当前位置:首页 > 报告详情

未来网络发展大会:2021版数据中心自动驾驶网络技术白皮书(47页).pdf

上传人: 栗****苦 编号:49114 2021-08-16 47页 2MB

人工智能意图网络完成外部对网络的诉求输入,网络数字孪生完成对网络可视化直观感知,而人工智能(Artificial Intelligence,AI)技术的引入,进一步实现人工断点的消除。目前,广泛使用的人工智能算法有如下几类:强化学习强化学习(Reinforcement Learning,RL)是不断地重复、不断强化认知的学习过程。在数据中心,大量业务上线和变更导致网络频繁变更。如果通过人工方式变更网络,很难以最优方案部署或得到最佳体验。而通过引入强化学习,根据不同组网方式、不同业务场景和流量大小等多种因素,对变更的参数进行动态选择,则可以实现网络的最佳部署。形式化验证形式化验证(Formal verification)最早应用于软件验证领域,通过穷举程序的所有输入和所有执行路径来诊断代码的质量和功能。将形式化方法引入到网络配置中,可构建事前仿真、事后验证的能力。在网络变更前,进行配置面验证,保证变更100%无错误。在配置下发后,定时采集设备的表项进行数据面验证,对网络运行状态。

word格式文档无特别注明外均可编辑修改,预览文件经过压缩,下载原文更清晰!
三个皮匠报告文库所有资源均是客户上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作商用。
本文主要介绍了数据中心自动驾驶网络的内涵、分级标准、网络架构和关键技术。数据中心自动驾驶网络旨在通过自动化与智能化手段逐步减少和消除人工操作,实现自服务、自维护、自优化的无人值守数据中心网络。文章提出了数据中心自动驾驶网络的五个等级,从手工操作到全自治网络,逐步实现网络的自动化和智能化。网络架构主要包括网络基础设施、管控系统和云端训练系统。关键技术包括数字孪生网络、AI推荐技术、仿真平台技术、网络变更推演技术、意图管理和回滚技术以及智能搜索技术。这些技术的应用将大大提高数据中心网络的运营效率和安全性,推动数据中心网络向智能化方向发展。
数字孪生网络技术如何实现网络数字化? AI推荐技术在网络自动驾驶中如何应用? 仿真平台技术如何支持网络变更推演?
客服
商务合作
小程序
服务号
折叠