第1 章 緒論. 11.1　研究背景.　11.2　國內(nèi)外研究現(xiàn)狀.　21.2.1　數(shù)據(jù)中心光網(wǎng)絡(luò)控制技術(shù)研究現(xiàn)狀.　21.2.2　數(shù)據(jù)中心光網(wǎng)絡(luò)資源分配技術(shù)研究現(xiàn)狀.　41.2.3　數(shù)據(jù)中心光網(wǎng)絡(luò)可靠性技術(shù)研究現(xiàn)狀.　51.3　主要內(nèi)容安排　6第1 章 緒論. 11.1　研究背景.　11.2　國內(nèi)外研究現(xiàn)狀.　21.2.1　數(shù)據(jù)中心光網(wǎng)絡(luò)控制技術(shù)研究現(xiàn)狀.　21.2.2　數(shù)據(jù)中心光網(wǎng)絡(luò)資源分配技術(shù)研究現(xiàn)狀.　41.2.3　數(shù)據(jù)中心光網(wǎng)絡(luò)可靠性技術(shù)研究現(xiàn)狀.　51.3　主要內(nèi)容安排　6第2　章 邊緣數(shù)據(jù)中心光網(wǎng)絡(luò)可信控制技術(shù).　82.1　分布式SDEDCON 可信控制架構(gòu)　82.1.1　邊緣數(shù)據(jù)中心光互聯(lián)場景下的可信控制需求分析.　92.1.2　基于區(qū)塊鏈的分布式控制結(jié)構(gòu).　102.1.3　分布式SDEDCON 可信控制架構(gòu)的功能.112.2　分布式SDEDCON 可信跨域交互機(jī)制.　142.2.1　分布式SDEDCON 多域協(xié)作模型　152.2.2　多維資源聯(lián)合優(yōu)化的跨域路由算法.　162.2.3　多控制器跨域路由共識(shí)算法.　182.2.4　基于自適應(yīng)布隆過濾器的跨域路由驗(yàn)證.　202.3　仿真結(jié)果分析　262.3.1　仿真環(huán)境與評(píng)價(jià)指標(biāo).　262.3.2　網(wǎng)絡(luò)運(yùn)行仿真分析.　262.3.3　路由檢測仿真分析.　292.4　本章小結(jié).　30第3　章 邊緣數(shù)據(jù)中心內(nèi)突發(fā)流量預(yù)測與調(diào)度技術(shù).　323.1　突發(fā)流量調(diào)度原理　323.2　基于誤差反饋脈沖神經(jīng)網(wǎng)絡(luò)的突發(fā)流量預(yù)測　343.2.1　脈沖神經(jīng)網(wǎng)絡(luò).　343.2.2　誤差反饋脈沖神經(jīng)網(wǎng)絡(luò)框架.　353.2.3　多突觸機(jī)制.　363.2.4　誤差反饋模塊設(shè)計(jì).　383.3　基于突發(fā)流量預(yù)測的流量調(diào)度算法　393.3.1　全局評(píng)估因子.　393.3.2　流量縮放因子.　413.4　仿真結(jié)果分析　453.4.1　仿真設(shè)置.　453.4.2　流量預(yù)測模型性能分析.　473.4.3　基于突發(fā)流量預(yù)測的流量調(diào)度算法性能分析.　493.5　本章小結(jié).　51第4　章 邊緣數(shù)據(jù)中心間長期流量預(yù)測與調(diào)度技術(shù).　524.1　邊緣數(shù)據(jù)中心間網(wǎng)絡(luò)流量預(yù)測.　534.2　問題分析及系統(tǒng)模型　544.2.1　數(shù)據(jù)中心間網(wǎng)絡(luò)流量模型.　544.2.2　基于時(shí)間間隔的重采樣過程.　554.3　多時(shí)間間隔特征學(xué)習(xí)網(wǎng)絡(luò)模型.　564.3.1　B-RNN 模型.　574.3.2　MTIFLN 模型的框架.　594.4　基于長期流量預(yù)測的資源分配算法　604.5　仿真結(jié)果分析　634.5.1　數(shù)據(jù)集說明.　634.5.2　仿真設(shè)置.　664.5.3　MTIFLN 模型性能分析.　684.5.4　LTP-RA 算法性能分析　704.6　本章小結(jié).　73第5　章 邊緣數(shù)據(jù)中心光網(wǎng)絡(luò)異常預(yù)測技術(shù).　755.1　基于深度學(xué)習(xí)的邊緣數(shù)據(jù)中心光網(wǎng)絡(luò)異常預(yù)測框架　755.2　基于LSTM 網(wǎng)絡(luò)的時(shí)序數(shù)據(jù)異常預(yù)測方案　795.2.1　數(shù)據(jù)預(yù)處理與多維指標(biāo)相關(guān)性分析.　805.2.2　基于LSTM 網(wǎng)絡(luò)的異常預(yù)測模型　845.2.3　仿真結(jié)果分析.　855.3　有監(jiān)督/無監(jiān)督混合異常預(yù)測方案.　885.3.1　有監(jiān)督DNN 異常預(yù)測模型　885.3.2　無監(jiān)督聚類異常預(yù)測模型.　905.3.3　仿真結(jié)果分析.　915.4　本章小結(jié).　95第6　章 邊緣數(shù)據(jù)中心光網(wǎng)絡(luò)故障定位技術(shù).　976.1　大規(guī)模告警信息下的光網(wǎng)絡(luò)故障定位方法概述.　976.1.1　基于人工智能的故障定位方法概述.　976.1.2　高精度故障定位挑戰(zhàn).　996.2　深度神經(jīng)進(jìn)化網(wǎng)絡(luò)　1006.3　基于深度神經(jīng)進(jìn)化網(wǎng)絡(luò)的故障定位方法.　1026.3.1　改進(jìn)的故障傳播模型.　1036.3.2　DNEN 監(jiān)督學(xué)習(xí)模型.　1056.4　仿真結(jié)果分析　1096.4.1　仿真環(huán)境與模型訓(xùn)練.　1096.4.2　仿真結(jié)果分析1126.5　本章小結(jié)118參考文獻(xiàn).119術(shù)語表.　125