基于深度學習算法的智能網卡數據流卸載模型

摘 要：為實現智能網卡數據流卸載優化的問題，在完全信息場景和不完全信息場景下，分別采用了不同的基于深度學習算法的智能網卡數據流卸載策略。結果表明，基于深度學習算法的完全信息場景下智能網卡數據流卸載策略中，運用Stackelberg博弈模型進行流量卸載策略研究，總流量負載、博弈方法總流量負載、對比方法總流量負載隨著時段的變化規律基本相同，且在相同的時段下，流量從大至小順序為總流量負載、對比方法總流量負載、博弈方法總流量負載。在不完全信息場景下，將Gradient Bandit算法用于在數據流分類和卸載中，總流量負載、強化學習方法總流量負載、對比方法總流量負載隨著時段的變化規律基本相同。

關鍵詞：智能網卡；數據流；深度學習；信息場景；卸載模型

中圖分類號：TN929.5；TP391.9 文獻標志碼：A 文章編號：1001-5922（2024）11-0139-04

A data stream offloading model based on deeplearning algorithms

ZHAO Wuqing，BAI Shanshan，LI Chengzhao，GENG Xin，LI Kede

（China Southern Power Grid Digital Grid Group Information and Telecommunication Technology Co.，Ltd.，Guangzhou 510663，China）

Abstract：In order to realize the optimization of smart NIC data stream offloading，different data flow offloadingstrategies based on deep learning algorithm are adopted in the complete information scenario and incomplete infor?mation scenario. The results showed that in the complete information scenario of intelligent network card data flowoffloading strategy based on deep learning algorithms，the Stackelberg game model was used to study the trafficoffloading strategy. The total traffic load，the total traffic load of the game method，and the total traffic load of thecomparison method changed with the same time period. Under the same time period，the order of traffic from highestto lowest was：total traffic loadgt;comparison method total traffic loadgt;game method total traffic load. In incompleteinformation scenarios，when the Gradient Bandit algorithm was used for data stream classification and offloading，the total traffic load，reinforcement learning method total traffic load，and comparison method total traffic load hadbasically the same variation pattern over time.

Key words：smart network card；data flow；deep learning；information scenario；uninstall model

隨著互聯網技術的快速發展，大寬帶、低時延和高可靠網絡需求與日俱增 [1] ，給互聯網帶來較好發展機遇的同時也給智能網卡數據流卸載帶來了巨大挑戰，這主要是因為過高的網卡數據流需求會給運營商和相關設備帶來巨大負載壓力 [2-4] ，雖然已有的智能網卡數據流采用互補網絡和蜂窩網絡結構分擔了部分數據流量，但是在高峰時段仍然存在網絡延遲、用戶體驗感較差的問題 [5] ，究其原因主要與智能網卡數據流的卸載效用有關 [6] 。雖然通過增加網絡基站、省級網絡硬件配置等手段能夠在一定程度上緩解數據流的問題，但是存在成本較高、高峰時段無法有效解決卡頓等問題 [7-9] 。深度學習是一種基于數據挖掘等技術的機器學習方法，通過深度學習可以將復雜問題簡單化，并與其他科學技術結合解決相關領域的技術難題 [10] 。

在此基礎上，為實現智能網卡數據流卸載優化的問題，本文將深度學習算法應用于完全信息場景和不完全信息場景下的智能網卡數據流卸載策略中，考察了完全信息場景和不完全信息場景智能網卡數據流卸載途徑和使用效果，以期解決智能網卡數據流卸載問題。

1 卸載模型與算法

1. 1 完全信息場景下的數據流卸載策略

圖1為基于深度學習算法的完全信息場景下智能網卡數據流卸載策略圖。

在完全信息場景下，系統可以較為完整獲取手機上網數據，并根據記錄設定網絡建模，在分析網絡結構特征和用戶特征的基礎上，依據隨機森林分類模型進行預測 [11] 。在進行上述建模和分析后，了解用戶流量需求分析，并進行Stackelberg博弈模型設計，如圖1中虛線方框所示。

1. 2 不完全信息場景數據流卸載策略

圖2為基于深度學習算法的不完全信息場景下智能網卡數據流卸載策略圖。

在不完全信息場景下，用戶在相遇時沒有知悉運營商的數據流情況，需要提前做出決策，為此制定了不完全信息場景下智能網卡數據流卸載策略。在實際運營過程中，系統會自動基于手機上網記錄數據，實時分析流量需求，在這個過程中按照實際需要分為總流量需求和可卸載流量需求，之后再基于深度學習算法進行強化學習（包括使用Gradient Bandit算法[12] ），直至實現流量卸載。與此并行處理的為系統效用函數設計，主要分為3個方面，并根據上述3個方面進行系統總效用函數分析，再進行基于深度學習算法進行強化學習（包括使用GradientBandit算法），直至流量卸載。

2 結果與討論

2. 1 完全信息場景

在基于深度學習算法的完全信息場景下智能網卡數據流卸載策略中，運用Stackelberg博弈模型進行流量卸載策略研究，對象主要針對24個時段。圖3為基于深度學習算法的用戶數和流量需求分析。

圖3（a）為用戶數的累計分布函數，可見，隨著用戶數的增加，樂基分布函數呈現先增加后逐漸趨于穩定的趨勢；圖3（b）為用戶流量需求的累計分布函數，隨著用戶流量需求的增加，用戶流量需求的累計分布函數也呈現先增加而后趨于穩定的趨勢。結合用戶數和用戶流量需求可知，單個內容需求用戶基本要求內容提供用戶個數在 5 個以內，占比約為90%；且約有96%的用戶在全天24個時段有9個時段有較小的流量需求，基本在1 M以下。

圖4為基于深度學習算法的效用函數和流量策略分析圖。

圖4（a）分別列出了領導者用戶、內容需求用戶和運營商的效用隨著總定價的變化。可見，隨著總定價的增加，內容需求用戶效用逐漸增大，而領導者用戶的效用先增加后減小，在總定價為0.35時產生Nash均衡而達到效用最大值。從圖4（b）中可見，隨著總定價的增加，需求用戶和運營商的流量都呈現逐漸升高的趨勢，這也說明總定價P的增加會提升的流量使用積極性 [13-15] 。

圖5為基于深度學習算法的總流量負載變化曲線。

圖5分別列出了在采用基于深度學習算法的完全信息場景下智能網卡數據流卸載策略后總流量負載、博弈方法總流量負載、對比方法總流量負載隨著時段的變化趨勢。對比分析可知，隨著時段從0 h增加至24 h，總流量負載呈現先減小后增加，在時段12 h后略有降低，之后又迅速升高直至21 h時附近達到流量負載最大值，之后又逐漸降低的趨勢。整體而言，總流量負載、博弈方法總流量負載、對比方法總流量負載隨著時段的變化規律基本相同，且在相同的時段下，流量從大至小順序為總流量負載、對比方法總流量負載、博弈方法總流量負載。由此可見，采用本文的基于深度學習算法的完全信息場景下智能網卡數據流卸載策略可以獲得較好的流量卸載效果，可以在一定程度上降低運營商的流量負載壓力。

2. 2 不完全信息場景

在基于深度學習算法的不完全信息場景下智能網卡數據流卸載策略環境下，通過函數建立，將Gra?dient Bandit算法用于在數據流分類和卸載中。

分別列出了不同時期內運營商流量負載的變化。可見，在相同時段內，不同時期內運營商流量負載基本在相同范圍內，而時段不同會對運營商流量負載產生較大影響，如在中間時段（如9∶00～13∶00），運營商流量負載較大，在隨后的時間段運營商流量負載會有所降低，而當時段在19∶00及以后時，運營商流量負載又會快速增加直至降低。仿真模擬結果與實際生活規律相吻合，即在每天的中午時段以及下班后的休息娛樂時段，由于用網需求較多，數據流量較大 [16，17] 。

將相同時段相遇用戶的內容緯度交集進行統計，可計算得到該時段的可卸載流量，從而繪制基于深度學習算法的不完全信息場景下不同時段的可卸載流量。隨著時段從0增加至24，相同日期內不同時段的可卸載流量也呈現波浪變化，運營商流量負載較小時可卸載流量較小，而運營商流量負載較大時刻可卸載流量增加，尤其是在21∶00及以后，可卸載流量較為明顯。這與實際生活過程中的運營商流量負載和可卸載流量規律相吻合，表明基于深度學習算法的不完全信息場景下不同時段的可卸載流量仿真圖具有較高的準確性 [18-19] 。

圖6為基于深度學習算法的不完全信息場景下不同時段的運營商流量負載。

圖6分別列出了在采用基于深度學習算法的不完全信息場景下智能網卡數據流卸載策略后總流量負載、強化學習方法總流量負載、對比方法總流量負載隨著時段的變化趨勢。對比分析可知，隨著時段從0增加至24 h，總流量負載呈現先減小后增加，在時段12后略有降低，之后又迅速升高直至21時附近達到流量負載最大值，之后又逐漸降低的趨勢。整體而言，總流量負載、強化學習方法總流量負載、對比方法總流量負載隨著時段的變化規律基本相同，且在相同的時段下，總流量負載始終處于最高的水平。由此可見，采用本文的基于深度學習算法的不完全信息場景下智能網卡數據流卸載策略可以獲得較好的流量卸載效果，可以在一定程度上降低運營商的流量負載壓力。在總流量負載低峰時段，基于深度學習算法進行強化學習（包括使用Gradient Bandit算法）得到的總流量負載與總流量負載較為接近，而在用網高峰時段（如9∶00～15∶00，19∶00～24∶00），基于深度學習算法進行強化學習（包括使用Gradient Bandit算法）的總流量負載相較總流量負載有明顯降低 [20] ，即具有較好的流量卸載效果。

3 結語

（1）基于深度學習算法的完全信息場景下智能網卡數據流卸載策略中，運用Stackelberg博弈模型進行流量卸載策略研究，總流量負載、博弈方法總流量負載、對比方法總流量負載隨著時段的變化規律基本相同，且在相同的時段下，流量從大至小順序為總流量負載、對比方法總流量負載、博弈方法總流量負載；

（2）在基于深度學習算法的不完全信息場景下智能網卡數據流卸載策略環境下，通過函數建立，將Gradient Bandit算法用于在數據流分類和卸載中，總流量負載、強化學習方法總流量負載、對比方法總流量負載隨著時段的變化規律基本相同；

（3）采用本文的基于深度學習算法的智能網卡數據流卸載策略，可以在完全信息場景和不完全信息場景獲得較好的流量卸載效果，一定程度上降低運營商的流量負載壓力。

【參考文獻】

[1] 馬瀟瀟，楊帆，王展，等. 智能網卡綜述[J]. 計算機研究與發展，2022，59（1）：1-21.

[2] 羅向征，劉寶琴，李建國，等.一種智能網卡新型架構研究與設計[J]. 電子技術應用，2023，49（6）：134-139.

[3] 林立鑫，喻燕華，涂劍峰.基于改進KNN算法的網絡數據流異常識別方法[J]. 信息與電腦（理論版），2023，35（8）：108-110.

[4] 楊良懷，盧晨曦，范玉雷，等.面向大數據流的分布式索引構建[J]. 軟件學報，2021，32（11）：3576-3595.

[5] 任蕓莉，劉冬培，韓國棟.基于FPGA的TCP/IP卸載引擎的設計與實現[J]. 信息工程大學學報，2022，23（6）：705-710.

[6] 徐晨，顧曦華，盛銀波，等. 基于流量分析的XML嵌套數據流無損壓縮算法[J]. 信息技術，2023（8）：130-136.

[7] 姚政，吳懷宇，陳洋. 基于兩階段優化的并發流任務計算卸載策略[J]. 計算機工程，2022，48（12）：62-71.

[8] 鐘云南，陳行濱，占彤平，等.分層集群技術與數據流負載均衡研究[J]. 粘接，2022，49（12）：182-185.

[9] 李倩. 基于機會連接的移動數據流量卸載策略研究[D].武漢：武漢大學，2018.

[10] 馮一飛，丁楠，葉鈞超，等. 領域專用低延遲高帶寬TCP/IP卸載引擎設計與實現[J]. 計算機工程，2022，48（9）：162-170.

[11] 黃國政，梁國斌，易晉，等.基于數據流特性的配用電邊緣計算終端協議識別方法[J]. 電工技術，2021（22）：123-126.

[12] 時文俊. 基于數學模型的網絡數據流異常檢測系統設計

[J]. 信息與電腦（理論版），2022，34（18）：115-117.

[13] ARIJIT N，FATOS X，LAIA S，et al. Reward-penaltyweighted ensemble for emotion state classification frommulti-modal data streams[J]. International journal of neu?ral systems，2022，32（12）：49-54.

[14] 穆棟梁，韓萌，李昂，等. 概念漂移復雜數據流分類方法綜述[J].計算機應用，2023，43（6）：1664-1675.

[15] 熊先奎，段向陽，王衛斌. 移動邊緣計算規模部署的技術制約因素和對策[J]. 中興通訊技術，2019，25（6）：65-72.

[16] 史琳，周信行，韓麗麗. 大數據一體化環境下電能計量智能監測研究[J]. 粘接，2023，50（6）：192-196.

[17] 趙韋鑫，譚博友，周銳，等. 面向交通軌跡的數據流可視化方法[J]. 計算機輔助設計與圖形學學報，2022，34（5）：768-776.

[18] 陳志強，韓萌，李慕航，等. 數據流概念漂移處理方法研究綜述[J]. 計算機科學，2022，49（9）：14-32.

[19] 朱穎雯，陳松燦. 數據流聚類算法研究[J]. 數據采集與處理，2022，37（4）：894-908.

[20] 董慧. 基于強化學習的網絡數據流異常檢測數學建模[J]. 電子設計工程，2022，30（4）：106-109.