《表5 流量感知:深度学习在软件定义网络研究中的应用综述》
在基于SDN的流量感知研究中,深度学习方法的引入为传统的流量感知带来了新的改变,这些研究工作各有特点,见表5.考虑到流量感知模型的输入特征维度以及大规模网络中快速感知的需求,相关研究中的深度学习模型很小,隐藏层通常在7层以下,隐藏层的节点数也较少.较浅的模型对流量的感知能力有限,故除了文献[91],其他工作的准确率都比较低,这是在感知效率和准确率之间折中的结果.
图表编号 | XD00168938700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.01 |
作者 | 杨洋、吕光宏、赵会、李鹏飞 |
绘制单位 | 四川大学计算机学院、四川大学计算机学院、四川大学计算机学院、四川大学计算机学院 |
更多格式 | 高清、无水印(增值服务) |