面向高动态网络拓扑下的自适应路由方法、系统、设备技术方案

本发明专利技术属于通信技术领域，公开了一种面向高动态网络拓扑下的自适应路由方法、系统、设备，所述面向高动态网络拓扑下的自适应路由方法包括：基于软件定义网络技术，利用图注意力神经网络构建预测模型，对下一时刻网络节点间连接关系进行预测，得到下一时刻全局网络拓扑，并结合链路传输时延、链路丢包率和链路带宽占用率三个指标，对链路质量进行评估，为每条流选择最佳的传输路径。本发明专利技术提供的面向高动态网络拓扑下的自适应路由方法，具有较好的灵活性和泛化性，缓解现有技术方法因前提假设严苛，且对网络状态环境无感知带来的网络环境适应性差和可扩展性不佳等问题，提高网络数据传输效率，满足不同算力的用户的需求，推广至任意节点高动态网络。任意节点高动态网络。任意节点高动态网络。

【技术实现步骤摘要】
面向高动态网络拓扑下的自适应路由方法、系统、设备


[0001]本专利技术属于通信
，尤其涉及一种面向高动态网络拓扑下的自适应路由方法、系统、设备。

技术介绍

[0002]近年来，随着制造、通信、传感，电子和控制等技术的发展，无人机、无人船等设备在军事、民用和公共领域应用的普及，高动态自组网技术越来越多地受到人们的关注。高动态自组网除具备一般自组网无中心、自组织、多跳中继、无线带宽资源有限等特点外，由于节点的高动态性和所处环境的复杂性，呈现出拓扑的高动态性：一方面，节点移动速度可达几十到几百米每秒，节点间相对速度变化较大，网络拓扑变化较为频繁；另一方面，在实际应用环境中，传输信道会受到自然环境、干扰信号和节点姿态转换等干扰，影响传输链路质量，使得网络内相邻节点通信链路频繁连通和断开，造成网络拓扑结构改变。上述高动态自组网的特点对路由方法设计提出了挑战，要求路由方法能适应网络拓扑结构快速变化，能快速收敛，且具备良好的可扩展性。
[0003]目前大多数自组网采用的路由方法是贪心周边无状态路由(Greedy Perimeter Stateless Routing，GPSR)，该方法依据本节点、邻居节点和目的节点的地理位置转发数据包，在地理位置信息准确时，该方法正确高效。然而，在高动态自组网中，高度动态的节点会影响定位的准确性，且难以解决，造成环路和链路丢失，导致路由失败，从而影响GPSR方法的有效性和适应性；此外，由于GPSR对网络状态无感知，进一步限制了其在复杂网络环境中的可扩展性。
[0004]为提升GPSR方法在高动态网络中的性能，网络研究者们尝试通过分析节点的移动规律，结合网络状态信息，建立相应的数学模型，预测未来网络节点状态，以辅助GPSR方法进行路由决策。Son等人为解决GPSR方法的链路丢失和环路问题，缓解节点移动导致的定位错误，利用领域位置预测(Neighbor Location Prediction，NLP)和目的地位置预测(Destination Location Prediction，DLP)方法，根据预测的邻居节点和目的节点的位置坐标，再利用GPSR方法，确定数据包在网内的路径；Lei等人分析了高动态航空自组网中节点移动方式，建立半马尔可夫移动模型，结合节点间相对距离和移动速度，预测链路生存时间，将其作为GPSR方法的决策依据，提升GPSR方法在高动态网络中的性能。
[0005]可以看到，基于数学模型的高动态网络路由方法在建模时通常会针对应用场景进行一些假设以简化问题，以便高效求解。例如，Son等人假设移动节点在短时间内速度保持不变；Lei等人假设移动节点的速度和加速度为定值。然而，真实的网络场景往往难以符合理想化假设，使得基于数学模型的方法不能适应真实的网络环境；另外，由于对网络状态无感知，将这些方法部署到真实网络环境下会对限制网络的可扩展性。
[0006]综上所述，现有的高动态网络路由方法普遍存在网络环境适应性差、可扩展性不佳等问题，因此需要一种自适应的路由方法，能根据网络环境的变化动态调整路由策略，提升路由算法的适应性和可扩展性，进而提升高动态网络的数据传输效率。以深度学习为代
表的人工智能模型具备强大的学习能力和良好的泛化性，利用人工智能模型解决高动态网络下的路由优化问题，是一个可行的方向。软件定义网络技术(Software DefinedNetwork，SDN)的出现使得基于人工智能的自适应路由方法能作为一个运行在具备强大算力的SDN控制器上的应用，对流量进行有效的控制和管理，为基于人工智能的自适应路由方法提供部署的可能。
[0007]通过上述分析，现有技术存在的问题及缺陷为：
[0008](1)目前的自组网采用的路由方法是贪心周边无状态路由，但在高动态自组网中，高度动态的节点会影响定位的准确性，且难以解决，造成环路和链路丢失，导致路由失败，从而影响GPSR方法的有效性和适应性；且由于GPSR对网络状态无感知，进一步限制了其在复杂网络环境中的可扩展性。
[0009](2)现有基于数学模型的高动态网络路由方法，真实的网络场景往往难以符合理想化假设，使得基于数学模型的方法不能适应真实的网络环境；且由于对网络状态无感知，将这些方法部署到真实网络环境下会限制网络的可扩展性。
[0010](3)现有的高动态网络路由方法普遍存在网络环境适应性差、可扩展性不佳等问题。
[0011]解决以上问题及缺陷的难度为：如何设计一种能提前预知网络节点间的连接关系，不依赖于理想化假设前提，具有较强的可扩展性，且能根据网络状态，为每条业务流规划转发路径的算法，从而提升业务流的在高动态网络拓扑下的服务质量。
[0012]解决以上问题及缺陷的意义为：路由算法能适应高度动态变化的网络环境，且具备较强的可扩展性，可提升业务流在高动态网络中的服务质量，改善高动态网络的数据传输效率。

技术实现思路

[0013]针对现有技术存在的问题，本专利技术提供了一种面向高动态网络拓扑下的自适应路由方法、系统、设备。
[0014]本专利技术是这样实现的，一种面向高动态网络拓扑下的自适应路由方法，所述面向高动态网络拓扑下的自适应路由方法包括：基于软件定义网络技术，利用图注意力神经网络构建预测模型，对下一时刻网络节点间连接关系进行预测，得到下一时刻全局网络拓扑，并结合链路传输时延、链路丢包率和链路带宽占用率三个指标，对链路质量进行评估，为每条流选择最佳的传输路径。
[0015]进一步，所述面向高动态网络拓扑下的自适应路由方法包括以下步骤：
[0016]步骤一，进行预测模型的训练数据集构建；从高动态网络拓扑中构建的训练数据集有助于提升预测模型的性能。
[0017]步骤二，构建基于图注意力网络的预测模型，并利用构建好的训练数据集训练基于图注意网络的预测模型，使得该预测模型能够适应高动态网络拓扑；
[0018]步骤三，将训练好的基于图注意力网络的预测模型部署于SDN控制器中；
[0019]步骤四，各网络节点每隔δ时间，向SDN控制器发送位置信息、本节点在时间间隔内已发送数据包数量m、各个已发送数据包的时间戳t
i
，i＝1，2，
…
，m、已接收数据包的数量n、各个已接收数据包的时间戳t
j
，j＝1，2，
…
，n，下一时间间隔内待发送的流的五元组信息，
以此表征各时间间隔内的网络状态，作为后续各链路的性能指标计算的依据；
[0020]步骤五，SDN控制器接收各网络节点发送的信息，得到当前时刻的网络拓扑，作为预测模型的输入之一；并计算各条链路的传输时延、丢包率和链路带宽占用率，作为各链路质量计算的依据；
[0021]步骤六，SDN控制器将当前时刻的网络拓扑和前k个时刻的网络拓扑，作为预测模型的输入，得到下一个时刻的网络拓扑，用多个历史间隔的网络拓扑作为预测模型的输入，可提升预测模型预测下一时刻网络拓扑的精度；根据各链路的传输时延、丢包率和链路带宽占用率，计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向高动态网络拓扑下的自适应路由方法，其特征在于，所述面向高动态网络拓扑下的自适应路由方法基于软件定义网络技术，利用图注意力神经网络构建预测模型，对下一时刻网络节点间连接关系进行预测，得到下一时刻全局网络拓扑，并结合链路传输时延、链路丢包率和链路带宽占用率三个指标，对链路质量进行评估，为每条流选择最佳的传输路径。2.如权利要求1所述的面向高动态网络拓扑下的自适应路由方法，其特征在于，所述面向高动态网络拓扑下的自适应路由方法包括以下步骤：步骤一，进行预测模型的训练数据集构建；步骤二，构建并训练预测模型；步骤三，将基于图注意力网络的预测模型部署于SDN控制器中；步骤四，各网络节点每隔δ时间，向SDN控制器发送位置信息、本节点在时间间隔内已发送数据包数量m、各个已发送数据包的时间戳t
i
，i＝1，2，
…
，m、已接收数据包的数量n、各个已接收数据包的时间戳t
j
，j＝1，2，
…
，n，下一时间间隔内待发送的流的五元组信息；步骤五，SDN控制器接收各网络节点发送的信息，得到当前时刻的网络拓扑，并计算各条链路的传输时延、丢包率和链路带宽占用率；步骤六，SDN控制器将当前时刻的网络拓扑和前k个时刻的网络拓扑，作为预测模型的输入，得到下一个时刻的网络拓扑；根据各链路的传输时延、丢包率和链路带宽占用率，计算得到各链路的质量；步骤七，针对各节点待发送的流，SDN控制器根据每条流的五元组信息和下一时刻的网络拓扑，得到源目的节点间所有备选路径，并根据各链路质量，计算各条备选路径的价值，选择价值最大的路径为该流的转发路径，更新流表，当各节点所有流的转发路径确定完毕，将更新完毕的流表下发至网内各节点；步骤八，网内各节点接收SDN控制器下发的流表，并根据对应的流表项，转发每条流的数据包。3.如权利要求2所述的面向高动态网络拓扑下的自适应路由方法，其特征在于，步骤一中，所述预测模型的训练数据集构建，包括：(1)在应用场景中，各网络节点在N个连续的时刻，分别向SDN控制器发送位置信息和时间戳；(2)SDN控制器根据各网络节点的位置信息，计算各网络节点之间距离r，并与网络中节点最大通信距离R相比较，判断各网络节点之间的连接关系，若r小于R，则判断两网络节点之间相连，可进行双向通信；若r大于R，则判断两网络节点不相连；由此得到N个时刻的网络拓扑，并以邻接矩阵的形式记录，得到N个邻接矩阵；其中，所述邻接矩阵的表示如下：若A
xy
＝1，表示网络节点x和y有连接，进行双向通信；若A
xy
＝0，表示网络节点x和y之间无连接，不能进行通信；(3)对N个邻接矩阵进行洗牌操作，调换N个邻接矩阵的排列顺序，以提高训练数据集
中，数据的独立性。4.如权利要求2所述的面向高动态网络拓扑下的自适应路由方法，其特征在于，步骤二中，所述构建并训练预测模，包括：(1)构建基于图注意力网络的预测模型；其中，所述基于图注意力网络的预测模型由输入全连接层、3个子块和输出全连接层构成；每个子块的结构均相同，包含2层隐藏层，第一层为图注意力层，第二层为包含64个循环核的门控循环神经网络层；子块之间采用残差跳跃的方式连接；其中，所述图注意力层的内部结构公式如下：e
xy
＝a([Wh
x
||Wh
y
])；])；其中，e
xy
为乘法注意力机制获得一对网络节点之间的相关性系数，a(
·
)为内积函数，[
·
||
·
]为拼接操作，W为线性映射操作，h
x
和h
y
为节点x和y的输入特征，α
xy
为归一化后的相关性系数，LeakyRelu(
·
)为非线性激活函数，h
′
x
为节点x经过图注意力层后的输出特征，σ(
·
)为sigmoid激活函数，Exp(
·
)为以自然常数e为底的指数函数；所述LeakyRelu(
·
)非线性激活函数的公式为：其中，斜率a的取值为0.01；所述sigmoid激活函数的公式为：所述门控循环神经网络层的内部结构公式如下：z
t
＝σ(W
Z
[h
t
‑1，x
t
]+b
z
)；r
t
＝σ(W
r
[h
t
‑1，x
t
]+b
r
)；)；其中，z
t
为门控循环神经网络层的更新门输出量，σ(
·
)为sigmoid激活函数，W
z
为更新门的上一时刻隐藏状态及输入特征的线性变换，h
t
‑1为上一时刻隐藏状态，x
t
为输入特征，b
z
为更新门的...

【专利技术属性】
技术研发人员：顾华玺，秦亮，肖哲，魏雯婷，刘晓东，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：