前 言

隨著互聯網的快速發展，作為互聯網底層支撐的網絡技術也面臨著諸多挑戰.在線上業務極速發展的背景下，各類應用層出不窮，底層網絡需要不斷升級以滿足應用的需求.在大數據的時代，海量數據能為網絡的優化提供有效反饋，為網絡技術的提升注入了新的動力.同時近年來機器學習技術的興起，為網絡領域帶來了新的技術思維.換言之，網絡技術的發展同樣也面臨著新的機遇.

為了分享國內學者在網絡技術方面的最新研究成果，推動國內網絡領域新興技術的交流，加強我國在數據與網絡結合方面的研究，《計算機研究與發展》推出了此次數據驅動網絡專題.本期專題共錄用了10篇論文，分別展示了網絡加速機器學習、機器學習加速網絡以及基于數據進行網絡優化等方面的研究現狀和最新成果.希望本期的論文能為相關領域的研究提供一些啟發和幫助.

劉辰屹等作者的論文“基于機器學習的智能路由算法綜述”，研究了數據驅動智能路由算法，分析了不同的真實場景智能路由算法訓練和部署方案，提出了2種合理的訓練部署框架，使得智能路由算法能夠低成本高可靠性地部署在真實場景中.

王桂芝等作者的論文“機器學習在SDN路由優化中的應用研究綜述”，從監督學習和強化學習2個方面論述了機器學習在SDN路由優化中的應用研究進展，并提出了數據驅動認知路由的發展趨勢.通過賦予網絡節點感知、記憶、查找、決策、推理、解釋等認知行為，加快尋路過程，優化路由選擇，完善網絡管理.

董永強等作者的論文“異構YANG模型驅動的網絡領域知識圖譜構建”，提出一種基于YANG語言及其數據模型構建網絡領域知識圖譜的方案，對來自不同標準化組織和廠商的異構YANG模型，進行數據抽取和實例化生成網絡領域知識圖譜，解決網絡異構帶來的運維難題，為數據驅動的網絡管理與運行優化提供了一種新的視角和方法.

孫勝等作者的論文“面向異構IoT設備協作的DNN推斷加速研究”，深入研究了如何在能力異構且資源受限的IoT設備間自適應地拆分DNN任務問題，提出細粒度可解釋的多層延遲預測模型,利用進化增強學習(ERL)自適應確定DNN推斷任務的近似最優拆分策略，在異構動態環境中實現了DNN推斷加速.

唐曉嵐等作者的論文“公交數據驅動的城市車聯網轉發機制”，針對交通狀況復雜多變和出行路線多樣性等特點，提出公交數據驅動的城市車聯網轉發機制(BUF)，實現了較高的數據傳輸率并降低了傳輸時延.

周文等作者的論文“面向低維工控網數據集的對抗樣本攻擊分析”，針對一個低維(特征少)的天然氣工控網數據集，提出一個新指標“同比損失率”，分析了常見優化算法、機器學習在防御對抗樣本攻擊方面的表現，并通過對抗訓練，提高了深度學習模型的抗白盒攻擊能力.

馬陳城等作者的論文“基于深度神經網絡burst特征分析的網站指紋攻擊方法”，研究和分析了Tor流量特征，設計了基于一維卷積網絡的burst特征提取和分析模塊，提出了基于深度神經網絡分析burst特征的網站指紋攻擊方法，提高了網站指紋攻擊技術應用到真實網絡的可實踐性.

孫騫等作者的論文“基于隨機博弈與禁忌搜索的網絡防御策略選取”，針對當前互聯網社會中網絡安全威脅的防御策略問題，構建禁忌隨機博弈模型，引入了禁忌搜索算法對隨機博弈進行有限理性的分析，設計具有記憶功能的搜索算法，通過禁忌表數據結構實現記憶功能，并利用數據驅動的記憶結合博弈模型得出最優防御策略.

孫圣林等作者的論文“面向云數據中心多語法日志通用異常檢測機制”，針對基于日志對云數據中心軟硬件系統進行自動異常檢測問題，提出了一種跨日志類型的通用異常檢測機制——LogMerge，實現日志異常模式的跨日志類型遷移，大大減少了異常標注開銷.

王婷等作者的論文“基于半監督學習的無線網絡攻擊行為檢測優化方法”，針對深度學習技術在海量高維復雜無線網絡的流量數據中難以檢測異常攻擊行為的問題，提出一種基于半監督學習的無線網絡攻擊行為檢測優化方法，在保證準確率等檢測性能的同時能夠有效檢測未知攻擊類型,具備優化網絡攻擊行為檢測的能力.

本次收錄的10篇論文中，有3篇論文介紹了路由技術、智能運維方面的最新成果；2篇論文針對物聯網領域的問題，提出了基于數據反饋的解決辦法；其余5篇論文則著重關注如何通過機器學習的方法來提升網絡入侵檢測和網絡異常篩查的能力.專題論文既涵蓋了前沿熱點，又針對實際問題提出了解決方案.本次“數據驅動網絡”的選題較為新穎熱門，相關的研究也層出不窮，限于專題篇幅等原因，此次收錄的論文難以涵蓋本領域的最新內容.此外，論文的審稿過程中難免會有疏漏，希望各位作者和讀者諒解包涵.不當之處，還請同行專家們批評指正！感謝各位作者、審稿專家和編輯部的大力支持和辛勤付出！