姚海鹏，北京邮电大学的教授，博士生导师，国家杰青，IET Fellow，IEEE高级会员，中国电子学会高级会员，中国通信学会高级会员，主要研究方向为专用网络、无人集群网络、网络人工智能等。

本书旨在全面阐述人工智能在网络技术中的应用，并探讨其未来发展方向。在人工智能与复杂网络环境的交织下，智能网络成为信息技术、计算机科学和通信工程等领域的重要研究方向。本书通过对软件定义网络、网络功能虚拟化、机器学习算法在网络管理与优化中的应用等核心技术的深入解析，详细介绍了智能网络的基础设施、路由与拥塞控制、QoS/QoE管理、网络安全及网络大模型等内容。
本书既适合作为网络工程、计算机科学、通信工程及人工智能等专业的本科生、研究生的教材，也为相关领域的研究人员和从业者提供了一份系统的参考资料，有助于他们了解智能网络的基础理论、技术应用和未来趋势。

第 1章 智能网络概述 1
1．1 国内外研究现状 2
1．2 本书组织结构 2
参考文献 4
第 2章 智能网络基础设备 5
2．1 引言 5
2．1．1 SDN的诞生 5
2．1．2 智能网络 6
2．1．3 大数据处理和人工智能技术 7
2．2 新型网络技术 7
2．2．1 SDN 8
2．2．2 NFV 13
2．2．3 可编程数据平面 16
2．3 网络感知技术 24
2．3．1 sFlow 24
2．3．2 INT 27
2．3．3 DPI 30
2．4 DPU和智能网卡 33
2．4．1 DPU 33
2．4．2 智能网卡 33
2．5 总结 34
参考文献 34
第3章 机器学习 36
3．1 人工智能与机器学习发展概述 36
3．1．1 人工智能的提出和发展 36
3．1．2 机器学习——人工智能的实现方式 37
3．1．3 机器学习算法分类 38
3．2 监督学习 39
3．2．1 监督学习算法选择 39
3．2．2 线性回归 40
3．2．3 逻辑回归 41
3．2．4 神经网络 44
3．2．5 SVM 47
3．3 无监督学习 50
3．3．1 K-means 50
3．3．2 DBSCAN 51
3．3．3 层次聚类 52
3．3．4 PCA 52
3．3．5 LDA 53
3．4 强化学习 54
3．4．1 Q-learning 55
3．4．2 Sarsa 57
3．4．3 深度Q网络 59
3．4．4 策略梯度 60
3．5 总结 62
参考文献 62
第4章 网络路由 64
4．1 路由问题概述 64
4．1．1 传统路由简述 65
4．1．2 路由信息协议 65
4．1．3 开放最短路径优先协议 66
4．1．4 边界网关协议 67
4．2 分布式路由策略 68
4．2．1 Q-routing路由算法简述 68
4．2．2 基于模型的Q-learning路由机制 69
4．2．3 面向自组织网络的自适应路由机制 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机制 76
4．3．2 面向SDN的自适应路由机制 78
4．4 总结 81
参考文献 82
第5章 拥塞控制 83
5．1 拥塞控制概述 83
5．1．1 拥塞控制状态机 83
5．1．2 拥塞控制算法 84
5．2 丢包分类 86
5．2．1 基于朴素贝叶斯算法的丢包分类方法 86
5．2．2 隐马尔可夫模型的丢包分类方法 89
5．3 队列管理 90
5．3．1 基于模糊神经网络的队列管理方法 91
5．3．2 基于模糊Q-learning的队列管理算法 93
5．4 CWND更新 95
5．4．1 基于学习自动机的CWND更新方法 95
5．4．2 基于Q-learning的CWND更新方法 98
5．5 拥塞诊断 100
5．5．1 基于灰色神经网络预测网络流量 101
5．5．2 一种SVR预测RTT的方法 104
5．6 总结 106
参考文献 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区别 109
6．2 QoS/QoE预测 111
6．2．1 基于用户聚类算法和回归算法的Qo 预测方法 111
6．2．2 基于ANN的QoE预测方法 113
6．3 QoS/QoE评估 116
6．3．1 基于SVM的QoS评估方法 117
6．3．2 基于KNN的QoE评估方法 119
6．4 QoS/QoE相关性 121
6．4．1 QoS/QoE的相关性 121
6．4．2 基于机器学习的QoS/QoE相关性分析 122
6．5 总结 125
参考文献 125
第 7 章 故障管理 127
7．1 故障管理概述 127
7．2 故障预测 128
7．2．1 基于网络建模技术的故障预测分析算法 128
7．2．2 基于流形学习技术提取故障特征并生成故障预测的算法 131
7．3 故障检测 133
7．3．1 基于聚类的网络故障检测性分析算法 133
7．3．2 基于循环神经网络（RNN）的故障检测机制 135
7．4 根因定位 138
7．4．1 基于决策树学习方法的根因定位 138
7．4．2 基于离散状态空间粒子滤波算法的根因定位技术 140
7．5 自动缓解 142
7．5．1 基于主动故障预测的自动缓解 142
7．5．2 基于被动故障预测的自动缓解 144
7．6 总结 146
参考文献 146
第 8 章 网络安全 148
8．1 网络安全概述 148
8．1．1 网络安全 148
8．1．2 入侵检测系统 149
8．2 基于误用的入侵检测 150
8．2．1 基于神经网络的误用检测 150
8．2．2 基于决策树的误用检测 153
8．3 基于异常的入侵检测 155
8．3．1 基于流量特征的异常检测 156
8．3．2 基于有效负载的异常检测 159
8．4 机器学习在入侵检测中的综合应用 161
8．4．1 基于集成学习的入侵检测 161
8．4．2 基于深度学习的入侵检测 162
8．4．3 基于强化学习的入侵检测 165
8．5 总结 167
8．5．1 问题与挑战 167
8．5．2 入侵检测系统的发展趋势 167
参考文献 168
第 9 章 网络大模型 169
9．1 网络大模型概述 169
9．1．1 网络大模型 169
9．1．2 网络大模型的生命周期 170
9．2 GAI赋能网络大模型 173
9．2．1 GAI方法 174
9．2．2 基于扩散模型优化强化学习 180
9．2．3 GAI赋能6G网络 181
9．3 网络支持GAI 182
9．3．1 网络集成大模型技术 184
9．3．2 网络大模型服务的部署 188
9．3．3 可编程数据平面赋能网络大模型 190
9．4 总结 192
9．4．1 问题与挑战 192
9．4．2 网络大模型的发展趋势 192
参考文献 193
第 10章 总结 194