CN105515988A - 基于概率量化广播gossip算法的分布式路由同步方法 - Google Patents

Abstract

基于概率量化广播gossip算法的分布式路由同步方法，本发明涉及分布式路由同步技术。本发明是为了均匀量化的gossip算法不能使各个路由节点实现严格的路由同步的问题。本发明在网络中的每个节点按照各自的时钟周期随机被激活，并向与之相连的各个节点广播信息。周边节点将接收到的信息和本节点储存的信息进行加权平均，至此完成一次迭代过程。根据这种规则，在每次迭代的过程中，有多个节点对节点信息进行更新，而且链路传输都是单向的。本发明适用于分布式路由同步。

Description

基于概率量化广播gossip算法的分布式路由同步方法

技术领域

本发明涉及分布式路由同步技术。

背景技术

随着社会的进步，通信技术的广泛应用已经成为必然趋势。在实际的应用中，并非所有的网络都用于实时的信息交换，其中最典型的就是用来进行数据采集、监测等工作的无线传感器网络。无线传感器网络是一种分布式传感网络，它的末梢是可以感知和检查外部世界的传感器。无线传感器网络中的传感器通过无线方式通信，因此网络设置灵活，设备位置可以随时更改，还可以跟互联网进行有线或无线方式的连接。通过无线通信方式形成的一个多跳自组织网络。这种无线网络以协作的形式感知、采集、处理和传输网络覆盖地理区域内被感知对象的信息，并最终把这些信息发送给网络的所有者。强大的数据获取和处理能力使得其应用范围十分广泛，可以被应用于军事、防爆、救灾、环境、医疗、家居、工业等领域，无线传感器网络已得到越来越多的关注。

在实际应用中，无线传感器网络的很多问题都可以被归结为平均共识问题，例如参数估计、源定位、分布式压缩等。平均共识指的是网络根据各个网络节点的出初始状态通过信息的交换使各个节点最终达到一致状态。集群路由器指将多个可独立运行的路由交换结节点过某种高速互联网络连接起来的单映像路由系统。每个路由交换节点包含独立的报文转发引擎和控制平面的计算资源。而分布式路由同步技术则将路由协议、安全认证、路由计算等计算密集型模块分布在各个路由节点上并行执行，以解决应用需求迅速增长而造成的控制平面计算能力不足的问题。

由此可以看出，如何有效的解决分布式共识问题是非常关键的。近年来，基于gossip算法的平均共识问题在无线传感器网络中的应用成为了研究的热点。该算法利用网络节点的本地信息和其相邻节点信息进行数据交换，可以最终使网络中每个节点的信息达到网络节点信息的平均值。尽管gossip算法在国内外有很多研究成果，但主要局限于成对gossip算法的研究，即在一个时钟周期内信息只局限于相邻两点之间传递。这种算法尽管有非常良好的收敛特性，但是只局限于双向链路，忽略了无线信道的广播特性。近几年出现的广播gossip算法，具有非常好的广播特性，即当某一个节点开始广播时，所有与之相连的节点都可以接收到传递的信息并进行数据的更新。由于它不需要反向数据交换，所以此算法可以应用于非对称的无线信道。此外，这种算法相较于成对gossip算法，具有收敛速度快的特点。

分布式路由同步技术中，由于通信链路的信道容量的限制和每个节点存储能力的限制，对于均匀量化而言，量化一致性并不是严格的一致性，即所有节点不一定能达到共同的输出值。这就说明：均匀量化的gossip算法并不能使各个路由节点达到一个严格的共识状态，从而不能严格的实现路由同步。

发明内容

本发明是为了均匀量化的gossip算法不能使各个路由节点实现严格的路由同步的问题，从而提供一种基于概率量化广播gossip算法的分布式路由同步方法。

基于概率量化广播gossip算法的分布式同步方法，在进行路由同步时，它由以下步骤实现：

步骤一、初始化节点数据和设置加扰参数ε，包括：

每个路由节点初始化信息x_i(0)；

令伴随变量y_i(0)为0；

量化每个路由节点的信息；

设置加扰参数ε；

步骤二、进行QUBGA的迭代，对于每个节点，具体过程为：

步骤二一、判断节点信息状态值是否趋于稳定，如果判断结果为是，则完成路由同步；如果判断结果为否，则执行步骤二二；

步骤二二、判断节点是否被激活，如果判断结果为否，则执行步骤二三；如果判断结果为是，则该节点向其邻近节点发送自己的信息值，且将节点伴随变量清零，并返回执行步骤二一；

步骤二三、该节点判断是否接收到其它节点发送的信息，如果判断结果为是，则执行步骤二四；如果判断结果为否，则节点信息保持不变，并返回步骤二一；

步骤二四、更新节点的信息；

步骤二五、量化节点的信息；

步骤二六、将迭代的次数加1，并返回执行步骤二一。

本发明应用概率量化对各个路由节点的信息进行量化，使每个节点达到一个严格一致的输出值，实现严格的分布式路由同步。

附图说明

图1是本发明的基于概率量化广播gossip算法的分布式同步方法的流程示意图；

图2是在位数为32、节点数为100的情况下，收敛误差的仿真示意图；

图3是在位数为32、节点数为500的情况下，收敛误差的仿真示意图；

图4是在位数为8、节点数为100的情况下，收敛误差的仿真示意图；

图5是在位数为16、节点数为100的情况下，收敛误差的仿真示意图；

图6是在位数为8、节点数为100的情况下，收敛速度的仿真示意图；

图7是在位数为16、节点数为100的情况下，收敛速度的仿真示意图；

图8是在位数为32、节点数为100的情况下，收敛速度的仿真示意图；

具体实施方式

具体实施方式一、结合图1说明本具体实施方式，基于概率量化广播gossip算法的分布式路由同步方法，它由以下步骤实现：

步骤一：初始化节点数据和选取适当的加扰参数ε：

当进行路由同步时，每个路由的初始信息x_i(0)需要进行初始化，及配置各自的值。此外，令伴随变量y_i(0)为0。然后，对量化好的路由节点信息按照(8)和(9)所示的方式进行量化。当网络规模较小时，并且网络拓扑结构已知，那么可以事先计算出最优化的加扰参数ε＝Re(ξ₂)/2并在布设节点前就设置好该数值。当网络规模大，而且网络拓扑结构位置的情况下，每个节点可以将该参数设定为0.5。每个路由节点自己包含一个时钟，按照各自的时钟进行数据的发送和接收。

步骤二：QUBGA的迭代过程：

1)、当某个节点k在随机时刻被激活时，此路由节点需要向周围节点发送数据。广播的数据分别为x_k(t)和y_k(t)，当某个相邻节点接收到广播信息后，按照式(14)和(15)对自己的信息进行更新。

2)、对所有发送节点而言，按照公式(10)和(11)对自己的数据进行更新；

3)、对于按照公式(12)和(13)对自己的数据进行更新；

4)、每次节点信息发生变化时，都对节点信息进行概率量化，具体量化方式参考公式(8)和(9)。

步骤三：迭代结束，完成路由同步过程

对节点信息按照上述方式进行多步迭代，此时到达网络中路由同步的目的。

广播gossip算法的大致思想如下：即网络中的每个节点按照各自的时钟周期随机被激活，并向与之相连的各个节点广播信息。周边节点将接收到的信息和本节点储存的信息进行加权平均，至此完成一次迭代过程。根据这种规则，在每次迭代的过程中，有多个节点对节点信息进行更新，而且链路传输都是单向的。这样既能使收敛速度加快，也能适应非对称网络。

具体算法过程描述如下：

为方便描述，用一个随机几何图来描述网络的连接情况G(N,R)，N代表节点数，R代表连通半径。用一个N×N的矩阵A表示网络的拓扑结构，即各个节点的连接情况。

当节点i和节点j之间的距离小于连通半径时，可以认为两个节点有连接关系，这时令A_ij＝1；反之，如果两个节点距离大于等于连通半径时，两个节点无法进行通信，即A_ij＝0。由矩阵A可以容易的得到网络的连接情况。

得到如上所示的连接关系后，可以将网络连接图转换为图论中的无向图的表示方法G＝<V,E>，其中V为G的顶点集；E是无序积V&V的一个多重子集，称E为G的边集。再引入图论术语：和分别表示节点i的内邻集合和外邻集合，并且引入为k的出度，为节点j的入度。符号|X|表示集合的势，即集合中元素的数量。此外，ε为加扰参数，与网络拓扑结构有关。

规定每个节点储存着两个信息量，对于第i个节点来讲分别为x_i(t)和y_i(t)。x_i(t)表示对网络平均值的估计值，y_i(t)是一个伴随变量。用x_i(0)表示各个节点的初始状态，而网络的初始均值则可以表示为通过比较均值的变化情况来观察这个算法的收敛性质。在每一次迭代过程中，即当每个节点按照各自的时钟被激活时，与之有连接关系的节点都将更新自己的信息，具体更新方式如下：

假设第k个节点被激活后，它将x_k(t)和y_k(t)传递给与之相邻的节点。对于发送信息的

节点k来讲：

x_k(t+1)＝x_k(t)(1)

y_k(t+1)＝0(2)

对于节点即与节点k不相连通的节点，有：

x_i(t+1)＝x_i(t)(3)

y_i(t+1)＝y_i(t)(4)

对于所有的节点来说，当接收到广播的信息后，按照如下方式更新自己的状态信息：

$x_j(t+1)=0.5x_j\left(t\right)+0.5x_k\left(t\right)+\frac{\mathrm{\&epsiv;}}{{\mathrm{\&delta;}}_j^{+}}{y}_j\left(t\right)---\left(5\right)$

$y_j(t+1)=0.5x_j\left(t\right)-0.5x_k\left(t\right)+(1-\frac{\mathrm{\&epsiv;}}{{\mathrm{\&delta;}}_j^{+}})y_j\left(t\right)+\frac{1}{{\mathrm{\&delta;}}_k^{-}}{y}_k\left(t\right)---\left(6\right)$

下面，再考虑gossip算法对量化数据的处理能力，即对每个初始数据x_i(0)进行概率量化：

${\stackrel{\&OverBar;}{x}}_i\left(0\right)=Q\left(x_i\right(0\left)\right)---\left(7\right)$

对量化的具体解释如下：对于一个实数x_i∈[-U，U]，对x_i的量化值记为q_i，而且量化位长为l位。由此可以得到量化值集合τ＝{τ₁,τ₂,…，τ_L}，其中L＝2^l，τ₁＝-U，τ_L＝U。量化值集合均匀分布在[-U，U]中，量化值间隔为△＝2U/(2^l-1)。现假设x_i∈[τ_j，τ_j+1]，用q_i＝Q(x_i)表示概率量化的结果，则概率量化定义为：

Pr{q_i＝τ_j+1}＝r(8)

Pr{q_i＝τ_j}＝1-r(9)

其中：r＝(x_i-τ_j)/△。

假设第k个节点在t时刻被激活，则它需要将存储的节点量化信息和发送给与之相邻的节点。对于发送节点k来讲，它更新自己的状态：

${\stackrel{\&OverBar;}{x}}_k(t+1)={\stackrel{\&OverBar;}{x}}_k\left(t\right)---\left(10\right)$

${\stackrel{\&OverBar;}{y}}_k(t+1)=0---\left(11\right)$

对于节点 $i\&NotElement;k\&cup;N_k^{-},$ 即与节点k不相连通的节点，有：

${\stackrel{\&OverBar;}{x}}_i(t+1)={\stackrel{\&OverBar;}{x}}_i\left(t\right)---\left(12\right)$

${\stackrel{\&OverBar;}{y}}_i(t+1)={\stackrel{\&OverBar;}{y}}_i\left(t\right)---\left(13\right)$

对于所有的节点来说，当接收到广播的信息后，按照如下方式更新自己的状态信息：

$x_j(t+1)=0.5{\stackrel{\&OverBar;}{x}}_j\left(t\right)+0.5{\stackrel{\&OverBar;}{x}}_k\left(t\right)+\frac{\mathrm{\&epsiv;}}{{\mathrm{\&delta;}}_J^{+}}{\stackrel{\&OverBar;}{y}}_j\left(t\right)---\left(14\right)$

$y_j(t+1)=0.5{\stackrel{\&OverBar;}{x}}_j\left(t\right)-0.5{\stackrel{\&OverBar;}{x}}_k\left(t\right)+(1-\frac{\mathrm{\&epsiv;}}{{\mathrm{\&delta;}}_J^{+}}){\stackrel{\&OverBar;}{y}}_j\left(t\right)+\frac{1}{{\mathrm{\&delta;}}_k^{-}}{\stackrel{\&OverBar;}{y}}_k\left(t\right)---\left(15\right)$

更新完相邻节点信息后，需要对已经更改的信息进行量化，即所有的节点。

${\stackrel{\&OverBar;}{x}}_j(t+1)=Q\left(x_j\right(t+1\left)\right)---\left(16\right)$

${\stackrel{\&OverBar;}{y}}_j(t+1)=Q\left(y_j\right(t+1\left)\right)---\left(17\right)$

Gossip算法的内容可以描述为在一个有界网络中，每个节点都随机地与其他节点通信，经过一番杂乱无章的通信，最终所有节点的状态都会达到一致。此算法解决了分布式条件下的时钟同步问题。由于测量精度、信道容量和节点的存储容量的限制，对节点时钟信息进行量化是非常必要的。相较于均匀量化对收敛性的不良影响，本发明选择了概率量化。此外，本发明提到的分布式路由同步技术，具体利用概率量化的广播Gossip算法，通过对路由节点的本地信息和其相邻节点信息重新分配网络中排队等候需要处理的任务，使得每个路由节点处理的任务数量基本相同，从而达到路由同步的目的。该技术能够保证网络中的路由所有节点最终达到共识状态。

性能分析：为了更好的对本专利的算法进行性能上的比较，将国际上的已有的几种广播gossip算法BGA和BBGA与这种算法进比较。其中，BGA是经典的广播gossip算法，BBGA是一种不需要知道广播节点的出度的广播gossip算法，并将这两种算法的量化形式命名为QBGA和QBBGA。此部分将这两种算法与本专利提出的QUBGA算法在性能上进行比较。

在性能分析中，网络中节点数分别选取了100节点和500节点，对于概率量化位长选取了8位、16位和32位，迭代次数为50000次。仿真中采取不同的加扰参数，对于QUBGA-opt中ε＝Re(ξ₂)/2；而QUBGA-0.5中ε取值为0.5。下面引入两个参数来表示算法的收敛误差和收敛速度。

(1)、量化BGA的标准差，代表收敛误差。表达式如下：

$r\left(t\right)=\frac{1}{N}\left|\right|x\left(t\right)-\frac{1}{N}\&Sigma;x\left(0\right)|{|}_2^2---\left(18\right)$

如果一个算法能够保证收敛于所有节点的初始值，那么标准差将收敛于0；所以，收敛误差由标准差决定。

(2)、量化BGA的方差，代表收敛速度。表达式如下：

$q\left(t\right)=\frac{1}{N}\left|\right|x\left(t\right)-\frac{1}{N}\&Sigma;x\left(t\right)|{|}_2^2---\left(19\right)$

从公式(19)可以看出，方差度量了每次迭代后和当前每个节点的负载量的方差。当节点形成共识时，方差收敛为0。故，这个变量可以体现达到共识的速度。除此之外，由于量化的引入，导致最终的收敛值并不是一个统一的值，对于方差来讲，就是q(t)并不能收敛到0。

图2和图3的这组仿真结果可以看出：(1)、QUBGA的收敛效果最佳，因为当收敛后，收敛误差相对来讲最小。(2)、节点数越多，所有算法的收敛速度都会降低。

通过比较图2、4和5，得到结论：基于概率量化的广播gossip算法的收敛性与量化位长是有关系的，量化位数越长，算法的收敛性越好。

图6至8表示的量化方式不同对于量化最终收敛性质的影响，对于均匀量化和概率量化，抽取了相同的位长。可以看出：概率量化能够让节点信息收敛到一个统一的数值，即达到理想的共识状态。而均匀量化不具有这样的性质。除此之外，概率量化在位长较小的时候有比较的优势。

Claims (4)

1.基于概率量化广播gossip算法的分布式路由同步方法，其特征是：在进行路由同步时，它由以下步骤实现：

步骤一、初始化节点数据和设置加扰参数ε，包括：

每个路由节点初始化信息x_i(0)；

令伴随变量y_i(0)为0；

量化每个路由节点的信息；

设置加扰参数ε；

步骤二、进行QUBGA的迭代，对于每个节点，具体过程为：

步骤二一、判断节点信息状态值是否趋于稳定，如果判断结果为是，则完成路由同步；如果判断结果为否，则执行步骤二二；

步骤二二、判断节点是否被激活，如果判断结果为否，则执行步骤二三；如果判断结果为是，则该节点向其邻近节点发送自己的信息值，且将节点伴随变量清零，并返回执行步骤二一；

步骤二三、该节点判断是否接收到其它节点发送的信息，如果判断结果为是，则执行步骤二四；如果判断结果为否，则节点信息保持不变，并返回步骤二一；

步骤二四、更新节点的信息；

步骤二五、量化节点的信息；

步骤二六、将迭代的次数加1，并返回执行步骤二一。

2.根据权利要求1所述的基于概率量化广播gossip算法的分布式路由同步方法，其特征在于步骤一中，量化每个路由节点的信息的方法具体为：

对于一个实数x_i∈[-U，U]，对x_i的量化值记为q_i，而且量化位长为l位，由此得到量化值集合τ＝{τ_1,τ₂,…，τ_L}，其中L＝2^l，τ₁＝-U，τ_L＝U；

量化值集合均匀分布在[-U，U]中，量化值间隔为△＝2U/(2^l-1)；

假设x_i∈[τ_j，τ_j+1]，用q_i＝Q(x_i)表示概率量化的结果，则概率量化定义为：

Pr{q_i＝τ_j+1}＝r

Pr{q_i＝τ_j}＝1-r

式中：

r＝(x_i-τ_j)/△。

3.根据权利要求2所述的基于概率量化广播gossip算法的分布式路由同步方法，其特征在于步骤二四中，更新节点的信息的具体方法是：

对于该节点的邻近节点接收到广播数据x_k(t)和y_k(t)后，根据公式：

$x_j(t+1)=0.5x_j\left(t\right)+0.5x_k\left(t\right)+\frac{\mathrm{\&epsiv;}}{{\mathrm{\&delta;}}_j^{+}}{y}_j\left(t\right)$

$y_j(t+1)=0.5x_j\left(t\right)-0.5x_k\left(t\right)+(1-\frac{\mathrm{\&epsiv;}}{{\mathrm{\&delta;}}_j^{+}})y_j\left(t\right)+\frac{1}{{\mathrm{\&delta;}}_k^{-}}{y}_k\left(t\right)$

进行更新；

式中：t是时刻；和是节点k的量化信息，节点是节点k的出度；

对于所有发送节点k，根据公式：

${\stackrel{\&OverBar;}{x}}_k(t+1)={\stackrel{\&OverBar;}{x}}_k\left(t\right)$

${\stackrel{\&OverBar;}{y}}_k(t+1)=0$

进行更新；

式中：和是节点k的量化信息；

对于节点i，根据公式：

${\stackrel{\&OverBar;}{x}}_i(t+1)={\stackrel{\&OverBar;}{x}}_i\left(t\right)$

${\stackrel{\&OverBar;}{y}}_i(t+1)={\stackrel{\&OverBar;}{y}}_i\left(t\right)$

进行更新。

4.根据权利要求3所述的基于概率量化广播gossip算法的分布式路由同步方法，其特征在于步骤二五中，量化节点的信息的具体方法为：

根据公式：

Pr{q_i＝τ_j+1}＝r

Pr{q_i＝τ_j}＝1-r

实现。