CN105357120B - 基于博弈人工鱼群的多域光网络攻击感知组播路由方法 - Google Patents

Abstract

本发明公开了一种基于博弈人工鱼群的多域光网络攻击感知组播路由方法，该方法的步骤包括：建立博弈人工鱼群模型、初始化参数并形成初始种群、选择人工鱼食物浓度最大者进入公告板、对人工鱼评价并选择拥挤因子低的方向、基于优化层进行域间路径选择、将优化层中当前的最佳人工鱼作为疫苗、计算人工鱼生存率、淘汰并生成新的种群、接种疫苗并筛选、迭代并输出结果。本方法比单纯的人工鱼群优化方法和人工免疫方法在求解组播路由问题中效果更好、性能更优，能求出更精确的最优解范围。

Description

基于博弈人工鱼群的多域光网络攻击感知组播路由方法

技术领域

本发明属于多层多域智能光网络安全路由领域，具体涉及一种于多层多域智能光网络攻击感知安全路由的方法。

背景技术

近年来，光网络发展非常迅速，光网络变得透明化，它具有最少量的电/光和光/电转换器。因此，透明光网络在保证带宽的同时还可以大大降低网络的开销，传输各种类型的业务时也不需要考虑信号的传输格式。但是由于光网络中数据传输的透明性，即数据在网络传输过程中不再经过电再生处理，易遭受各种光层高功率串扰攻击。

在以往的研究中，假定光路都是在理想状态下，即可以保证任意信号的传输质量，而不考虑在传输过中各种高功率串扰攻击造成的影响。在小规模的光网络中，高功率串扰攻击对光网络的服务质量影响不是十分明显，但随着光网络容量的不断升级和速率的日益加快，这已经严重影响到了光网络的服务质量。在实际中，随着高功率串扰攻击的增多信号质量会逐渐降低，严重制约着光信号的准确传输。不但如此，而且光路越长，串扰攻击的次数就越多，光路会产生大量的噪声，进而导致信号失真。当串扰攻击负面影响积累到一定程度时，信号的传输质量将无法得到保证，正确的信号也就不能顺利到达接收端。

高功率光串扰攻击通常由多层多域光网络中高功率串扰信号在 光交换器件的功率泄漏，高功率串扰信号与合法信号之间的光学反应以及其在光放大器中与合法信号的功率增益竞争等引起。它包括带内串扰攻击和带外串扰攻击两种。综上所述，多层多域智能光网络还存在较大的路由安全隐患，随着研究进展的而不断加快和其它重要技术的逐步发展，对多层多域智能光网络安全路由的研究将是成功构建未来光网络的重要保证。

目前，对于光层攻击的解决方案主要包括两种策略：第一种从物理光层自身防范的角度来设计安全对策，包括光包加密、保护、攻击探测和回授机制等(文献1-2：[1]MedardM，Marquis D，Barry R A.Security issues in all-optical networks[J].IEEENetwork，1997，21(3):42-48；[2]Tao Wu and A.K.Somani，Cross-Talk AttackMonitoring and Localization in All-Optical Networks[J]，IEEE/ACM Transactionson Networking，2005，13(6):1390-1401)；另一种，即从控制平面资源调度的角度来减少光层攻击的影响，Skorin-Kapov N等(文献3：[3]Skorin K N，Jia J C，Wosinska L.A NewApproach to Optical Networks Security:Attack-Aware Routing and WavelengthAssignment[J].IEEE/ACM Transactions on Networking，2010，18(3):750-760]]于2010年首次从控制平面路由与波长分配(RWA，Routing and Wavelength Assignment)的角度提出了单域光网络安全路由方法，即通过引入最大光路攻击半径(MaxLAR)准则，使受到攻击后的光路对其它光路的影响尽可能降到最低，尽管这种方法主要适用于静态流量的单域ASON中，但是 这为光层攻击问题研究提供了新的思路。后来，文献[4-6] 。

( [4]Johncy Vijayakumari V.Minimal cost attack aware routing andwavelength assignment in optical network security[C].ICETECT 2011，953-958；[5]M.Furdek，N.Skorin-Kapov and M.Grbac，Attack-aware Wavelength Assignment forLocalization of In-band Crosstalk Attack Propagation[J]，J.OPT.COMMUN.NETW.，2010，vol.2(11):1000-1009；[6]赵继军，王丽荣，纪越峰.基于损伤感知的动态RWA算法性能比较研究[J].电子与信息学报，2011，32(3):23-26)相继提出了与之类似的路由方案，在面临攻击的环境下，这些方案在阻塞率上具有优于经典算法的性能。但是在多域光网络环境中，由于域间业务量多于域内业务量，物理损伤及串扰等攻击对于域间和域内链路的影响则区别很大。所以，这些方法不能直接应用于多域光网络中。

发明内容

本方法针对智能光网络中攻击问题进行了研究，在对网络重新建模的基础上，提出了一种基于博弈人工鱼群模型的多层多域光网络攻击感知组播路由方法，该方法可使多层多域光路在满足最小化最大攻击半径的约束条件下使网络中路径综合最优。

为了实现上述任务，本发明采用以下技术方案：

一种基于博弈人工鱼群的多域光网络攻击感知组播路由方法，包括以下步骤：

步骤一，建立博弈人工鱼群GAF模型A＝(X,Y,σ,R)，其中 X＝(x₁,x₂,......,x_M)为人工鱼个体状态表示向量；Y＝(y₁,y₂,......,y_N)为节点的集合，在源节点到目的节点之间有N个节点，每个节点y_i(i＝1,2,......,N)代表着其所在区域内的食物浓度最大点，从源节点到目的节点的食物浓度依次递增；σ_i(i＝1,2,......,N)表示拥挤因子，R＝(r₁,r2,......,r_Q)为人工鱼行为的效用集合，即对人工鱼行为进行博弈；Q为人工鱼群行为种数；

人工鱼移动最大步长为每个节点到相邻节点的距离，人工鱼的视野为visual，人工鱼个体间的距离d_ij＝||x_i-x_j||；人工鱼当前位置的食物浓度为Y＝f(x)，尝试次数为Try-number，吞食行为的迭代数为n，健壮因子为α；

步骤二，初始化GAF模型的参数，设置迭代次数n＝0，并随机产生M条人工鱼X＝(x₁,x₂,......,x_M)，形成初始种群U₀，所述的节点集合Y和人工鱼X位于觅食层中；

步骤三，计算初始种群U₀中各条人工鱼的食物浓度值F，即其对应的节点信息，并取F值最大者进入公告板；

步骤四，对每条人工鱼进行评价，对其要执行的Q种行为进行博弈，选择出每条人工鱼所对应的下一步行为，并对下一步食物浓度点进行拥挤因子评估，选择拥挤因子低的方向；

步骤五，计算当前种群U_m中各条人工鱼的食物浓度值F，将水域最优人工鱼信息上传到一个优化层，基于优化层进行域间路径的选择，从而选择下一步前进方向；

步骤六，将优化层中当前的最佳人工鱼作为疫苗；

步骤七，计算当前种群U_m中各条人工鱼的生存率；

步骤八，设置淘汰率R，将生存率低下的人工鱼淘汰掉，并随机产生相应数量的人工鱼来补充，从而得到新的种群U_k；

步骤九，对种群U_k中每条人工鱼采用步骤六提取的疫苗进行接种，计算接种后人工鱼的食物浓度值，若低于其父代，则取消疫苗接种，否则保留接种后的人工鱼，从而形成新一代的人工鱼种群U_m+1；

步骤十，设置迭代次数n＝n+l，并判断迭代次数是否已经达到预置的最大迭代次数，若是则输出结果，否则跳转至步骤四。

进一步地，所述的步骤五中域间路径选择的具体方法包括：

步骤S50，在优化层中将觅食层的每一个域都抽象成一个节点，并用其域内最大食物浓度值的节点代表其在优化层中的节点信息；

步骤S51，将觅食层中源节点所在域和目的节点所在域，分别抽象成优化层中的源节点和目的节点，若源节点和目的节点在同一个域，若不在一个域则采用域间方法：

确认源节点和目的结点后，调用Dijkstra方法计算出最短优化路径，存入路径集U中；若路径集U中存在两条以上最短路径，则比较各个路径的节点数，选择节点数少的路径作为域间最短优化路径。

本发明与现有技术相比具有以下技术特点：

1.解决了人工鱼群方法优化过程后期鱼群的多样性能力变下降，从而导致人工鱼的搜索盲目性增大，收敛效率变低，以及出现过早收敛等问题。

2.本方法比单纯的人工鱼群优化方法和人工免疫方法在求解组 播路由问题中效果更好、性能更优，能求出更精确的最优解范围。

3.本方法在满足串扰攻击约束条件下完成了组播树的构建和波长分配，且使得组播路径优化最短。

附图说明

图1为多域逻辑拓扑图模型，其中图1(a)为物理拓扑，图1(b)为逻辑拓扑，图1(c)为抽象拓扑。

图2为普通最短路径算法下MaxLAR值示意图；

图3为安全路由方法下MaxLAR值示意图；

图4为多域光网络模型图；

图5为博弈人工鱼群模型；

图6为人工鱼寻优过程1；

图7为人工鱼寻优过程2；

图8为人工鱼寻优过程3；

图9为人工鱼寻优过程4；

图10为欧洲基本网络拓扑图；

图11为14个节点NFS网络拓扑；

图12为三种方法的MaxLAR(大网络)；

图13为三种方法的AverageLAR(大网络)；

图14为三种方法的MaxLAR(小网络)；

图15为三种方法的AverageLAR(小网络)；

图16为本发明方法的整体流程图。

具体实施方式

为了解决在在大规模多域环境下组播路由和波长分配问题是多域光网络生存性的研究点之一，但是，该方向颇具挑战性，其原因有两方面。第一方面是，为了保证网络的可扩展性，单域对外传递域内信息和对内接受域外信息均受到限制；第二方面是，不同的运营商管理不同的单域，运营商们只关心经济收益却并不与其他竞争者共享机密的网络策略信息。因此，规模较大的网络通常采用分层的网络结构(Hierarchical Structure)。

图1形象的阐述了分层路由中拓扑的聚合方式，图1(a)是物理拓扑，图1(b)是由物理拓扑抽象而来的逻辑拓扑，抽象的方式是把每一个域的边界节点显示在逻辑拓扑上，域内由虚线连接的链路表示被连接的边界节点在域内是可达的，域间链路与物理拓扑表示方式相同，对每个节点都是可见的。图1(c)中，把每个域抽象成一个节点，域内的链路完全不可见。在计算路由时，可以根据实际的情况按照需求使用不同的拓扑抽象方式。

由于多层多域光网络在全面满足未来各式各样业务需求的同时，还要在网络规划和建设之初重点考虑路由安全性问题，所以本方法在借鉴人工鱼群智能理论和博弈理论，并将两者相结合，并采用上述的逻辑拓扑，提出了一种博弈人工鱼多层多域光网络路由模型，在其中还融入了安全因素，可以很好的解决多域中路由问题。

一、最大攻击半径问题

与目前主要关注光层物理安全问题的研究不同，Skorin-Kapov N等人从路由与波长分配策略的角度进行了光网络安全路由方法方面 的研究工作。在光网络路由与波长分配中引入了最大光路攻击半径MaxLAR(Maximum Light-path Attack Radius)准则。其中，MaxLAR是指在所有光路中其中一条光路与另外其它光路共享链路的最大数，而共享链路是指两个光路至少共享一个相同的物理链路。采用MaxLAR准则的目标是使路由方案中MaxLAR值尽可能小。

这里通过一个例子阐述不同路由分配方法对MaxLAR值的影响，如图2和图3所示为采用不同MaxLAR的路由方案，其中使用的波长数量都为2，共有5个光路径需求。图2中采用普通的最短路径方法，在这个方案中，可以得出MaxLAR＝4，即当光路4受到攻击后还将影响到另外3条光路(LP2，LP3，LP5)。

图3则是采用安全路由方法，在此方案中，可以得出MaxLAR＝2，即当光路4受到攻击后只会影响到另外1条光路(LP1)。因此，当使用相同波长数量的时，MaxLAR值大小则反映了攻击感知能力强弱，MaxLAR值越小攻击感知能力越强。

二、博弈人工鱼群模型GAF

2002年，李晓磊博士提出了人工鱼群理论，是在前人对生物群体智能研究的基础上提出的一种新型优化理论。随着研究的不断深入，人工鱼群理论逐渐被广泛应用在运筹学、网络通信等领域。但是人工鱼群在行为选择时存在混乱，低效率的问题。

本发明方法将博弈理论融入了人工鱼群理论，对其行为选择进行了改善，使其收敛性更佳，效果更好，再应用于光网络中，通过对其基本定义的扩展来描述多域光网络的逻辑拓扑模型，使网络的多域多 层属性特征能够更好地反映在博弈人工鱼群网络模型中。本发明的博弈人工鱼群模型GAF如下：

博弈人工鱼群(GAF，Game artificial fish)模型为A＝(X,Y,σ,R)。

其中，X＝(x₁,x₂,......,x_M)为人工鱼个体状态表示向量，其x_i(i＝1,2,......,M)为人工鱼，即寻优变量；Y＝(y₁,y₂,......,y_N)为节点的集合，在源节点到目的节点之间有N个节点，每个节点y_i(i＝1,2,......,N)代表着相应区域内的食物浓度最大点，根据食物浓度水中扩散原理，目的节点的食物浓度最高，源节点的食物浓度最低，从源节点到目的节点的食物浓度依次递增；σ_i(i＝1,2,......,N)表示拥挤因子，分别对应着相应的节点。R＝(r₁,r₂,......,r_Q)为对人工鱼行为进行博弈，其中人工鱼行为对应的效用集合，设人工鱼有Q种行为。人工鱼移动最大步长为每个节点到相邻节点的距离，人工鱼的视野为visual，人工鱼个体间的距离d_ij＝||x_i-x_j||；人工鱼当前位置的食物浓度为Y＝f(x)，尝试次数为Try-number，吞食行为的迭代数为n，健壮因子为α。

实际构建的博弈人工鱼群模型包含两个层次，即觅食层和优化层。例如，图4是一个多域光网络物理拓扑结构示例，共包括3个路由域D1、D2和D3，图5是根据多域光网络博弈人工鱼群模型的定义，在图4基础上扩展的一个博弈人工鱼群模型。如图5所示，多域博弈人工鱼群模型分为Layer1(觅食层)和Layer2(优化层)两层。在觅食层中，节点集Y＝{y₁，y₂，y₃，…，y_n}；模型中，拥挤度σ＝{σ₁,σ₂,σ₃,...σ_n}，效用集R＝{r₁，r₂，r₃，…，r_n}，根据网络管理模式，节点或链路的加入与删除等操作可引发多域光网络博弈人工鱼群模型的更新。在优 化层中，F为水域食物浓度峰值集F＝{f₁，f₂，f₃，…，f_n}，f_i(i∈n)为每个水域食物浓度的峰值，代表相应水域中食物浓度最高点，在节点集中由人工鱼筛选而来。

2.1博弈人工鱼群的行为包括以下几种：

①觅食行为，设人工鱼当前状态为x_i，人工鱼的下一状态为x_i-next，在其感知范围内随机选择一个区域食物浓度最大点y_i：

x_i-next＝x_i+visual·rand() (1)

式(1)中，rand()为一个介于0和1之间的随机数，如果Y_j＞Y_i则向该位置前进一步，如果Y_j≤Y_i则重新选择x_i-next。

②聚群行为，设人工鱼当前状态为x_i，搜索当前视野范围内的伙伴数量n_f及中心位置x_c，如果Y_c·n_f＞σ·Y_i，则表明中心位置有较多的食物并且不太拥挤，那么就朝x_c前进一步：

否则执行觅食行为。

③追尾行为，设人工鱼当前状态为x_i，搜索当前视野范围内Y_j为最大的x_j，如果Y_j·n_f＞σ·Y_i，则表示x_j那具有较高的食物浓度并且不太拥挤，那么朝x_j的方向前进一步：

否则执行觅食行为。

④随机行为，是为了水域更大范围内寻找食物或者伙伴，在视野范围内随机选择一个状态，然后向该方向移动，就是觅食行为的一个 缺省行为。

⑤跳跃行为，如果连续n次迭代，最优人工鱼的目标函数值都小于一个预先设置的值s，则就随机选择一些人工鱼，随机设置人工鱼的参数：

x_t+1＝x_t+β·visual·rand() (4)

其中β是一个参数可以使人工鱼的参数产生突变。

⑥吞食行为，方法经过n次迭代后，如果某条人工鱼的目标函数值低于目的节点的食物浓度，那么舍弃这条人工鱼。

⑦繁殖行为，设雌鱼已选择雄鱼状态当前为x_i，搜索当前视野范围内健壮因子α最大的雄性x_j，如果Y_j·α_j＞Y_i·α_i，则表明有更健壮的雄鱼并且有着较多的食物，那么朝x_j的方向前进一步：

2.2行为选择博弈

1)博弈三要素

博弈的标准型有三个基本要素：局中人、每个局中人可选择的战略和收益；而局中人、行动和结果统称为博弈规则。

参与者：人工鱼当前状态为x_i和人工鱼的下一状态为x_i-next

策略集：人工鱼当前状态x_i的策略为其当前状态可以执行的操作分为不同的行为，人当前状态x_i根据自身的需求选择所需的行为，人工鱼下一状态x_i-next的策略为其在人工鱼当前状态x_i的基础上可以执行的操作分为不同的行为。

效用：在博弈人工鱼行为选择时，人工鱼当前状态x_i和人工鱼下一状态x_i-next要计算在各个策略组合下各自的效用，用来表示最大化的效率。

2)效用矩阵

在进行人工鱼行为选择博弈时，人工鱼当前状态x_i和人工鱼下一状态x_i-next要计算在各个策略组合下各自的效用。人工鱼当前状态x_i和人工鱼下一状态x_i-next的效用主要和其可以执行的行为有关，直观上来讲行为评价越高其效用越大。人工鱼当前状态x_i执行的行为是n_i则其效用定义为r_i：

r_i＝f(x_i) (6)

人工鱼下一状态x_i-next执行的行为是n_i-next，则其效用定义为r_i-next：

r_i-next＝f(x_i-next) (7)

某条人工鱼的效用为其当前状态和下一状态效用的总和，博弈的目的是计算那个策略能使人工鱼的效用达到优。

定义人工鱼的效用矩阵为{(a_ij，b_ij)}_n*n。人工鱼当前状态x_i和人工鱼下一状态x_i-next的n个行为用来表示矩阵的行和列。人工鱼当前状态x_i和人工鱼下一状态x_i-next的效用分别为a_ij和b_ij。

3)Nash均衡和Pareto最优

根据那什均衡定义，效用矩阵为{(a_ij，b_ij)}_n*n中达到那什均衡的效用对满足：

如果找到了那什均衡元素，则该元素所对应的策略就是这条人工鱼的那什均衡策略。但是，纯策略那什均衡不一定存在，也还可能存在多个那什均衡。所以，当两个元素都是或者都不是那什均衡时，还要比较它们的Pareto优势，其定义如下：

其中，α和β分别是对人工鱼当前状态为x_i和人工鱼的下一状态x_i-next的倾斜权值，α,β＞0。使用上述公式使Pareto_ij较大的元素是Pareto更优的。在效用矩阵中找到最大的元素，它所对应的策略对就是要在该人工鱼上执行的行为。

2.3免疫系统

免疫系统是生物体为了能够抵抗外来致病因子的侵害，所进化而来的基本防御系统，其具有分布式、自组织以及动态平衡能力，主要包括免疫器官和免疫细胞等。生物免疫系统之所以能够抵御病原体(或者称之为抗原)的侵害主要是通过淋巴细胞产生抗体。免疫系统主要具有以下3个基本特性：

(1)抗体的多样性：生物免疫系统依靠免疫细胞的分裂和分化作用，可以产生许多不同的抗体来抵御各类抗原，极大增强抗体的多样性。

(2)免疫的自我调节特性：生物免疫系统拥有自我调节的能力，如果存在浓度过高的抗体，可以对其进行抑制，从而使生物免疫系统达到平衡。

(3)免疫的记忆特性：为了抵御某种抗原，免疫细胞会产生出一种最佳抗体，当这种抗体消灭抗原后，并没有消失，会作为记忆细胞保存下来，如果再次遇到这种抗原时，记忆细胞会激发出大量类似最佳抗体。

免疫方法主要是通过构造人工抗原和人工抗体来模拟可以满足多样性抗体、自我调节特性以及免疫记忆功能。这三个基本特性的生物体免疫系统，经过多次进化迭代计算，最终寻找到最优值。

定义解的空间为人工抗体Ab，定义目标函数为人工抗原Ag。定义两个人工抗体Ab_i，和Ab_j之间的亲和力为A_ij，定义人工抗体Ab_i，和人工抗原Ag之间的亲和力为H_i，其计算公式分别如下：

A_ij＝1/(1+D_ij) (11)

H_i＝1/minF_i (12)

D_ij表示Ab_i和Ab_j之间的欧式距离，minF_i表示人工抗体Ab_i对应的目标函数值。定义人工抗体Ab_i的浓度为B_i，以及生存率为S_i，预先设定的阙值T，人工抗体的数目N，将亲和力大于阙值的总值记为R_ij，其计算公式如下：

由上面公式可知与人工抗原亲和力高的以及浓度低的人工抗体生存率大，由此促进了高亲和力的人工抗体，而抑制了高浓度的人工抗体，保证了人工抗体的多样性。

2.4GAF模型的问题定义

在GAF模型中，每条人工鱼x_i或每个区域食物浓度最大点y_i都对应着相应的寻优变量和节点。

其多层多域光网络路由问题可定义如下：

假设存在一个路由请求的集合，其中y₁表示源节点，Y_N表示多个目的节点的集合。投入M个寻优变量从源节点寻找目的节点，在一个水域搜寻结束将得到相应水域食物浓度峰值f_i，比较每个水域食物浓度峰值大小，选择下一个将要搜索的水域，这里将从源节点和每个目的节点的路由定义为一棵组播树T，且将连接源节点至一个给定的目的节点y_N的路由定义为一个路径。

对于一个给定的路由请求，如果考虑每个节点对应的拥挤因子σ，那么一棵组播树T的最大光路攻击半径定义如下：

因此，在多层多域光网络中，基于约束条件下的组播安全路由可描述如下：

条件1：组播树T应该覆盖集合{y₁}∪Y_N；

条件2：生成的组播路径尽可能的短；

条件3：在满足条件(1)和(2)的基础上，生成的组播树对应于最大光路攻击半径R(T)应该尽可能少；

可见，基于GAF模型的光网络攻击感知路由问题是NP完全问题。为了使得路由方案中的最大光路攻击半径最小化，因此本方法提 出了相应的多层多域安全路由方法。在介绍组播方法之前，先引入一个为之服务的单播方法。

三、基于GAF模型的多层多域光网络攻击感知组播路由方法

人工鱼群方法是一种模仿鱼群觅食的随机搜索方法，其主要思想是：在一片水域中，鱼群通过觅食、聚群和追尾等行为来寻找食物，最后一个水域中食物浓度最高的地方就是鱼存在的数目最多的地方，从而求得最优解。但是在基本人工鱼群方法中，人工鱼群容易陷入局部最优的循环中，为了提高基本人工鱼群方法的性能，本方法最新提出了一种繁殖行为让方法避免陷入局部最优，并提高了收敛度。再将新的人工鱼群方法融入GAF模型形成GAFU方法，应用该方法来求单播路由的MaxLAR值较小方案。再根据免疫方法所具有的主要特点，对人工鱼群方法进行改进，形成了免疫人工鱼群方法。解决人工鱼群方法优化过程后期鱼群的多样性能力变下降，从而导致人工鱼的搜索盲目性增大，收敛效率变低，以及出现过早收敛等问题。并将免疫人工鱼群方法融入GAF模型形成GAFM方法，应用该方法来求得组播路由的MaxLAR值较小的方案。令GAFM方法中的控制变量名为人工鱼(抗体)。

首先对参数进行设置，产生初始寻优变量，计算相关函数值，其次人工鱼抗体进行行为选择，对目的节点开始搜索，接着当域内搜索完毕后，进行域间路径选择，对每个域内最优人工鱼抗体选作为疫苗，对进行淘汰重组后的种群进行接种形成新的种群，最后判断迭代次数，得到所需目标值。

步骤一，建立博弈人工鱼群GAF模型A＝(X,Y,σ,R)，其中X＝(x₁,x₂,......,x_M)为人工鱼个体状态表示向量；Y＝(y₁,y₂,......,y_N)为节点的集合，在源节点到目的节点之间有N个节点，每个节点y_i(i＝1,2,......,N)代表着其所在区域内的食物浓度最大点，从源节点到目的节点的食物浓度依次递增；σ_i(i＝1,2,......,N)表示拥挤因子，R＝(r₁,r₂,......,r_Q)为人工鱼行为的效用集合，即对人工鱼行为进行博弈；Q为人工鱼群行为种数；人工鱼移动最大步长为每个节点到相邻节点的距离，人工鱼的视野为visual，人工鱼个体间的距离d_ij＝||x_i-x_j||；人工鱼当前位置的食物浓度为Y＝f(x)，尝试次数为Try-number，吞食行为的迭代数为n，健壮因子为α；

步骤二，初始化GAF模型的参数，设置迭代次数n＝0，并随机产生M条人工鱼(寻优变量)X＝(x₁,x₂,......,x_M)，形成初始种群U₀，所述的节点集合Y和人工鱼X位于觅食层中；

步骤三，计算初始种群U₀中各条人工鱼抗体的食物浓度值F，即其对应的节点信息，并取F值最大者进入公告板；

步骤四，对每条人工鱼进行评价，对其要执行的Q种行为，包括觅食行为，聚群行为，追尾行为，吞食行为，跳跃行为，随机行为和繁殖行为等进行博弈，选择出每条人工鱼所对应的下一步行为，并对下一步食物浓度点进行拥挤因子评估，选择拥挤因子低的方向；

步骤五，当每条人工鱼都进行一定次数移动后，计算当前种群U_m中各条人工鱼的食物浓度值F，将水域最优人工鱼信息上传到一个优化层，基于优化层进行域间路径的选择，从而选择下一步前进方向；

域间路径选择的具体方法包括：

步骤S50，在优化层中将觅食层的每一个域都抽象成一个节点，并用其域内最大食物浓度值的节点代表其在优化层中的节点信息；

步骤S51，将觅食层中源节点所在域和目的节点所在域，分别抽象成优化层中的源节点和目的节点，若源节点和目的节点在同一个域，若不在一个域则采用域间方法，若源节点和目的节点在同一个域，则直接用域内方法即可。

确认源节点和目的结点后，调用Dijkstra方法计算出最短优化路径，存入路径集U中；若路径集U中存在两条以上最短路径，则比较各个路径的节点数，选择节点数少的路径作为域间最短优化路径。

步骤六，将优化层中当前的最佳人工鱼抗体作为疫苗；

步骤七，计算当前种群U_m中各条人工鱼的生存率；人工鱼抗体x_i与抗原之间的亲和力H_i，其实质上也就是人工鱼抗体的食物浓度值F_i，故有：H_i＝F_i。

步骤八，设置一定的淘汰率R，将生存率低下的人工鱼淘汰掉，并随机产生相应数量(与淘汰数量相同)的人工鱼来补充，从而得到新的种群U_k；

步骤九，对种群U_k中每条人工鱼采用步骤六提取的疫苗进行接种，计算接种后人工鱼的食物浓度值，若低于其父代，则取消疫苗接种，否则保留接种后的人工鱼抗体，从而形成新一代的人工鱼抗体种群U_m+1；

步骤十，设置迭代次数n＝n+l，并判断迭代次数是否已经达到预 置的最大迭代次数，若是则输出结果，否则跳转至步骤四。

为了方便表达方法中人工鱼抗体的单播部分寻优过程，本方法采用简单的图示来表示上述过程。人工鱼路由发现过程如图6所示，在源节点s处，生成M条人工鱼，计算每条人工鱼的目标函数值，并记录全局最优的人工鱼的状态，对每条人工鱼进行评价，根据评价结果选择出每条人工鱼所对应的下一步行为，以其中一条人工鱼为例，对其进行评价，由于是到达第一步没有执行行为无需行为选择博弈，则根据评价结果决定采取觅食行为，节点b比节点a食物浓度高，人工鱼向节点b前进一步(如图7所示)。人工鱼在节点b选择下一步时，先对其进行评价，选择出可执行行为的范围，再和到达当前状态的行为——觅食行为进行博弈，决定执行聚群行为，选择食物浓度更高的节点e作为它前进的下一步(如图8所示)。如果节点e对它的下一步邻居节点进行拥挤因子评估时，发现节点g处拥挤因子更高，将排除节点g，则选择节点h作为它前进的下一步(如图9所示)。最后从节点h到达目的节点d。

四、本发明方法分析

下面将对基于GAF的多层多域光网络攻击感知组播路由方法(GAFM)的时间复杂度和优化性进行分析。

结论1：GAFM方法的时间复杂度至多为O(n(M+MQ+MR²))，其中M表示人工鱼群的个体数，n表示最多迭代次数，Q表示人工鱼执行行为的数量，R表示人工鱼抗体淘汰率。

证明：由于GAFM方法中初始化人工鱼群的时间复杂度为 O(M)，计算每条人工鱼的目标函数值的时间复杂度为O(M)，最多有n次迭代，每次迭代的时间复杂度为O(M+MQ+MR²)，其中人工鱼进行行为博弈花费的时间复杂度为O(MQ)，而淘汰生存率低下人工鱼抗体产生新的人工鱼抗体的时间复杂度为O(MR²)，对每条人工鱼进行疫苗接种的时间复杂度为O(M)，因此GAFU方法的时间复杂度至多为O(M+MQ+MR²)，其中M表示人工鱼群的个体数，m表示最多迭代次数，Q表示人工鱼执行行为的数量，R表示人工鱼抗体淘汰率。

结论2：GAFM方法比单纯的人工鱼群优化方法和人工免疫方法在求解组播路由问题中效果更好、性能更优，能求出更精确的最优解范围。

证明：人工鱼群优化方法和免疫方法都有着自身的优点和存在着不足。人工鱼群优化方法有着使用灵活和收敛速度快优点的，并有着较好的克服局部极值、取得全局极值的能力。但是解决离散优化问题时，该方法却存在着保持探索与开发平衡的能力较差和方法运行后期搜索盲目性较大等缺点，从而影响到了该方法寻优的质量和效率。免疫方法虽然可以较好的获得全局最优解，并具有较快的收敛速度，但需要用户设置较多的参数，使方法对问题的针对性较强、泛化能力较差；并且其智能优化性也不高，想单纯改进起来较为困难。现将两种方法有机的结合在一起，可以很好的解决人工鱼群方法优化过程后期种群的多样性能力变弱，从而导致其搜索盲目性增大，收敛效率降低，以及出现过早收敛等问题，也可以解决免疫方法需要用户设置较多的参数，使方法对问题的针对性较强、泛化能力较差等问题。

结论3：本方法在满足串扰攻击约束条件下完成了组播树的构建和波长分配，且使得组播路径优化最短。

证明：这里可将对定理5的证明转换为证明根据本方法计算出的组播树满足下面的条件：

条件1：组播树T应该覆盖集合{y₁}∪Y_N；条件2：生成的组播路径尽可能的短；条件3：在满足条件1和2的基础上，生成的组播树对应于最大光路攻击半径R(T)应该尽可能少；

对于条件1，由于在GAFM方法中，组播树初始化时已经包含源节点，通过方法的迭代过程，首先对与源节点同一域内目的节点进行了遍历，对于其它各域的目的节点，可以通过域间方法做以牵引，最终遍历所有的目的节点，因此条件(a)可以得到保证。

对于条件2，首先通过建立路由模型，在模型中根据食物浓度水中扩散原理，目的节点的食物浓度最高，源节点的食物浓度最低；并且在域内，GAFM方法是建立在免疫人工鱼群方法基础上的，根据前述公式，每个人工鱼抗体都会选择食物浓度高的节点，通过免疫人工鱼群的大量人工鱼抗体的搜索觅食从而得出最短的优化路径，在域间也存在着域间方法选择域与域之间的最短路径，因此条件(b)可以得到保证。

对于条件3，GAFM方法是建立在免疫人工鱼群方法基础上的，人工鱼抗体从源节点开始，在选择下一个节点时都要考虑到拥挤因子σ的影响，每个人工鱼抗体在选择节点时，不仅要选择食物浓度高的节点，也要选择拥挤因子σ小的节点，而公式15显示拥挤因子σ和最大攻击半径存在着转换关系的，所以，通过免疫人工鱼群的大量人工鱼抗体的路径选择可以找到使得最大攻击半径较小的路径，因此条件3可以得到保证。

五、仿真实验

为评估本方法(GAFM方法)对减少高功率光串扰攻击危害的影响，本方法将一种常见的RWA方法和Skorin-Kapov N等人提出的基于禁忌搜索的安全感知光路路由方法被作为参考，分别是Tabu Search LAR(TS_LAR)方法和First Fit RWA(FF_RWA)方法。其目标均是尽可能的减少MaxLAR值，即用相同的波长数却使得光路中一条光路与其它光路共享链路的最大数最小。

5.1试验设置

为了验证方法的有效性，使用NS-2搭建了一个智能光网络仿真平台，分别对FF_RWA，TS_LAR和GAFM方法在此仿真平台上扩展实现。在仿真实验中，网络模型及有关参数设置如下：

针对大网络，选择欧洲基本网络拓扑图。它具有30个节点和96条边，如图10所示。为获得光路径需求，本章采用文献[40]提出的流量产生方法来获得流量矩阵。在那里，流量矩阵的F(0<＝F<＝1)部分均匀分布在[0，C/α]范围内，而余下的部分均匀分布在[0，C*γ/α]范围内。其中C代表光信道的容量。α代表一个任意的整数。它大于或等于1。γ代表高流量值与低流量值的平均比率。C被设置为1250。α被设置为20。γ被设置为10。F被设置为0.7。接着，根据这各个节点对之间的流量值按照递减的顺序生成光路径需求。为得到 一个大网络虚拟拓扑，设定每个光节点最多能建立20条光路径，即每个光节点有20个光发射机和20个光接收机。最后，设定GAFM方法中的光路径的最大跳数为7。同时，设定FF_RWA和TS_LAR方法中光路径的最大跳数为10。

针对小网络，本章选择14个节点的美国国家科学基金会(NSF，National ScienceFoundation)网络拓扑作为仿真拓扑，如图11所示。在这里，假定每个光节点最多能建立10条光路径，每个光节点有10个光发射机和10个光接收机。同时，设定GAFM方法中的光路径的最大跳数为5，FF_RWA和TS_LAR方法中光路径的最大跳数为7。

另外，这里假定每个节点对之间最多只能产生一个光路径需求。同时，假定每个光节点能建立的最大光路径个数由它所具有的光发射机和光接收机的个数决定。即一个光发射机或者光接收机只能建立一条光路径。因此，光节点的光发射机和接收机越多，则能建立的光路径越多。考虑到全双工通信，也假定每个光节点的发射机数目与光接收机数目相等。

5.2实验结果及分析

基于上述网络设置，我们仿真了FF_RWA，TS_LAR和GAFM方法在减少高功率光串扰攻击危害的性能强弱。

我们先后共生成15组流量矩阵。同时，根据这些流量矩阵得到15组光路径需求。每一组路径需求数分布在286到291之间。对这些光路径需求，我们运行FF_RWA，TS_LAR和GAFM三种方法，并记录仿真得到的MaxLAR和AverageLAR。在图12中，我们展示了这三种方 法得到的MaxLAR。由图可见，GAFM方法所得到MaxLAR比其它两种方法都要低。由此可见，在大网络中，GAFM方法能减少光交换节点高功率光串扰攻击的最大危害。

图13展示了三种RWA方法在大网络中仿真的AverageLAR。由图可见，GAFM方法的AverageLAR比其它两种方法都要低。由此可见，在大网络中，GAFM方法能一定程度的提高网络对高功率光串扰攻击的约束能力。

在小网络中我们先后共生成15组流量矩阵。同时，根据这些流量矩阵得到15组光路径需求。每一组路径需求数分布在286到291之间。对这些光路径需求，我们运行FF_RWA，TS_LAR和GAFM三种方法，并记录仿真得到的MaxLAR和AverageLAR。在图14中，我们展示了这三种方法得到的MaxLAR。由图可见，GAFM方法所得到MaxLAR比其它两种方法都要低。由此可见，在小网络中，GAFM方法能减少光交换节点高功率光串扰攻击的最大危害。

图15展示了三种RWA方法在大网络中AverageLAR。由图可见，GAFM方法的AverageLAR比其它两种方法都要低。由此可见，在大网络中，GAFM方法能一定程度的提高网络对高功率光串扰攻击的约束能力。

Claims (1)

1.一种基于博弈人工鱼群的多域光网络攻击感知组播路由方法，其特征在于，包括以下步骤：

步骤一，建立博弈人工鱼群GAF模型A＝(X,Y,σ,R)，其中X＝(x₁,x₂,......,x_M)为人工鱼个体状态表示向量；Y＝(y₁,y₂,......,y_N)为节点的集合，在源节点到目的节点之间有N个节点，每个节点y_i(i＝1,2,......,N)代表着其所在区域内的食物浓度最大点，从源节点到目的节点的食物浓度依次递增；σ_i(i＝1,2,......,N)表示拥挤因子，R＝(r₁,r₂,......,r_Q)为人工鱼行为的效用集合，即对人工鱼行为进行博弈；Q为人工鱼群行为种数；

人工鱼移动最大步长为每个节点到相邻节点的距离，人工鱼的视野为visual，人工鱼个体间的距离d_ij＝||x_i-x_j||；人工鱼当前位置的食物浓度为Y＝f(x)，尝试次数为Try-number，吞食行为的迭代数为n，健壮因子为α；

步骤二，初始化GAF模型的参数，设置迭代次数n＝0，并随机产生M条人工鱼X＝(x₁,x₂,......,x_M)，形成初始种群U₀，所述的节点集合Y和人工鱼X位于觅食层中；

步骤三，计算初始种群U₀中各条人工鱼的食物浓度值F，即其对应的节点信息，并取F值最大者进入公告板；

步骤四，对每条人工鱼进行评价，对其要执行的Q种行为进行博弈，选择出每条人工鱼所对应的下一步行为，并对下一步食物浓度点进行拥挤因子评估，选择拥挤因子低的方向；

步骤五，计算当前种群U_m中各条人工鱼的食物浓度值F，将水域最优人工鱼信息上传到一个优化层，基于优化层进行域间路径的选择，从而选择下一步前进方向；

所述的域间路径选择的具体方法包括：

步骤S50，在优化层中将觅食层的每一个域都抽象成一个节点，并用其域内最大食物浓度值的节点代表其在优化层中的节点信息；

步骤S51，将觅食层中源节点所在域和目的节点所在域，分别抽象成优化层中的源节点和目的节点，若源节点和目的节点在同一个域，若不在一个域则采用域间方法：

确认源节点和目的结点后，调用Dijkstra方法计算出最短优化路径，存入路径集U中；若路径集U中存在两条以上最短路径，则比较各个路径的节点数，选择节点数少的路径作为域间最短优化路径 ；

步骤六，将优化层中当前的最佳人工鱼作为疫苗；

步骤七，计算当前种群U_m中各条人工鱼的生存率；

步骤八，设置淘汰率R，将生存率低下的人工鱼淘汰掉，并随机产生相应数量的人工鱼来补充，从而得到新的种群U_k；

步骤九，对种群U_k中每条人工鱼采用步骤六提取的疫苗进行接种，计算接种后人工鱼的食物浓度值，若低于其父代，则取消疫苗接种，否则保留接种后的人工鱼，从而形成新一代的人工鱼种群U_m+1；

步骤十，设置迭代次数n＝n+l，并判断迭代次数是否已经达到预置的最大迭代次数，若是则输出结果，否则跳转至步骤四。