本書針對數(shù)據(jù)驅(qū)動方法為數(shù)據(jù)中心網(wǎng)絡(luò)性能建模和優(yōu)化帶來的機遇和挑戰(zhàn), 以高效的網(wǎng)絡(luò)性能建模為目標(biāo), 分別從全局網(wǎng)絡(luò)拓?fù)洹�單點網(wǎng)絡(luò)設(shè)備和時序網(wǎng)絡(luò)流量三個角度對影響網(wǎng)絡(luò)性能的關(guān)鍵因素開展研究。書中提出了基于深度學(xué)習(xí)的數(shù)據(jù)中心網(wǎng)絡(luò)拓?fù)浣�模和�?yōu)化方案xWeaver, 建立了基于分離卷積神經(jīng)網(wǎng)絡(luò)的性能模型和支持領(lǐng)域知識嵌入的拓?fù)溆成? 能夠有效提升網(wǎng)絡(luò)性能。提出了基于深度強化學(xué)習(xí)的交換機共享緩存管理方案NDT, 建立了基于排等變性的可擴(kuò)展強化學(xué)習(xí)模型, 設(shè)計了高效的兩級控制方案, 有效提升了交換機轉(zhuǎn)發(fā)性能。提出了基于圖神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)性能建模框架xNet, 設(shè)計了基于異構(gòu)關(guān)系圖的網(wǎng)絡(luò)系統(tǒng)抽象方法和序列建模的可配置圖神經(jīng)網(wǎng)絡(luò), 支持對流級別性能指標(biāo)進(jìn)行準(zhǔn)確、高效的時序預(yù)測。