CN101820389B - 基于智能计算的网络路径态势估计方法 - Google Patents

Abstract

本发明涉及基于智能计算的网络路径态势估计方法。其步骤是先从网络的一级融合输出信息中获取本地下游链路当前承载状态信息和前一测量周期的陈旧路径状态信息；然后测量本地链路状态指标和路径状态指标，作链路态势估计，采用模糊隶属函数对不同态势下的链路状态指标和路径状态指标分别进行量化，得到对应链路状态的基本概率赋值函数m_L和路径态势估计的基本概率赋值函数m_P；最后使用Dempster数据合成规则对上述两基本概率赋值函数进行数据融合，得出路径状态不同态势的对应概率值，选取其中概率值最大的网络路径状态作为传输路径准实时态势值。优点是能在网络接入端节点实现网络端到端路径状态的准实时估计；能为网络操作机制提供传输路径的承载状态实时评价。

Description

基于智能计算的网络路径态势估计方法

技术领域

本发明涉及网络技术，尤其针对多跳分组宽带网络端到端传输路径的一种基于智能计算的网络路径态势估计方法。

背景技术

趋于传输简单化和边缘智能化的宽带网络将综合承载具有不同业务特征和差异化服务质量需求的多业务应用，为不同业务提供差异化的端到端传输性能保障需要基于传输路径实时状态信息的自适应网络控制策略。

传统使用测量方法获取网络路径状态信息，即源端发送一个或几个探测分组测量传输路径负载状态，根据返回分组的服务质量指标判断网络路径当前状态，它存在着测量准确性和网络状态信息陈旧性问题。测量机制获取的参数是通过对实际参数近似得到，而且任何测量方法都会存在误差，甚至错误，它只能反映网络路径的不完全状态。此外，测量的网络状态结果都是瞬时的路径信息，而传播本地状态延迟和网络状态动态更新带来时间上的不精确性，会使得网络状态不再完全符合测定结果，存在着状态信息陈旧。陈旧的状态信息会造成路由失败和连接建立失败。为避免网络路径状态信息的陈旧性，常用分布式基于本地状态信息的控制策略或者额外增加移动代理提供实时路径状态信息。但前者存在着瓶颈链路遗漏问题，即处于传输路径中间或后端的瓶颈链路被遗漏判断，造成业务端到端的连接建立失败。通过移动代理集中网络状态信息会导致网络控制策略过度依赖于移动代理的性能，且要求移动代理具有较高的稳定性和处理速度。

传统网络路径状态信息获取方法存在的不完整性和陈旧性会导致网络节点对路径状态的判断存在着不完全或不确定的因素，损害自适应控制策略的精度和效率性能。

发明内容

本发明目的是利用网络边缘设备的计算能力简化网络中间节点操作的复杂度，实现在不增加网络复杂性的情况下提高网络机制性能。它通过下述技术方案来实现：

所述包括如下步骤：首先从网络的一级融合输出信息中获取本地链路当前状态信息和陈旧路径状态信息；测量本地链路状态指标和路径状态指标，采用模糊隶属函数对不同态势下的链路状态指标和路径状态指标分别进行量化，得到对应链路状态的基本概率赋值函数mL和路径态势估计的基本概率赋值函数m_P；使用Dempster合成规则对上述两基本概率赋值函数进行数据融合，得出路径状态不同态势的对应概率值，选取其中概率值最大的网络路径状态作为传输路径准实时态势值。

所述链路状态指标设定为优先队列队长值和当前链路公平速率，所述路径状态指标设定为当前待传输路径与最短路径的路由跳数之差所形成的路径跳数差Δh和当前路径的有效带宽r。

所述链路态势设定为{O，H，L}，即{过载，重载，轻载}三种态势类。

在所述链路中，设：优先队列队长Q＝x，最大缓存容限为B，并取x上限为B，拥塞门限Q_T＝x_L，队列转发门限Q_FT＝x_U；采用队长模糊子集的隶属函数对队列指标的基本概率赋值函数m_Q＝{q₃，q₂，q₁}进行量化，其中q_j为不同态势下的队长，q_j，j＝3，2，1，分别表示链路当前{O，H，L}三种态势的基本概率分配值{μ_o(x)，μ_H(x)，μ_L(x)}，用队长模糊子集的隶属函数计算得到：

${\mathrm{\μ}}_O\left(x\right)=\left\{\begin{array}{c}0,x\≤x_M\\ (x-x_M)/(x_U-x_M),x\∈(x_M,x_U]\\ 1,x>x_U\end{array}\right.---\left(1\right)$

${\mathrm{\μ}}_L\left(x\right)=\left\{\begin{array}{c}1,x\≤x_L\\ (x_M-x)/(x_M-x_L),x\∈(x_L,x_M]\\ 0,x>x_M\end{array}\right.---\left(3\right)$

其中： $x_M=\frac{1}{2}(x_U-x_L);$

在所述网络的链路中，设：公平速率R_F＝x、拥塞门限R_T＝x_L、拥塞告警门限R_CT＝x_U，链路容量为C、并取x上限为C，采用公平速率模糊子集的隶属函数对公平速率指标的基本概率赋值函数m_R＝{R₁，R₂，R₃}进行量化，其中，R_i，i＝1，2，3分别表示链路当前{O，H，L}三种态势的基本概率分配值。

所述链路当前状态的基本概率赋值函数m_L由队列指标的基本概率赋值函数和公平速率指标的基本概率赋值函数正交和得到，即：

$m_L=\left(A_i\right)=m_Q\⊕m_R$

其中：A₁、A₂、A₃为路径态势基本概率赋值函数的中间变量。

所述有效带宽r：

$r=\frac{C-N_s\·R_s}{N_e+1}---\left(5\right)$

其中C为链路容量，R_s为优先业务流平均恒定速率，N_s为链路进程承载的优先业务流，N_e为链路进程承载的弹性流；

所述路径跳数差Δh为待传输路径P_T与最短路径的路由跳数差。

用路径效用函数：

U(P_T，B)＝lnr-G·Δh    (6)

来描述所述网络的路径拥塞状态，其中G ∈(0，∞)为比例增益常数，默认为1，B为网络节点最大缓存容限，P_T为待传输路径。

在所述待传输路径中，设：拥塞门限U_T＝lnR_T，r∈(R_T，R_CT]，拥塞告警门限U_CT＝lnR_CT，采用模糊子集的隶属函数对路径态势估计的基本概率赋值函数为m_p＝{B₁，B₂B₃}进行量化，链路当前{O，H，L}三种态势的基本概率分配值为：

${\mathrm{\μ}}_o\left(x\right)=\left\{\begin{array}{c}1,u\≤U_T\\ (U_M-u)/(U_M-U_T),u\∈(U_T,U_M]\\ 0,u>U_M\end{array}\right.---\left(7\right)$

${\mathrm{\μ}}_L\left(u\right)=\left\{\begin{array}{c}0,x\≤U_M\\ (u-U_M)/(U_{\mathrm{CT}}-U_M),u\∈(U_M,U_{\mathrm{CT}}]\\ 1,u>U_{\mathrm{CT}}\end{array}\right.---\left(9\right)$

其中，B_i，i＝1，2，3，

P_T为待传输路径。

经过Dempster合成规则进行数据融合得到的网络路径的新基本概率赋值函数m(B_i)

$m\left(D_i\right)=m_L\left(A_i\right)\⊕m_P\left(B_i\right),i=\mathrm{1,2,3}---\left(10\right)$

B_i，i＝1，2，3分别表示网络路径的{O，H，L}三种态势的新基本概率赋值函数值。

上述方法包含网络状态指标数据获取及对所获取的状态指标数据进行基本概率赋值和决策级的智能推理过程两部分。在获取有效数据的基础上通过智能计算获取网络路径可能的准实时态势，以作为网络操作机制的判决依据。通过联合应用本地下游链路实时状态和待传输路径陈旧路径状态信息，在智能计算的基础上估计出可能传输路径的所有态势，计算每种可能态势的置信度，选取置信度最大的态势作为网络传输路径的准实时路径状态值。避免了现有测量方法固有的网络状态信息陈旧性，减少了网络中间节点的操作，降低了网络复杂度，为保证多业务共同承载下的差异化端到端性能机制，提供了有效的网络路径状态信息。由此，本发明方法将产生如下有益技术效果：1)通过模糊化处理本地链路状态指标和陈旧路径状态指标(路径效用函数)能够在网络接入端节点实现网络端到端路径状态的准实时估计，不需要网络中间节点参与处理，简化了网络操作复杂度；2)由推理计算获得的网络路径准实时状态能够为网络操作机制，如网络接纳控制、路由等提供传输路径的网络承载状态的实时评价。

附图说明

图1是路径态势估计推理过程图。

图2是数据融合状态指标模糊化过程图。

图3是数据融合效用函数指标模糊化过程图。

具体实施方式

参见图1，该图给出了基于本地链路状态指标和陈旧路径状态指标基本概率赋值函数的数据融合计算模型。

由本地节点采集本地下游链路当前承载状态信息和前一测量周期的陈旧路径状态信息。通过网络节点调度机制的公平份额算法进行链路状态指标测量，得到链路公平速率R描述链路的平均吞吐量，标识出非优先业务流承载状态；调度机制队列管理功能对不同队列队长的统计，测量出优先业务流承载状态的优先队列队长值Q。然后在模糊化状态指标的过程中分别实现状态指标基本概率赋值，共同构成链路态势估计的输入数据源，在一级Dempster数据融合的基础上估计出态势状态集，得到本地链路状态估计值L，L表示本地状态在t时刻对不同命题的判断。

在本地节点从路由交换信息中读取前一测量周期的陈旧路径状态信息，路径状态指标的测量则由弹性业务平均速率和路由跳数构建的效用函数来描述传输路径不同陈旧态势。即用当前待传输路径与最短路径的路由跳数之差所形成的路由跳数差Δh和当前路径的有效带宽r作为路径状态指标。模糊隶属函数对该路径状态指标进行基本概率分配，得到路径状态指标P，P表示陈旧路径状态在t时刻对不同命题的判断结果，为路径新状态的估计提供参考输入数据源。

采用模糊隶属函数对上述不同态势下的链路状态指标和路径状态指标分别进行量化：

1.对链路状态指标的量化

本发明对链路状态指标的量化中，其本地链路状态指标描述了网络节点下游链路承载现状，为整个传输路径状态的估计提供本地实时信息。目的是为网络路径数据融合计算过程提供实时本地链路基本概率赋值函数值。

本地链路状态指标在流感知业务区分下，由调度机制测量优先队列队长Q和当前链路公平速率指标R分别描述优先业务和弹性业务的承载状态，并使用两类状态指标推理出准实时本地状态，进而对路径状态的不同命题作出估计，得到不同态势类的基本概率分配。

鉴于流感知业务区分固有的模糊性，模糊流感知通过模糊化业务区分速率界值为边界区间来表达此模糊性，能够自适应网络状态的动态变化，实现一致的业务区分和网络操作。设链路状态指标对链路态势的估计为{O，H，L}，分别表示链路处于{过载，重载，轻载}三种态势类，则状态指标的模糊子集可以使用三角形和梯形实现对事件状态的量化，如图2。

设优先队列队长为Q，拥塞门限为Q_T，队列转发门限为Q_FT，最大缓存容限为B，若取队长Q＝x，Q_T＝xL，Q_FT＝x_U，并取x上限为B，则使用队长模糊子集的隶属函数对队列指标的基本概率赋值函数m_Q＝{q₃，q₂，q₁}进行量化，如式(1)～(3)，其中q_j，j＝3，2，1分别表示链路当前{O，H，L}三种态势的基本概率分配值，其中

${\mathrm{\μ}}_L\left(x\right)=\left\{\begin{array}{c}1,x\≤x_L\\ (x_M-x)/(x_M-x_L),x\∈(x_L,x_M]\\ 0,x>x_M\end{array}\right.---\left(1\right)$

${\mathrm{\μ}}_O\left(x\right)=\left\{\begin{array}{c}0,x\≤x_M\\ (x-x_M)/(x_U-x_M),x\∈(x_M,x_U]\\ 1,x>x_U\end{array}\right.---\left(3\right)$

同样设当前链路公平速率为R_F，拥塞门限为R_T，拥塞告警门限为R_CT，链路容量为C，若取变量R_F＝x，R_T＝xL，R_CT＝xU，并取x上限为C，则使用公平速率模糊子集的隶属函数式(1)～(3)同样能够对公平速率指标的基本概率赋值函数m_R＝{R₁，R₂，R₃}进行量化，其中R_i，i＝1，2，3分别表示链路当前{O，H，L}三种态势的基本概率分配值。于是，本地链路状态的基本概率赋值函数m_L由优先队列和公平速率指标的正交和得到如下：

$m_L=\left(A_i\right)=m_Q\⊕m_R$

2.对路径状态指标的量化

本发明的路径状态指标的量化反映了网络前一周期承载状态，为下一周期可能的传输路径状态提供参考信息。目的是为网络路径数据融合计算过程提供陈旧的网络路径状态指标的基本概率赋值函数值，为智能计算提供输入数据源。

多业务网络中，对时延敏感的实时业务通常选择最短路径优先策略以减少路径传输时延，而路径有效带宽最大化作为第二路由规则，即使用最宽最短路由算法(Widest-Shortest Pathalgorithm，W-S)，由于所有选择路径均为最短路径，故传输路径上的有效带宽反映了网络传输实时业务的最优路径拥塞状态，则可使用路径有效带宽描述实时业务流的路径拥塞状态。路径有效带宽定义为传输路径上所有链路有效带宽的最小值，若链路容量为C，链路进程承载的优先业务流和弹性流分别为(N_s，N_e)，优先业务流平均恒定速率为R_s，其有效带宽r为链路弹性流的平均有效速率：

$r=\frac{C-N_s\·R_s}{N_e+1}---\left(5\right)$

对应用响应时间敏感的弹性流希望选择有效带宽最大路径传输数据，而路由跳数最短作为次要条件，即使用最短最宽路由算法(Shortest-Widest Path algorithm，S-W)，则路由跳数差Δh可以描述弹性流的路径拥塞度，其中Δh为流当前待传输路径的路由跳数与最短路径路由跳数之差，路由跳数可由路由算法本身测量获得。根据不同业务流的路径拥塞指标，定义路径效用函数(Utility Function)描述多业务网络的路径拥塞状态：

U(P_T，B)＝lnr-G·Δh    (6)

其中G∈(0，∞)为比例增益常数，默认为1，路由跳数差Δh为待传输路径P_T与最短路径路由跳数差，r为待传输路径P_T的有效带宽。效用函数U随有效带宽r递增而增大，随路由跳数差Δh增加而线性递减，当G＝0时，效用函数退化为弹性流的有效带宽最大路由算法(WidestPath algorithm)的选路标准；当G＝∞时，效用函数又变为优先业务流的最短路径路由算法(Minimum-Hop Path algorithm)的选路标准。因此，效用函数能够综合反映网络传输路径的拥塞状态。

由效用函数得到的路径状态估计是过时的，但可以作为网络路径态势估计的路径状态基本概率赋值函数的输入值。当路径有效速率小于本地链路公平速率下限R_T时，说明后端瓶颈链路不能满足接入业务流的基本吞吐量要求，路径处于拥塞状态，所有路由算法只选择最短路径有效，即Δh＝0，效用函数仅是有效带宽的对数值，且定义为效用函数的拥塞门限U_T＝lnR_T。当r∈(R_T，R_CT]时，说明路径瓶颈链路处于接入端拥塞告警门限内，路径处于重载状态，为减小网络阻塞率，弹性流也尽量选择最短路径传送分组，此时定义为效用函数的拥塞告警门限U_CT＝lnR_CT。当路径有效带宽大于接入链路拥塞告警门限速率时，说明路径能够保证接入流的传输性能，路径处于轻载，此时弹性流将优先选择S-W路由算法，路径PT的效用函数为

G＝1。若设路径状态对路径态势的估计为{O，H，L}，分别表示路径处于{过载，重载，轻载}三种态势类，那么路径状态的模糊子集可量化实现为图3所示，

其中 $U_M=\frac{1}{2}(U_{\mathrm{CT}}-U_T).$

设路径态势估计的基本概率赋值函数为m_p＝{B₁，B₂B₃}，其中B_i，i＝1，2，3分别表示链路当前{O，H，L}三种态势的基本概率分配值{μ_O(u)，μ_H(u)，μ_L(u)}，则由模糊子集可分别量化为：

${\mathrm{\μ}}_o\left(x\right)=\left\{\begin{array}{c}1,u\≤U_T\\ (U_M-u)/(U_M-U_T),u\∈(U_T,U_M]\\ 0,u>U_M\end{array}\right.---\left(7\right)$

${\mathrm{\μ}}_L\left(u\right)=\left\{\begin{array}{c}0,x\≤U_M\\ (u-U_M)/(U_{\mathrm{CT}}-U_M),u\∈(U_M,U_{\mathrm{CT}}]\\ 1,u>U_{\mathrm{CT}}\end{array}\right.---\left(9\right)$

基于上述估计的链路状态态势和陈旧路径态势的不同状态子集所对应概率值m_L(A_i)、m_P(B_i)，在二级数据融合的基础上估计出路径不同的新态势集及相应概率值，并取最大概率状态为路径准实时态势。

网络路径态势估计结果的正确性依赖于本地链路状态和陈旧路径状态的周期性测量与更新，在测量本地链路状态指标的基础上，量化得到链路状态的基本概率赋值函数m_L和陈旧路径状态的基本概率赋值函数m_P后，每个测量指标的变化都会重新推理出新的态势估计，并更新基本概率分配。全局状态合成后的基本概率分布描述了对网络态势的综合估计，最后由决策逻辑进行判断，将具有最大置信度的命题作为备选命题。可见，由状态指标推理得到对不同态势类的基本概率分配是态势估计的关键。

L表示本地状态在t时刻对不同命题的判断，P表示陈旧路径状态在t时刻对不同命题的判断结果，m_L(A_i)、m_P(B_i)，i＝1，2，3为对命题A_i的基本概率分配，则m(D_i)为经过Dempster合成规则得到的网络路径的新基本概率赋值函数，且有：

$m\left(D_i\right)=m_L\left(A_i\right)\⊕m_P\left(B_i\right),i=\mathrm{1,2,3}---\left(10\right)$

路径准实时状态基本概率赋值函数m(A_i)描述了网络不同可能态势的估计值，选取其中概率值最大的网络路径状态作为可能的传输路径准实时态势值，并用作网络接纳控制的判决条件。路径状态的更新随路径指标的周期性测量而进行预计算更新，在同一测量周期内状态保持不变。

网络路径态势估计方法需要本地链路状态信息和传输路径状态信息的支撑，两类不同状态通过模糊理论与传输路径态势进行映射，生成相应的基本概率赋值函数，从而输出不同周期内的一级态势相关评价值。每种状态信息均仅从某一个方面描述传输路径状态，存在信息不完整缺陷，但可以作为二级态势推理的证据体。网络路径态势估计在一级态势评价值的基础上，由Dempster合成规则进行数据融合计算，得出待传输路径态势的总体评价。

本发明的路径态势估计方法推理出网络传输路径的准实时路径状态，为网络操作机制提供端到端的实时状态信息。目的是通过适度增加网络边缘节点的计算量来实现网络核心状态无关，在不损害网络机制性能的基础上，简化网络复杂度。

Claims (2)

1.基于智能计算的网络路径态势估计方法，其特征在于：从网络的一级融合输出信息中获取本地链路当前状态信息和陈旧路径状态信息；测量本地链路状态指标和路径状态指标，采用模糊隶属函数对不同态势下的链路状态指标和路径状态指标分别进行量化，得到所述链路状态的基本概率赋值函数m_L和路径态势估计的基本概率赋值函数m_P；使用Dempster合成规则对上述两基本概率赋值函数进行数据融合，得出路径状态不同态势的对应概率值，选取其中概率值最大的网络路径状态作为传输路径准实时态势值；

所述链路状态指标设定为优先队列队长值和当前链路公平速率，所述路径状态指标设定为待传输路径P_T与最短路径的路径跳数差Δh和当前路径的有效带宽r；

所述链路态势设定为{O，H，L}，即{过载，重载，轻载}三种态势类；

在所述链路中，设：优先队列队长Q＝x，最大缓存容限为B，并取x上限为B，拥塞门限Q_T＝x_L，队列转发门限Q_FT＝x_U；采用队长模糊子集的隶属函数对队列指标的基本概率赋值函数m_Q＝{q₃，q₂，q₁}进行量化，其中q_j为不同态势下的队长，q_j，j＝3，2，1，分别表示链路当前{O，H，L}三种态势的基本概率分配值{μ_o(x)，μ_H(x)，μ_L(x)}，用队长模糊子集的隶属函数计算得到：

${\mathrm{\μ}}_O\left(x\right)=\left\{\begin{array}{c}0,x\≤x_M\\ (x-x_M)/(x_U-x_M),x\∈(x_M,x_U]\\ 1,x>x_U\end{array}\right.$

${\mathrm{\μ}}_L\left(x\right)=\left\{\begin{array}{c}1,x\≤x_L\\ (x_M-x)/(x_M-x_L),x\∈(x_L,x_M]\\ 0,x>x_M\end{array}\right.$

其中： $x_M=\frac{1}{2}(x_U-x_L);$

在所述网络的链路中，设：公平速率R_F＝x、拥塞门限R_T＝x_L、拥塞告警门限R_CT＝x_U，链路容量为C、并取x上限为C，采用所述公平速率模糊子集的隶属函数对公平速率指标的基本概率赋值函数m_R＝{R₁，R₂，R₃}进行量化，其中，R_i，i＝1，2，3分别表示链路当前{O，H，L}三种态势的基本概率分配值；

所述链路状态的基本概率赋值函数m_L由队列指标的基本概率赋值函数和公平速率指标的基本概率赋值函数正交和得到，即：

$m_L=\left(A_i\right)=m_Q\⊕m_R$

其中：A_i，i＝1，2，3表示链路当前{O，H，L}三种路径态势的基本概率赋值函数的中间变量；

所述有效带宽r：

$r=\frac{C-N_s\·R_s}{N_e+1}$

其中C为链路容量，R_s为优先业务流平均恒定速率，N_s为链路进程承载的优先业务流，N_e为链路进程承载的弹性流，所述路径跳数差Δh为待传输路径P_T与最短路径的路由跳数差；

用路径效用函数：

U(P_T，B)＝lnr-G·Δh

来描述所述网络的路径拥塞状态，其中G∈(0，∞)为比例增益常数，默认为1，B为网络节点最大缓存容限；

所述待传输路径中，设：拥塞门限U_T＝lnR_T，r∈(R_T，R_CT]，拥塞告警门限U_CT＝ln R_CT，采用模糊子集的隶属函数对路径态势估计的基本概率赋值函数m_p=(B_i)进行量化，其中B_i，i＝1，2，3，分别表示链路当前{O，H，L}三种态势的基本概率分配值{μ_O(u)，μ_H(u)，μ_L(u)}，用模糊子集分别量化为：

${\mathrm{\μ}}_o\left(x\right)=\left\{\begin{array}{c}1,u\≤U_T\\ (U_M-u)/(U_M-U_T),u\∈(U_T,U_M]\\ 0,u>U_M\end{array}\right.$

${\mathrm{\μ}}_L\left(u\right)=\left\{\begin{array}{c}0,x\≤U_M\\ (u-U_M)/(U_{\mathrm{CT}}-U_M),u\∈(U_M,U_{\mathrm{CT}}]\\ 1,u>U_{\mathrm{CT}}\end{array}\right.$

其中， $U_M=\frac{1}{2}(U_{\mathrm{CT}}-U_T).$

2.根据权利要求1所述的基于智能计算的网络路径态势估计方法，其特征在于经过Dempster合成规则进行数据融合得到的网络路径的新基本概率赋值函数m(D_i)

$m\left(D_i\right)=m_L\left(A_i\right)\⊕m_P\left(B_i\right),i=\mathrm{1,2,3}$

D_i，，i＝1，2，3分别表示网络路径的{O，H，L}三种路径态势的新基本概率赋值函数值。

Images