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！

龙图腾网获悉嵩山实验室申请的专利基于深度强化学习的智能服务功能链部署方法及系统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：CN117278430B 。

龙图腾网通过国家知识产权局官网在2026-01-30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：202311224921.1，技术领域涉及：H04L41/40；该发明授权基于深度强化学习的智能服务功能链部署方法及系统是由冯旭;和孟佯;庄雷;张坤丽;宋艳蕊设计研发完成，并于2023-09-21向国家知识产权局提交的专利申请。

本基于深度强化学习的智能服务功能链部署方法及系统在说明书摘要公布了：本发明提供一种基于深度强化学习的智能服务功能链部署方法及系统，其中，方法包括:搭建用于预测SFC中VNFs占用的服务器和链路的神经网络预测模型；训练所述神经网络预测模型；利用已经训练好的神经网络预测模型来编排SFC。本发明针对不同场景下的SFC编排问题，利用深度强化学习来构建帕累托最优解集，在满足场景所需要时延等要求的同时，尽量使负载均衡。

本发明授权基于深度强化学习的智能服务功能链部署方法及系统在权利要求书中公布了：1.一种基于深度强化学习的智能服务功能链部署方法，其特征在于，包括： 搭建用于预测服务功能链SFC中虚拟网络功能VNFs占用的服务器和链路的神经网络预测模型； 训练所述神经网络预测模型； 设所有神经网络模型均基于目标函数F； F=a×la+1－a×lo+pe； 其中，La为提供服务的时延；Lo为编排后的负载均衡评分；Pe为服务功能链SFC编排失败的惩罚，当服务功能链SFC编排成功时为0，失败时为10；a的值域为[0,1]，表示对时延和负载均衡的重视程度；当a为1时表示只关注时延不关注负载均衡，a为0时表示只关注负载均衡不关注时延；ns个所述神经网络模型中，相邻的两个神经网络模型之间的a值差值为1s；每个所述神经网络模型的目标函数是不同的； 在训练相邻的神经网络模型时，当前神经网络模型的初始参数使用与其相邻的上一个已训练好的神经网络模型的参数； 每个所述神经网络模型都采用策略梯度算法进行训练，过程如下： 第一步，收集5G服务运营商过往的业务数据，并根据这些业务数据模拟现实生活中底层网络资源和服务功能链SFC请求情况； 第二步，设置所述神经网络模型的数量为ns，每个所述神经网络模型需要训练的轮数为batch，学习率lr=0.001，每处理M个服务功能链SFC请求就更新神经网络参数； 第三步，初始化当前神经网络模型中的参数θk,y，如果不是第一个神经网络模型则使用与当前神经网络模型相邻的上一个已经训练好的神经网络模型的参数；k=0,1,…,ns－1；y=1,2,…,batch； 设置神经网络模型的目标函数F=a×La+1－a×Lo+Pe，如果是第一轮，a为1； 第四步，当有服务功能链SFC请求时，循环进行此步操作： 将此时底层网络资源信息输入到所述神经网络预测模型，得到放置的位置和占用的链路； 对这个占用方案通过目标函数进行评估，得到此编排方案的时延La，服务器和链路的负载均衡评分Lo，其中负载均衡的情况用各个服务器和链路占有资源比例的方差表示； 再判断是否编排成功，即底层网络中的计算资源和带宽资源能否满足服务功能链SFC的需要； 将解码器预测输出的服务器概率prej和评估结果Fj存入缓存，当处理服务功能链SFC的请求等于M时，进入第五步；j=0,1,…,M； 第五步，更新当前训练的神经网络模型的参数θk,y； ； 其中，lr为当前训练的神经网络模型的学习率； 第六步，清空缓存，返回第三步继续训练； 第七步，当训练轮数大于batch时，保存当前训练的神经网络模型；更改神经网络模型的目标函数F中的参数a=a－1s，再返回第三步训练，直到ns个神经网络模型均训练完成； 利用已经训练好的神经网络预测模型来编排服务功能链SFC。

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嵩山实验室，其通讯地址为：450046 河南省郑州市郑东新区龙子湖自然资源大厦C栋；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。