基于数据模型双驱动的数据中心网络拥塞控制方法

本发明公开了一种基于数据模型双驱动的数据中心网络拥塞控制方法，结合深度强化学习的自适应能力与传统模型映射的快速响应能力，以解决现有技术在动态网络环境下响应速度慢、适应性不足的问题。该方法采用分层架构，包括优化引擎模块、调节控制模块和统计信息模块。优化引擎模块基于深度强化学习算法学习网络状态数据，动态优化拥塞控制策略；调节控制模块利用模型映射机制快速执行策略，实现对传输速率的实时调节；统计信息模块持续收集网络状态信息，确保系统适应复杂流量变化。本发明能够在复杂动态网络环境中有效降低通信延迟，减少队列积压，提高吞吐量，并增强数据中心网络的稳定性，特别适用于AI大模型训练等高负载场景。