医疗融合网络的最优路径选择算法、报文处理方法及设备技术

本申请实施例提供的医疗融合网络的最优路径选择算法、报文处理方法及设备，包括：S401，建立基于信息索引浓度和路径快速收敛的数学模型；S402，通过Tensorflow平台对数学模型中切片数据的参数进行训练，得到训练后的参数集及数学模型；S403，输入网络切片的起点节点值和终点节点值，通过训练后的参数集及数学模型，生成网络切片的最优路径；具有路径选择效率及准确率较高的有益效果，适用于医疗信息化领域。化领域。化领域。

【技术实现步骤摘要】
医疗融合网络的最优路径选择算法、报文处理方法及设备


[0001]本申请涉及医疗信息化领域，具体涉及医疗融合网络的最优路径选择算法、报文处理方法及设备。

技术介绍

[0002]网络切片和DNN(Data Network Name)是5G网络的两种关键技术，其中：网络切片是通过将物理网络实体划分成多个逻辑独立网络，每个网络切片可以有不同的移动性、安全性、时延、可靠性，从而为不同业务场景提供所需网络逻辑通道；DNN是医疗业务终端的专网接入点，也是为指定终端提供特定服务5G通信链路和安全保障的技术，其支持医疗业务访问通道与公网隔离，从而确保医疗业务访问网络的安全性、可靠性。
[0003]目前，5G DNN网络切片的算法采用的方式多为：
[0004]根据路由协议与逐个网元节点进行协商，协商的参数内容是根据ACL(Access Control Lists)访问控制表中定义的性能要求；这种方式，难以适应5G DNN网络跨越公网且路径中节点协商数量众多的情况，存在着破解网络切片路径确定时间过长，使得通道的性能无法保障。

技术实现思路

[0005]为了解决上述技术缺陷之一，本申请实施例中提供了一种路径选择效率及准确率较高的医疗融合网络的最优路径选择算法、报文处理方法及设备。
[0006]根据本申请实施例的第一个方面，提供了医疗融合网络的最优路径选择算法，包括：
[0007]S401，建立基于信息索引浓度和路径快速收敛的数学模型；
[0008]S402，通过Tensorflow平台对数学模型中切片数据的参数进行训练，得到训练后的参数集及数学模型；
[0009]S403，输入网络切片的起点节点值和终点节点值，通过训练后的参数集及数学模型，生成网络切片的最优路径。
[0010]根据本申请实施例的第二个方面，提供了医疗融合网络的报文处理方法，包括：
[0011]S10，配置访问控制列表ACL；
[0012]S20，接收业务切片，将所述业务切片在配置的访问控制列表ACL中进行匹配；
[0013]S30，根据匹配结果，将所述业务切片转发至对应的网络设备；
[0014]S40，网络设备进行业务切片路径选择，生成最优切片路径；
[0015]S50，网络设备根据最优切片路径，进行所述业务切片的转发控制；
[0016]其中，所述网络设备进行业务切片路径选择的算法为如上所述的医疗融合网络的最优路径选择算法。
[0017]根据本申请实施例的第三个方面，提供了一种电子设备，包括：
[0018]存储器；处理器；以及计算机程序；
[0019]其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如上所述的方法。
[0020]根据本申请实施例的第四个方面，提供了一种计算机可读存储设备，其上存储有计算机程序；所述计算机程序被处理器执行以实现如上所述的方法。
[0021]采用本申请实施例中提供的医疗融合网络的最优路径选择算法、报文处理方法及设备，与现有技术相比，具有以下优点：
[0022]本申请中，面向不同5G医疗业务的网络切片，采用信息索引浓度和路径快速收敛的数学算法，以及持续优化的参数集，组成了针对网络切片的最优路径选择算法，同时，本实施例利用医疗融合网络(医疗固移融合)的专网服务器位于网络边缘，具有快速路由收敛性的特点，使得基于信息索引浓度和路径快速收敛的数学模型能够快速计算出一个路径最优且性能符合要求的切片路径；实用性极强。
附图说明
[0023]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0024]图1为本申请实施例提供的医疗融合网络的最优路径选择算法的流程示意图；
[0025]图2为本申请实施例提供的医疗融合网络的报文处理方法的流程示意图；
[0026]图3为在一个具体实施例中医疗融合网络的报文处理方法的数据处理示意图。
具体实施方式
[0027]为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0028]如图1所示，本申请实施例中提供了医疗融合网络的最优路径选择算法，包括：
[0029]S401，建立基于信息索引浓度和路径快速收敛的数学模型；
[0030]S402，通过Tensorflow平台对数学模型中切片数据的参数进行训练，得到训练后的参数集及数学模型；
[0031]S403，输入网络切片的起点节点值和终点节点值，通过训练后的参数集及数学模型，生成网络切片的最优路径。
[0032]本实施例中，面向不同5G医疗业务的网络切片，采用信息索引浓度和路径快速收敛的数学算法，以及持续优化的参数集，组成了针对网络切片的最优路径选择算法，同时，本实施例利用医疗融合网络(医疗固移融合)的专网服务器位于网络边缘，具有快速路由收敛性的特点，使得基于信息索引浓度和路径快速收敛的数学模型能够快速计算出一个路径最优且性能符合要求的切片路径；实用性极强。
[0033]具体地，所述数学模型中切片数据的参数包括：信息启发式因子、信息期望式因子、切片信息索引浓度值的残留因子和信息素释放总量；通过切片数据的参数的训练，得到训练后的参数集，并根据训练后的参数集得到训练后的数学模型。
[0034]进一步地，所述S401中，数学模型的表达式为：
[0035][0036]其中，k是待切片的目标网元节点编号；m是待训练的切片的目标网元节点总数；在实际应用中，不可能全部网络节点都会参与切片，可知，k≤m。
[0037]当最优随机路径选择AI算法模型中待切片的目标网元节点数量越来越多时，则将增强算法模型的全局参数特征值的精确度和算法循环计算收敛性，也就是切片样本数越多，越有利于提升算法模型的成熟度和切片路径的准确度；
[0038]P
ijk
(t)为状态转移概率函数，表示在t时刻，待切片的目标网元节点k从节点i切换到节点j的概率值；
[0039]allowed
k
表示待切片的目标网元节点k下一步转移节点的集合；
[0040]τ
ij
表示节点i到节点j之间的切片路径上总的切片信息索引浓度值；
[0041]η
ij
表示节点i与节点j之间的能见度；
[0042]α表示信息启发式因子；该值是影响到待切片的目标网元节点选择旧路径的比重，该值越大，待切片的目标网元节点选择原先旧路径的概率比重越高，加速算法收敛性(但会让算法模型过早进入局部优化，而降低网络动态调整带来的算法参数灵活调整性)；反之，待切片的目标网元节点会优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.医疗融合网络的最优路径选择算法，其特征在于，包括：S401，建立基于信息索引浓度和路径快速收敛的数学模型；S402，通过Tensorflow平台对数学模型中切片数据的参数进行训练，得到训练后的参数集及数学模型；S403，输入网络切片的起点节点值和终点节点值，通过训练后的参数集及数学模型，生成网络切片的最优路径。2.根据权利要求1所述的医疗融合网络的最优路径选择算法，其特征在于，所述数学模型中切片数据的参数包括：信息启发式因子、信息期望式因子、切片信息索引浓度值的残留因子和信息素释放总量；通过切片数据的参数的训练，得到训练后的参数集，并根据训练后的参数集得到训练后的数学模型。3.根据权利要求1所述的医疗融合网络的最优路径选择算法，其特征在于，所述S401中，数学模型的表达式为：其中，k是待切片的目标网元节点编号；P
ijk
(t)为状态转移概率函数，其表示在t时刻，待切片的目标网元节点k从节点i切换到节点j的概率值；a是切片路径的起点；allowed
k
是待切片的目标网元节点k下一步转移节点的集合；τ
ij
表示节点i到节点j之间的切片路径上总的切片信息索引浓度值；η
ij
表示节点i与节点j之间的能见度；α表示信息启发式因子，β表示信息期望式因子，t表示循环次数；τ
ia
是从切片初始节点a到节点i之间的切片路径上总的切片信息索引浓度值。4.根据权利要求3所述的医疗融合网络的最优路径选择算法，其特征在于，所述切片信息索引浓度值的更新公式为：τ
ij
←
ρτ
ij
+Δτ
k
(i,j)其中，ρ表示在节点i到节点j之间的切片路径上切片信息索引浓度值的残留因子；Δτ
k
(i,j)表示待切片的目标网元节点k...

【专利技术属性】
技术研发人员：赵杰，陈保站，王文超，何贤英，崔芳芳，石小兵，刘冬清，任晓阳，
申请(专利权)人：郑州大学第一附属医院，
类型：发明
国别省市：