目前,机器学习在网络研究领域得到了广泛应用,但是研究人员使用的网络环境不一致,导致算法结果难以复现,阻碍了机器学习网络研究的发展。目前主流工具ns3-gym利用ns-3作为统一的网络仿真平台,并使用了 ZMQ套接字实现ns-3和OpenAI Gym的数据交互。但是其数据传输速率较慢,在数据量较大和对传输速率较高的场景下不能够很好地满足要求。并且,ns3-gym使用的OpenAIGym仅针对强化学习提供接口,对深度学习不兼容。因此,迫切需要设计实现出一个通用且高速的机器学习网络研究算法工具。本文设计实现的通用工具ns3-ai分为C++侧和Python侧两个方面,通过共享内存实现了 ns-3与通用AI框架的数据交互。共享内存池包括主控制块、控制块和内存块。其中,内存块通过内存块中存储的版本信息来实现对共享内存的同步控制,以此来保证数据在内存块中的正常读写。此外,ns3-ai还为深度学习和强化学习提供了高级接口,使用模板类规定了标准化数据格式,在使用便捷的同时保证了灵活性。本文还对ns3-ai进行了实际应用,提出了认知无线电、大数据量交互和信道质量预测场景这三个示例,分别从数据传输速率、正确性和通用性三个方面测试了 ns3-ai的性能,并与目前主流工具ns3-gym进行了对比。认知无线电示例使用了对标工具ns3-gym中提供的场景和强化学习算法,通过与ns3-gym的对比说明ns3-ai的高数据传输速率。实验结果证明ns3-ai与ns3-gym的训练结果有着相同趋势,说明ns3-ai的训练结果正确,具备与ns3-gym相同的功能。ns3-ai从C++侧到Python侧的数据传输速率比ns3-gym高6倍,从Python侧到C++侧的数据传输速率比ns3-gym高70倍到120倍。大数据量交互场景示例证明了 ns3-ai和ns3-gym的运行时间与所设置的仿真时间呈线性关系。在仿真时间设置为200分钟时,ns3-ai所需时间为2分48秒,ns3-gym所需时间为19分45秒,这说明在传输数据包很大和仿真时间很长时,ns3-ai始终有着比ns3-gym高10倍的性能。信道质量预测示例利用LSTM算法和FNN算法进行了信道质量预测,从而实现这两种算法的性能评测,以此说明ns3-ai的通用性。实验结果表明LSTM比FNN的精度高50%,并且在用户移动速度提升到70m/s时,FNN已经不能提供预测,而LSTM仍然有超过50%的预测精度。这个实验证明了 ns3-ai在深度学习算法评测的应用上有着良好表现,是一个兼顾深度学习和强化学习的具有通用性的工具。综上所述,ns3-ai兼具正确性、通用性、高效并且稳定。目前ns3-ai已经通过了 ns-3官方组织的认证,于2020年1月在ns-3 APP Store上线。