非線性偏轉(zhuǎn)參數(shù)的輸出。

2、在一些變化中，本文所公開的一個或多個特征(包括以下特征)可以被選擇性地包括在任何可行的組合中?？梢越邮斩鄠€業(yè)務(wù)矩陣(指示網(wǎng)絡(luò)中至少源節(jié)點與目的地節(jié)點之間的業(yè)務(wù)需求)。使用應用于從多個業(yè)務(wù)矩陣中獲得的業(yè)務(wù)需求的至少一個非線性偏轉(zhuǎn)參數(shù)，確定分段流的總量。包括至少一個非線性偏轉(zhuǎn)參數(shù)和/或被轉(zhuǎn)換回線性域的至少一個非線性偏轉(zhuǎn)參數(shù)的輸出考慮：使用指示網(wǎng)絡(luò)中至少源節(jié)點與目的地節(jié)點之間的業(yè)務(wù)需求的多個業(yè)務(wù)矩陣的學習。輸出被提供給網(wǎng)絡(luò)的一個或多個路由表。輸出提供被偏轉(zhuǎn)到中間節(jié)點的業(yè)務(wù)的部分量。至少一個非線性偏轉(zhuǎn)參數(shù)至少通過以下方式來生成：將至少一個偏轉(zhuǎn)參數(shù)轉(zhuǎn)換到指數(shù)域，然后將該至少一個非線性偏轉(zhuǎn)參數(shù)歸一化為0與1之間的值。機器學習模型包括損失函數(shù)，該損失函數(shù)包含至少一個非線性偏轉(zhuǎn)參數(shù)。機器學習模型執(zhí)行該學習，作為對鏈路利用率的最大量的最小值的無約束優(yōu)化。

3、上述方面和特征可以根據(jù)所需配置而在系統(tǒng)、裝置、方法和/或物品中被實現(xiàn)。本文所述主題的一個或多個變體的細節(jié)在附圖和下文的描述中被闡述。本文所述主題的特征和優(yōu)點將從說明書、附圖和權(quán)利要求書中顯而易見。

技術(shù)特征：

1.一種用于路由的方法，包括：

2.根據(jù)權(quán)利要求1所述的方法，還包括：

3.根據(jù)權(quán)利要求2所述的方法，其中分段流的所述總量使用應用于從所述多個業(yè)務(wù)矩陣獲得的所述業(yè)務(wù)需求的所述至少一個非線性偏轉(zhuǎn)參數(shù)而被確定。

4.根據(jù)權(quán)利要求1所述的方法，其中包括所述至少一個非線性偏轉(zhuǎn)參數(shù)和/或被轉(zhuǎn)換回所述線性域的所述至少一個非線性偏轉(zhuǎn)參數(shù)的所述輸出考慮：使用指示所述網(wǎng)絡(luò)中至少所述源節(jié)點與所述目的地節(jié)點之間的業(yè)務(wù)需求的多個業(yè)務(wù)矩陣的所述學習。

5.根據(jù)權(quán)利要求1至4中任一項所述的方法，其中所述輸出被提供給所述網(wǎng)絡(luò)的一個或多個路由表。

6.根據(jù)權(quán)利要求1至4中任一項所述的方法，其中所述輸出提供被偏轉(zhuǎn)到所述中間節(jié)點的業(yè)務(wù)的所述部分量。

7.根據(jù)權(quán)利要求1至4中任一項所述的方法，其中所述至少一個非線性偏轉(zhuǎn)參數(shù)至少通過以下方式來生成：將所述至少一個偏轉(zhuǎn)參數(shù)轉(zhuǎn)換到指數(shù)域，然后將所述至少一個非線性偏轉(zhuǎn)參數(shù)歸一化為0與1之間的值。

8.根據(jù)權(quán)利要求1至4中任一項所述的方法，其中所述機器學習模型包括損失函數(shù)，所述損失函數(shù)包括所述至少一個非線性偏轉(zhuǎn)參數(shù)。

9.根據(jù)權(quán)利要求1至4中任一項所述的方法，其中所述機器學習模型執(zhí)行所述學習，作為所述鏈路利用率的最大量的最小值的無約束優(yōu)化。

10.一種用于路由的裝置，包括：

11.根據(jù)權(quán)利要求10所述的裝置，還包括：

12.根據(jù)權(quán)利要求11所述的裝置，其中分段流的所述總量使用應用于從所述多個業(yè)務(wù)矩陣獲得的所述業(yè)務(wù)需求的所述至少一個非線性偏轉(zhuǎn)參數(shù)而被確定。

13.根據(jù)權(quán)利要求10所述的裝置，其中包括所述至少一個非線性偏轉(zhuǎn)參數(shù)和/或被轉(zhuǎn)換回所述線性域的所述至少一個非線性偏轉(zhuǎn)參數(shù)的所述輸出考慮：使用指示所述網(wǎng)絡(luò)中至少所述源節(jié)點與所述目的地節(jié)點之間的業(yè)務(wù)需求的多個業(yè)務(wù)矩陣的所述學習。

14.根據(jù)權(quán)利要求10至13中任一項所述的裝置，其中所述輸出被提供給所述網(wǎng)絡(luò)的一個或多個路由表。

15.根據(jù)權(quán)利要求10至13中任一項所述的裝置，其中所述輸出提供被偏轉(zhuǎn)到所述中間節(jié)點的業(yè)務(wù)的所述部分量。

技術(shù)總結(jié)
在一些實施例中，可提供一種方法，該方法包括：接收第一業(yè)務(wù)矩陣；接收關(guān)于與網(wǎng)絡(luò)的每個分段相關(guān)聯(lián)的鏈路的信息；使用應用于第一業(yè)務(wù)矩陣的業(yè)務(wù)需求的至少一個非線性偏轉(zhuǎn)參數(shù)，確定分段流的總量；使用分段流的總量、以及機器學習模型的第二輸入，確定每個鏈路的鏈路流；使用鏈路流、以及每個鏈路的容量，確定每個鏈路的鏈路利用率；通過至少調(diào)整至少一個非線性偏轉(zhuǎn)參數(shù)的值，由機器學習模型使用梯度下降法來學習鏈路上的鏈路利用率的最大量的最小值。還公開了相關(guān)的系統(tǒng)、方法和制造品。

技術(shù)研發(fā)人員：M·科迪亞拉姆,TV·拉克什曼
受保護的技術(shù)使用者：諾基亞通信公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21