本发明专利技术公开了空天地一体化网络的基于混沌动态拥塞预测的时变重路由方法和系统。在该方法和系统，为了满足服务质量的要求，针对空天地一体化的拓扑动态性，设计了基于小波分析的PSO算法优化的LSTM神经网络，提前对网络拥塞进行预测以避免拥塞的产生，同时使用邻域粗糙集模型进行属性约简，选择与网络拥塞相关性最大的参数集合来对网络参数进行预处理。引入时变的思想，动态计算链路的状态，并根据链路的状态寻找到一条高可靠性、负载均衡的路径。经仿真实验验证，混沌动态拥塞预测方法对拥塞预测的精度大幅提高，规划的重路由路径具有高可靠性和稳定性。可靠性和稳定性。可靠性和稳定性。
【技术实现步骤摘要】
空天地一体化网络的基于混沌动态拥塞预测的时变重路由方法和系统
[0001]本专利技术属于空天地一体化信息网络领域，涉及空天地一体化网络的基于混沌动态拥塞预测的时变重路由方法和系统。
技术介绍
[0002]与传统网络环境相比，空天地一体化网络环境存在着较大的差异。空天地一体化网络的动态性及异构性给网络拥塞预测带来了挑战。
[0003]网络拥塞预测在本质上可以看做流量预测，网络流量的预测方式主要有以下几种，朴素法、线性参数化模型以及非线性参数化模型。朴素法是一种简单高效的时间序列预测方式，将过去时刻的平均数据作为实际预测的下一时刻数据，历史平均值(Historical Average,HA)就是一种典型的朴素方法。但朴素法仅在较为简单的场景下有较高的精确率，并不适用于复杂的空天地一体化网络场景。参数化模型完成对网络的流量预测建模和分析。差分整合移动平均自回归(Autoregressive Integrated Moving Average,ARIMA)模型是经典的无线流量分析预测方式。但线性模型需要人工设置参数，仅适用于短期流量预测。非线性参数模型的建立对于处理时间序列的预测问题具备更大的优势。传统的非线性模型有小波模型、门限自回归模型以及机器学习领域的支持向量机模型、人工神经网络模型等。
[0004]由于空天地一体化网络具有动态性、实时性、突发性、时空性等特点，传统的神经网络模型难以满足实际的网络拥塞预测需求。LSTM神经网络能较好地处理大时间尺度数据，但收敛速度慢，参数无法直接确定，容易陷入局部最优。
技术实现思路
[0005]本专利技术的目的在于克服上述现有技术的缺点，提供一种空天地一体化网络的基于混沌动态拥塞预测的时变重路由方法和系统，以解决现有技术中传统的神经网络模型难以满足实际的网络拥塞预测需求的问题。
[0006]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0007]空天地一体化网络的基于混沌动态拥塞预测的时变重路由方法，包括以下步骤：
[0008]确定决策属性对参数子集的依赖函数，通过依赖函数获得某个参数子集的重要程度，通过重要程度选择参数子集中不可或缺的参数，将不可或缺的参数组合成为约简后的参数子集；所述参数子集为系统参数集合中的子集；
[0009]从约简后的参数子集对应的空天地一体化网络中提取出时间序列，将时间序列通过小波分析分解为低频序列和高频序列；
[0010]使用粒子群算法对LSTM神经网络的参数进行优化，获得最优的LSTM神经网络参数，获得优化后的LSTM神经网络；将低频序列和高频序列输入至优化后的LSTM神经网络中，获得拥塞时间序列的预测结果；
[0011]根据拥塞时间序列的预测结果，对发生拥塞位置周边链路的权重进行排序，选择
周边链路中权重最大的链路单跳重路由链路，完成拥塞时间序列的重路由。
[0012]本专利技术的进一步改进在于：
[0013]优选的，所述系统参数集合中对应预处理后的空天地一体化网络，所述预处理为对原始空天地一体化网络中的数据进行归一化处理。
[0014]优选的，所述依赖函数为：
[0015][0016]其中，|*|是集合的基数，U为网络中所有的参数集合，POS
B
(D)表示参数子集B中的元素始终属于决策类D的子集；当γ
B
(D)＝1时，表明D完全依赖于B，否则D依赖于B的程度为γ
B
(D)。
[0017]优选的，所述重要程度的计算公式为：
[0018][0019]当SIG(a
i
，B，D)＝0时，说明属性a
i
在B中是多余的，否则，说明a
i
在B中是不可或缺的。
[0020]优选的，将时间序列分解为一个低频序列和三个高频序列。
[0021]优选的，LSTM神经网络的参数进行优化的过程为：，初始化LSTM神经网络的各个参数，并利用粒子群算法中的适应度函数计算每个参数的适应度，通过适应度函数评估LSTM神经网络中各个参数当前设置的优劣状况，根据评估结果优化各个参数的设置，直至迭代次数超过粒子群算法中设置的最大迭代次数，或各个参数的适应度达到最佳，获得最优的LSTM神经网络参数。
[0022]优选的，所述链路的权重计算公式为：
[0023][0024]其中，lp
(u，v)
表示链路的权重，其中表示链路(u，v)的最大可用带宽容量，表示节点v的最大可用缓存。α，β，γ分别为链路质量、链路带宽容量和接收节点缓存的权重因子。
[0025]优选的，选择周边链路中权重最大的链路单跳重路由链路时，若当前节点的链路权重均为0时，向上一跳节点进行回溯，选择上一跳节点的次大权重链路作为单跳重路由链路，通过贪婪选择当前链路权重最大的方式，构建出一条重路由路径。
[0026]重路由链路过程中的约束包括节点缓存约束、流守恒约束和环路壁面约束。
[0027]空天地一体化网络的基于混沌动态拥塞预测的时变重路由系统，包括：
[0028]参数约简单元，用于确定决策属性对参数子集的依赖函数，通过依赖函数获得某个参数子集的重要程度，通过重要程度选择参数子集中不可或缺的参数，将不可或缺的参数组合成为约简后的参数子集；所述参数子集为系统参数集合中的子集；
[0029]分解单元，用于从约简后的参数子集对应的空天地一体化网络中提取出时间序
列，将时间序列通过小波分析分解为低频序列和高频序列；
[0030]预测单元，用于使用粒子群算法对LSTM神经网络的参数进行优化，获得最优的LSTM神经网络参数，获得优化后的LSTM神经网络；将低频序列和高频序列输入至优化后的LSTM神经网络中，获得拥塞时间序列的预测结果；
[0031]重路由单元，用于根据拥塞时间序列的预测结果，对发生拥塞位置周边链路的权重进行排序，选择周边链路中权重最大的链路单跳重路由链路，完成拥塞时间序列的重路由。
[0032]与现有技术相比，本专利技术具有以下有益效果：
[0033]本专利技术公开了空天地一体网络的基于混沌动态拥塞预测的时变重路由方法。在该方法中，为了满足服务质量的要求，针对空天地一体化的拓扑动态性，设计了基于小波分析的PSO算法优化的LSTM神经网络，提前对网络拥塞进行预测以避免拥塞的产生，同时使用邻域粗糙集模型进行属性约简，选择与网络拥塞相关性最大的参数集合来对网络参数进行预处理。引入时变的思想，动态计算链路的状态，并根据链路的状态寻找到一条高可靠性、负载均衡的路径。经仿真实验验证，混沌动态拥塞预测方法对拥塞预测的精度大幅提高，规划的重路由路径具有高可靠性和稳定性。
[0034]本专利技术创新性地将小波分析与流量预测方法相结合，设计了基于小波分析的粒子群算法优化的LSTM神经网络预测模型，满足了空天地一体化网络业务传输的服务质量要求，同时使用邻域粗糙集模型来加速网络的预测过程。该方法中的小波分析部分可以对非线性信号本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.空天地一体化网络的基于混沌动态拥塞预测的时变重路由方法，其特征在于，包括以下步骤：确定决策属性对参数子集的依赖函数，通过依赖函数获得某个参数子集的重要程度，通过重要程度选择参数子集中不可或缺的参数，将不可或缺的参数组合成为约简后的参数子集；所述参数子集为系统参数集合中的子集；从约简后的参数子集对应的空天地一体化网络中提取出时间序列，将时间序列通过小波分析分解为低频序列和高频序列；使用粒子群算法对LSTM神经网络的参数进行优化，获得最优的LSTM神经网络参数，获得优化后的LSTM神经网络；将低频序列和高频序列输入至优化后的LSTM神经网络中，获得拥塞时间序列的预测结果；根据拥塞时间序列的预测结果，对发生拥塞位置周边链路的权重进行排序，选择周边链路中权重最大的链路单跳重路由链路，完成拥塞时间序列的重路由。2.根据权利要求1所述的空天地一体化网络的基于混沌动态拥塞预测的时变重路由方法，其特征在于，所述系统参数集合中对应预处理后的空天地一体化网络，所述预处理为对原始空天地一体化网络中的数据进行归一化处理。3.根据权利要求1所述的空天地一体化网络的基于混沌动态拥塞预测的时变重路由方法，其特征在于，所述依赖函数为：其中，|*|是集合的基数，U为网络中所有的参数集合，POS
B
(D)表示参数子集B中的元素始终属于决策类D的子集；当γ
B
(D)＝1时，表明D完全依赖于B，否则D依赖于B的程度为γ
B
(D)。4.根据权利要求1所述的空天地一体化网络的基于混沌动态拥塞预测的时变重路由方法，其特征在于，所述重要程度的计算公式为：当SIG(a
i
,B,D)＝0时，说明属性a
i
在B中是多余的，否则，说明a
i
在B中是不可或缺的。5.根据权利要求1所述的空天地一体化网络的基于混沌动态拥塞预测的时变重路由方法，其特征在于，将时间序列分解为一个低频序列和三个高频序列。6.根据权利要求1所述的空天地一体化网络的基于混沌动态拥塞预测的时变重路由方法，其特征在于，LSTM神经网络的参数进行优化的过程为：...
【专利技术属性】
技术研发人员：袁晓东，曲桦，赵季红，韩志刚，魏常钰，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：
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。