基于神经网络预测RLOC的方法、装置、设备及计算机存储介质制造方法及图纸

本发明专利技术实施例公开了一种基于神经网络预测RLOC的方法、装置、设备及计算机存储介质；该方法可以包括：在当前通信时段，接收由入口隧道路由器ITR发送的映射查询请求；基于接收到的映射查询请求统计所述当前通信时段内发送所述映射查询请求的ITR以及所述映射查询请求所需查询的目的终端标识EID；根据统计数据预测在所述当前通信时段的下一个通信时段内查询概率最大的多个推荐目的EID；在当前通信时段结束时，为所有推荐目的EID与所有推荐目的EID各自所映射的推荐目的路由定位符RLOC建立推荐目的EID到推荐目的RLOC的推荐映射关系表；将所述推荐映射关系表发送至所述ITR，以使得所述ITR基于所述推荐映射关系表更新已缓存的目的EID到目的RLOC的映射关系表。

【技术实现步骤摘要】
基于神经网络预测RLOC的方法、装置、设备及计算机存储介质
本专利技术实施例涉及通信
，尤其涉及基于神经网络预测路由定位符地址(RLOC，RoutingLocator)的方法、装置、设备及计算机存储介质。
技术介绍
定位/标识分离协议(LISP，Locator/IdentifierSeparationProtocol)是为解决现有Internet网络的诸如全局路由表持续增长、移动性需求而提出的一种新的网络架构协议。其采用了位置和标识分离的建网思想，形成两个独立的地址空间：终端标识(EID，EndpointIdentifier)和路由定位符(RLOC，RoutingLocator)；其中，EID用于标识主机，不具备全局路由功能；RLOC用于全网路由。每个LISP隧道中的入口隧道路由器(ITR，IngressTunnelRouter)可以利用RLOC地址对源主机发送的报文进行LISP封装并通过LISP隧道发送给远端的出口隧道路由器(ETR，EgressTunnelRouter)。在ITR转发由源主机发送的报文过程中，ITR可以查找之前转发报文本文档来自技高网...

【技术保护点】
1.一种基于神经网络预测RLOC的方法，其特征在于，所述方法包括：/n在当前通信时段，接收由入口隧道路由器ITR发送的映射查询请求；/n基于接收到的映射查询请求统计所述当前通信时段内发送所述映射查询请求的ITR以及所述映射查询请求所需查询的目的终端标识EID；/n根据统计数据预测在所述当前通信时段的下一个通信时段内查询概率最大的多个推荐目的EID；/n在当前通信时段结束时，为所有推荐目的EID与所有推荐目的EID各自所映射的推荐目的路由定位符RLOC建立推荐目的EID到推荐目的RLOC的推荐映射关系表；/n将所述推荐映射关系表发送至所述ITR，以使得所述ITR基于所述推荐映射关系表更新已缓存的...

【技术特征摘要】
1.一种基于神经网络预测RLOC的方法，其特征在于，所述方法包括：
在当前通信时段，接收由入口隧道路由器ITR发送的映射查询请求；
基于接收到的映射查询请求统计所述当前通信时段内发送所述映射查询请求的ITR以及所述映射查询请求所需查询的目的终端标识EID；
根据统计数据预测在所述当前通信时段的下一个通信时段内查询概率最大的多个推荐目的EID；
在当前通信时段结束时，为所有推荐目的EID与所有推荐目的EID各自所映射的推荐目的路由定位符RLOC建立推荐目的EID到推荐目的RLOC的推荐映射关系表；
将所述推荐映射关系表发送至所述ITR，以使得所述ITR基于所述推荐映射关系表更新已缓存的目的EID到目的RLOC的映射关系表。


2.根据权利要求1所述的方法，其特征在于，所述基于接收到的映射查询请求统计所述当前通信时段内发送所述映射查询请求的ITR以及所述映射查询请求所需查询的目的终端标识EID，包括：
在所述当前通信时段内，根据接收到的所有映射查询请求构建一隐式反馈矩阵；其中，所述隐式反馈矩阵的每一行均对应在所述当前通信时段内发送映射查询请求的每个ITR；所述隐式反馈矩阵的每一列均对应在所述当前通信时段内映射查询请求所需查询的每个目的EID；每个映射查询请求所对应的发送ITR以及所需查询的目的EID在所述隐式反馈矩阵中的元素置1；所述隐式反馈矩阵中除置1元素以外的其他元素均置零。


3.根据权利要求2所述的方法，其特征在于，所述根据统计数据预测在所述当前通信时段的下一个通信时段内查询概率最大的多个推荐目的EID，包括：
根据所述隐式反馈矩阵中的每一个ITR以及所述隐式反馈矩阵中的每一个目的EID，执行以下过程：
获取所述ITR的特征向量以及所述目的EID的特征向量
利用ITR的潜在因子矩阵P以及目的EID的潜在因子矩阵Q分别按照下式获取所述ITR的潜在向量pi以及所述EID的潜在向量qe：



针对所述ITR的潜在向量pi以及所述目的EID的潜在向量qe，根据下式获得广义矩阵分解对应的输出分量φGMF：



其中，⊙表示向量的逐元素乘积，表示用于广义矩阵分解部分的ITR的嵌入向量，表示用于广义矩阵分解部分的目的EID的嵌入向量；
针对所述ITR的潜在向量pi以及所述目的EID的潜在向量qe，根据下式获得多层感知机对应的输出分量φMLP：



其中，表示用于多层感知机部分的ITR的嵌入向量，表示用于多层感知机部分的目的EID的嵌入向量；WL、bL、aL分别表示多层感知机中第L层隐藏层所对应的权重矩阵、偏置向量和激活函数；多层感知机的隐藏层共X层，φMLP＝zX，1<L≤X；
将所述广义矩阵分解对应的输出分量φGMF以及多层感知机对应的输出分量φMLP按照下式输出，获得所述ITR与所述目的EID的交互预测值



其中，σ表示输出层的激活函数，h表示输出层的连接权重；
基于所述隐式反馈矩阵中所述ITR与所述目的EID对应的元素值以及所述ITR与所述目的EID的交互预测值通过反向传播更新所述多层感知机中第L层隐藏层所对应的权重矩阵和/或偏置向量、以及输出层的连接权重，直至训练获得所述隐式反馈矩阵中所述ITR与所述目的EID对应的元素值以及所述ITR与所述目的EID的交互预测值之间的逐点损失最小；
根据所述隐式反馈矩阵中所有目的EID的通过训练完成后所得到的交互预测值由大到小排列之后，选取前N个目的EID作为在所述当前通信时段的下一个通信时段内的推荐EID。


4.一种基于神经网络预测R...

【专利技术属性】
技术研发人员：李玥，宋祁朋，吕敏杰，谭宇宇，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61