买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华南理工大学申请的专利基于强化学习的网络流量负载均衡方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116455824B 。

龙图腾网通过国家知识产权局官网在2025-10-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310288167.1，技术领域涉及：H04L47/125；该发明授权基于强化学习的网络流量负载均衡方法是由张凌;罗应鑫设计研发完成，并于2023-03-23向国家知识产权局提交的专利申请。

本基于强化学习的网络流量负载均衡方法在说明书摘要公布了：本发明公开了一种基于强化学习的网络流量负载均衡方法，包括：1软件定义网络SDN控制器获取交换机流表信息，构建端到端的流量矩阵和网络拓扑；2基于网络拓扑和流量矩阵，采用线性规划模型求解以最小化最大链路带宽利用率为目标的最优化问题，并将结果以数据对形式存储到数据库；3建立以最优带宽利用率和最小业务扰动为目标的强化学习模型，提取数据库中数据来训练；4采集实际流量转发需求，送入强化学习模型，得到关键数据流集合，并用线性规划模型解得关键数据流的重路由方案；5将重路由方案解析为传输路径；6根据传输路径更新网络配置，优化链路负载。本发明在实现负载均衡的同时兼顾对业务的影响，具有较好的应用前景。

本发明授权基于强化学习的网络流量负载均衡方法在权利要求书中公布了：1.基于强化学习的网络流量负载均衡方法，其特征在于，包括以下步骤： 1软件定义网络SDN控制器获取交换机流表信息，构建端到端的流量矩阵和网络拓扑； 2基于网络拓扑和流量矩阵，采用线性规划模型求解以最小化最大链路带宽利用率为目标的最优化问题，并将结果以数据对形式存储到数据库； 所述线性规划模型的情况如下： GV,E有向图表示网络拓扑，V代表交换机节点，E代表交换机之间的链路，i,j,k代表交换机节点的编号； ci,j表示链路＜i,j＞的容量带宽，i,j∈E； li,j表示链路i,j的总负载，i,j∈E； 表示链路i,j＞的初始负载，＜i,j＞∈E； Ds,d表示流量矩阵中从源交换机节点s到目的交换机节点d的带宽需求，s,d∈V,s≠d； 表示s到d的流量通过链路＜i,j＞进行传输的概率，s,d∈V,s≠d,＜i,j＞∈E； 最小化最大链路带宽利用率问题建模如下： 目标：最小化最大带宽利用率U； 约束：链路负载 负载约束li,j≤ci,j·U；i,j:＜i,j＞∈E； 路径约束 表示s到d的流量通过以节点k为起点的链路＜k,i＞进行传输的概率，表示s到d的流量通过以节点k为终点的链路＜i,k进行传输的概率； 3建立以最优带宽利用率和最小业务扰动为优化目标的强化学习模型，并提取数据库中的数据来训练； 将关键流选择问题建模为马尔科夫决策过程，包括执行动作、更新状态和获得奖励，其对应的动作空间A、状态空间S′和奖励函数R三要素具体定义如下： 动作空间A：以节点对＜s,d＞,s≠d作为动作空间，在给定N个节点的网络中，动作空间大小为N*N-1，每次交互选择其中的M个元素，将该M个元素的集合作为选择的动作； 状态空间S′：以流量矩阵作为状态空间，每一项代表源节点到目的节点的流量传输需求，在给定N个节点的网络中，状态空间大小为N*N； 奖励函数R：对选择M个节点对在流量矩阵中所对应的数据流Fm＝f1,f2,...,fm，fm为第m个节点对，采用步骤2的线性规划模型求解，此时为去除数据流f1,f2,...,fm之后的链路负载，得出优化后的带宽利用率指标U；同时对数据流f1,f2,...,fm进行评估，得出时延敏感数据流占比P1＝时延敏感数据流个数C数据流总数M；奖励值ε为微小常量，用来消除P1为0带来的异常； 采用深度神经网络作为强化学习模型来逼近最优策，初始时随机设置动作空间元素的概率值，为了提高网络的整体性能，将最大化奖励作为训练目标，采用梯度上升的方法来更新神经网络参数，同时在训练过程中引入Baseline和信息熵来优化模型，加速模型的收敛； 所述深度神经网络是通过一个卷积层来提取流量矩阵的特征信息，再以全连接层来实现网络的表达能力，得出的策略为流量矩阵中节点对的概率值，选择其中概率最大的前M项作为需要重新路由的关键数据流集合F′m； 4采集实际流量转发需求，送入强化学习模型，得到关键数据流集合，并用线性规划模型解得关键数据流集合的重路由方案； 5将重路由方案解析为传输路径； 6根据传输路径更新网络配置，优化链路负载。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华南理工大学，其通讯地址为：510640 广东省广州市天河区五山路381号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。