本書旨在全面闡述人工智能在網(wǎng)絡技術中的應用，并探討其未來發(fā)展方向。在人工智能與復雜網(wǎng)絡環(huán)境的交織下，智能網(wǎng)絡成為信息技術、計算機科學和通信工程等領域的重要研究方向。本書通過對軟件定義網(wǎng)絡、網(wǎng)絡功能虛擬化、機器學習算法在網(wǎng)絡管理與優(yōu)化中的應用等核心技術的深入解析，詳細介紹了智能網(wǎng)絡的基礎設施、路由與擁塞控制、QoS/QoE管理、網(wǎng)絡安全及網(wǎng)絡大模型等內(nèi)容。
本書既適合作為網(wǎng)絡工程、計算機科學、通信工程及人工智能等專業(yè)的本科生、研究生的教材，也為相關領域的研究人員和從業(yè)者提供了一份系統(tǒng)的參考資料，有助于他們了解智能網(wǎng)絡的基礎理論、技術應用和未來趨勢。
1.《智能網(wǎng)絡》是一本集理論與實踐于一體的專業(yè)書籍，旨在為網(wǎng)絡技術、信息技術、通信工程等領域的研究者和實踐者提供全面的智能網(wǎng)絡知識體系和應用案例；
2.本書作者姚海鵬教授是北京郵電大學的教、博導，國家杰出青年人才，具有豐富的教學和研究經(jīng)驗，對智能網(wǎng)絡技術有深入的研究和獨到的見解。他的學術背景和行業(yè)影響力為本書的專業(yè)性提供了有力保障；
3.本書系統(tǒng)地介紹了智能網(wǎng)絡的基本概念、關鍵技術、應用場景和發(fā)展趨勢，內(nèi)容覆蓋了從基礎理論到實際應用的各個方面，為讀者提供了一個完整的智能網(wǎng)絡知識體系；
4.本書對智能網(wǎng)絡技術的發(fā)展趨勢進行了深入分析，為讀者揭示了智能網(wǎng)絡技術的未來發(fā)展方向和應用前景，有助于讀者把握行業(yè)發(fā)展的脈搏。
姚海鵬，北京郵電大學的教授，博士生導師，國家杰青，IET Fellow，IEEE高級會員，中國電子學會高級會員，中國通信學會高級會員，主要研究方向為專用網(wǎng)絡、無人集群網(wǎng)絡、網(wǎng)絡人工智能等。
第 1章 智能網(wǎng)絡概述 1
1.1 國內(nèi)外研究現(xiàn)狀 2
1.2 本書組織結構 2
參考文獻 4
第 2章 智能網(wǎng)絡基礎設備 5
2.1 引言 5
2.1.1 SDN的誕生 5
2.1.2 智能網(wǎng)絡 6
2.1.3 大數(shù)據(jù)處理和人工智能技術 7
2.2 新型網(wǎng)絡技術 7
2.2.1 SDN 8
2.2.2 NFV 13
2.2.3 可編程數(shù)據(jù)平面 16
2.3 網(wǎng)絡感知技術 24
2.3.1 sFlow 24
2.3.2 INT 27
2.3.3 DPI 30
2.4 DPU和智能網(wǎng)卡 33
2.4.1 DPU 33
2.4.2 智能網(wǎng)卡 33
2.5 總結 34
參考文獻 34
第3章 機器學習 36
3.1 人工智能與機器學習發(fā)展概述 36
3.1.1 人工智能的提出和發(fā)展 36
3.1.2 機器學習人工智能的實現(xiàn)方式 37
3.1.3 機器學習算法分類 38
3.2 監(jiān)督學習 39
3.2.1 監(jiān)督學習算法選擇 39
3.2.2 線性回歸 40
3.2.3 邏輯回歸 41
3.2.4 神經(jīng)網(wǎng)絡 44
3.2.5 SVM 47
3.3 無監(jiān)督學習 50
3.3.1 K-means 50
3.3.2 DBSCAN 51
3.3.3 層次聚類 52
3.3.4 PCA 52
3.3.5 LDA 53
3.4 強化學習 54
3.4.1 Q-learning 55
3.4.2 Sarsa 57
3.4.3 深度Q網(wǎng)絡 59
3.4.4 策略梯度 60
3.5 總結 62
參考文獻 62
第4章 網(wǎng)絡路由 64
4.1 路由問題概述 64
4.1.1 傳統(tǒng)路由簡述 65
4.1.2 路由信息協(xié)議 65
4.1.3 開放最短路徑優(yōu)先協(xié)議 66
4.1.4 邊界網(wǎng)關協(xié)議 67
4.2 分布式路由策略 68
4.2.1 Q-routing路由算法簡述 68
4.2.2 基于模型的Q-learning路由機制 69
4.2.3 面向自組織網(wǎng)絡的自適應路由機制 72
4.3 集中式路由策略 75
4.3.1 基于最小二乘策略迭代的路由機制 76
4.3.2 面向SDN的自適應路由機制 78
4.4 總結 81
參考文獻 82
第5章 擁塞控制 83
5.1 擁塞控制概述 83
5.1.1 擁塞控制狀態(tài)機 83
5.1.2 擁塞控制算法 84
5.2 丟包分類 86
5.2.1 基于樸素貝葉斯算法的丟包分類方法 86
5.2.2 隱馬爾可夫模型的丟包分類方法 89
5.3 隊列管理 90
5.3.1 基于模糊神經(jīng)網(wǎng)絡的隊列管理方法 91
5.3.2 基于模糊Q-learning的隊列管理算法 93
5.4 CWND更新 95
5.4.1 基于學習自動機的CWND更新方法 95
5.4.2 基于Q-learning的CWND更新方法 98
5.5 擁塞診斷 100
5.5.1 基于灰色神經(jīng)網(wǎng)絡預測網(wǎng)絡流量 101
5.5.2 一種SVR預測RTT的方法 104
5.6 總結 106
參考文獻 106
第6章 QoS/QoE管理 108
6.1 QoS/QoE概述 108
6.1.1 QoS/QoE概念 108
6.1.2 QoS/QoE區(qū)別 109
6.2 QoS/QoE預測 111
6.2.1 基于用戶聚類算法和回歸算法的Qo 預測方法 111
6.2.2 基于ANN的QoE預測方法 113
6.3 QoS/QoE評估 116
6.3.1 基于SVM的QoS評估方法 117
6.3.2 基于KNN的QoE評估方法 119
6.4 QoS/QoE相關性 121
6.4.1 QoS/QoE的相關性 121
6.4.2 基于機器學習的QoS/QoE相關性分析 122
6.5 總結 125
參考文獻 125
第 7 章 故障管理 127
7.1 故障管理概述 127
7.2 故障預測 128
7.2.1 基于網(wǎng)絡建模技術的故障預測分析算法 128
7.2.2 基于流形學習技術提取故障特征并生成故障預測的算法 131
7.3 故障檢測 133
7.3.1 基于聚類的網(wǎng)絡故障檢測性分析算法 133
7.3.2 基于循環(huán)神經(jīng)網(wǎng)絡（RNN）的故障檢測機制 135
7.4 根因定位 138
7.4.1 基于決策樹學習方法的根因定位 138
7.4.2 基于離散狀態(tài)空間粒子濾波算法的根因定位技術 140
7.5 自動緩解 142
7.5.1 基于主動故障預測的自動緩解 142
7.5.2 基于被動故障預測的自動緩解 144
7.6 總結 146
參考文獻 146
第 8 章 網(wǎng)絡安全 148
8.1 網(wǎng)絡安全概述 148
8.1.1 網(wǎng)絡安全 148
8.1.2 入侵檢測系統(tǒng) 149
8.2 基于誤用的入侵檢測 150
8.2.1 基于神經(jīng)網(wǎng)絡的誤用檢測 150
8.2.2 基于決策樹的誤用檢測 153
8.3 基于異常的入侵檢測 155
8.3.1 基于流量特征的異常檢測 156
8.3.2 基于有效負載的異常檢測 159
8.4 機器學習在入侵檢測中的綜合應用 161
8.4.1 基于集成學習的入侵檢測 161
8.4.2 基于深度學習的入侵檢測 162
8.4.3 基于強化學習的入侵檢測 165
8.5 總結 167
8.5.1 問題與挑戰(zhàn) 167
8.5.2 入侵檢測系統(tǒng)的發(fā)展趨勢 167
參考文獻 168
第 9 章 網(wǎng)絡大模型 169
9.1 網(wǎng)絡大模型概述 169
9.1.1 網(wǎng)絡大模型 169
9.1.2 網(wǎng)絡大模型的生命周期 170
9.2 GAI賦能網(wǎng)絡大模型 173
9.2.1 GAI方法 174
9.2.2 基于擴散模型優(yōu)化強化學習 180
9.2.3 GAI賦能6G網(wǎng)絡 181
9.3 網(wǎng)絡支持GAI 182
9.3.1 網(wǎng)絡集成大模型技術 184
9.3.2 網(wǎng)絡大模型服務的部署 188
9.3.3 可編程數(shù)據(jù)平面賦能網(wǎng)絡大模型 190
9.4 總結 192
9.4.1 問題與挑戰(zhàn) 192
9.4.2 網(wǎng)絡大模型的發(fā)展趨勢 192
參考文獻 193
第 10章 總結 194
書單推薦
