CN104994021A - 确定最优路径的方法及装置 - Google Patents

Abstract

本申请提出确定最优路径的方法及装置。方法包括：根据网络节点的状态参数以及网络链路的状态参数构造网络链路的代价函数，并为各网络节点的状态参数和网络链路的状态参数设置影响因子；采用遗传算法为所述代价函数中的各影响因子寻找最优解；将各影响因子的最优解发送给网络中的各节点，以使得：网络中的各节点在接收到数据访问请求时，根据各影响因子的最优解及所述代价函数计算本节点到目的节点的最优路径。本申请提高了确定真实最优路径的效率。

Description

确定最优路径的方法及装置

技术领域

本申请涉及通信网络技术领域，尤其涉及确定最优路径的方法及装置。

背景技术

在通信网络中，吞吐量决定了数据传输的速度，为了使得传输的数据可以最快地抵达目的地，网络节点之间的通信链路吞吐量是一个重要的考虑因素，即最短路径问题中，路径权值的一个度量。然而在一个庞大的数据通信网络中，当一味地寻找大吞吐量的路径去进行传输，久而久之必然会使得某些链路产生网络拥堵，网络中的某些服务器负载过大，而导致网络部分瘫痪。

目前，对于使用最短路径算法思想且兼顾通信网络中的负载均衡的问题，已发现的解决方法中最常见的是根据最短路径算法返回的最优路径结果，结合网络当前负载状况调整路径权值的方法。例如：

一种是，首先利用最短路径算法，以某种网络使用者关心的判据为权值(如路径长度、路径上节点的负载之和等)得到节点间的最短路径和次短路径的信息，然后按某种改进后的启发式算法，用同样待定的判据和方法更新和处理最短路径和次短路径上节点的信息，从中选择一条作为新的最短路径。

另一种是，首先假定所有的路径权值相同且为1，计算出最优路径，然后为每一个路径根据负载等情况设置一个参数，通过这个参数修改初始的路径权值，进而使得负载高的路径权值变大，从最初所计算的路径中选择按照所改变的链路代价仍最佳的路径。

上述方法均是将最短路径算法返回的所有路径根据当前网络负载状况进行进一步筛选。但是其存在如下缺点：当系统每有一个访问请求，都需要花时间筛选最优路径。

发明内容

本申请实施例提供确定最优路径的方法及装置。

本申请的技术方案是这样实现的：

一种确定最优路径的方法，该方法包括：

根据网络节点的状态参数以及网络链路的状态参数构造网络链路的代价函数，并为各网络节点的状态参数和网络链路的状态参数设置影响因子；

采用遗传算法为所述代价函数中的各影响因子寻找最优解；

将各影响因子的最优解发送给网络中的各节点，以使得：网络中的各节点在接收到数据访问请求时，根据各影响因子的最优解及所述代价函数计算本节点到目的节点的最优路径。

一种确定最优路径的装置，该装置包括：

代价函数构造模块：根据网络节点的状态参数以及网络链路的状态参数构造网络链路的代价函数，并为各网络节点的状态参数和网络链路的状态参数设置影响因子；

遗传算法运行模块：采用遗传算法为所述代价函数中的各影响因子寻找最优解；

影响因子发送模块：将各影响因子的最优解发送给网络中的各节点，以使得：网络中的各节点在接收到数据访问请求时，根据各影响因子的最优解及所述代价函数计算本节点到目的节点的最优路径。

所述遗传算法运行模块采用遗传算法为代价函数中的各影响因子寻找最优解包括：

预先将各影响因子构成一个染色体；

定义染色体的适应度为该染色体对应的网络平均响应时间的倒数；

对每一代种群中的染色体进行选择、交叉、变异操作；

当满足迭代结束条件时，将最后一代种群中的适应度最强的染色体作为最优解。

所述遗传算法运行模块采用的迭代结束条件为：

迭代总次数达到预设迭代次数阈值；

或者，连续预设代种群中的适应度最强的染色体的网络平均响应时间都小于预设网络平均响应时间阈值。

所述遗传算法运行模块对每一代种群中的染色体进行选择、交叉、变异操作进一步包括：

当对一代种群中的染色体进行变异操作后，以前一代种群中适应度最强的染色体替换当前代种群中适应度最弱的染色体。

所述代价函数构造模块根据网络节点的状态参数包括：

根据网络节点的CPU参数、网络节点的内存参数、网络节点的连接数参数之一或任意组合；

根据网络链路的状态参数包括：根据网络链路的带宽参数、网络链路的吞吐量参数之一或组合。

所述代价函数构造模块构造的网络链路的代价函数为：

其中，i，j为网络中任意两个相邻的节点的标号，C_ij为节点i、j之间的网络链路的代价函数；

NETbw_i为节点i的可用网络带宽；

NETthr_ij为节点i、j之间的网络链路的吞吐量；

LoadCPU_j为节点j的CPU的占用率；

Tcpu_j为节点j的CPU热点阈值；

LoadMEM_j为节点j的内存占用率；

Tmem_j为节点j的内存热点阈值；

LoadNET_j为节点j的带宽占用率；

Tnet_j为节点j的带宽热点阈值；

LoadCON_j为节点j的连接数占用率；

Tcon_j为节点j的连接数热点阈值；

为节点j的CPU影响因子；

为节点j的内存影响因子；

为节点j的带宽影响因子；

ρ_conj为节点j的连接数影响因子；

α为第一负载均衡影响因子；

β为第二负载均衡影响因子。

且，

α+β＝1

ρ_conj、α和β的精度＝1.0×10^-n，n为大于0的正整数。

所述遗传算法运行模块对每一代种群中的染色体进行选择、交叉、变异操作包括：

当对一代种群的交叉操作或者变异操作结束后，对于本次迭代过程的交叉操作或者变异操作后得到的种群中的每一个体：

计算该个体中的前四个基因ρ_conj的和值sum1，若sum1不等于1，则对于该四个基因中的每个基因，将该基因更新为：该基因与sum1的倒数的乘积；

计算该个体中的后两个基因α、β的和值sum2，若sum2不为1.0，则对于该后两个基因中的每个基因，将该基因更新为：该基因与sum2的倒数的乘积。

所述遗传算法运行模块将该基因更新为：该基因与sum2的倒数的乘积之后进一步包括：

判断更新后的个体中的基因是否都满足预设精度要求，若不满足，则：

对于该更新后的个体中的前四个基因，对不满足精度要求的基因进行四舍五入处理，设ρ_conj四舍五入前的值分别为x₁、x₂、x₃、x₄，四舍五入后的值分别为y₁、y₂、y₃、y₄，计算z₁＝x₁-y₁，z₂＝x₂-y₂，z₃＝x₃-y₃，z₄＝x₄-y₄，计算z_max＝max(z₁，z₂，z₃，z₄)和z_min＝min(z₁，z₂，z₃，z₄)，令 ρ_conj＝y₄，若z₁+z₂+z₃+z₄＝0，则保持ρ_conj的值不变；若z₁+z₂+z₃+z₄＝预设精度1.0×10^-n，则将z_max对应的基因值增加1.0×10^-n，其它基因值不变；若z₁+z₂+z₃+z₄＝-1.0×10^-n，则将z_min对应的基因值减少1.0×10^-n，其它基因值不变；

对于该更新后的个体中的后两个基因α、β，对不满足精度要求的基因进行四舍五入处理，设α、β四舍五入前的值分别为x₅、x₆，四舍五入后的值分别为y₅、y₆，计算z₅＝x₅-y₅，z₆＝x₆-y₆，计算z’_max＝max(z₅，z₆)和z’_min＝min(z₅，z₆)，令α＝y₅、β＝y₆，若z₅+z₆＝0，则α、β的值保持不变；若z₅+z₆＝1.0×10^-n，则将z’_max对应的基因值增加1.0×10^-n，另一基因值不变；若z₅+z₆＝-1.0×10^-n，则将z_min对应的基因值减少1.0×10^-n，另一基因值不变。

本申请实施例中，根据网络节点的状态参数以及网络链路的状态参数构造网络链路的代价函数，并为各网络节点的状态参数和网络链路的状态参数设置影响因子，采用遗传算法预先为所述代价函数中的各影响因子寻找最优解，从而在网络节点接收到访问请求后，可以直接利用已经求得的最优解计算出最优路径，提高了确定真实最优路径的效率。

附图说明

图1为本申请一实施例提供的确定最优路径的方法流程图；

图2为本申请一实施例提供的通过遗传算法计算影响因子的最优解的方法流程图；

图3为本申请实施例提供的遗传算法的运行过程流程图；

图4为本申请实施例提供的对每代种群进行修正的方法流程图；

图5为本申请实施例提供的利用X_best计算最优路径的方法流程图；

图6为本申请实施例提供的确定最优路径的装置的组成示意图。

具体实施方式

下面结合附图及具体实施例对本发明再作进一步详细的说明。

图1为本申请一实施例提供的确定最优路径的方法流程图，其具体步骤如下：

步骤101：根据网络节点的状态参数以及网络链路的状态参数构造网络链路的代价函数，并为各网络节点的状态参数和网络链路的状态参数设置影响因子。

步骤102：采用遗传算法为代价函数中的各影响因子寻找最优解。

步骤103：将各影响因子的最优解发送给网络中的各节点，以使得：网络中的各节点在接收到数据访问请求时，根据各影响因子的最优解及所述代价函数计算本节点到目的节点的最优路径。

一种实施例中，步骤102中，采用遗传算法为代价函数中的各影响因子寻找最优解包括：

预先将各影响因子构成一个染色体；

定义染色体的适应度为该染色体对应的网络平均响应时间的倒数；

对每一代种群中的染色体进行选择、交叉、变异操作；

当满足迭代结束条件时，将最后一代种群中的适应度最强的染色体作为最优解。

一种实施例中，迭代结束条件为：

迭代总次数达到预设迭代次数阈值；

或者，连续预设代种群中的适应度最强的染色体的网络平均响应时间都小于预设网络平均响应时间阈值。

一种实施例中，网络节点的状态参数包括：网络节点的CPU参数、网络节点的内存参数、网络节点的连接数参数之一或任意组合；网络链路的状态参数包括：网络链路的带宽参数、网络链路的吞吐量参数之一或组合。

网络节点的CPU参数如：CPU占用率、CPU的频率等；网络节点的内存参数如：网络节点的内存占用率、内存转速等。

一种实施例中，网络链路的代价函数为：

其中，i，j为网络中任意两个相邻的节点的标号，C_ij为节点i、j之间的网络链路的代价函数；

NETbw_i为节点i的可用网络带宽；

NETthr_ij为节点i、j之间的网络链路的吞吐量；

LoadCPU_j为节点j的CPU的占用率；

Tcpu_j为节点j的CPU热点阈值；

LoadMEM_j为节点j的内存占用率；

Tmem_j为节点j的内存热点阈值；

LoadNET_j为节点j的带宽占用率；

Tnet_j为节点j的带宽热点阈值；

LoadCON_j为节点j的连接数占用率；

Tcon_j为节点j的连接数热点阈值；

为节点j的CPU影响因子；

为节点j的内存影响因子；

为节点j的带宽影响因子；

ρ_conj为节点j的连接数影响因子；

α为第一负载均衡影响因子；

β为第二负载均衡影响因子。

且，

α+β＝1

ρ_conj、α和β的精度＝1.0×10^-n，n为大于0的正整数。

一种实施例中，对每一代种群中的染色体进行选择、交叉、变异操作包括：

当对一代种群的交叉操作或者变异操作结束后，对于本次迭代过程的交叉操作或者变异操作后得到的种群中的每一个体：

计算该个体中的前四个基因ρ_conj的和值sum1，若sum1不等于1，则对于该四个基因中的每个基因，将该基因更新为：该基因与sum1的倒数的乘积；

计算该个体中的后两个基因α、β的和值sum2，若sum2不为1.0，则对于该后两个基因中的每个基因，将该基因更新为：该基因与sum2的倒数的乘积。

一种实施例中，将该基因更新为：该基因与sum2的倒数的乘积之后进一步包括：

判断更新后的个体中的基因是否都满足预设精度要求，若不满足，则：

对于该更新后的个体中的前四个基因，对不满足精度要求的基因进行四舍五入处理，设ρ_conj四舍五入前的值分别为x₁、x₂、x₃、x₄，四舍五入后的值分别为y₁、y₂、y₃、y₄，计算z₁＝x₁-y₁，z₂＝x₂-y₂，z₃＝x₃-y₃，z₄＝x₄-y₄，计算z_max＝max(z₁，z₂，z₃，z₄)和z_min＝min(z₁，z₂，z₃，z₄)，令ρ_conj＝y₄，若z₁+z₂+z₃+z₄＝0，则保持 ρ_conj的值不变；若z₁+z₂+z₃+z₄＝预设精度1.0×10^-n，则将z_max对应的基因值增加1.0×10^-n，其它基因值不变；若z₁+z₂+z₃+z₄＝-1.0×10^-n，则将z_min对应的基因值减少1.0×10^-n，其它基因值不变；

对于该更新后的个体中的后两个基因α、β，对不满足精度要求的基因进行四舍五入处理，设α、β四舍五入前的值分别为x₅、x₆，四舍五入后的值分别为y₅、y₆，计算z₅＝x₅-y₅，z₆＝x₆-y₆，计算z’_max＝max(z₅，z₆)和z’_min＝min(z₅，z₆)，令α＝y₅、β＝y₆，若z₅+z₆＝0，则α、β的值保持不变；若z₅+z₆＝1.0×10^-n，则将z’_max对应的基因值增加1.0×10^-n，另一基因值不变；若z₅+z₆＝-1.0×10^-n，则将z_min对应的基因值减少1.0×10^-n，另一基因值不变。

图2为本申请一实施例提供的通过遗传算法计算影响因子的最优解的方法流程图，其具体步骤如下：

步骤201：对于网络中的任一节点，设为节点i，该节点i实时或周期性地检测本节点的可用网络带宽NETbw_i、本节点与各相邻节点之间的网络链路的吞吐量NETthr_ji(j为节点i的任一相邻节点的标号)、本节点的CPU占用率LoadCPU_i、本节点的CPU热点阈值Tcpu_i、本节点的内存占用率LoadMEM_i、本节点的内存热点阈值Tmem_i、本节点的带宽占用率LoadNET_i、本节点的带宽热点阈值Tnet_i、本节点的连接数占用率LoadCON_i、本节点的连接数热点阈值Tcon_i。

其中，NETthr_ji的一种测试方法是，从节点j向节点i发送数据，且节点j不断提高单位时间的数据发送量，直到节点i收到的数据量少于节点j发送的数据量，则以节点i的接收率(即单位时间内接收到的数据量)作为节点j和节点i间的吞吐量NETthr_ji；

LoadCPU_i为节点i的CPU占用率，即节点i的CPU占用量与节点i的CPU总量的比值；

Tcpu_i为节点i的CPU热点阈值，即当LoadCPU_i≥Tcpu_i时，表明节点i为热点，不宜再为节点i分配新任务；

LoadMEM_i为节点i的内存占用率，即节点i的内存占用量与节点i的内存总量的比值；

Tmem_i为节点i的内存热点阈值，即当LoadMEM_i≥Tmem_i时，表明节点i为热点，不宜再为节点i分配新任务；

LoadNET_i为节点i的带宽占用率，即节点i的带宽占用量与节点i的带宽总量的比值；

Tnet_i为节点i的带宽热点阈值，即当LoadNET_i≥Tnet_i时，表明节点i为热点，不宜再为节点i分配新任务；

LoadCON_i为节点i的连接数占用率，即节点i的已连接数与节点i的可连接总数的比值；

Tcon_i为节点i的连接数热点阈值，即当LoadCON_i≥Tcon_i时，表明节点i为热点，不宜再为节点i分配新任务。

步骤202：节点i将检测到的NETbw_i、NETthr_ji、LoadCPU_i、Tcpu_i、LoadMEM_i、Tmem_i、LoadNET_i、Tnet_i、LoadCON_i、Tcon_i实时上报给算法服务器；算法服务器接收并保存节点i发来的NETbw_i、NETthr_ji、LoadCPU_i、Tcpu_i、LoadMEM_i、Tmem_i、LoadNET_i、Tnet_i、LoadCON_i、Tcon_i。

算法服务器为预设的运行遗传算法的节点。

步骤203：预设网络中每条网络链路的代价为：

公式(1)表示的是网络中任意两个相邻节点i、j之间的网络链路的代价，也就是说，本申请中提到的“链路”指的是相邻节点间的链路，其中：

为节点j的CPU影响因子，即节点j的CPU对系统性能的影响比重；

为节点j的内存影响因子，即节点j的内存对系统性能的影响比重；

为节点j的带宽影响因子，即节点j的带宽对系统性能的影响比重；

ρ_conj为节点j的连接数影响因子，即节点j的连接数对系统性能的影响比重；

α为第一负载均衡影响因子；

β为第二负载均衡影响因子。

其中，

α+β＝1  (4)

ρ_conj、α、β的精度＝1.0×10^-n(n为大于0的正整数)  (6)

通常，n的取值不会很大，一般应用中，n＝4就是很高的精确度了，本申请实施例中，可根据用户需要，设定n的取值。

公式(5)表示：ρ_conj、α、β的取值范围都为[0，1]。

本流程的目的是：通过遗传算法的多次迭代，来得到最优的一组： ρ_conj、α和β，以使得应用该组参数后，网络的平均响应时间最小。

步骤204：算法服务器定义一个长度为6的浮点型数组 来代表遗传算法的染色体。

其中，数组中的每一个元素为该染色体中的一个基因。

染色体又可以叫做基因型个体(individuals)，一定数量的个体组成了一个种群(population)，种群中个体的数量N叫做种群大小。

步骤205：算法服务器定义遗传算法的适应度函数f(X)：

各个个体(即染色体)对环境的适应程度叫做适应度(fitness)，个体的适应度越大，表明个体越优秀，其对应的网络平均响应时间越小。

Time_avg(X)的计算过程如下：

步骤01：针对个体算法服务器采用X并通过公式(1)计算出网络中每条网络链路的代价C_ij。

即，对于每一条网络链路都将X代入公式(1)以得到该条网络链路的代价，此时公式(1)中的其它参数：NETbw_i、NETthr_ji、W_j都采用最新值。

步骤02：对于网络中的任一对客户端/服务器节点，其中，客户端为发出访问请求的节点，服务器为响应该访问请求的节点，算法服务器根据步骤01中计算出的网络中的各条网络链路的代价，计算出该客户端到该服务器的最优路径，然后测试并记录该最优路径的网络响应时间。

测试该最优路径的网络响应时间采用的方法是：从客户端向服务器发出一个访问请求起，到客户端收到服务器返回的针对该访问请求的访问响应止所经历的时间。

步骤03：算法服务器确认对网络中所有的客户端/服务器节点测试完毕，对测试得到的所有客户端/服务器节点的网络响应时间求均值，该均值即为该个体X对应的网络平均响应时间Time_avg(X)。

步骤206：算法服务器定义遗传算法的种群大小N。

步骤207：算法服务器根据约束条件：公式(3)、(4)、(5)、(6)，随机生成一个大小为N的初始种群。

即，初始种群中的N个个体X都是随机生成的，随机算法可以预先设定，只要生成的每个基因满足约束条件即可。

步骤208：算法服务器对初始种群运行遗传算法，当满足迭代结束条件时，结束迭代，并在最后一次迭代结束后得到的种群中寻找最优个体X，将该最优个体X作为最终使用的个体X，该个体X即影响因子ρ_conj，α，β的最优解。

遗传算法的每一次迭代过程都包含三个操作：选择、交叉和变异，以下给出本申请实施例提供的遗传算法的运行过程：

图3为本申请实施例提供的遗传算法的运行过程流程图，其具体步骤如下：

步骤301：算法服务器确定新的迭代过程开始，且当前种群为S＝(X₁，X2，X3，…，X_N-1，X_N)，计算种群S中的每个个体的选择概率p(X_k)，1≤k≤N。

选择概率计算公式如下：

其中，1≤k≤N。

步骤302：算法服务器计算累计选择概率q(i)：1≤i≤N。

步骤303：算法服务器随机生成累计选择概率阈值q_th，根据i的从小到大，选择出第一个满足q(i)≥q_th的q(i)，则算法服务器将X_i放入种群S’中，其中，种群S’初始为空。

重复执行步骤303N次，则种群S’中共有N个个体，显然，种群S’中极有可能存在重复的个体。

至此本次迭代过程的选择操作完成。

步骤304：算法服务器从种群S’中随机选择两个不同个体，然后随机生成一个交叉概率，若生成的交叉概率小于预设交叉概率阈值，则随机选择一个交叉点，将该两个个体中位于交叉点后的基因进行交换。

若生成的交叉概率不小于预设交叉概率阈值，则不进行交叉，直接将选出的两个个体放回种群S’中。

X中共有6个基因，每相邻两个基因之间具有一个交叉点，则X中共有5个交叉点。例如：对于种群S’中的任一组个体：X_h、X_q，若随机选择的交叉点为2，则将X_h、X_q中的后4个基因进行交换。

当在种群S’中随机选择N/2次两个不同个体后，并完成交叉操作后，本次迭代过程的交叉操作完成，本实施例中，N为偶数。

步骤305：对于交叉操作结束后得到的种群S’中的每个个体，算法服务器在该个体中随机选择一个基因，随机生成一个变异概率，若该变异概率小于预设变异概率阈值，按照预设突变幅度，对该基因的值进行突变。

当在种群S’中随机选择N次并完成突变操作后，本次迭代过程的变异操作完成。

步骤306：对于经过变异操作后的种群S’，算法服务器计算种群S’中每个个体的适应度f(X_k)，并标记出最优个体和最差个体，同时复制并保存最优个体。

最优个体即适应度最强(即最大)的个体，最差个体即适应度最弱(即最小)的个体。

步骤307：算法服务器以上一次迭代后得到的最优个体替换本次迭代得到的种群S’中的最差个体，得到本次迭代的最终种群S’。

步骤308：算法服务器判断是否满足迭代结束条件，若是，执行步骤310；否则，执行步骤309。

迭代结束条件可如下：

一)总迭代次数达到预设迭代总数阈值；

二)连续预设次迭代得到的最优个体的网络平均响应时间都小于预设网络平均响应时间阈值。

步骤309：算法服务器将种群S’作为下一次迭代开始时使用的种群S，返回步骤301。

步骤310：算法服务器在本次迭代得到的最终种群S’中选择最优个体，将该最优个体作为最终使用的个体X_best，将X_best发送给网络中的所有节点。

具体应用中，算法服务器可以主动将X_best发送给网络中的所有节点，也可以是在接收到网络中的节点的获取X_best请求后，再将X_best发送给请求的节点，其中，节点可以在第一次接收到访问请求，需要使用X_best计算到目的节点的最优路径时，向算法服务器发出获取X_best请求。

需要注意的是，在每次迭代过程的交叉和变异操作中，染色体(即个体)的基因发生了随机改变，因此，很容易出现染色体不满足约束条件：公式(3)、(4)、(6)的情况，本申请实施例给出如下解决方案：

图4为本申请实施例提供的对每代种群进行修正的方法流程图，其具体步骤如下：

步骤400：当前迭代过程的交叉操作或者变异操作结束，即步骤304完成后，或者步骤305完成后，对于本次迭代过程的交叉操作或者变异操作后得到的种群S’中的每一个体，进行如下步骤：

也就是说，在本次迭代过程的交叉操作完成后，要执行步骤401～408；在本次迭代过程的变异操作完成后，也要执行步骤401～408。

步骤401：计算该个体中的前四个基因ρ_conj的和，记为sum1，若sum1不为1.0，则对于该四个基因中的每个基因，将该基因更新为：该基因与sum1的倒数的乘积；

同样，计算该个体中的后两个基因α、β的和，记为sum2，若sum2不为1.0，则对于该两个基因中的每个基因，将该基因更新为：该基因与sum2的倒数的乘积。

例如：在当前迭代过程的变异操作结束后，一个个体中的前四个基因ρ_conj的值分别为0.1、0.1、0.2、0.1，则：

计算该四个基因的和sum1：sum1＝0.1+0.1+0.2+0.1＝0.5，则四个基因的更新过程如下：

将更新为：0.1*(1/0.5)＝0.2；

将更新为：0.1*(1/0.5)＝0.2；

将更新为：0.2*(1/0.5)＝0.4；

将ρ_conj更新为：0.1*(1/0.5)＝0.2。

可见，更新后，四个基因的和等于1.0，满足了公式(3)。

步骤402：判断更新后的个体中的基因是否都满足预设精度要求(即是否满足公式(6))，若是，不作进一步处理；否则，执行步骤403。

步骤403：对于该更新后的个体中的前四个基因，若有任一基因不满足预设精度要求，则对不满足精度要求的基因进行四舍五入处理。

例如：预设精度是0.001，一个基因为0.23435，则将该基因进行四舍五入，即更改为0.234。

步骤404：设ρ_conj四舍五入前的值分别为x₁、x₂、x₃、x₄，四舍五入后的值分别为y₁、y₂、y₃、y₄，计算z₁＝x₁-y₁，z₂＝x₂-y₂，z₃＝x₃-y₃，z₄＝x₄-y₄，计算z_max＝max(z₁，z₂，z₃，z₄)和z_min＝min(z₁，z₂，z₃，z₄)，令 ρ_conj＝y₄。

步骤405：若z₁+z₂+z₃+z₄＝0，则ρ_conj的值保持不变，仍然是ρ_conj＝y₄；若z₁+z₂+z₃+z₄＝预设精度(即1.0×10^-n)，则将z_max对应的基因值增加预设精度1.0×10^-n，其它基因值保持不变；若z₁+z₂+z₃+z₄＝负预设精度(即-1.0×10^-n)，则将z_min对应的基因值减少预设精度1.0×10^-n，其它基因值不变。

步骤406：对于该更新后的个体中的后两个基因α、β，若有任一基因不满足预设精度要求，则对不满足精度要求的基因进行四舍五入处理。

步骤407：设α、β四舍五入前的值分别为x₅、x₆，四舍五入后的值分别为y₅、y₆，计算z₅＝x₅-y₅，z₆＝x₆-y₆；计算z’_max＝max(z₅，z₆)和z’_min＝min(z₅，z₆)，令α＝y₅、β＝y₆。

步骤408：若z₅+z₆＝0，则α、β的值都不调整，仍然是α＝y₅、β＝y₆；若z₅+z₆＝预设精度(即1.0×10^-n)，则将z’_max对应的基因值增加预设精度1.0×10^-n，另一基因值不变；若z₅+z₆＝负预设精度(即-1.0×10^-n)，则将z’_min对应的基因值减少预设精度1.0×10^-n，另一基因值不变。

需要说明的是，当网络拓扑发生变化后，算法服务器可重新采用遗传算法计算影响因子的最优解X_best。

算法服务器通过遗传算法得到X_best后，网络中的节点就可使用X_best计算最优路径了。

图5为本申请实施例提供的利用X_best计算最优路径的方法流程图，其具体步骤如下：

步骤501：对于网络中的任一节点，设为节点i，该节点i实时或周期性地检测本节点的可用网络带宽NETbw_i、本节点与各相邻节点之间的网络链路的吞吐量NETthr_ji(j为节点i的任一相邻节点的标号)、本节点的CPU占用率LoadCPU_i、本节点的CPU热点阈值Tcpu_i、本节点的内存占用率LoadMEM_i、本节点的内存热点阈值Tmem_i、本节点的带宽占用率LoadNET_i、本节点的带宽热点阈值Tnet_i、本节点的连接数占用率LoadCON_i、本节点的连接数热点阈值Tcon_i，将检测到的NETbw_i、NETthr_ji、LoadCPU_i、Tcpu_i、LoadMEM_i、Tmem_i、LoadNET_i、Tnet_i、LoadCON_i、Tcon_i实时上报给中心服务器；中心服务器接收并保存节点i发来的NETbw_i、NETthr_ji、LoadCPU_i、Tcpu_i、LoadMEM_i、Tmem_i、LoadNET_i、Tnet_i、LoadCON_i、Tcon_i。

在实际应用中，算法服务器和中心服务器可为同一节点。

步骤502：网络中的一节点(设为源节点)接收到其它节点发来的访问请求，从请求中获取目的节点的地址。

步骤503：源节点根据自身维护的网络拓扑，计算从本节点到目的节点的所有路径，针对每条路径，向中心服务器获取计算该条路径经过的每条网络链路的代价所需要的NETbw_i、NETthr_ji、LoadCPU_i、Tcpu_i、LoadMEM_i、Tmem_i、LoadNET_i、Tnet_i、LoadCON_i、Tcon_i，结合从算法服务器获取的X_best，并利用公式(1)计算该条路径经过的每条网络链路的代价，根据该条路径经过的每条网络链路的代价计算该条路径的花费(cost)。

步骤504：源节点根据计算出的从本节点到目的节点的各条路径的cost，选择出一条最优路径，将访问请求通过该最优路径发送出去。

最后，将本申请实施例提供的方法与现有技术中常用的穷举法在不同精度下求得最优解所花费的时间进行比较，比较结果如表1所示。

其中，穷举法指的是：将每个影响因子在0～精度之间按照预设幅度进行取值，将所有影响因子的不同取值进行排列组合，得到不同的影响因子集合，然后在所有的影响因子集合中找出最优集合。例如：当精度＝0.1时，每个影响因子都有11个可能的取值(0、0.1、0.2、…、0.9、1)，本申请实施例中共有6个影响因子，则可能的影响因子集合共有11⁶个，在这11⁶个影响因子集合中选择一个最优集合，即网络平均响应时间最小的集合。

表1

从表1可以看出，本申请实施例提供的方法在不同精度要求下，得到最优解花费的时间基本保持一致，不受精度的影响；而穷举法在精度大于等于0.01时，得到最优解花费的时间基本上不可接受。

表2给出了本申请实施例提供的方法在不同精度下得到最优解的概率：

表2

表2中，size为种群大小，P_c为交叉概率阈值，P_m为变异概率阈值。

从表2可以看出，本申请实施例提供的方法能够以很高的概率找到最优解。

本申请实施例的有益技术效果如下：

一、利用遗传算法提高影响因子的精度。

本申请采用遗传算法求得影响因子的最优解，使得采用较高的精度时仍然可以将实验时间控制在有限范围内。

二、一旦求得影响因子的最优解，则可以实时计算出最优路径。

在实时性要求很高的通信网络中，一旦网络拓扑结构固定，采用遗传算法求出影响因子的最优解后，此后可直接利用该最优解计算出本节点到任意其它节点间的最优路径，实时性较高。

三、采用等比例缩放和规范化的修补策略，将无效解转化为有效解。

在交叉过程中，有4/5的情况会产生无效解，只有1/5的情况产生有效解，而如果某一位基因发生了变异，则必然会产生无效解。因此，采用抛弃所有进化过程中产生的无效解的拒绝策略就不适用了。另外，如果采用改进交叉和变异算子的策略，就会使算法变得更加复杂。

本申请采用等比例缩放的修补策略保持了影响因子之间的相对大小，巧妙地将不满足条件的解转化为了解空间中的有效解，而没有改变影响因子之间的相对大小。对于修补后超出解空间的解，通过规范化操作，将它们变成解空间中的解。

四、采用遗传算法求影响因子的最优解，适应性更高。

采用遗传算法总可以计算出对于当前网络来说最优或近似最优的一组影响因子，在网络条件不变的情况下保持这组影响因子不变，而当网络拓扑发生改变时，重新计算影响因子以满足改变后的网络，适应性强。

图6为本申请实施例提供的确定最优路径的装置的组成示意图，该装置主要包括：

代价函数构造模块：根据网络节点的状态参数以及网络链路的状态参数构造网络链路的代价函数，并为各网络节点的状态参数和网络链路的状态参数设置影响因子；

遗传算法运行模块：采用遗传算法为代价函数构造模块构造的代价函数中的各影响因子寻找最优解；

影响因子发送模块：将遗传算法运行模块求得的各影响因子的最优解发送给网络中的各节点，以使得：网络中的各节点在接收到数据访问请求时，根据各影响因子的最优解及所述代价函数计算本节点到目的节点的最优路径。

一种实施例中，遗传算法运行模块采用遗传算法为代价函数中的各影响因子寻找最优解包括：

预先将各影响因子构成一个染色体；

定义染色体的适应度为该染色体对应的网络平均响应时间的倒数；

对每一代种群中的染色体进行选择、交叉、变异操作；

当满足迭代结束条件时，将最后一代种群中的适应度最强的染色体作为最优解。

一种实施例中，遗传算法运行模块采用的迭代结束条件为：

迭代总次数达到预设迭代次数阈值；

或者，连续预设代种群中的适应度最强的染色体的网络平均响应时间都小于预设网络平均响应时间阈值。

一种实施例中，遗传算法运行模块对每一代种群中的染色体进行选择、交叉、变异操作进一步包括：

当对一代种群中的染色体进行变异操作后，以前一代种群中适应度最强的染色体替换当前代种群中适应度最弱的染色体。

一种实施例中，代价函数构造模块根据网络节点的状态参数包括：

根据网络节点的CPU参数、网络节点的内存参数、网络节点的连接数参数之一或任意组合；

根据网络链路的状态参数包括：根据网络链路的带宽参数、网络链路的吞吐量参数之一或组合。

一种实施例中，代价函数构造模块构造的网络链路的代价函数为：

其中，i，j为网络中任意两个相邻的节点的标号，C_ij为节点i、j之间的网络链路的代价函数；

NETbw_i为节点i的可用网络带宽；

NETthr_ij为节点i、j之间的网络链路的吞吐量；

LoadCPU_j为节点j的CPU的占用率；

Tcpu_j为节点j的CPU热点阈值；

LoadMEM_j为节点j的内存占用率；

Tmem_j为节点j的内存热点阈值；

LoadNET_j为节点j的带宽占用率；

Tnet_j为节点j的带宽热点阈值；

LoadCON_j为节点j的连接数占用率；

Tcon_j为节点j的连接数热点阈值；

为节点j的CPU影响因子；

为节点j的内存影响因子；

为节点j的带宽影响因子；

ρ_conj为节点j的连接数影响因子；

α为第一负载均衡影响因子；

β为第二负载均衡影响因子。

且，

α+β＝1

ρ_conj、α和β的精度＝1.0×10^-n，n为大于0的正整数。

一种实施例中，遗传算法运行模块对每一代种群中的染色体进行选择、交叉、变异操作包括：

当对一代种群的变异操作结束后，对于本次迭代过程的变异操作后得到的种群中的每一个体：

计算该个体中的前四个基因ρ_conj的和值sum1，若sum1不等于1，则对于该四个基因中的每个基因，将该基因更新为：该基因与sum1的倒数的乘积；

计算该个体中的后两个基因α、β的和值sum2，若sum2不为1.0，则对于该后两个基因中的每个基因，将该基因更新为：该基因与sum2的倒数的乘积。

一种实施例中，遗传算法运行模块将该基因更新为：该基因与sum2的倒数的乘积之后进一步包括：

判断更新后的个体中的基因是否都满足预设精度要求，若不满足，则：

对于该更新后的个体中的前四个基因，对不满足精度要求的基因进行四舍五入处理，设ρ_conj四舍五入前的值分别为x₁、x₂、x₃、x₄，四舍五入后的值分别为y₁、y₂、y₃、y₄，计算z₁＝x₁-y₁，z₂＝x₂-y₂，z₃＝x₃-y₃，z₄＝x₄-y₄，计算z_max＝max(z₁，z₂，z₃，z₄)和z_min＝min(z₁，z₂，z₃，z₄)，令 ρ_conj＝y₄，若z₁+z₂+z₃+z₄＝0，则保持ρ_conj的值不变；若z₁+z₂+z₃+z₄＝预设精度1.0×10^-n，则将z_max对应的基因值增加1.0×10^-n，其它基因值不变；若z₁+z₂+z₃+z₄＝-1.0×10^-n，则将z_min对应的基因值减少1.0×10^-n，其它基因值不变；

对于该更新后的个体中的后两个基因α、β，对不满足精度要求的基因进行四舍五入处理，设α、β四舍五入前的值分别为x₅、x₆，四舍五入后的值分别为y₅、y₆，计算z₅＝x₅-y₅，z₆＝x₆-y₆，计算z’_max＝max(z₅，z₆)和z’_min＝min(z₅，z₆)，令α＝y₅、β＝y₆，若z₅+z₆＝0，则α、β的值保持不变；若z₅+z₆＝1.0×10^-n，则将z’_max对应的基因值增加1.0×10^-n，另一基因值不变；若z₅+z₆＝-1.0×10^-n，则将z_min对应的基因值减少1.0×10^-n，另一基因值不变。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (10)

1.一种确定最优路径的方法，其特征在于，该方法包括：

根据网络节点的状态参数以及网络链路的状态参数构造网络链路的代价函数，并为各网络节点的状态参数和网络链路的状态参数设置影响因子；

采用遗传算法为所述代价函数中的各影响因子寻找最优解；

将各影响因子的最优解发送给网络中的各节点，以使得：网络中的各节点在接收到数据访问请求时，根据各影响因子的最优解及所述代价函数计算本节点到目的节点的最优路径。

2.根据权利要求1所述的方法，其特征在于，所述采用遗传算法为代价函数中的各影响因子寻找最优解包括：

预先将各影响因子构成一个染色体；

定义染色体的适应度为该染色体对应的网络平均响应时间的倒数；

对每一代种群中的染色体进行选择、交叉、变异操作；

当满足迭代结束条件时，将最后一代种群中的适应度最强的染色体作为最优解。

3.根据权利要求2所述的方法，其特征在于，所述迭代结束条件为：

迭代总次数达到预设迭代次数阈值；

或者，连续预设代种群中的适应度最强的染色体的网络平均响应时间都小于预设网络平均响应时间阈值。

4.根据权利要求2或3所述的方法，其特征在于，所述对每一代种群中的染色体进行选择、交叉、变异操作进一步包括：

当对一代种群中的染色体进行变异操作后，以前一代种群中适应度最强的染色体替换当前代种群中适应度最弱的染色体。

5.根据权利要求1或2所述的方法，其特征在于，所述网络节点的状态参数包括：

网络节点的CPU参数、网络节点的内存参数、网络节点的连接数参数之一或任意组合；

所述网络链路的状态参数包括：网络链路的带宽参数、网络链路的吞吐量参数之一或组合。

6.根据权利要求5所述的方法，其特征在于，所述网络链路的代价函数为：

$C_{ij}=\mathrm{\α}\×W_j+\mathrm{\β}\×\frac{{\mathrm{NETbw}}_i-{\mathrm{NETthr}}_{ij}}{{\mathrm{NETbw}}_i}$

$W_j={\mathrm{\ρ}}_{{\mathrm{cpu}}_j}\×\frac{{\mathrm{LoadCPU}}_j}{{\mathrm{Tcpu}}_j}+{\mathrm{\ρ}}_{{\mathrm{mem}}_j}\×\frac{{\mathrm{LoadMEM}}_j}{{\mathrm{Tmem}}_j}+{\mathrm{\ρ}}_{{\mathrm{net}}_j}\×\frac{{\mathrm{LoadNET}}_j}{{\mathrm{Tnet}}_j}+{\mathrm{\ρ}}_{conj}\×\frac{{\mathrm{LoadCON}}_j}{{\mathrm{Tcon}}_j}$

其中，i，j为网络中任意两个相邻的节点的标号，C_ij为节点i、j之间的网络链路的代价函数；

NETbw_i为节点i的可用网络带宽；

NETthr_ij为节点i、j之间的网络链路的吞吐量；

LoadCPU_j为节点j的CPU的占用率；

Tcpu_j为节点j的CPU热点阈值；

LoadMEM_j为节点j的内存占用率；

Tmem_j为节点j的内存热点阈值；

LoadNET_j为节点j的带宽占用率；

Tnet_j为节点j的带宽热点阈值；

LoadCON_j为节点j的连接数占用率；

Tcon_j为节点j的连接数热点阈值；

为节点j的CPU影响因子；

为节点j的内存影响因子；

为节点j的带宽影响因子；

为节点j的连接数影响因子；

α为第一负载均衡影响因子；

β为第二负载均衡影响因子。

且，

${\mathrm{\ρ}}_{{\mathrm{cpu}}_j}+{\mathrm{\ρ}}_{{\mathrm{mem}}_j}+{\mathrm{\ρ}}_{{\mathrm{net}}_j}+{\mathrm{\ρ}}_{conj}=1$

α+β＝1

$0\≤{\mathrm{\ρ}}_{{\mathrm{cpu}}_j},{\mathrm{\ρ}}_{{\mathrm{mem}}_j},{\mathrm{\ρ}}_{{\mathrm{net}}_j},{\mathrm{\ρ}}_{conj},\mathrm{\α},\mathrm{\β}\≤1$

ρ_conj、α和β的精度＝1.0×10^-n，n为大于0的正整数。

7.根据权利要求6所述的方法，其特征在于，所述对每一代种群中的染色体进行选择、交叉、变异操作包括：

当对一代种群的交叉操作或者变异操作结束后，对于本次迭代过程的交叉操作或者变异操作后得到的种群中的每一个体：

计算该个体中的前四个基因ρ_conj的和值sum1，若sum1不等于1，则对于该四个基因中的每个基因，将该基因更新为：该基因与sum1的倒数的乘积；

计算该个体中的后两个基因α、β的和值sum2，若sum2不为1.0，则对于该后两个基因中的每个基因，将该基因更新为：该基因与sum2的倒数的乘积。

8.根据权利要求7所述的方法，其特征在于，所述将该基因更新为：该基因与sum2的倒数的乘积之后进一步包括：

判断更新后的个体中的基因是否都满足预设精度要求，若不满足，则：

对于该更新后的个体中的前四个基因，对不满足精度要求的基因进行四舍五入处理，设ρ_conj四舍五入前的值分别为x₁、x₂、x₃、x₄，四舍五入后的值分别为y₁、y₂、y₃、y₄，计算z₁＝x₁-y₁，z₂＝x₂-y₂，z₃＝x₃-y₃，z₄＝x₄-y₄，计算z_max＝max(z₁，z₂，z₃，z₄)和z_min＝min(z₁，z₂，z₃，z₄)，令ρ_conj＝y₄，若z₁+z₂+z₃+z₄＝0，则保持 ρ_conj的值不变；若z₁+z₂+z₃+z₄＝预设精度1.0×10^-n，则将z_max对应的基因值增加1.0×10^-n，其它基因值不变；若z₁+z₂+z₃+z₄＝-1.0×10^-n，则将z_min对应的基因值减少1.0×10^-n，其它基因值不变；

对于该更新后的个体中的后两个基因α、β，对不满足精度要求的基因进行四舍五入处理，设α、β四舍五入前的值分别为x₅、x₆，四舍五入后的值分别为y₅、y₆，计算z₅＝x₅-y₅，z₆＝x₆-y₆，计算z’_max＝max(z₅，z₆)和z’_min＝min(z₅，z₆)，令α＝y₅、β＝y₆，若z₅+z₆＝0，则α、β的值保持不变；若z₅+z₆＝1.0×10^-n，则将z’_max对应的基因值增加1.0×10^-n，另一基因值不变；若z₅+z₆＝-1.0×10^-n，则将z_min对应的基因值减少1.0×10^-n，另一基因值不变。

9.一种确定最优路径的装置，其特征在于，该装置包括：

代价函数构造模块：根据网络节点的状态参数以及网络链路的状态参数构造网络链路的代价函数，并为各网络节点的状态参数和网络链路的状态参数设置影响因子；

遗传算法运行模块：采用遗传算法为所述代价函数中的各影响因子寻找最优解；

影响因子发送模块：将各影响因子的最优解发送给网络中的各节点，以使得：网络中的各节点在接收到数据访问请求时，根据各影响因子的最优解及所述代价函数计算本节点到目的节点的最优路径。

10.根据权利要求9所述的装置，其特征在于，所述遗传算法运行模块采用遗传算法为代价函数中的各影响因子寻找最优解包括：

预先将各影响因子构成一个染色体；

定义染色体的适应度为该染色体对应的网络平均响应时间的倒数；

对每一代种群中的染色体进行选择、交叉、变异操作；

当满足迭代结束条件时，将最后一代种群中的适应度最强的染色体作为最优解。