一种基于深度学习的网络最优路径选择方法技术
【技术实现步骤摘要】
一种基于深度学习的网络最优路径选择方法
本专利技术适用于网络自愈系统的最优路径选择问题，涉及一种基于深度学习的网络最优路径选择方法。
技术介绍
随着互联网规模的快速增长，网络底层的路由交换设备目前已经达到了上万台的规模。与此同时，其相关网络业务也变得越来越复杂。复杂的网络业务也相应地导致了各种复杂的网络协议和网络管理策略。当网络中的故障出现时，调试网络也变得越来越困难。网络协议因素或者人为因素等都有可能成为引起不同网络故障的原因。当网络出现故障时，不仅会影响用户体验、导致服务不可用，严重时会导致整个网络的瘫痪。因此，保障网络的正常运行是保障网络安全与稳定工作的最重要的一环。在传统故障维护中，通常需要网络维护人员使用相关故障检测工具去维护网络。但随着网络设备的大量增加，仅仅借助人工去维护网络故障将需要较大的成本，并且效率也会变得越来越低。为了能够保证业务的安全运行，当故障出现时，人们需要一个更加成熟可靠的工具与策略去检测网络中的相关故障，并能够自动地对故障进行识别、定位直至修复。深度学习的概念主要来源于对人工神经网络的研究。上世纪五十年代提出的单层感知器是最简单的神...
【技术保护点】
一种基于深度学习的网络最优路径选择方法，其特征在于，包括如下步骤：步骤一：根据监督数据集的获取算法，对采集到的网络的链路特征值进行打标签操作，获取监督学习数据集；步骤二：将步骤一获取到的监督学习数据集输入到深度学习模型中进行训练，得到训练好的模型；步骤三：将待测的链路数据输入到步骤二训练好的模型中，通过最优路径选择算法得到最优路径。
【技术特征摘要】
1.一种基于深度学习的网络最优路径选择方法，其特征在于，包括如下步骤：步骤一：根据监督数据集的获取算法，对采集到的网络的链路特征值进行打标签操作，获取监督学习数据集；步骤二：将步骤一获取到的监督学习数据集输入到深度学习模型中进行训练，得到训练好的模型；步骤三：将待测的链路数据输入到步骤二训练好的模型中，通过最优路径选择算法得到最优路径。2.根据权利要求1所述的一种基于深度学习的网络最优路径选择方法，其特征在于：所述步骤一具体包括以下子步骤：(1)将网络的所有可用路径分为N组，每组n个，在每组中找到一条最优的路径。所述最优路径满足：丢包率最小、端到端延迟最小、跳数最少、可用带宽最大、吞吐率最大、抖动最小；最优路径的选择方法具体为：选择k＝6个权值目标，并且将链路上的路径优化的多目标权重排序顺序规定为：丢包率>传输往返延迟>跳数>吞吐率>可用带宽>延迟抖动。假设在QoS路由的选择目标中，P＝(p1,p2,p3,...,pi,...,pNn)分别对应于从源节点到目的节点的可用路径，则目标函数f1(pi),f2(pi),f3(pi),f4(pi),f5(pi),f6(pi)分别代表可用路径集P上的丢包率函数、传输往返延迟函数、跳数函数、吞吐率函数、可用带宽函数、延迟抖动函数。可用路径集P上的最优路径应同时满足以下条件：minf1(pi),minf2(pi),minf3(pi),maxf4(pi),maxf5(pi),minf6(pi)在路径选择中，采用预计算的方式，分别计算出f1(pi),f2(pi),f3(pi),f4(pi),f5(pi),f6(pi)的大小且P＝(p1,p2,p3,...,pi,...,pNn)。将6个目标构造成一维数组R＝[f1(pi)，f2(pi)，f3(pi)，f4(pi)，f5(pi)，f6(pi)]，Ri则代表第i条路径上包含6个目标的一维数组。其中Ri[0]，Ri[1]，Ri[2]，Ri[3]，Ri[4]，Ri[5]分别代表着丢包率、传输往返延迟、跳数、吞吐率、可用带宽、延迟抖动。(2)在最优路径选择过程中分别对每一个目标函数设置约束参数，W，T，Y，U，O，K分别对应着任意两条可行路径的f1(pi),f2(pi),f3(pi),f4(pi),f5(pi),f6(pi)的约束允许范围。将不满足的路径预先过滤掉。过滤后的路径重新定义为P＝(p1,p2,p3...pi...pW)，W≤Nn。分别设置约束参数：W、T、Y、U、O、K、Q，以此来获得最优路径，其中参数Q表示丢包率最小的路径与其他路径上的丢包率的差值。根据数据集的获取算法获取监督学习数据集。3.根据权利要求2所述的一种基于深度学习的网络最优路径选择方法，其特征在于：所述数据集的获取算法包括...
【专利技术属性】
技术研发人员：周静静，鹿如强，张胜龙，吴晓春，王伟明，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。