摘要：Ring all-reduce算法被广泛应用在分布式机器学习之中,其同步过程会受到慢节点的影响进而降低整个系统的效率。对Ring all-reduce中的Reduce_Scatter和Allgather 2个阶段进行分析,针对Reduce_Scatter数据汇总过程提出优化策略,其主要思想是将慢节点多出的计算时间与通信时间进行重叠。使用OMNet++对Ring all-reduce和优化策略进行对比仿真,仿真结果与理论分析相一致,该策略相比Ring all-reduce算法最高能缩短25.3%的训练时间。

摘要：随着互联网和通信服务的飞速发展,数据中心组网架构的研究重心由电交换转向光交换。由于光交换网络进行时隙交换之前需要同步时钟信号,时间同步的精度和稳定性是提升光网络性能的重要参数。提出基于FPGA实现的时间同步方案,与现有方案相比,该方案在降低了同步复杂性的同时具有更高的精度和稳定性。测试结果表明时间同步后的偏移量不超过2.56 ns,在不同光纤长度、运行时长和环境温度下的时钟抖动为皮秒级。

摘要：针对同一网络拓扑下不同网络负载的路由优化问题,在深度强化学习方法的基础上,提出了两种依据当前网络流量状态进行路由分配的优化方法。通过网络仿真系统与深度强化学习模型的迭代交互,实现了对于流量关系分布的网络路由持续训练与优化。在利用深度确定性策略梯度(deep deterministec policy gradient,DDPG)算法解决路由优化问题上进行了提升和改进,使得该优化方法更适合解决网络路由优化的问题。同时,设计了一种全新的链路权重构造策略,利用网络流量构造出用于神经网络输入状态元素,通过对原始数据的预处理加强了神经网络的学习效率,大大提升了训练模型的稳定性。并针对高纬度大规模网络的连续动作空间进行了动作空间离散化处理,有效降低了其动作空间的复杂度,加快了模型收敛速度。实验结果表明,所提优化方法可以适应不断变化的流量和链路状态,增强模型训练的稳定性并提升网络性能。

摘要：针对空间激光骨干网中卫星链路采用高级在轨系统(AOS)帧进行数据传输、星上资源有限和数据传输时延较长等特点,为了在卫星光网络中实现标签交换和流量工程,首先对标准的基于路由受限标签分发协议(CR-LDP)进行了改进,包括对协议消息大小设置定长,设计面向无连接的传输层协议,减小协议开销和对双向标签交换路径(LSP)的建立流程进行改进,然后进行了软件仿真和硬件测试。结果表明:改进后的CR-LDP在建链时资源消耗更小,支持双向LSP建立且流程简单有效。