算力和网络作为信息基础设施的两大核心要素，相互促进并深度融合推动算力网络持续演进，在云专网部署 L3VPN、SRv6/G-SRv6等技术，提供云组网业务统一承载，提供差异化的、更低时延、更高可靠性的新型云组网业务产品。通过 基于SRV6等新技术在云专网组网中的应用研究，提供面向不同租户、不同业务的差异化业务承载能力，支持低时延、大带宽、 高可靠性等新型云网业务能力，着重解决当前无法满足2B行业客户入云的低时延、数据备份等大带宽等业务需求。

随着科技的快速发展，人们对无线频谱的需求越来越高。然而，由于频谱资源有限，如何有效利用这些资源成为 了无线电领域的一大挑战。为了解决这个问题，建立了一个主次用户共享相同的频谱资源，并且都以非协作方式工作的认知 无线网络模型，以提高次用户的吞吐量，然后使用基于SumTree采样深度Q学习（SumTree Deep Q-Network，ST-DQN）算法 来进行功率控制，来确保样本选取的优先级与多样性。最后通过 Python 进行了一系列的仿真实验，与传统的 Q 学习（qlearning）和自由探索算法在奖励、损失函数和次用户吞吐量等性能指标进行了比较与分析，研究发现ST-DQN算法在功率控 制方面表现更优。