网络性能验证方法与技巧

2025-09-29 理论教育版权反馈

【摘要】：经过1 400 000次学习，使用Deep-TSR算法可以实现更低的延迟率。功能和请求与Deep-TSR完全相同。值得注意的是，Deep-TSR算法总体上表现得更好，在35万次学习之后完全优于监督学习算法。图6-9仿真实验图

我们的C-RoFN测试平台是一款多核服务器，具有12个物理2.90 GHz CPU内核、2个NVIDIA GTX1080 Ti GPU内核和80 GB RAM。服务器运行Ubuntu 16.04。我们使用python 2.7/3.5通过Tensor Flow 1.2.1在CUDA 8.0（cuDNN 6.0）中编译代码[12-14]。在数据平面中，使用两种无线强度调制器和检测模块，其由工作在40 GHz频率的微波源驱动。如图6-8所示，中央单元（Central Unit，CU）通过光纤网络上的无线启用。在无线层中，分布式RRH互连并融合到EON中。在控制层中，中央控制器从光和无线链路收集操作和维护数据，然后在部署路由之前分析数据。训练过程始于完全随机行为，持续约5周。在训练过程期间，操作了超过3 000个自学习节点集，每次路由过程都用300个节点集进行模拟，以避免过度拟合。

pagenumber_ebook=115,pagenumber_book=104

图6-8　Deep-TSR和演示设置的实验测试平台

在图6-9（a）中，我们可以看到算法通过连续自学习后变得越来越强，在几次学习之后，它学会了找到具有最小链路不对称性的链路。此外，Deep-TSR算法可以有效地减少链路不对称引起的延迟，这表明Deep-TSR能够从C-RoFN状态获得合理的特性，并学习正确的路由策略。在经历了900 000次学习之后，Deep-TSR算法与一般延迟算法没有明显的差异。经过1 400 000次学习，使用Deep-TSR算法可以实现更低的延迟率。经过1 500 000次学习后，延迟基本稳定。(https://www.chuimin.cn)

为了进行比较，我们还使用监督学习来训练神经网络。功能和请求与Deep-TSR完全相同。通过具有动量和学习速率退火（Learning Rate Annealing，LRA）的随机梯度下降（Stochastic Gradient Descent，SGD）来优化指标，但是将均方误差（Mean-Squared Error，MSE）分量加权0.01倍。从图6-9（b）中可以看出，监督学习的结果在一开始就比Deep-TSR算法好，但它并不优于Deep-TSR。值得注意的是，Deep-TSR算法总体上表现得更好，在35万次学习之后完全优于监督学习算法。这表明没有给定标签的学习过程更适合同步信号的路由。算法稳定后，平均同步精度可达74 ns，符合我们的预期。因此，通过减少同步信号路由算法支持的链路不对称性，可以有效地提高时间同步精度。

pagenumber_ebook=116,pagenumber_book=105

图6-9　仿真实验图

网络性能验证方法与技巧

相关推荐