[00105274]云数据中心网络基于机器学习的智能流量管理

该项目为中国博士后科学基金资助面上项目（资助编号：2018M641281）。

该研究借鉴了人工智能技术的思想与思路，通过人工智能算法与网络算法的结合来解决传统网络协议参数配置与调整、流量预测与调度等问题，从而对数据中心网络时延进行进一步优化，提升网络业务性能。主要研究成果如下：

1. 设计面向多队列的自适应拥塞标记调节机制 A-ECN：A-ECN 根据交换机端口队列数据包排队情况，自适应进行 ECN 标记值的调整，当感知队列排队情况恶化时，减少ECN 标记阈值， 减轻排队现象，当感知队列无排队时，增加 ECN 标记阈值，从而适配数据中心网络中单队列、

多队列等不同场景的流量特征。

2. 设计面向信息无感知 Coflow 调度的智能负载均衡调度机制 DeepAalo：DeepAalo 通过对一段时间内Coflow 流量大小、完成时间等信息的收集，利用深度增强学习的方式，自动对 Coflow 调度的阈值进行调整，因此，DeepAalo 可以为每个 Coflow 调度队列自动输出阈值，适应网络中 Coflow 的变化，优化 Coflow 完成时间。

3. 设计面向混合流调度的智能流长预测机制 LFE：LFE 通过对数据中心中业务的历史流长信息进行收集，通过基于相似度的聚类算法来判定流量类别，再根据流类别的流长变化范围来预测流大小。因此，通过 LFE 可以有效的估算流大小，从为数据中心流量调度进行优化， 提升流量调度性能。